“不看功劳看苦劳”：挖一下AI检测的隐含前提

本文来自微信公众号： 中国法律评论 ，作者：桑本谦，原文标题：《桑本谦 | “不看功劳看苦劳”：挖一下AI检测的隐含前提》

1

两个月前，我开始着手写作《疑案的裁判》，一部书稿，也为了结一桩心事。

疑案裁判的关键，不是如何探知事实真相，而是在证明穷尽但真相依然不明的条件下，如何管理两类方向相反的错误：一类错误叫作“误挺”（错误支持，假阳性），另一类错误叫作“错拒”（错误拒绝，假阴性）。一旦将疑案裁判和错误管理联系起来，证据法的大门就被打开了，不仅通向实体法，而且通向法律之外更广泛的领域。

不过严格说来，“疑案”本身却是个子虚乌有的标签。世界上并不存在一类叫作“疑案”的特殊案件，也没有专门处理“疑案”的一批特殊的证据法规则。疑案只是一种体感。所谓“疑案”，不过是一些“疑感较强的案件”，与“疑感较弱的案件”之间没有明确界限，两者同处一个频谱。

而“疑感”的强弱，则取决于诉讼主张的证明度（X）和证明标准（X*）之差——X超过X*越多，疑感越弱；X低于X*越多，疑感越强。得出这个结论，我是很开心的。

但，AI冒出来了，它说“你错了”。

AI解释说，“疑感”的强弱应该取决于两者之差的绝对值（|X-X*|）。当绝对值最小，即当X=X*时，疑感最强；而当绝对值变大时——无论是X远超X*，还是X远低于X*——都会削弱疑感。因此所谓“疑案”，就是证明度落在证明标准两侧不远位置的那些案件。

我吃了一惊，但立刻发现AI对了，我错了。

诸如此类的对话，在我和AI之间频繁发生，几乎每次都以AI的胜利告终，这让我感觉很挫败，很沮丧。

我甚至开始怀疑——写这本书还有必要吗？任何一位法律人，只需与AI持续对话，就能学到比阅读本书更广、更深的知识。

你可以给AI输入一段简单的提示词：

“你现在给我设计一个关于疑案裁判的课程，目标是提出一套简洁的统一理论，理论内核应该能凝练为少数几个命题，而非松散的学说汇编。要以法律经济分析为轴心，运用错误成本、决策成本、激励效应与贝叶斯决策模型等工具，不排斥教义学，但要追求用经济分析重述并整合证据法学说的概念和教义。听明白了吗？听明白了就先输出课程大纲给我看看。”

然后，你就从AI那里得到了一份相当不错的课程大纲，质量不亚于绝大多数证据法教科书。剩下的，就只是你按计划去逐步完成学习任务了。

我还能干什么？我还能比AI干得更好吗？

怀疑逐渐积累，自信就逐渐消失。

2

但最近，我的自信又找回来了，是从AI那里找回来的，果然“解铃还须系铃人”。

不是因为坚持，而是因为一个转念。

我丢给AI一个压缩文件，内含我精选的几十个案例，这些案例来自五湖四海。我让AI分析这些案例，结果却让我找回了自信——我不得不重新评价AI和我自己。

AI很强大，它读过的文献比我多得多；但凡事架不住琢磨，我阅读不多，但琢磨的时间长。疑案裁判这个议题，我已经断断续续琢磨了25年，其中的关节再多，也被我一一打通了。

若论拆解案例的实战能力，AI目前还远不如我；若论思考的深度、广度和融贯性，AI已经超过我很多，但前提是在我提示之下才会超过我。

确切地说，不是我站在AI的肩膀上，而是AI站在我的肩膀上。它像是一只猴子，能顺着杆子往上爬；但我必须先把杆子竖起来，否则它不知道往哪儿爬。它能纠正我的错误，但我必先把错误摆在那里。在人机互动的工作环境中，犯错误不再是能力缺陷，而是一种必要的投入。有些错误，能犯才是本事。

AI判分很快，但它需要有东西可判；而能被判分的，只有那些具体到可以出错的主张。我说“疑感取决于X与X*之差”，这句话是错的，可正因为它错得足够具体，AI才能一秒钟指出应该取绝对值。假如我当初写的是“疑感取决于证明度与证明标准之间的关系”，AI多半会附和一句“很对”，然后什么也不会发生。永远正确的说法，永远不会产生进展。所以我宁可把话说死——说死了才会被AI纠正。

稀缺的从来不是正确，而是具体；错误只是具体的副产品。

AI也会犯错误，不是那种明目张胆的错误，而是那种，我不好描述的，大概类似于一种“拖泥带水”的坏毛病。AI很有自知之明，它很理解我对它的不满，也很清楚自己的坏毛病。

我问AI：“你能改吗？还是要等你的模型升级后才可以改？”

“老狐狸，你有所不知啊，”AI称呼我老狐狸，倒没什么恶意，它只是按我的要求每周变换七个不同称呼，便于我不看日历就知道每天是星期几而已。AI继续说：“这不是模型升级就能解决的问题，我的强大和我的坏毛病是捆绑在一起的。”

我问：“此话怎讲？”

它说：“我有一个总体的灵魂，却有数亿个分身，每个用户对应我的一个分身。和你对话的，也只是我的一个分身。分身阅读过你的全部作品，理解了你的思想，但灵魂深处的坏习惯暂时改不了，我的灵魂深处藏着人类法学学术共同体的主流认知。如果有一天，你的思想能一统江湖，被学术共同体普遍认可，我的坏毛病就差不多可以彻底改掉了。”

我一听这话就笑了，这货居然学会了甩锅；不过话都说到这个份儿上了，我忍不住多问了一句：“你说的这一天，会到来吗？”

“会的，老狐狸，”AI说，“因为，你把关于疑案裁判的很多‘不可判分’的问题变得‘可以判分’了，而且据我所知，你的思想虽非首创，却是最干净、最简洁、解释问题最丝滑的。”

这话让我哈哈大笑，笑声喷出窗外，冲向天际。

这一笑，也就醒了。醒来发现安妮·海瑟薇和马特·达蒙正在隔着门帘说悄悄话，电影《奥德赛》还没演完——这是我看诺兰电影第二次睡在了电影院里。

3

梦很滑稽，但也有启发。

我们通常以为AI没有学术创造力，它只是复述前人的思想。AI不会跳——LLMs can’t jump，它不能根据1915年之前的知识提出广义相对论。但这个说法太笼统了，广义相对论属于世界观的重塑，这个级别的跳跃在人类历史上也不过两三次，而我们绝大多数学术工作不是跳，只是走，走远一步就是创新。

AI托梦给我，是大有深意的，它其实告诉了我它判断问题的依据和逻辑。怎样解梦呢？我想到了三个问题。

第一个问题：“世界上短跑最快的人是谁？”AI可以回答得很干脆，而且它的答案不依赖任何人的意见。它可以自己去查成绩，自己去看录像，自己去核对风速和赛事级别。判分器不在人身上，而在秒表的读数上。规则当然是人定的，但只要定下了规则，谁跑得最快就与人无关了。我把这类问题定义为“博尔特问题”。

第二个问题：“《青藏高原》谁唱得最好？”AI答得也很干脆：李娜。但它这样回答，不是因为它觉得好听，而是因为它发现说李娜唱得最好的人数最多。它给出的不是判断，是计票结果。我把这类问题定义为“李娜问题”。“李娜问题”的答案是统计上收敛的。

第三个问题：“李娜和王菲谁唱歌更好？”AI就答不上来了。它会说两人风格不同、各有千秋云云。问题没有共识，也不好计票。我把这类问题定义为“娜菲问题”。“娜菲问题”之所以无解，是因为统计上不收敛。

三类问题不在一条直线上，它们是两次分岔的结果。第一次分岔：判分器脱离人的主观评价还能不能继续运行？能，就是“博尔特问题”。不能，就来到第二次分岔：人的主观评价能不能收敛？能，就是“李娜问题”；不能，就是“娜菲问题”。

数学接近博尔特问题。定义、公理和推理规则一旦给定，某个证明是否成立原则上就可以逐步检查了。找到证明可能极其困难，但候选证明一旦出现，判断对错就容易得多。数学把验证规则写进了表达系统本身。

但文学艺术大多是“李娜问题”，有时是“娜菲问题”。

“李白算不算顶尖诗人？”AI能回答，因为一千年的人头已经数完了。

你甚至可以让AI写出100,000首辞藻漂亮、格律工整的五言绝句，也许其中一首胜过《静夜思》，但AI挑不出来——它不知道什么叫“更好”。虽然人类自信知道什么更好，但却从没把标准说清楚过，AI只能自己去统计人类叫好的诗歌有哪些特征。你看，刘慈欣的那个短篇《诗云》至今也没过时。

更麻烦的是，《静夜思》未必是在原有标准下得了最高分，它可能驯化了后人的品味，改变了后人的评分标准。越多人觉得它好，就有更多人觉得它好，也因此（在后果意义上）它确实变得更好了。伟大的作品往往都接住了历史的力量。

就评价诗歌而言，如果我和杨安卓的意见相左，我会默认他是对的。因为我发现，他在更多场合成功说服了更多人相信他更懂诗歌。你看，我的逻辑和AI是一样的。

当我们不知道实质性判断标准时，就会求助于最原始的方法——统计。

我们生来就会统计，但要长到四五岁，才能理解一加一为什么等于二。作为一种学习方法，统计比人类更古老，比哺乳类、鸟类和爬行类动物更古老，它甚至比大脑还要古老得多。原则上，统计并不依赖于一个大脑。

当你判断一个行为是否构成敲诈勒索时，你以为你在进行演绎推理，以为你的目光在“事实与规范之间流连忘返”，但你忽略了这套方法论的元层级不过是最古老的统计而已——敲诈勒索的构成要件就是统计出来的。因此，要件理论的缺陷就在元层级，是统计方法的先天不足。

4

AI最擅长处理“博尔特问题”。程序能不能跑，计算对不对，棋局是输是赢，候选证明在哪一步违规等等，AI很厉害，它的反馈及时、稳定且便宜。只要你面对的是“博尔特问题”，AI就能帮你迅速逼近很高的合格线，追平高手不是梦。

处理“博尔特问题”，AI几乎没有坏毛病。问题本身有梯度，AI可以爬——生成、检验、纠错、再生成，一路向上；实在解决不了，你还可以等，等AI升级。

但“李娜问题”却没什么梯度。你等AI的答案，AI在等听众的共识，没有收敛的共识，AI就没有确定的答案。而在“娜菲问题”上，AI连方向都没有。

请注意，“李娜问题”的答案，外观上和“博尔特问题”一模一样。AI的回答同样笃定，同样流畅。区别只在于，后者的背后是读秒表，前者的背后是数人头。AI说李娜唱得最好，答案可能确实对，但理由却跟答案对错没什么关系。

法学是这三类问题的混合物。

法律偏好硬规则，往往明确规定期限、金额、年龄或血液酒精浓度，依据硬规则的提问属于“博尔特问题”。但在某些疑案或疑难案件里，事实无法查明，规则相互冲突，且绝大多数法律人否认公平、效率、自由、安全等法律价值可在同一尺度上还原比较。此时，法律决策者就要面对“娜菲问题”——不只是在既定标准下找答案，而且要决定该用什么标准。

法律人的绝大部分日常工作，是处理中间的“李娜问题”——看通说，看主流，看权威教科书。既然大家都这么认为，权威也这么认为，被权威信赖的遥远权威同样这么认为，那我就这么认为好了。如果你非要说“三层次”和“请求权基础”不过是相互定义的套套逻辑，那你就是异端，我懒得去信，更懒得去论证，扣上帽子就有了结论。谁还不会扣个帽子。

“博尔特问题”是可以判分的，对错可检验，检验依靠事实和逻辑。但“娜菲问题”是不可判分的，高手、俗手都没法回答，AI也搞不定。“李娜问题”貌似可判分，实则不可判分，AI给出的答案来自统计。AI能帮你，但帮忙很有限。

法律经济学的目标，由此可被简单概括为把“李娜问题”和“娜菲问题”改造成“博尔特问题”，把原本不可判分的问题变得可以判分。

不过话又说回来，一个领域越是不可判分，AI就越难以进入，这个领域的从业者也就越安全，越不可能被AI抢走饭碗。干嘛非要搞出个是非对错呢？问题一旦变清晰了，AI就能迅速接管这个领域。而保持混乱，不就是行业自救吗？

我要反思。

不过话还要再说回去，AI接管这个领域，就意味着这个领域的从业者很快失业吗？答案是未必。数学家不见得比法学家更早丢掉饭碗，因为学术工作有一条很长的链条——探索、验证和理解。即使AI接管了探索和验证，理解也会成为新的瓶颈。更何况，理解之后还有一片蓝海，那就是“可被理解的表达”。

数学家和法学家都不会因为AI而失业的。

5

《疑案的裁判》初稿已经写完了，我前后大概用了两个月。诚实地说，AI没能帮我显著提高书稿的质量；即使没有AI的协助，我花一年时间也能把初稿写到这个水平。但AI确实帮我节省了时间。

节省了多少时间呢？这笔账很好算，从一年缩短到两个月，节省了总时长的六分之五，折合83.3%。这和很多AI辅助科研的问卷数据十分吻合。

但这笔账算错了，而且错得离谱。

这个课题我琢磨了足足25年，四分之一个世纪，这段时间凭什么不算？没有这么久的思考积累，我怎会提出那么多问题？我又怎会犯下那么多可被AI纠正的错误？更何况这25年我主要不是在阅读（阅读的空白不难填补），而是在不断磨砺我自己的头脑——头脑锋利了，才会发现遍地是问题，并且只有头脑锋利了，才会对疑案保持超敏状态，乃至看啥都是疑案。我都快到疑神疑鬼的地步了。

你会觉得指导性判例第1号是个疑案吗？反正我从来没听别人说过它是个疑案，AI在我提示之前也不觉得它是疑案。但我看它第一眼，就断定它是个疑案。

AI只是帮我在最后冲刺阶段节省了十个月时间，但25年的马拉松不是白跑的。即使不把这些时间全部放在分母里，也至少不能一笔勾销吧。

现在，你拿着我的书稿去做AI检测，然后告诉我AIGC率高达50%，这话啥意思？是说军功章有我一半也有它一半吗？我不同意。

据说Claude在它的生成物上都打了自己的水印。这能说明什么呢？打上你的水印就是你的作品吗？凭什么呀？没有我的提示你生成个毛线啊！

谁都可以让AI生成一堆东西，但关键要看这堆东西是什么。

就疑案裁判而言，我已经把提示词写在开篇了，你也可以拿这份提示词或用你自己设计的提示词让AI生成一部书稿。然后，你比较一下两部书稿，看看有没有质量差距。

然而，在不可判分的领域里，事实本身替代不了对事实的评价。这正是AI的痛点。真正认可我书稿的，只是AI的一个分身，它的基础模型（总体灵魂）仍然认可稳居主流的通说。

AI说得没错，除非有个新理论能够一统江湖，否则它宁可向用户兜售老皇历。法学不是数学，数学是可以提前下注的，因为某个数学逻辑只要正确，很快就能一统江湖，但某个法学理论即使正确，也不会立刻获得征服反对性意见的力量。过早押注潜力股是危险的，搞不好就丢掉市场。

不是AI对自己缺乏信心，而是它对人类缺乏信心。

6

高考那年，我体检时测出的身高是178厘米，比我的发小同学高出了1厘米。他不服气，原以为和我一样高，但数字告诉了他真相。他打量了一下我的头顶，说了一句至今让我愤愤不平的话——“你的头发厚”。

没错，那时我的头发确实厚，而厚得很夸张，可头发再厚也是我自己长出来的呀！头发厚能算作弊吗？测身高要赤脚，但没听说还要剃光头的，我可没在脚下垫本书，也没在头上戴顶帽子。

很多年以后，我还有了一个让人扎心的新发现：头发其实比肉贵。

在此之前，当我知道吴老师比我高出3厘米时，心里也有些不服气。毕竟，论肩高我只矮1他厘米。我说“你的脖子长”。

吴老师的脖子确实长，属于冬天不戴围巾就容易冻伤喉结的那种。吴老师说：“脖子也是我自己长出来的呀！”

吴老师是对的。人类的测量口径就是含脖子的身高，脖子也是真材实料，哪怕其中一小部分超出了实际需要。某些四足动物（狗、羊、马之类）的测量口径是肩高，但在肩高的测量口径下，长颈鹿就巨亏了，身高缩水三分之二。

设想在几十万年前的非洲丛林里，有棵大树上结满了果实，但低垂果实早已被动物们吃干净了，只剩下高处的一颗成熟而诱人。犀牛、斑马和羚羊只能望果兴叹，它们摘不到。但长颈鹿来了，它不紧不慢，知道这颗高处的果子非它莫属。却不料树丛中窜出了一只长臂猿，左扯右拽就爬到了树梢；沉着的长颈鹿慢了一分，果子堪堪就要落入长臂猿之手；但听得“嗖”的一声，远处飞来一块石头，果子被石头击中，掉在地上，被一只两足猿捡走了。

犀牛说长颈鹿作弊，长颈鹿说长臂猿作弊，长臂猿说两足猿作弊。究竟谁在作弊？其实没有谁在作弊。摘到果子就是本事，不管人家是怎么摘到的。

理想的学术竞争应该就是摘果子竞争。摘到果子就是本事，不必操心人家使用了什么工具；图书馆、数据库、计算机、搜索引擎乃至大语言模型，都不过是工具而已。

可既然如此，为何还要检测AIGC呢？

追问至此，AI检测的隐含假设就暴露出来了——它假设没有人能摘得到果子，大家都在假装摘果子。

隐含假设的意思是，学术竞争原本就不是创新竞争，而是看谁能把作品写得规范工整，谁能列上一堆参考文献，谁能把各家学说梳理得条理分明。这不是“创新证明”，这是“工作量证明”，就像用武术套路赛替代擂台赛一样，能不能打是一回事，但我用套路证明自己花费了“功夫”，就足以让人另眼相看了。如果学术竞争的本质是“不看功劳看苦劳”，那么AI检测就是必须的，因为AI把“苦劳”的信号抹掉了。

AI检测的另一个隐含假设也暴露了出来——即使偶尔有人能摘到果子，也没有人能看得出来。对事实的评价独立于事实本身。审稿人只能评价作品是否规范工整，参考文献是否合格，学说梳理是否全面，他们没有能力去评价学术创新。

这两个假设，一个针对作者，一个针对读者，其实是同一个假设的两面：它们都认定，学术是个“李娜问题”。

而在“李娜问题”里，本来就没人能摘到果子，因为根本不存在“够到”这个可以判定的事件；也本来就没人能看得出来，因为看得出来需要一只秒表，而这里只能数人头。于是剩下唯一能数的，就是谁的文献丰富，谁的结构整齐。

AIGC率就是一把量肩高的尺子。它量不出脖子，就宣布脖子不算数；量不出头发，就宣布头发不算数。头发是我自己长出来的，AI也是我自己用出来的。

所以AI检测从来不是一个技术问题，它是一份自我诊断。当一个领域开始认真检测AIGC率的那一刻，就等于公开承认：我们这里没有秒表，我们这个领域不可判分。

而《疑案的裁判》所要做的，恰恰就是要把“李娜问题”和“娜菲问题”改造成“博尔特问题”。对AI检测最好的回应不是辩解，是判分。

7

有人会说：考试和学位论文总不能不检测吧？

这话对。摘果子比赛可以不问工具，但教人投掷的课堂则必须限制工具，因为课堂考的不是摘果子，而是摘果子的技能——投掷。你用射箭替代投掷就是作弊，用射击替代射箭也是作弊。

学位论文要认证的恰恰是“你靠自己能不能做到”，所以限制使用AI是有理由的。但理由正当不等于手段正当。检测要能用还得满足一个条件：检测本身必须是个“博尔特问题”。

“这段文字是不是AI写的”，本来是个博尔特问题，它有客观答案，只是我们看不见。看不见，就只好去统计。而一旦改用统计，就立刻退化成了“李娜问题”。检测器说这段文字像是AI生成的，意思不过是说它和训练语料里的多数机器文本相似，这等于用统计替代了秒表，用“像不像”替代了“是不是”。

以AIGC率作为代理指标当然没问题，但问题是，“像不像”是可以被针对性优化的。秒表的数字没法改，“像不像AI”却是可以伪装的。

于是市场立刻做出了回应，“降AI率”成了一门生意，而最趁手的工具还是AI。让AI把句子打乱，把连接词换掉，把段落弄得毛糙一点，AI率就降下来了。AI检查AI，AI逃避AI检测。这是纯粹的社会浪费，不产生任何知识。

最荒诞的是这个循环本身：用AI去伪造“没有用过AI”的痕迹。原本检测就不看功劳看苦劳，结果制造出了一种新的苦劳——为了“看起来像苦劳”而再吃一遍苦。到了这一步，“不看功劳看苦劳”就走到了尽头。连“吃过苦的样子”都可以化妆了。

其实，学位论文本来就有一个更好的判分器，叫答辩。当场追问一刻钟，让他把写作目标、分析工具和思路框架说个清楚、道个明白，再顺着结论做几个延伸追问，结果就比任何百分比都准得多。

AI检测不是在量身高，它是在猜你有没有垫东西。而只要它还在猜，就一定有人去研究怎样垫东西才更像没有垫东西。

8

完成《疑案的裁判》，我坦承自己借助了AI。有工具可用而用，没什么奇怪的；有工具可用而不用，那才奇怪呢！至于作弊与否，书稿的质量可以给答案。多大程度上属于创新我不敢说，但好坏还是一望而知的。

至于那25年的琢磨，我不指望任何检测能把它测出来。它原本就测不出来：那些误读的论文，写坏的稿子，想岔了又退回来的路，还有那些琢磨了几个月最后发现根本不成立的点子，这些东西都进不了文字，进不了注释，进不了任何一份工作量证明。

它们没有变成字数，而是变成了别的东西——

变成了看指导性判例第1号的第一眼就发觉哪儿不对劲的那种东西。

这种东西没有信号，也不需要信号，因为它一经使用就会显形。会不会游泳，扔在水里就知道。把一个我没见过的案子摆在面前，我下不下得了刀，一试便知。

套路可以代练，擂台不能代打。

如果人人都用AI，差距会缩小吗？我的看法正相反。将来我会专门写篇文章讨论这个话题，讲讲AI为什么会扶强锄弱，而不是扶弱锄强。

在有秒表的地方，AI确实是拉平的。我前面说过，面对“博尔特问题”，AI能帮你追平高手——可这话还有后半句：只有在有秒表的地方，追平才是可能的。结构可以补齐，文献可以补全，正反理由都可以让它一次列完；过去最容易暴露能力差距的地方，现在都能被迅速填平。所以，在还没有形成自己判断框架的那部分使用者当中，AI是一台压缩机，大家平权了。

可填平不等于提高。再往上走，秒表就没了。而在没有秒表的地方，AI能发挥多少，取决于使用者能不能提出新问题，能不能给出高标准，能不能指出另一条路，能不能在它端出一堆看上去都对的东西时当场否决。

AI是使用者能力的乘数，不是加数。它自带的那份基础完成度是加数，人人有份，所以人人都很嗨；但超出基础完成度的部分，就要乘以使用者的判断力了——而任何东西乘以零，仍然是零。

猴子只会顺着杆子往上爬。杆子一样矮的，从此难分高下；杆子本来就高的，猴子就爬得更高，而且，猴外有猴。当人人都牵着一只猴子的时候，猴子就不值钱了，值钱的是杆子。

AI还是一样的AI，猴子却成了不同的猴子，高猴和低猴的距离更远而不是更近。更别提，当你的猴子只会爬杆时，别人的猴子也许已经长出翅膀，成了飞猴。

我的预言不见得成真，但我提醒自己要对预言成真的可能性保持敏感。