AI 时代的网络调研：信源才是根

最近帮朋友核对一组行业数据，又被网络调研这件事教育了一回。他现在查东西的习惯，是直接把问题丢给 AI 聊天机器人，得到的回答条理清楚、语气笃定，还带着几个看起来很专业的数字。可当我追问一句这个数据从哪来的时候，对话里要么给不出出处，要么编出一个打不开的链接。后来我顺着线索自己查，发现官方早就发布过口径完全不同的新数据，而 AI 说的还是几年前的旧账。整个过程没花多少时间，却再次确认了我一直以来的一个感受：这个时代从来不缺能查到的东西，如今 AI 更是把获取答案的成本压到了几乎为零，可缺的恰恰是知道该信谁。很多人把调研理解成提问的技巧，以为换个问法、多问几轮就算调研了，其实技巧只是外壳，信息源才是里子。信息源不对，后面的一切推理都等于在沙子上盖房子，问得越勤快，偏得越远。

先把话说公道一点，用 AI 做调研本身并没错，我自己也离不开它。开一个陌生课题的时候，我会先让 AI 把领域的基本框架、关键术语、代表性争议梳理一遍，几分钟就能拿到过去要翻半天资料才能拼出的地图；让它总结一篇几十页的报告，把外文材料变成能快速消化的中文，也都非常称职。但要紧的是摆正它的位置：AI 是引路人，不是资料库。它可以告诉你这片森林大概长什么样，可你不能把它的转述直接当成树本身。大模型的回答本质上是基于训练数据的概率拼贴，行文越流畅，越容易让人觉得它句句有据，实际上幻觉和过时信息就混在其中，而且语气不会给你任何提示，越是冷门领域或新近发生的事，它一知半解时也照样答得头头是道。

所以无论工具怎么变，我那条笨原则依然管用：能靠近源头就靠近源头。研究任何问题，最先要问的不是答案是什么，而是这个答案最早是谁说出来的。AI 的回答要当线索用，顺着它提到的报告名、论文标题、机构名称去翻一手材料，比如官方文档、上市公司财报、学术论文、政府公开数据这一类。这些内容的作者不靠吸引流量吃饭，说错了要担责任，措辞自然克制得多，数字后面往往还跟着口径和注释。一手材料读起来费劲也不要紧，哪怕只是搞清楚几个关键术语，再拿术语去重新检索，质量立刻就不一样了。还有个实用的小技巧，是直接要求 AI 给出可核验的出处，然后亲手去验证链接是否真实存在、内容是否对得上，核对这一步千万不能省，因为编造得最像真的参考文献，恰恰只存在于模型的想象里。

还有一个容易被忽略的思路：别把搜索引擎和 AI 问答当成全部。它们擅长的是热度与流畅，而不是质量，真正有价值的内容往往藏在垂直渠道里。学术问题去论文库里检索，软件问题直接翻官方仓库的文档和 issue 区，行业问题找行业协会和咨询机构的公开报告，实在不行就发邮件打电话去问当事人，效率常常高得惊人。我印象很深的一次，是查某个开源库的兼容性问题，问了 AI，得到三套方案，其中两套针对早已废弃的旧版本，最后在项目的 issue 区里翻到维护者本人的回复，三行字就把问题说透了。信息本身不会主动跑来找你，它在哪，你就得去哪，这才是调研该有的样子。

挑好了源头，交叉验证的习惯也得跟上。单一来源说得再笃定，也不代表它就靠谱，我通常会找两三个彼此独立的渠道互相印证。这里的独立二字很要紧，十篇文章转述同一份报告，看起来声势浩大，实际上只有一个信源，等于什么都没验证；几轮 AI 对话互相印证也是同理，模型之间的知识高度同源，谁也证明不了谁。如果不同立场、不同动机的信源都指向同一个事实，可信度才算真正高了起来。另外要养成看时间戳的习惯，很多流传甚广的文章其实是几年前写的，数据和规则早就变了；用 AI 也要留意，模型的知识天然带着训练截止日期，过时得悄无声息。追引用链条是我后来才学会的招，看到一篇列了很多文献的文章，就顺着脚注去翻原文，常常能发现转述和原意之间的偏差，有时偏差大到让人怀疑作者根本没读完，只是挑了一句对自己有利的话来用。

至于具体怎么给信源分级，我的做法很朴素：官方原始出处是第一档，直接采信但保留查证记录；专业媒体和学者算一档，参考价值高，但要留意立场和利益关联；普通自媒体、匿名帖子和给不出出处的 AI 回答，基本只能当线索用，顺着它们去找真正的一手材料，本身不进结论。存档的习惯也值得说一句，看到重要内容随手存一份快照，网页被删、链接失效是常态，写进文章里的每个数字都应该经得起半年后回头再查。工具和提问技巧年年都在变，而 AI 只会让答案来得更快、更顺，可“这条信息到底从哪来”这个问题，永远值得在采信任何一个答案之前，先问自己一遍。毕竟调研的目的从来不是把页面填满，而是让最后落在纸上那几行字，站得住脚。