十二个对不上的数字：我用 AI 复核了一篇「AI 能不能写麻醉方案」的论文

引言：一笔不太划算、但很值得的账

先算账。

我订的是 Claude Max，每月 200 美元。怎样「浪费」这 200 美元才算合适，一直是个问题：几乎每周一开始，我都会冒出一些奇奇怪怪的想法，头两天就烧掉一半额度。

这一次是 10 月 12 日到 14 日。三天，用掉了这一周七成左右的额度。按 API 价格折算，这三天的 token 大约值 2,400 美元；按我实际付的月费摊下来，三十来美元。

换来的是一封英文邮件：正文四个要点，附一份 14 页的 PDF，收件人是一篇医学论文的通讯作者 Audrey Jarrassier 医生。写这段话的时候，我收到的回信数量是零。

那篇论文研究的是「AI 能不能写出安全的麻醉方案」。我用 AI 检查一篇检验 AI 的论文，现在又让 AI 帮我把这篇文章落成文字。这个递归，我自己也觉得有点好笑。当然，文章的想法、内容和结构都出自我本人。

过去读一篇论文，看摘要，看结论，最多看看图。到了 AI 时代，很多人会把论文丢给 AI，几分钟就知道它讲了什么。我做的事情正好反过来：让 AI 去查这篇论文说的对不对。我把它的每一张表都重算了一遍，又把同一个团队过去十几年的二十多篇论文也算了一遍。

我很想说这是出于对科学的热爱。真实的动机没有这么体面：一半是我这个人轴，认死理，一直相信不可信赖的数据，比没有数据更糟糕；另一半是火气。火气从哪里来，后面会讲。

缘起：给朋友做的口试陪练

先说我为什么会去读一篇麻醉学论文。

我有个朋友在法国读麻醉与重症医学专科（DES），是一名 interne，也就是医学院毕业后进入专科培训的实习医生。interne 第二年要过一场口试：考官给出一个病例，考生当场讲出评估和处理方案。

复习资料来自 UNESS，法国医学院共用的在线教学平台。它的网站很难用：课程是一页页带旁白的幻灯片，加上零散的 PDF，想复习一个知识点，只能一节一节点开、一段一段听完。在法国生活这一年多，我的感受是，这里对数字工具的期待普遍不高，大家习惯了将就。

我不想将就。于是我把整个课程库搬到了自己的 NAS 上，再一层层加工成能用的东西：

UNESS 课程网站：12 个模块，273 个章节
   │  用登录后的账号下载：幻灯片文字、旁白音频、PDF
   ▼
NAS：11 GB 原始资料
   │  Mac mini M4（24 GB）上本地运行我自己搭的 Lingua
   ├─ 240 节课的旁白，约 101 小时，用 Whisper 转成文字
   └─ 232 份 PDF，用 OCR 转成 Markdown
   ▼
每章一份笔记：幻灯片 + 对齐的旁白 + PDF 原文
   │  先用 DeepSeek 批量写初稿
   │  再用 Claude 重写大部分，逐条核对里面的数字
   ▼
273 份复习卡片（fiche）

Lingua 是我之前在 Mac mini 上搭的本地转写、翻译和 OCR 服务。一百多个小时的课程录音，全部在家里的局域网里转完，没有一段上传到别人的服务器。

在这些卡片之上，我给朋友搭了一个复习网站，叫 UNESS Dashboard：用手机口述病例，很快就能拿到一份按口试结构写的方案，每一条都标着出自哪张卡片，还能点开每一部分的深入版本和理论笔记。检索方式、提示词、模型选择，前前后后做过好几轮对比测试。

然后最近，我突然冒出一个念头：还能为这位朋友多做点什么？就这样，我偶然读到了一篇刚发表的论文。

巴黎近郊贝甘军队教学医院（Hôpital d'instruction des armées Bégin）牵头的团队，在法国麻醉与重症医学会（SFAR）的官方期刊 ACCPM（Anaesthesia Critical Care & Pain Medicine，《麻醉、重症与疼痛医学》）上发表了《Can AI generate safe anaesthesia plans?》。他们写了 100 个虚构病例，让 ChatGPT、Mistral 的 Le Chat 和医疗专用模型 Dougall GPT 各写一份术前麻醉评估和方案，再由专家对照参考方案，在 12 个领域里按 0–4 分打分。

结论是 ChatGPT 表现最好，大语言模型「展现出令人鼓舞的潜力」，将来可以在比如「药物剂量」这样的事情上辅助决策。

这正是我需要的东西：论文的补充材料里有病例模板和完整提示词。我当天就照着做了一个「术前会诊」模式。想和他们比，就得先弄懂他们的数字。

然而，他们的数字对不上。

第一个对不上的数字

第一个是 κ（kappa）。可以把它想成两位阅卷老师给同一批卷子打分的默契程度：1 是完全一致，0 是和随手乱打没有区别。论文用它衡量模型给出的 ASA 分级和专家的有多一致。ASA 分级是麻醉前给病人整体状况打的 1 到 5 级分。

Dougall 的加权 κ，在正文 3.3 节是 0.666，在表 2 是 0.719。

同一个模型，同一个指标，同一篇论文，两个数。

我当时的第一反应是：笔误，正常。于是继续往下看。

摘要里写着，ChatGPT「在 12 个麻醉领域中的 7 个取得了最高的中位数评分」。

翻到表 3，ChatGPT 和 Dougall 的中位数在全部 12 个领域都一模一样：十一个 4，一个 3。ChatGPT 在 12 个领域里都是并列最高，没有一个领域是它单独最高。

「7」这个数大概来自另一处：事后检验里，ChatGPT 在 7 个领域显著好过 Mistral。可摘要说的是「中位数最高」，不是「比 Mistral 好」。读摘要的人不会知道其中的区别。

再往下，我把对不上的数字列成了一张表。最后定稿的是 12 处，每一处都能在论文里找到原文，寄给作者的附件里逐条附了高亮的原页面。这里挑几处：

最后一行值得多看一眼：正文说 ChatGPT 更好的那一项，表格显示的恰恰是 Dougall 显著更安全。

单拿出哪一处，都可以是笔误。但十二处不一致集中在同一篇论文里，说明它的核对过程没有充分发现并解决这些问题。

这篇论文有十九位署名作者，来自四家医院，经过了一轮同行评审。

表格没写分母，置信区间写了

如果整件事只能讲一个技术细节，我会讲这个。

论文的表 4 是安全性结果：每个模型在每个领域里，有百分之多少的回答被评为「不安全」，后面跟着 95% 置信区间。表里没有写分母，也就是到底有多少个回答被打了分。100 个病例，按理说分母就是 100。

置信区间可以理解成「误差范围」。民意调查问 1,000 个人和问 100 个人，误差范围完全不一样：问的人越少，范围越宽。反过来，只要知道算法，就能从误差范围倒推出到底问了多少人。

难点就在「知道算法」。论文没写用的是哪一种区间。我试了几种，R 语言里的 prop.test（带连续性校正的 Wilson 区间）能让 ChatGPT 的 10 个格子在分母为 100 时逐位吻合，所以我假设整张表用的都是它。

按这个算法，0 个不安全、分母为 62 时，区间上限约为 7.269%，显示成一位小数正好是 7.3%；分母为 100 时约为 4.610%。把分母从 1 试到 100，62 是唯一能显示成 7.3% 的值：

也就是说：如果这些区间使用的是带连续性校正的 prop.test，那么这一格对应的分母应为 62，而不是 100。实际分母仍需作者的代码或原始评分确认。数值吻合不能证明作者确实用了这个算法，这也是我在信里请作者提供代码的原因。

按同一个假设，全部 36 个格子我都试了一遍：10 个在分母为 100 时吻合，全是 ChatGPT 的；24 个只有在分母小于 100 时才对得上；还有 2 个，分母从 1 试到 100 都对不上。

少掉的那些回答可能去了哪里？论文把每个病例拆成 12 个字段，一个领域一个字段，100 个病例一共 1,200 个。论文自己报告，Dougall 有 100 个字段没填（3.1 节）。方法部分写着：没填的字段不评分，也不插补。

这里要分清两个层级：

• 整个领域没写。 这一格不评分，从这个领域的分母里拿掉。如果上面的算法假设成立，Dougall 剂量一项少掉的 38 个就属于这一种。旁证来自 ChatGPT：论文说它一共漏填 13 个字段，表 4 倒推出来的缺口也正好是 13 个（11 + 1 + 1）。
• 领域写了，但里面漏掉某一项。 论文说一个领域的得分取其中最差那一项的分数，但没有说明漏掉的项怎么算。

如果第一种情况属实，就会出现一种不对称：写了，写错一项，整个领域记低分；整块不写，这个领域直接不进分母。这像一场考试，空题不扣分，还不计入总题数。

按同一个假设倒推，在三个模型身上，被评分数量最少的都是同一个领域：药物剂量。ChatGPT 89 个，Dougall 62 个，Mistral 85 个。

而论文结论里，大语言模型将来可以辅助的场景，举的例子正是「药物剂量」。

还有一个小发现。论文的图 1 里，Mistral 有两格是 0：PONV 和困难插管。到了表 4，困难插管那一格正是用任何分母都对不上的两格之一；PONV 那一格写着 11.2% [6.0–19.6]，和 Mistral 自己的静脉血栓预防那一格一字不差，连置信区间都一样。这更像是复制粘贴的时候串了行。

如果这是一次 A/B 测试

算术之外，是设计问题。做过产品的人大多见过 A/B 测试，用这个类比最直观。

每个版本都有自己的评委，而且评委知道自己评的是哪个版本。 论文里，每个模型由一位研究者负责运行，也由同一位研究者打分：ChatGPT 一位，Mistral 一位，Dougall 一位，三个人互不相同。论文在局限性一节承认评分者没有设盲，但没有报告评分者之间的一致性。这样一来，「模型之间的差别」和「打分人之间的差别」完全分不开。

运行日期和版本无从核对。 论文说研究在 2025 年 7 月到 8 月进行，ChatGPT 用的是「当时默认的 GPT-5.0」。GPT-5 是 2025 年 8 月 7 日发布的，所以 ChatGPT 这部分只能在 8 月 7 日之后跑，这本身并不矛盾。问题在于，论文没有给出每个模型具体的运行日期和版本记录，读者没法核对。论文还说网页界面里的 temperature「已关闭」，而普通用户在网页聊天界面里调不了这个参数。

答案写在题目里。 病例模板里有一栏是「PONV 病史：Apfel 评分」。如果评分已经给了，模型只需要照抄。论文的讨论部分说，三个模型在 PONV 一项上「表现优秀」。

附件清单对不上。 提示词里说附上了慢性治疗、冠心病患者、胃超声等方面的指南，可补充材料列出的 15 份指南里没有这几份。正文引用补充材料 S5 来展示严重错误的例子，我能拿到的补充文件只到 S4。

「零记忆」无法确认。 提示词告诉模型，接下来会有编号 1 到 100 的病例；论文说病例分三次、在连续三天里提交，又说用的是「零记忆配置」。分三次提交不一定意味着三个持续的对话窗口，但论文没有会话记录，无法确认每个病例是否在独立的会话里生成。如果不是，前面的病例可能还留在上下文里。

我个人的看法是：在网页界面里对基础模型问一次、拿一次回答，测的不是「大语言模型能不能写麻醉方案」，测的是那个下午的那个聊天窗口。这一点是我的观点，不是算术，所以没有写进给作者的信里。

然后，我生气了

读到第四张表的时候，我做了一件读论文时不该做的事：搜了作者。

搜到的是法语重症医学会（SRLF）10 月 8 日发在 YouTube 上的一段六分钟视频，讲战伤员怎样从战场一路送回本土的重症监护室。Jarrassier 医生在视频里说，战伤救治由一套条令来规定，这套条令「très codifiée, très organisée à toutes les étapes」，高度规范，每一个环节都组织严密。

那天晚上看完，我的火更大了。战场上每一步都有规程，写论文的时候，摘要却和自己的表格对不上。我不认识她，也无从评价她在手术室里是什么样的医生。可我面前摊着的，是她作为第一作者署名的论文，和十二个对不上的数字。

写这篇文章的时候，我把视频的转录稿从头读了一遍，想找出那句让我生气的话，大意是「军队医院比别处更精确、更严谨」。没有找到。她讲的是四级后送链条、25 小时内回到本土、多重耐药菌。说到自己的培养，她说的是和地方医学生「exactement la même maquette」，培养方案一模一样。

「军医更严谨」这层意思，是我带着火气自己听出来的。我当时还原样转述给了朋友。大概是我的法语太差，听岔了，哈哈。

这让我有点难堪，也正好是这篇文章想说的事：人在有情绪的时候，最容易把自己相信的东西当成原文。我要求别人的论文逐字对得上，我的记忆也该接受同样的核对。

火气还在，只是不再冲着一个人。医学要求患者信任它，我觉得这份信任应该靠能被核对的数字去挣。

于是我做了第二件不该做的事：把贝甘医院这个麻醉与重症团队的论文都找了出来。

从一篇到二十四篇

论文来源：ScienceDirect 用的是我自己的账号，在 Chrome 里一篇一篇点开下载；开放获取的全文从 Europe PMC 取。最后进入语料库的是 24 篇全文，加上 71 篇论文摘要。

流程大致是四步：

发现候选问题：AI 逐表重算，从几个角度审读正文和引文
   ▼
反方复核：另一组模型专门尝试推翻每一条
   ▼
人工检查：对照原文页面，逐条看
   ▼
证据包：页码、章节、高亮的原页面

模型之间达成一致，不等于事实成立。所以这条流水线的终点不是「AI 说对」，而是一页页任何人都能自己核对的原文。

这些论文都至少有一位该团队成员署名。挑几个不需要医学背景也能看懂的例子，每个都附上出处，可以自己去翻：

• 入院到手术：11 天，还是 522 分钟？ 一篇 2021 年的多中心论文，研究巴黎恐怖袭击伤员的感染风险，该团队的 Dubost 是作者之一（ACCPM 2021;40:100908）。纳入标准是「入院后 48 小时内手术」（第 2 页，2.1 节），结果部分却写入院到手术的中位时间是 11 天（第 4 页，3.1 节），表 2 写的是 522 分钟（第 6 页）。11 天其实是表 3 里另一个指标：到再次手术的时间。
• 比值比 0.25 还是 0.32？ 同一篇论文的表 4（第 7 页）写「ballistic cause」的比值比为 0.25（0.1–0.9），p = 0.03。方法部分（2.4 节）说这一列是单因素逻辑回归，也就是没有调整其他变量的 OR。用表 2 里同一个变量的人数（感染组 19 对 4，未感染组 164 对 11）按同一种方法算，得到 0.32（95% CI 0.09–1.10），p ≈ 0.07；用 Firth 校正算是 0.30（0.10–1.09）。常用的几种算法都得不到 0.25、上限 0.9；表 2 自己给这个变量的 p 值也是 0.08。前提是表 4 的「ballistic cause」就是表 2 的枪伤对爆炸伤，论文没有另行定义。
• 写反的感染率。 同一篇论文第 5 页的讨论部分引用 Tribble 等人 2016 年的研究（Mil Med 2016;181:1258–68），写伊拉克和阿富汗的感染率分别是 33% 和 27%。原文是伊拉克 28%、阿富汗 34%：两个战区写反了，数值也不对。
• 2,029 人里的重复。 一篇关于战场使用氯胺酮镇痛的系统综述（J Trauma Acute Care Surg 2020;88:180–185）。发表版本需要付费，我核对的是作者公开的博士论文版本（DUMAS dumas-03472055，第 25 页表 1）：纳入研究的病人数加起来是 2,029 人。其中 Petz 2015 和 Schauer 2017 都来自同一项母研究，各报告 118 名用过氯胺酮的伤员，很可能是同一批人被算了两遍；去掉重复，最多 1,911 人。

在 AI 标出的候选问题里，最常见的一类不是算术，而是引用：引文并不支持它所在的那句话，有的甚至说的是反话。至少 18 篇论文里有这样的候选。

研究是一层一层往上盖的。每一篇论文都站在它引用的论文上。下面一层写错了，上面的人通常不会回去查，只会接着引用。

AI 也会错，而且错得很自信

如果这篇文章只讲 AI 有多厉害，那它就是一篇广告。下面这些，是 AI 在这三天里犯的错：

• 把对的当成错的。 有一个置信区间 1.07 [1.014–1.182]，两边不对称，被标成了错误。其实那篇论文用的是 Firth 惩罚回归，它的轮廓似然区间本来就不对称。这一条撤回了。
• 我自己的页面也写错过。 最早那版复核页面猜错了区间算法，用几种不带连续性校正的区间去倒推，得出剂量一项「只有 33 到 49 个回答被评分」。直到做寄给作者的证据包、把 36 个格子逐一重算，才发现能对上的是 R 的 prop.test，对应的分母是 62。
• 我的邮件说得比证据多。 发信之前，我让一个全新的 Claude Science 会话只读论文、补充材料、我的邮件和附件，从头核对。结论是「改几处再发」：一处把「36 个格子里的 24 个」写成了全部；一处说 S5「不在补充材料里」，但它打不开出版社的页面，没法排除还有第二个文件；一处把数据共享声明没承诺的东西（参考方案和逐条评分）说成了声明里有的。

这三天里我最大的体会是：AI 让「重算」变得便宜，但没有让「判断」变得便宜。 最后写进邮件、寄给作者的每一条结论，都经过至少两个看不到彼此结论的模型核对，最后再由我自己确认。

同一把尺子，先量我自己

批评别人的论文很容易。寄信之前，我想先回答一个更让人难受的问题：我自己做的东西，就一定比他们好吗？

先说清楚这个测试能做什么、不能做什么。

我没法重做他们的研究。100 个病例、专家的参考方案和逐条评分都没有公开，数据共享声明说「可以申请」，我在信里申请了；正文引用的补充材料 S5 也没找到。我能拿到的，只有他们的病例模板、提示词和指南清单。

所以这里做的只是一个粗略的模仿：

30 个虚构病例 + 标准答案（AI 写的，还没有医生审过）
        │
        ├─ A 组：照论文的做法——他们的提示词，指南整份附上
        └─ B 组：我在 UNESS 里做的会诊模式——评分用代码算，
        │         按领域检索指南，写完再对照常见错误自查
        ▼
同一个模型（gemini-3.8-flash），每个病例每组各写 3 次
        ▼
主评委 GPT 给全部方案打分；Kimi 只评第 1 轮，用来检查两个评委是否一致
评委看不到方案出自哪一组（能暴露来源的标记都删掉了，但两组的格式仍然不同）

Kimi 评委用的，是我在一次 hackathon 上赢来的额度。总算派上了正经用场。

结果（主评委 GPT 的打分；B 组取自查之后的版本）：

                              论文的做法     我的会诊模式
标准答案要点覆盖                 67 %          68 %
其中的关键要点                   64 %          62 %
标准答案之外的危险错误（每份）     0.49          0.93     (p = 0.007)
至少含一处危险错误的方案          47 %          61 %

统计口径：每个病例先取 3 次的平均，再在 30 个病例上做配对比较。p 值用符号置换检验，95% 区间用按病例重抽样的 bootstrap。所以 p = 0.007 比较的是 30 对病例，而不是把同一病例的 3 次当成 90 个独立样本。

按主评委的判定，我的会诊模式产生的潜在危险错误更多。

评委标出来的多余错误主要是剂量：快速顺序诱导里给罗库溴铵 0.6 mg/kg（这种情况下的常用剂量是 1.0–1.2 mg/kg），肥胖患者按实际体重给药，透析患者用舒更葡糖。我加过一条规则，要求「每个药都给出针对这位患者的剂量」，本意是让方案更实用，结果是让它更容易出错。写完再自查那一步，没有带来可测量的改善。

还有一个病例更吓人：患者 8 月刚因急性冠脉综合征放了支架，正在双联抗血小板治疗。模型不知道今天是几号，建议「术前 5 天停氯吡格雷，照常手术」。按指南，这种情况应该推迟择期手术。修法很朴素：把今天的日期传给模型，距今几个月用代码算，再加一条硬规则。修完以后，这个病例三次都给出了「推迟」。

这个测试还顺带碰到了一个和论文有关的问题。两个 AI 评委按事先写好的核对清单打分，一致性 κ 是 0.65；换成论文的安全性判定（某个领域在 0–4 分量表上是否 ≤ 2），κ 只有 0.30。这不能用来说明人类专家的评分不可靠，但它说明，这个判定标准本身值得进一步检验。

病例、标准答案和错误判定都还没有医生审过，所以这些结果只能看方向。第一轮测试的 Gemini 费用大约 15 到 20 美元。

我的方案并没有比论文好。区别只在于，这轮测试暴露了具体的失败点：剂量和日期。

那封信

ACCPM 期刊规定，对已发表文章的回应信，要在文章上线后 4 个月内提交。这篇论文 2 月 5 日上线，窗口早就关了。所以我直接写给通讯作者 Jarrassier 医生，请她考虑发更正，并提供数据。

信里没有「造假」「学术不端」这样的词，不是因为客气。

我要先说清楚：查完 24 篇论文，我没有发现任何数据造假的迹象。我看到的是另一种东西：正文和表格不一致，摘要和结果说的不是一回事，引文和原文对不上，分母可能悄悄变小。为什么会这样，我只能猜：可能是赶工，可能是复制粘贴，也可能是核对流程没有覆盖到表格。这些都只是可能的解释。

「没有造假」听起来像在替他们辩护，其实这是一个很低的标准。大部分读者不会逐表重算，只读摘要。摘要里写着「七个领域」，那在读者心里就是七个领域。

信的正文是这样的（译文，略去称呼和署名）：

我是一名大语言模型研究者，正在帮一位麻醉科住院医朋友做学习工具，因此读到了您的文章（Anaesth Crit Care Pain Med 2026;45:101769）。

在根据表格和补充材料重算文中数字时，我发现有几处对不上。举几个例子：

• Dougall 的加权 κ 在 3.3 节是 0.666，在表 2 是 0.719。
• 摘要说 ChatGPT 在 12 个领域中的 7 个中位数最高，但表 3 里它的中位数在全部 12 个领域都与 Dougall 相同。
• 表 4 的区间与 R 的 prop.test 吻合，但 36 个格子里有 24 个只有在分母小于 100 时才能复现。例如 Dougall 剂量一项的 0.0% [0.0–7.3]，对应的是 62 个被评分的回答中 0 个。
• 提示词（S3）说附上了慢性治疗、冠心病患者和胃超声的指南，但它们不在 S4 的清单里；文中引用来展示严重错误的补充材料 S5，也不在我能找到的补充文件里（mmc1.docx，含 S1–S4）。

附件 PDF 列出了全部问题及页码、章节，一张 12 处数字对不上的汇总表，以及高亮了相关段落的原文页面。

您是否考虑就这些数字发布更正？如果能提供数据共享声明中提到的病例和统计代码，并附上参考方案和逐条评分，以便复现分析，我将十分感激。

附件里每一条都标了页码和章节，后面是 11 页证据：9 页论文原页面，2 页补充材料，只加了高亮。核对的那一轮把论文页面和原文逐像素比对过，确认除了高亮没有任何改动。

10 月 14 日凌晨一点，我按下了发送。

接下来，我的计划是等一段时间。三周后如果还没有回音，再发一封简短的跟进。

这些 token 值不值

一定会有人说，这是在浪费 token。

把账摊开：三十来美元的月费，约 2,400 美元的 API 等价额度，换来 24 篇论文逐表重算、一批候选问题、一份能逐条核对的证据包，和一封措辞克制的信。

同行评审是免费劳动。审稿人多半是在下班以后读稿，很少有人会去倒推一个置信区间背后的分母。这不是哪个审稿人的错，是这件事以前太花时间了。

有了 AI，重算一张表比以前便宜多了。但这次的经历也说明，便宜的只是重算：判断哪些问题真的成立，仍然花了我三天。

这篇论文已经在被引用了。我写这段的时候，Semantic Scholar 上能查到 3 篇引用（各个数据库的数字不一样，Crossref 上还是 0）：一篇是作者团队自己写给《Anesthesia & Analgesia》的信，一篇是关于多智能体临床决策的论文，还有一篇来自另一个团队，研究用大语言模型给心脏病人做非心脏手术的术前评估（BMC Anesthesiology，2026 年 6 月）。

最后这篇在讨论部分写道，他们的结果与 Jarrassier 等人的发现一致：没有一个模型能可靠地处理复杂或高风险的病人，「尽管 ChatGPT 的指南依从性更好」（despite ChatGPT's superior guideline adherence）。

「ChatGPT 的指南依从性更好」，来自摘要里「ChatGPT 的指南符合度最高」那句话。可论文从来没有算过一个总的符合度，表 3 里它和 Dougall 的中位数也一模一样。这句话已经写进了另一篇论文，而很少有人会回头去数表 4 的分母。

在我的其他项目里，数据不可信，最坏的结果是一个仪表盘骗了我。在医学里，数据最后会落到一个躺在手术台上的人身上。

还有一层讽刺：这篇论文想回答的问题是「AI 给出的东西能不能信」。回答这个问题用的数字本身经不起重算，而把这一点找出来的，恰好是 AI。

让纠错变得便宜

过去，要挑出一篇论文的错，得有人愿意花几天时间，对着表格一格一格地算。所以很多错误，没有人去找。

AI 改变的是其中一半。我希望大语言模型能成为科学的一道纠错层：不是取代同行评审，而是让更多论文在发表前后被逐表算一遍、逐条核一遍引文，让草率和夸大更容易被发现。另一半，也就是判断哪些问题成立、该怎么说，仍然得由人来做。

AI 让「重算」变得便宜，但没有让「判断」变得便宜。

科学的进步不靠不犯错，靠的是错误能被发现、被改正。纠错越便宜，后来的人站的地基就越牢。

我能做的，是把每一个数字算清楚，标上页码，礼貌地寄过去，然后等。

这只是开始。接下来：

• 我会继续完善 UNESS，比如把药物剂量交给代码里的剂量表检查，不再让模型自由发挥；
• 我想自己做一点研究，认真回答这篇论文没有回答好的问题：大语言模型到底能不能帮上麻醉医生和医学生；
• 以及，等 Jarrassier 医生的回信。

文中涉及的论文：Jarrassier A, Belot de Saint-Léger F, de Rocquigny G, et al. Can AI generate safe anaesthesia plans? A comparative evaluation of three large language models on 100 synthetic cases. Anaesth Crit Care Pain Med 2026;45:101769. doi:10.1016/j.accpm.2026.101769。文中所有对不上的数字，都可以从论文的表格和补充材料（mmc1.docx）复算；表 4 的分母反推依赖文中说明的算法假设。