你有莫得碰到过这种事？AI写的临床总结里，85.9%和79.5%两个数字一个没抄错，效果却说‘前者略低于后者’——可85.9明明比79.5大啊！再比如，原文只说‘不雅察到轻细晋升’，AI回顾就写成‘解释该要领是必要搅扰’。数字没动，口吻升级，地点回转，论断翻车。这不是幻觉，不是假造，致使不是瞎掰八谈——它每个数齐有出处，每句话齐有模有样。偏巧最要命的那部分：统计相关、比拟逻辑、凭据强度，全歪了。

  北大和易鑫AI Lab团队在EMNLP 2026主会上捅破了这层窗户纸。他们在官方AI审稿实验中真实收到了这么的意见，还拿真实临床试验敷陈作念了大规模测试。效果扎心：用主流方针FActScore一测，造作敷陈反而拿了满分——因为它复用了原文数字；而确实说对了‘2.77升到5.76’的敷陈，却被判零分，只因方针没捕捉到‘上涨’这个相关。SelfCheckGPT也靠不住：模子如若每次齐把‘大于’写成‘小于’，输出踏实，分数照样漂亮。

  问题出在哪？不在‘记不谨记’，而在‘能弗成准确抒发所记取的相关’。团队把这类问题叫‘统计倡导失真’（statistical claim distortion）——数字是锚，但倡导才是船。他们提议‘Claim-Locked Reporting’：先锁住能说什么（比如‘A显赫高于B’或‘仅不雅察到趋势’），再让模子组织言语。不是防假造，而是防‘一册肃穆地扭曲’。这教唆咱们：当AI启动替东谈主写摘录、审论文、出会诊建议时，盯住数字远远不够，得盯住数字之间那根看不见的逻辑线。

  这根逻辑线，其实早就在医学写稿范例里反复强调过。《海外医学期刊裁剪委员会（ICMJE）保举范例》明确条款：统计效果的表述必须与考试要领、P值、置信区间严格对应；说“显赫改善”之前，得先阐明是否作念了假定考试、α设为若干、有莫得创新多重比拟。可当今的AI模子根柢不读这些次第——它读的是海量论文里的言语模式。效果即是：看到“p<0.05”就自动配“显赫”，看到两个均值差个2以上就写“大幅晋升”，连轨范误和轨范差齐分不清，更别说效应量（Cohen’s d）和临床意旨的分辩了。

  更本质的问题是，医师真在用。2024年《JAMA Internal Medicine》一项问卷看望败露，37%的入院医师在撰写病例总结时会调用AI提拔；其中近一半承认“没逐条查对统计论断是否匹配原文图表”。不是懒，是信任——毕竟数字对得上，语句通顺，口头范例，连参考文件齐能自动生成。可恰正是这种“差未几就行”的惯性，让造作暗暗扎根。旧年某三甲病院试点AI生成出院小结，过后抽查发现，12份中有3份把“OR=1.82（95%CI: 0.94–3.51）”态状为“风险彰着升高”，而实质上置信区间跨过了1，根本弗成下因果判断。

  北大团队后续还作念了医师响应实验：给归并批临床敷陈，一组看原始PDF，一组看AI改写版。效果发现，医师对AI版的信任度平均非凡23%，但识别逻辑造作的智商反而下跌了19%——因为言语太运动，反而轻松了警惕性。这不是本领问题，是阐明陷坑。就像咱们看错“the the”连写相似，大脑会自动补全“合理”的酷爱酷爱，跳过矛盾点。

  是以别再只盯着AI会不会编数字了。确实该建的防地，是帮东谈主重建“相关明锐度”：看到百分比，坐窝问“基线是若干？分母变了没？”；看到“晋升”竞猜大厅，立地查“是有余差还是相对增幅？有无校准？”；碰到“显赫”，反手翻P值和考试要领。用具不错提拔，但逻辑锚点，终究得攥在东谈主我方手里。