人们对 AI 的信任超过政治人物，但这种比较掩盖了真正的风险

Google News 展示了一则 Bloomberg 标题，称尽管越来越多证据表明用户经常怀疑 AI 的回答，人们仍更相信 AI 比政治人物更会说真话。

这种反转颇为引人注目，因为双方都没有获得广泛信任。政治人物在许多信任度排名中垫底，而生成式 AI 可以在不核实真伪的情况下生成流畅表述。因此，这种比较衡量的是相对不信任，而非对机器可靠的信赖。

在我们审查期间，无法通过 Google News 的列表完整访问 Bloomberg 的原文。其确切的调查措辞、样本、地区范围和调查时间均无法独立确认。这个核验缺口很重要，因为信任问题中细微的措辞变化就可能产生截然不同的标题。

现有研究仍支持一个更狭窄的结论：人们有时会将 AI 评为比政治人物更可信，尤其是在政治人物本就处于极低信任水平时。然而，多项大型调查也显示，用户会核查 AI 输出、要求披露，并担心政治操纵。

真正的较量并非 AI 对阵政治人物，而是自信的自动化表达对阵可问责的人类判断；任何一方都不会仅仅因为另一方表现不佳而获胜。

Google News 标题实际改变了什么

该标题将对政治人物的低信任转化为表面上对 AI 的信心，但两者并不等同。

Google News 是一项聚合与发现服务。它会展示出版商的标题，但不会独立认证其中的每一项主张。显眼的列表位置可以让某项断言获得传播，却无法解答其底层方法论的问题。

Bloomberg 的标题给出了一种简洁的排名：当真相受到考验时，人们对 AI 的信任高于政治人物。这样的表述令人印象深刻，因为它颠倒了人们对人类与机器关系的预期。

更仔细的解读至少需要区分四点。研究人员可以询问受访者是否普遍信任 AI、是否信任某个特定聊天机器人、是否期待得到真实回答，或是否更偏好 AI 而非其他信息来源。每个问题衡量的都是不同的事物。

直接比较也高度依赖于比较对象。在信任调查中胜过医生、科学家或工程师，将表明人们对 AI 有异常强烈的信心。胜过政治人物，则可能只是反映了政治职业历来较低的社会地位。

英国提供了一个清晰的例子。Veracity Index 的 2025 年调查发现，只有 9% 的受访者相信政治人物会说真话。社交媒体网红的排名更低，仅为 6%。

这一发现并不能说明有多少人信任 AI 系统。但它表明，即使未获得多数支持，一个不熟悉的类别也很容易超过政治人物。

这种区别类似于一场选举：胜者依然极不受欢迎。如果对手一开始就接近底部，获得有限信任的聊天机器人也可能排在前面。

因此，读者应将该标题视为制度信任问题的证据。它并不能证明人们认为 AI 始终准确、公正或安全。

信息来源路径同样值得关注。通过 Google News 发现的一个标题，可能经过多个层级：调查设计者、分析师、出版商、编辑以及聚合平台。每一层都会压缩背景信息。

这种压缩会奖励令人意外的比较。它为有关问题措辞、地区差异、未决定受访者，或信任与实际行为之区别的限定说明留下的空间更少。

最终，这项主张看似精确，却仍缺乏完整的方法论信息。在原始数据集和调查措辞公开之前，最有依据的解读只能是相对性的：一些受访者比起 AI 更不信任政治人物。

这依然具有意义。政治传播的可信度已经低到让概率文本生成器看起来更可取。改变的是衡量标准，而不一定是机器本身。

为什么 Google News 用户可以信任 AI，同时仍会核查它

AI 的采用速度如今超过了对 AI 的信任，形成的是有条件的依赖习惯，而非盲目信从。

AI Monitor 2026 调查了 32 个国家中 23,532 名 75 岁以下成年人。实地调查时间为 2026 年 3 月 20 日至 4 月 3 日。

其最明确的发现并非无条件信任。在被调查国家中，63% 的受访者同意“他们并不总是信任 AI 工具，但仍会使用它们”。

这一模式解释了为何受访者可能选择 AI 而非政治人物，却不认为 AI 完全可靠。人们可以因速度、清晰度或便利性而偏好某种工具，同时仍对其回答持有疑虑。

生成式 AI 通过根据学习到的模式估计可能的序列来生成文本。它并不内置对真实性的承诺。正确答案与捏造答案都可能以同样精致的语气出现。

用户越来越了解这一局限。在同一项 Ipsos 调查中，只有 31% 的受访者同意他们足够信任 AI 工具，以至于不必检查其工作；62% 不同意。

这些数字使任何简单的信任排名变得复杂。使用不等于相信，偏好也不等于放弃判断。

美国 Quinnipiac University 的另一项民调呈现出类似图景。正如一篇有关 AI trust 的分析所报道，只有 21% 的人绝大多数时候或几乎所有时候信任 AI 生成的信息。

同一报道称，76% 的人很少或只是偶尔信任这些信息。与此同时，只有 27% 的人表示自己从未使用过 AI 工具，低于 2025 年 4 月的 33%。

这种组合比与政治人物进行二元比较更重要。美国人正在使用 AI，却并未给予它广泛信任。

这种行为类似于依赖一位快速但不完美的同事。这位同事可以起草、总结或定位有用材料，但其工作在影响重要决策前仍会接受审查。

当回答涉及选举、战争、公共卫生或政治候选人时，风险会随之上升。一个看似可信的错误比明显的谎言传播得更远，因为读者更少获得停下来调查的线索。

Google News 用户还面临额外一层模糊性。一个人可能在标题中看到与 AI 有关的主张，向聊天机器人询问背景，然后得到基于重叠报道综合而成的回答。

即使每一步都可追溯至同一个来源，这一过程仍可能让人感觉获得了独立确认。跨界面的重复并不等于相互印证。

最安全的工作流程是让来源可追溯性保持可见。读者应识别原始出版物、打开底层报告、审视调查问题，并将该主张与另一权威来源进行比较。

对于知识工作者而言，这也是一个信息管理问题。可搜索的个人知识库可以将来源与笔记一并保存，使后续核验更容易。

目标不是拒绝 AI 辅助，而是将辅助与权威区分开来。

有条件的依赖可能会定义下一阶段的采用模式。人们会更频繁地使用 AI，同时要求引用来源、可见的不确定性以及访问原始材料的途径。

这是一种比完全信任或彻底拒绝都更成熟的关系。它也使与政治人物的比较不像标题所暗示的那样戏剧化。

真正的反转是失去信任，而非机器拥有可信度

当政治可信度崩塌时，AI 看似值得信赖，但一个脆弱的制度无法证明另一个制度可靠。

政治信任因早于生成式 AI 出现的诸多原因而持续下降。党派冲突、误导性主张、碎片化媒体和不一致的问责机制，削弱了公众对政治人物的信心。

AI 进入这一环境时具有若干呈现优势。它能立即作答、不显露烦躁、组织回应，并可调整措辞以适应用户。

政治人物通常在对抗性环境中沟通。每一项声明都要面对过往承诺、党派忠诚、竞选动机和敌对解读。

聊天机器人看起来不受这些压力影响。它的界面没有讲台、党派徽章、捐助者名单或选举历史。

这种表面上的中立性在一定程度上只是外观。模型反映了训练数据、系统指令、产品政策、检索来源以及开发者所作的决策。

AI 助手还可以针对提问者调整回答。个性化提高了相关性，却也可能让说服行为更难被察觉。

人们倾向于将平静的语言与能力联系起来。即使底层回答包含缺乏支持的推理，生成式 AI 也会从这种关联中受益。

政治人物则承受相反的效应。即使其主张准确，受众也可能因不信任说话者而对其持怀疑态度。

这形成了文章的核心反转。AI 无须变得高度可信，就能超过一个已失去可信度的类别。

地区差异又增添了一层复杂性。Ipsos 发现，全球范围内，人们对 AI 的兴奋与紧张几乎持平，但各国态度存在显著差异。

美国和多个西欧市场比许多亚洲和新兴市场更加谨慎。因此，全球平均值可能掩盖人们与技术、政府和专业知识之间截然不同的关系。

党派认同也会改变对企业的信任。一项 Axios Harris Poll 分析发现，共和党人与民主党人对知名 AI 公司的看法差距正在扩大。

2024 年，OpenAI 在共和党人中的声誉评分仅比民主党人高 1 分。报道称，这一差距在 2026 年达到 12 分。

这一变化表明，AI 信任并未与政治隔绝。围绕 AI 的公司、高管、监管与社会后果正在成为党派化对象。

因此，非政治化机器的幻想不会维持太久。一旦 AI 系统回答有关移民、税收、战争或选举的问题，用户就会通过政治视角判断其框架。

AI 公司也承受着自身的可信度压力。它们在承认模型可能出错的同时推动采用；在竞相发布能力更强的产品时承诺安全性。

用户注意到了这种张力。在 Quinnipiac 的调查结果中，三分之二的受访者表示，企业对其使用 AI 的情况不够透明。同样比例的人认为，政府在监管 AI 方面做得不够。

政治人物和机器并非真正独立的对手。政治制度为 AI 制定规则，而 AI 公司正日益塑造政治信息到达公民的方式。

搜索引擎、社交网络、出版商、竞选活动和聊天机器人构成了一个相互连接的信息系统。信任可以在这些节点之间迁移，却未必有任何一个节点通过可靠表现真正赢得它。

这正是为何这一比较应让两类人都感到不安。政治人物应追问，为何公民更偏好合成生成的回答。AI 开发者则不应将这种偏好视为事实可靠性的证明。

一场比谁更不受怀疑的竞赛，无法产生可靠的裁判。公众依然需要透明的证据、可被质疑的主张，以及能够纠正错误的机构。

信任数据无法证明什么

调查中的偏好无法证明 AI 更常说真话、偏见更少，或能改善民主决策。

信任是一种感知。准确性则是可观察的表现指标。两者可能朝相反方向变化。

一个受信任的系统可能出错，而一位不受信任的发言者也可能陈述可验证的事实。任何将这两类概念混为一谈的文章，都有重演其所描述问题的风险。

问题措辞是首个不确定因素。“你信任 AI 吗？”会引导受访者作出宽泛的情绪判断。“你会信任一条关于选举的 AI 生成回答吗？”则是在询问某种具体的高风险用途。

系统的身份同样重要。受访者脑中想到的可能是 ChatGPT、Google Gemini、自动化政府服务、推荐算法，或虚构作品中的人工智能。

任务也会改变答案。人们可能乐于让 AI 协助点餐，却会拒绝将其用于医疗诊断、个人财务或国家安全。

Ipsos 在多种应用场景中衡量了这种差异。人们的舒适感并非对技术的固定态度，而会随错误结果的后果而变化。

新闻领域尤其要求严苛，因为事实会不断演变。模型的训练数据可能过时，而网络检索也可能选中质量低劣、重复或遭操纵的来源。

Bloomberg 所述的一项 2026 年研究，以 3,100 多个有关新闻、选举、医疗保健和外交事务的问题评估了 ChatGPT、Gemini、Claude 和 Grok。报告结果显示，准确性和来源引用问题持续存在。

这些发现并不意味着每一条聊天机器人的回答都是错误的。它们说明，为何感知上的中立性不能替代可重复的测试。

政治内容面临对抗性问题。竞选团队、外国影响力行动、活动人士和商业出版商，都有动机向信息渠道大量投放内容。

检索能够让回答以最新文档为依据，但只有在所选文档相关且可靠时，这种依据才有帮助。模型可能会忠实概述一个误导性的来源。

当用户不打开引用链接时，引用同样会制造虚假的安全感。链接可以是真实的，却未必支持它所附着的那句话。

另一项风险是自动化偏见：人们因为系统看起来具有系统性，便倾向于服从它。整洁的排版和即时回复会放大这种影响。

AI 系统可以通过展示不确定性、相互竞争的解读或清晰的来源边界来减弱这种偏见。但产品激励并不总是支持这种摩擦。

广告带来了进一步的冲突。Ipsos 发现，在 32 个国家中，46% 的受访者表示，如果广告主会影响生成式 AI 工具的回答，他们会更不信任该工具。

这一回应指出了一条脆弱的边界。用户或许能接受推荐，但他们希望知道商业激励何时塑造了回答。

该调查还发现，当产品和服务使用 AI 时，公众普遍支持进行披露。披露不能保证准确性，但能让人们有机会相应提高审查力度。

政治说服的风险远超一般错误。AI 可以生成大量量身定制的信息、测试不同版本、翻译材料，并模仿熟悉的沟通风格。

在 2024 年选举前进行的一项 Associated Press 和 NORC 民调发现，58% 的美国成年人预计 AI 工具会增加虚假的政治信息。仅有 5% 的人对 AI 生成信息的真实性抱有高度信心。

多数人反对候选人将 AI 用于欺骗性媒体、定向政治广告和聊天机器人回复。这一较早的证据表明，在最新的信任度新闻标题出现之前，公众担忧就已存在。

因此，最有力的怀疑性解读很直接：人们可能偏好 AI 的呈现方式，同时又担心它在政治中的使用。

这并非虚伪。它反映了人们对界面、实用性、制度激励和后果所作出的不同判断。

该标题的核心主张还受到无法获取的来源细节限制。没有完整的调查问卷，读者无从得知这项比较是全球性的、全国性的、强制二选一，还是一项更长排名中的一部分。

谨慎的分析应保留这种不确定性。不应凭空编造百分比，也不应将结果归因于一项尚未得到确认的调查。

Google News 提供的是发现线索，而非方法论验证。审查证据的责任仍在出版商、AI 系统和读者身上。

三项可显示 AI 是否配得上这份信任的信号

下一项考验在于，AI 产品能否在其自信的错误因政治用途而带来更严重后果之前，提升验证能力。

第一项信号是可衡量的新闻准确性。独立评估机构应持续测试主流助手在时事问题上的表现，并公布问题、回答、引用和评分规则。

一次快照式评估并不够。模型会变化，检索系统会更新，突发新闻所形成的失败条件也不同于既有事实。

值得信赖的评估应测试引用是否支持每一项具体主张。它还应记录拒答、不确定性、过时回答，以及政治上不对称的错误。

如果错误率下降且来源质量提高，有条件信任的理由就会更充分。如果界面有所改善但验证依旧薄弱，这个标题描述的仍将是感知，而非赢得的可信度。

第二项信号是产品层面的披露。当回答包含生成式综合、赞助方影响、不确定的来源，或个性化政治内容时，用户需要看到醒目的标签。

披露应出现在用户接收主张的地方。藏在其他位置的政策页面，无法帮助正在决定是否相信某个具体回答的人。

同样的原则也适用于政治竞选。公民应知道候选人的图像、声音或回复何时由 AI 生成，或被 AI 实质性修改。

强有力的披露无法解决所有操纵风险，但能降低合成式权威被当作未经中介的人类表述的可能性。

如果主要平台让来源信息成为常态，用户就能更有效地校准信任。如果披露仍不一致，精致的输出将继续跑在问责之前。

第三项信号是监管与选举执法。政府需要说明，现有规则是否涵盖欺骗性的合成媒体、定向说服和未披露的自动化传播。

公共部门 AI 审查指出，OECD 国家正在推进数千个政府 AI 项目。这一扩张使监管成为现实问题，而非遥远的政策辩论。

OECD 还报告称，在 2026 年 1 月记录的 599 起 AI 事件中，有 115 起涉及政府、安全或国防。该类别占记录事件的五分之一。

这些数据覆盖的是广泛的事件集合，并非仅限于政治言论。但它们仍表明，政府若不治理自身的部署，就无法可信地监管 AI。

有效的监管应明确：谁可以质疑自动化决策，谁拥有审计轨迹，以及谁负责纠正错误的公开主张。当每个参与方都指向算法时，问责就会消失。

选举期间将带来即时压力测试。关注竞选团队是否披露合成媒体、平台是否执行标签规则，以及选举主管机构是否作出一致回应。

如果执法变得可预测，AI 的政治用途将面对更清晰的边界。如果规则仍然碎片化，竞选团队就可能利用漏洞，同时将责任推给平台或供应商。

对读者而言，实际的应对既不是盲目信任，也不是永久怀疑，而是与风险相匹配的验证习惯。

先从原始主张开始。找到第一手文件，查看其日期和样本，并询问标题是否与实际问题相符。

然后比较独立来源。不要将相互抄袭的报道或重复的 AI 摘要当作独立确认。

最后，在证据不完整时保留不确定性。“尚未验证”往往比强行得出明确结论更准确。

Google News 的标题捕捉到了一个真实警讯：政治可信度已降至如此之低，以至于人工发言者看起来反而更值得信赖。但这并不表明 AI 已经解决了真相问题。

未来三个月应能显示，主流助手是否改善时事新闻的来源引用，平台是否澄清 AI 的影响，以及选举主管机构是否执行披露要求。这三方面若都有进展，将强化 AI 值得赢得信任的论据。

在此之前，应使用 AI 来审问主张，而非终止探究。当一个回答可能影响投票、声誉或重要决策时，请打开来源、比较证据，并始终让人类判断参与其中。