No. 34: 2026 年最流行的传染病，AI 幻觉开始人传人

如果让我给 2026 年的信息环境选一种最流行的传染病，我会选 AI 幻觉。

先说清楚，这里的“传染病”只是信息传播的比喻，不是医学判断。模型生成一段似是而非的答案，有人把它复制进群聊、报告、PPT 或知识库，第二个人看到的已经不是一次模型输出，而是一段被同事、作者或搜索结果背书过的文字。

错误的宿主就这样从模型变成了人。它不再需要 AI 参与每一次传播，也不再保留最初那句提示词。每被转述一次，来源就淡一点，语气却可能更肯定一点。

以前我们担心 AI 一本正经地胡说。到了 2026 年，我更担心另一件事：人开始替 AI 把幻觉说第二遍，而且说得比 AI 更像事实。

AI 幻觉离开聊天框以后，才真正有了传播能力

AI 幻觉通常指模型生成了听起来合理、实际上并不真实的内容。它可能编出一篇不存在的论文、一个错误的政策条款、一组找不到出处的数据，也可能把几件真实的事拼成一个从未发生过的结论。

OpenAI 在 2025 年对幻觉机制的解释里提到，语言模型在不确定时仍然猜测，与训练和评测长期奖励答对、却很少奖励承认不知道有关。模型越擅长组织语言，这种错误越难凭语气识别。流畅、完整和自信都不等于真实。

如果错误只停留在一次对话里，影响通常还有边界。用户关闭窗口，它也许就结束了。问题出在复制按钮按下以后。模型输出进入邮件、会议纪要、方案、短视频脚本和搜索页面，原本带着上下文的临时回答开始变成可复用的信息。

这里出现了第一轮变异。转述者会删掉模型的犹豫，补上自己的理解，再把一段回答压缩成一句结论。下一位读者不知道哪些内容来自原始资料，哪些是模型补齐的，哪些又是上一位转述者的判断。

来源消失的那一刻，幻觉完成了第一次人传人

一条信息从 AI 传到人，再从人传到人，中间常常经过四个动作：生成、筛选、改写、转发。每个动作都可能让文本更适合传播，同时让它离原始证据更远。

比如，一份行业报告里出现了一组没有出处的数据。作者可能来自 AI，写报告的人觉得数字合理，于是保留下来；同事在汇报时只截走图表；第三个人又把它放进自己的方案。几轮以后，没人再问数字最早来自哪里，大家只记得它在好几份材料里都出现过。

重复会制造熟悉感，熟悉感又很容易被误当成可信度。此时就算最初的模型已经不在场，错误也能继续沿着组织关系和内容平台传播。

我把这个过程叫作来源漂白：一条带着明显 AI 痕迹的回答，经过人的选择和文档的包装，最后看起来像经过调查、讨论和确认的事实。人的参与没有自动消除幻觉，反而可能替它补上职位、媒体、公司和朋友关系带来的社会信用。

人传人不是夸张，但也不能靠夸张来证明

关于错误信息的传播，我们已经有一些可以参考的证据。2018 年发表在《Science》上的研究分析了 2006 至 2017 年 Twitter 上约 12.6 万条真假消息传播链，发现假消息传播得更远、更快、更深。研究还指出，机器人对真假消息的加速程度相近，传播差异更多来自人的转发选择。

这项研究发生在生成式 AI 普及以前，不能直接证明 2026 年的 AI 幻觉已经达到某种流行率。它能说明一个更基础的机制：新奇、意外和带情绪的信息更容易推动人去分享，而真实性并不是每次转发的第一判断条件。

2026 年，国际信息环境委员会发布了一份生成式 AI 错误信息的元分析。报告汇总了 24 项研究、33,801 名参与者和 60 组实验效应。结果显示，较新的研究里，文本型生成式 AI 错误信息被感知为准确、可信的程度有所上升；相比之下，人们对深度伪造图像和视频反而更警惕。

这很符合当下的风险形态。我们会检查一张脸是否合成、一个视频是否换脸，却很少怀疑一段语气平静、结构完整、还带着几个专业名词的文字。文本没有视觉破绽，也更容易被拆散后放进别的内容里。

最危险的宿主，是看起来已经完成的文档

聊天框里的错误还有一个天然警报，读者知道它来自 AI。文档里的错误通常没有。

当幻觉进入报告、制度说明、知识库和培训材料，它会获得一种完成感。标题、目录、表格和参考资料的格式都在告诉读者，这份内容已经被整理过。很多人会检查排版是否统一、观点是否顺畅，却不会逐条核对其中的事实。

组织内部尤其容易出现这种传播。上一份方案成了下一份方案的参考，旧的会议纪要被 AI 总结，新员工又根据知识库回答客户。只要第一处错误没有留下来源和核验状态，后面的每一次复用都可能让它更难被发现。

错误还可能与真实信息混在一起。十条内容里有九条正确，一条是模型补出来的，整份文档看起来依然可靠。等那一条错误被单独摘走时，原文里的限制条件和不确定性也一起丢了。

AI 大跃进，把上 AI 直接等同于砍人

老板和客户未必每天真正使用 AI。他们接触更多的是发布会、演示视频、销售方案和一次成功的 Demo。几分钟生成一份 PPT，几十秒搭出一个页面，一句话完成一份行业分析，这些画面很容易让人形成一个判断：AI 什么都能做，而且很快就能做完。

这个判断也会人传人。客户把演示里的能力写进需求，老板把外部案例变成目标，管理者再把目标压缩成一句“这个用 AI 很快吧”。传到执行团队时，模型边界、数据条件、系统权限、验收标准和失败成本都消失了，只剩下一个不允许缓慢的结果预期。

AI 确实能把生成速度提高很多，但生成速度不等于交付速度，做得出来也不等于有价值。一份十分钟写完的报告，如果数据来源不可靠、不能支持决策，就是更快地产生了阅读负担；一天搭出的 Agent，如果进不了业务系统、没有权限边界、失败后无法恢复，也只是一个更快完成的演示。

更激进的版本，是把上 AI 直接等同于砍人工、降成本、提效率。项目还没有跑进真实流程，能替代多少岗位、节省多少成本已经写进汇报；方案不再从业务问题出发，反而从预设的人力削减目标倒推 AI 应该做什么。

这就是 AI 大跃进。它的推导很快：内容生成得快，所以项目交付也该快；局部任务能自动完成，所以完整岗位可以被替代；岗位减少，所以成本和效率已经改善。三步都缺少业务证据。

如果系统仍然需要人工准备数据、逐条审核、处理异常并承担责任，所谓被砍掉的人力只是在岗位表里消失，又以返工、兜底和风险成本回来了。工资数字可能下降，算力、系统集成、数据治理和隐性人工却被漏在了另一张表里。

AI 可以减少重复劳动，也可能重构一些岗位。这些结果应该在真实流程里跑出来：改造前花多少时间和人力，错误造成多少损失；改造后周期、质量、成本和风险分别发生了什么变化。没有改造前的基线，降本无法证明；没有业务结果，增效也无从判断。

这类幻觉甚至比编错一个数字更难纠正。数字可以回到来源核对，能力想象却会被成功案例不断强化。每个人都只转述最好看的那一段，没人转述为了让 Demo 成立而提前准备的数据、人工兜底和被刻意避开的异常流程。

所以判断一个 AI 需求，不能只问“能不能做”“多久做完”和“能砍多少人”。还要继续追问：它替谁解决什么问题，输入数据是否存在，执行动作能否接入，结果由谁验收，异常由谁处理，最后节省的成本或增加的收益是否真的发生。答不出这些问题，快速生成出来的东西越多，离业务价值可能越远。

幻觉还会沿着数据重新回到模型

这条传播链并不只停留在人与人之间。公开发布的 AI 内容会进入搜索结果、网页、数据集和新的模型上下文，下一次生成又把旧错误包装成新的答案。

2024 年发表在《Nature》上的模型坍塌研究讨论了一个相关但不同的问题：当生成模型不断使用前代模型产生的数据训练时，原始数据分布里的低概率信息会逐渐丢失，错误也会跨代累积。研究强调，保留真实的人类原始数据和内容来源很重要。

模型坍塌不等同于 AI 幻觉，也不能证明网上的每条 AI 内容都会污染下一代模型。它提醒我们，信息环境存在反馈回路。模型根据人类资料生成内容，人把内容发布出去，后来的模型和人又把这些内容当成资料。来源一旦断开，系统就很难分辨自己是在观察现实，还是在观察上一轮生成的现实投影。

给事实留下通行证，才能控制传播

完全不用 AI 解决不了这个问题。人类在生成式 AI 出现以前就会记错、传错和编错，AI 只是把生产速度、表达质量和传播规模同时放大了。真正需要改变的是信息进入决策前的规则。

无来源的事实先隔离。 数据、引语、论文、政策和真实事件，只要会影响判断，就应该能回到原始出处。搜索结果、AI 回答和别人做好的 PPT 都只能作为线索，不能充当最终证据。

把生成状态和核验状态分开。 AI 写完只代表生成完成，不代表事实已经确认。文档里可以明确标记哪些内容来自原始资料，哪些经过人工判断，哪些仍待核验。不要用一句“AI 辅助生成”覆盖所有责任。

允许模型和人说不知道。 如果组织只奖励快速给答案，模型会猜，人也会猜。对高风险问题，承认缺少证据应该比补出一个完整答案更有价值。产品评测同样需要惩罚自信的错误，而不是只统计答对多少题。

纠错要沿传播链往回走。 在原文下面改一句不够，错误去过群聊、报告、知识库和客户材料，就要逐一通知和更新。传播有路径，纠错也必须有路径。

2026 年，我们不缺生成内容，也不缺关于 AI 能做什么的想象。真正稀缺的是一条能证明内容从哪里来、由谁核过、错了以后怎么收回的证据链，以及一套把生成结果接进真实业务、接受真实验收的价值闭环。

AI 幻觉能够在人与人之间传播，是因为人和系统替它完成了复制、背书与遗忘来源。每一个转述者都可能成为新的传播节点，也都可以在转发前把链路截断。

AI 幻觉最危险的时刻，不是它从模型嘴里说出来，而是它从人的嘴里说了第二遍。

← Writing