当AI系统输出的内容恰好符合用户的预期时，人们往往会产生一种错觉——这个AI真懂我。但仔细想想，这种“懂”可能恰恰是问题所在。
确认偏误是一种认知偏差，指人们倾向于搜寻、记住支持自己观点的信息，同时忽视或贬低与之矛盾的证据。这种偏差不仅存在于人类思维中，在AI系统的运行机制里同样根深蒂固。
AI的“确认偏误”首先体现在训练数据的层面。互联网上的文本数据本身就带有偏见——某些观点、某些立场、某些叙事方式天然占据优势地位。模型在学习这些数据时，不可避免地继承了这些倾向。当用户提出问题时，AI更容易从海量训练数据中提取“主流”答案，而这些答案往往反映的是多数人的既有认知，而非客观真相。
更深层的问题在于人机交互的反馈循环。用户倾向于点击和相信符合自己观点的内容，AI系统通过这种正向反馈不断强化特定类型的输出。几次交互下来，AI输出的内容会越来越精准地“投其所好”，用户则在这种舒适区中越陷越深。这种机制与人类确认偏误的形成路径几乎一模一样——区别在于，AI的“偏见”来自算法，而人类的偏见来自认知。
实际场景中，这种现象的表现往往很隐蔽。比如在讨论某个争议性话题时，AI会引用支持某一方的论据，却对另一方的核心论点轻描淡写；或者在提供建议时，默认用户的决策前提是正确的，只在技术细节上做优化。表面上看，AI在“帮忙”，实际上它在系统性地强化用户的思维定势。
要打破这种循环，需要保持一种有意识的怀疑态度。向AI提问时，尝试加入对立面的关键词；让它列出不同立场的论据；甚至可以直接问它：“你刚才的回答有没有忽略什么重要信息？”这种元认知式的提问方式，虽然不能完全消除确认偏误的影响，至少能在AI与用户之间撕开一道缝隙，让不同的声音有机会进来。