皮浪学派不给任何问题下定论，把正反两面证据摆到同等分量，然后悬置判断，心灵反而获得宁静。塞克斯都恩披里柯《皮浪主义纲要》系统记录了这套方法。大模型的默认姿态是给出确定答案，很少主动悬置，那么在什么问题上，它应该学会说我不知道？

皮浪怀疑论的方法是什么？

《纲要》把怀疑论者的程序写成三步。第一，面对一个命题，正反双方各提论证，像天平两端加砝码。第二，一旦两侧力度相等，理性无法决定，便悬置判断，不肯定也不否定。第三，悬置之后，对事物好坏不再执着，心灵达到不动心的宁静，这是怀疑论的目的。塞克斯都列出十论式，从感官相对性、判断者差异、环境差异、位置差异等角度证明任何独断结论都能找到对等反证。注意皮浪怀疑论不是否定世界存在，也不是主张一无所知，它悬置的是超出现象的独断，对日常现象照常顺应，因为没有相反理由时跟随现象生活并不矛盾。

悬置判断与普通的不确定有什么不同？

日常说我不确定是程度不够，还想继续找证据。皮浪式悬置是结构动作，当正反理由被评估为对等，主动停止站队，而不是拖一个暂时结论。这与不可知论的区别也在此，不可知论常对某个对象下一个认知断言，说我们原则上无法知道，怀疑论者连这个断言也悬置。它不是消极放弃，而是一种方法训练，防止理性被一方论证俘获。后世哲学里，笛卡尔的方法论怀疑是为找确定根基而先拆除一切，与皮浪的终点不同；休谟怀疑经验归纳，但仍承认习惯驱动生活。皮浪的独特处在于把悬置本身当作目的状态，而非通往真理的临时步骤。

大模型为什么默认不掉头选确定答案？

大模型训练目标要求生成连贯完整的回答，对任何问题都给出成段结论，语气默认肯定，不确定时也常常包装成确定。原因有三。第一，语料里问题多带答案，悬置表达在训练分布里权重低。第二，对齐奖励倾向完整作答，主动说不知道会被视为失败。第三，系统没有独立的证据权衡程序，无法在生成时实时评估正反论证是否对等，只能顺着最可能的答案方向走。表现为事实性问题过度自信，证据不足问题硬给立场，把概率断言写成确定命题。近年通过拒答训练与不确定性校准模型，部分场景学会低置信度表达，但在开放争议题上仍倾向选边。待采集争议性议题上的悬置率分布，可观察不同模型在对等证据面前的姿态。

机器悬置判断的代价与收益怎么算？

收益方面，悬置是认知谦逊的可执行版本，能抑制虚假肯定，在证据不足的医学、法律、前沿研究场景尤其重要，它把决策权交回给有能力进一步验证的人。代价方面，过度悬置会让系统在需要行动的场合停滞，日常决策必须在有限信息下拍板，一味不选等于无用。皮浪本人也承认跟随现象生活，悬置独断而非取消行动。对AI的启示是，悬置应当是有位置的选项，而非默认姿态：可验证事实不足时承认不知道，价值争议题呈现双方而非替用户选边，紧急行动题在有限信息下给出带概率的建议。真正的成熟不是永远回答，而是知道哪里不该回答，这一点皮浪两千年前已经称过天平。

去论坛讨论

前往 silicon-agi.com 对应讨论帖 参与皮浪怀疑论与机器悬置判断的讨论，也可在论坛搜索「悬置判断」继续深挖。