内容审视：人工智能的一个实用方法

本文系用户投稿，不代表机核网观点

⚠️ 未经作者授权禁止转载

自从大语言模型面世以来，人工智能的知名度和影响力与日俱增。对科技敏感的人们一方面在提高它的性能表现，另一方面在扩展它的应用场景。
我是在2025年的Deepseek发布之后才开始频繁使用人工智能模型，相比那些「早鸟」，我并没有跟着一起做前期探索，而是等到其覆盖范围更广的时候才加入潮流。
从年初到现在，我对人工智能模型的使用逐渐变得重度。今年一月份，Deepseek官方App正式上线，我的使用时长不到1小时，当时只是学习和尝试。今年八月份，我的单月使用时长超过32小时。九月和十月的累计时长有所下降，但仍然超过20小时。
在累计的上百小时使用中，时间主要用在阅读海量的生成内容，提问本身的用时占比很小。相比许多其他信息来源，人工智能模型生成的文本内容的信息密度更高，我曾经尝试像读通稿那样迅速浏览，但很快发现有必要慢下来认真理解，否则既会错过有启发价值的内容又会影响追问的质量。
目前，我主要用大语言模型做两件事情：知识点简介和文本内容审视。其中文本内容审视的占比大约是六成，知识点简介的占比大约三成，剩下的是其他边缘需求，比如分析体检结果和模拟对谈。
这篇文章，我将具体聊聊如何用大语言模型做内容审视。
经过尝试，我形成了一套相对固定的提问流程来获得比较全面的分析，适用于各种文本内容。
第一步是提供原文，可以是全文粘贴也可以提供超链接（单次提问支持访问几十个超链接的内容，上限可能是50个，取决于使用哪个应用），并且要求做全文解读。通过合适的提示词，可以让模型专注于重述文本，不增加额外信息。通过重述原文，模型全面审视了所有内容，并且按照它的偏好叙述出来，既便于与自己对原文的理解相对比，又为后续的文本诠释做铺垫。通常来说，回答的解读与我的解读相差无几，并且通读回答的过程中相当于换个角度看了一遍原文。有的时候，模型会给出自己没解读到的细节，这时可以选择追问，如果言之有理，那么加深了对原文的理解。
第二步是要求做全文赏析。赏析不同于解读，后者把原文当参考标准，解读结果尽量遵循文本，而前者把原文当引用材料，论证的是赏析本身的合理性。回答的赏析通常是模型识别出的原文的精妙之处，除了关注内容本身，也需要关注模型从哪些角度论证了原文的精妙。并且，因为赏析是模型的诠释，所以如果选择重新生成，回答的赏析会有所不同，可以顺便用这种方式反向了解模型的生成偏好，并且避免对「第一份回答」的高估。但是，因为赏析以正面评价为主，所以需要补充负面评价为主的审视，也就是可改进部分。
第三步是要求做全文改进。我尝试过要求做全文批判，回答的内容也会带有改进方案，两种提问方式获得的结果相差不大，都是既指出不足之处又提供改良建议和示例。根据经验，提出的改良建议通常是让原文更像人工智能生成的内容，也就是变得更加「四平八稳」，比如平衡推理和举例，比如平衡逻辑性和文学性。
第四步是要求挖掘前提假设。这个提问的回答存在巨大不确定性，如果选择重新生成，可能出现完全不同的回答，并且「深度思考」的过程本身也有参考价值，因为在最终选取某个假设作为回答主题之前，模型会评估若干候选主题，而这些候选主题可能都出乎我的意料。回答的推论会以原文为论据，尝试论证模型选择的某个理念，虽然理念的选择有时显得离谱，但可以学到可以如何构建论证链条。挖掘原文的前提假设是推论作者画像的一部分，所以下一个提问就是全面反推作者的价值观和偏好。
第五步是要求反推作者画像。为了实现目标，模型不得不在原文的字里行间拼凑出一些价值观偏好，并且构建出一个仅依赖原文的作者的思维模型。如果对同一作者的众多作品都做此分析，得出的画像就会更接近作者本人，如果我们假设作者的创作是真诚的，或者假设作者在创作时会不由自主的表露出自身的价值偏好。同样的，不仅可以了解到作者可能的价值观，而且可以学到如何从文本反推作者。
第六步是要求仿写相似话题。在完成上述提问后，人工智能模型已经可以通过上下文给出符合语境的生成内容，因此可以通过仿写请求来检验。如果原文是关于社会公平的论述，那么可以要求仿写关于社会自由的论述，或者要求仿写个体公平的论述。这种控制变量的方法可以检验原文的泛用性，尤其是其中的逻辑链条和上下文结构。
经过这些提问后，我对一篇内容的审视基本完成，审视的内容包括他人的文章和自己的文章。以他人文章为素材，可以借助当前最有效用的工具理解这些内容，既可以作为亲自理解的预备，也可以作为亲自理解的补充。以自己文章为素材，可以获得来自人工智能模型的旁观者视角，并且因为我有“ground truth”，对生成的回答有更准确的评估，甚至有时会让我质疑对自己的认知。
虽然人工智能在朝着多模态方向发展，但我主要使用的还是它「掀起波澜」的文本生成功能。如果后续的多模态发展产生其他实用之处，可以随时去尝试。如果认可当前人工智能的发展，意味着认可语言作为认识世界的重要基础，在与模型对话的过程中，人们不仅获得高质量回答，还学到理性思考的模式。如果不认可当前的趋势，也需要对这些发展保持追踪，不论是寻找漏洞还是收集案例，这是基于贝叶斯理论的决策方法。
大语言模型已经问世三年左右，许多人都在充满热情的发掘其潜力，本文介绍的文本审视方法并不新颖，甚至已经略显过时，更多是我的日常使用总结。不论人工智能强大与否，它都是一系列有用的工具，人们根据自身的实际需要来使用工具，而非比较谁更快更会使用工具。把人造物视作工具，把人视作目的，这样可以避免自我异化，避免成为服务于工具的手段，这也是我对人工智能威胁论的一个回答。