最近，我在谷歌（Google）搜索中输入了一个简单的问题：青少年每天看屏幕多久算过长？过去许多年，谷歌都会直接列出一串链接；这一次，它却给了我一段由人工智能（AI）生成的回答。这个AI先引用了一个数字，随后又对答案进行了补充和深化：它指出，相比单纯看时长，屏幕使用时间的质量和平衡可能更为重要；而究竟什么才算“过长”，可能还取决于青少年的睡眠、运动、课业压力和情绪状态。
于是我又搜索了另一个问题：我是否应该每天服用阿司匹林？这一次，AI给出了相关医学信息，提醒了潜在风险，并表示若我能提供年龄和病史，它还能给出更有针对性的指导。
这些回答都不错，但真正引起我兴趣的是：它们其实属于不同类型的回答。
围绕AI回答的讨论，一直主要聚焦于准确性：系统给出的回答是否准确？这一点当然重要，但准确性只是检验标准之一。面对不同类型的回答，用户需要运用不同的标准进行判断。
我发现，把AI回答归入一套“答案分类体系”会很有帮助。这套体系包含四大类，分别是：事实型、解释型、建构型和策略型。事实型回答通常可通过某个信息源加以核验；解释型回答即便准确，也仍然体现了其对核心证据的取舍；建构型回答哪怕逻辑严密，也可能并不适合特定的使用者；而一份文笔优美的策略性文件，则未必符合真实情况。然而，AI往往会用同样流畅、同样权威的形式呈现这四类回答，导致其中的差异极易被忽视。
我是弗吉尼亚大学（University of Virginia）的大学图书馆馆长。目前，我正牵头在全美范围内推动面向图书馆专业人员的AI能力建设，也广泛开展AI素养方面的咨询工作。我最早是在《学术图书馆学杂志》（Journal of Academic Librarianship）上提出了这套类型体系。
当然，这四个类别并非彼此完全隔绝的“孤岛”。AI给出的某条回答完全可能同时涵盖其中几种类型。尽管如此，我将在下文中逐一解析每类回答，并提供相应的判断指南，以帮助你决定某条回答是否可以直接采用，还是需要进一步核查。
谷歌给出的是哪类回答？
事实型回答提出的是原则上能够通过证据来核实的陈述。例如：弗吉尼亚大学建于哪一年？黄金的化学符号是什么？
要判断一条事实型回答是否足够可靠并能直接使用，应根据合适的信息源来核实。如果回答中引用了来源，应顺着链接去查证，而不是简单地把AI的回答本身当作证据。
解释型回答同样基于证据，但往往没有唯一结论。比如：青少年每天看屏幕多久算过长？远程办公能否提高生产率？答案取决于哪些证据被纳入、哪些被遗漏，以及如何理解其中的分歧。
在最初回答我的“屏幕时间”问题时，谷歌提示每天两小时是青少年的上限。但随后它又补充说，儿科学界的指导方针更看重屏幕使用的质量和具体情境，而不是简单以时长来衡量。美国儿科学会（American Academy of Pediatrics）指出，针对青少年的屏幕使用时间并没有明确的推荐标准，重点应放在屏幕使用的具体类型，以及这类活动可能挤占了哪些其他活动。一个看似只需数字回答的问题，最终却需要进行解释判断。
因此，在评估解释型回答时，不能仅仅局限于核对事实。你还需自问：系统重点强调了哪些证据？忽略了哪些证据？是否还存在另一种站得住脚的解释？此时，向搜索引擎提出一个有用的后续追问会很有帮助：“支持另一种结论的最有力证据是什么？”
建构型回答不是被“发现”的，而是被“创造”出来的。比如，让AI起草求职信、撰写悼词、设计教案，或者重新组织一段文字——这些任务都不存在唯一正确的结果。
你可以从目的、受众和口吻这三个维度来评判这类回答。一篇悼词可能在语法上无可挑剔，但读起来却完全不像致辞者本人的语气，或者无法在台下的家属心中产生共鸣，它也可能未能准确捕捉到逝者的特质。在阅读此类回答时，务必将这些实际效果考虑在内。
策略型问题探讨的是“该怎么做”。比如：我应该每天服用阿司匹林吗？我应该买下这套房子吗？这类回答将客观信息与主观判断相结合，涉及对目标、风险、权衡取舍以及个人实际情况的综合考量。
我搜索阿司匹林的经历，恰好说明了背景情境的重要性。谷歌不仅提示了潜在风险，建议我咨询医疗专业人士，还表示如果我能提供年龄、心血管病史以及出血风险等信息，它就能提供量身定制的解答。这种谨慎态度与美国预防服务工作组（U.S. Preventive Services Task Force）的指南不谋而合。该指南指出，是否开始服用低剂量阿司匹林来预防心脏病发作和中风，应当因人而异，并在心血管获益与出血风险之间仔细权衡。
面对策略型回答，你应该先问自己：系统还需要掌握哪些信息，其建议才能合理地适用于你本人？同时，还要考虑其中的利害关系、备选方案，以及是否应有专业人士介入。以阿司匹林问题为例，一个有效的追问会是：“关于我的年龄、病史或出血风险，哪些具体细节可能会改变这项建议？在作出决定前，我应该和医生讨论哪些问题？”最终的决定权依然在你手中，因为你需要亲自承担选择的后果。
得到答案后的首要问题
我一开始提出的这些问题，只是普通的谷歌搜索。我并没有打开聊天机器人，但由AI生成的回答就这样直接呈现出来，末尾还附有相关链接。
这些回答确实颇具实用性。谷歌补充了背景信息，承认了问题的复杂性，并表示若我能提供更多资料，它还能给出定制化指导。然而，即便是在同一条回答内部，答案的类型也可能发生变化。转述某项医疗指南的内容，和判断这项指南如何适用于特定个人，完全是两码事。一段行文流畅的回答能够在不同类型间自由切换，而语气却没有任何明显改变。
因此，作为用户，应尽量去辨别AI在生成一条回答时，究竟完成了何种类型的“脑力劳动”。你需要考量其解释是否具有说服力，或者其建议是否契合你的实际情况。
所以，在追问AI的答案是否正确之前，不妨先抛出一个更基础的问题：这究竟是哪一种答案？因为答案的类型，将指引你采取下一步行动。
本文作者利奥·S·罗，现任弗吉尼亚大学图书馆馆长
本文经The Conversation授权，依据知识共享许可协议转载。（财富中文网）
译者：刘进龙
审校：汪皓