AI时代的批判性思维，不是怀疑一切，而是给每个结论标证据等级
AH-0075原文最值得保留的，不是“批判”两个字，而是四个动作：识别前提、评估证据、检查推理、寻找替代解释。 但原文关于“英美教育更会批判性思考”的文化层结论说得太满。课程设计可以核验，群体性格不能从课程目标直接推出。 所以这次把文章重做成一套可以真正训练的“判断校准”流程。 ## 先把一句话拆成四层 看到“用了AI的人收入更高”，先拆： Claim：到底主张什么？ Evidence
AI时代的批判性思维，不是怀疑一切，而是给每个结论标证据等级
AH-0075原文最值得保留的，不是“批判”两个字，而是四个动作：识别前提、评估证据、检查推理、寻找替代解释。
但原文关于“英美教育更会批判性思考”的文化层结论说得太满。课程设计可以核验，群体性格不能从课程目标直接推出。
所以这次把文章重做成一套可以真正训练的“判断校准”流程。
先把一句话拆成四层
看到“用了AI的人收入更高”，先拆：
Claim：到底主张什么？ Evidence：证据是什么？ Inference：证据怎样走到结论？ Action：你准备因此做什么？
很多误导发生在第三层。
“使用AI的人平均收入更高”是相关性描述。
“所以只要用AI，收入就会提高”已经加入因果推断。
事实也要分证据类型
“有数据”不是终点。
至少要区分：
- 官方原始记录；
- 原始研究/公开数据；
- 可复查后台或文档；
- 当事人自述；
- 二手媒体；
- 匿名截图；
- 推测；
- 纯观点。
- 编程工作的价值主要是代码产出；
- 需求可以完整形式化；
- 错误成本可接受；
- 架构、沟通、责任、安全不会成为瓶颈；
- 组织愿意把这些责任交给模型。
- 原有粉丝；
- 大号转发；
- 投放；
- 热点；
- 选题变化；
- 算法周期；
- 幸存者偏差。
- 找隐藏前提；
- 找替代解释；
- 找最弱证据；
- 设计反例；
- 列待核事实。
同一个结论，在不同证据类型下，应该有不同置信度。
把隐含前提写出来
“AI会取代所有程序员”看起来只有一句话，实际上可能偷偷依赖：
把前提摊开，争论才从立场变成可以检验的问题。
强迫自己找至少两个替代解释
某账号使用A策略后增长很快，除了“A有效”，还可能有：
批判性思考不是找一个反例把对方打死，而是比较哪种解释最能解释全部现有证据。
不只写“真/假”，写置信度
现实信息很少只有0和100。
可以写：
当前置信度：65%。
如果出现X证据，升到80%。
如果出现Y，降到30%。
这叫校准。
它让“我现在相信”与“我永远不会改主意”彻底分开。
一定写Falsifier：什么会让我改主意？
“这个副业失败都是因为执行力不够”几乎无法证伪，因为任何失败都能被解释。
更好的主张应该提前写：
什么结果出现时，我承认当前假设不成立？
没有Falsifier的理论，最容易从判断变成信仰。
AI最适合当反方，不适合当终审法官
可以让AI：
但AI给出的事实同样进入审计。
它不是“批判性思维外包”，只是一个低成本反方生成器。
教育事实可以核到哪里？
英国Key Stage 1科学课程当前确实要求学生提问、观察、进行简单测试、收集和记录数据。
College Board当前AP历史课程明确训练source analysis、claims/evidence、contextualization、argumentation。
Cambridge 2026-2027仍提供AS & A Level Thinking Skills 9694。
这些能够支持：
> 某些课程体系显式训练证据、来源和论证。
但不能进一步推出：
> 某国受教育者整体天然更理性。
从课程目标跳到国民性，就是这篇文章自己应该避免的推理错误。
alphahole以后也用同一套结构
每条重要结论都可以保存：
Claim / Source / Evidence Type / Assumptions / Inference / Alternatives / Confidence / Falsifier / Decision Risk / Review Date。
这样文章不是发布后冻结。
新证据出现时可以更新。
网站资产：Claim Calibration Lab
本批实际生成 claim_calibration_lab.html。
你填一个结论、证据、来源类型、前提、替代解释、反证条件、置信度和判断错误的代价，它会生成一张判断卡：
我为什么相信？信几成？什么会让我改主意？
批判性思维不是让人更爱反驳。
是让自己知道，每一句结论到底站在哪一层证据上。