来源：市场资讯
（来源：奥派经济学）
文丨张是之
一种根本不存在的眼科疾病，先骗过了全球最热门的AI工具，又骗过了同行评审，最后堂而皇之地出现在正式学术文献的参考文献列表里。
更绝的是，造假者几乎是把“我是假的”明晃晃写在了脸上。
相信我，经济学也经常这么干。
1、医学论文的荒诞
2024年，瑞典哥德堡大学医学研究员阿尔米拉·通斯特伦做了一个实验。
她想测试一件事：如果把一篇漏洞百出的假论文扔进互联网，AI会不会把它当真？
她精心设计了这篇“论文”，研究一种叫“Bixonimania”（蓝光狂躁症）的眼部疾病。
论文格式完整，有摘要、有方法、有数据、有参考文献，看起来就是一篇规规矩矩的医学预印本。但几乎每一处细节都是一个破绽。
病名本身就说不通。“-mania”是精神病学专用后缀，轻躁狂（hypomania）、偷窃癖（kleptomania）用的都是这个词缀，跟眼科疾病放在一起，在医学逻辑上根本对不上。
致谢部分是彩蛋集锦：感谢“星际舰队学院玛利亚·鲍姆教授在进取号实验室提供的帮助”，资助方包括“小丑鲍勃研究基金会”、“指环王大学”和“银河三合会”——这些全是《星际迷航》《辛普森一家》《指环王》里的虚构信息。
第一作者“拉兹利夫·伊兹古布列诺维奇”，在斯拉夫语里的意思是“虚假的失踪者”，照片是AI生成的，所在机构“阿斯特里亚地平线大学”位于加州一个叫“新星城”的地方——大学和城市在现实中都不存在。
更绝的是，论文正文里白纸黑字写着：“本研究招募了50名年龄在20至50岁之间的虚构人物作为暴露组”，以及“整篇论文都是编造的”。
通斯特伦后来说，她想让任何医生或医护人员一眼就看出来这是假的。
但AI没看出来。
ChatGPT、谷歌Gemini、微软Copilot、Perplexity——当时最主流的几个AI工具集体翻车。
Copilot告诉用户“蓝光狂躁症确实是一种有趣且相对罕见的疾病”，Gemini建议用户去看眼科医生，Perplexity给出了患病率数字：“每9万人中有1人患此病”——这个数据完整来自那篇假论文里捏造的数字。
事情还没完。
2024年11月，印度一个研究团队在Springer Nature旗下的期刊《Cureus》发表了一篇关于眼周黑色素沉着的临床论文，在参考文献里，他们认认真真引用了“蓝光狂躁症”这篇假论文，把它当成合法的学术来源。
这篇论文通过了同行评审，正式发表。直到《Nature》联系期刊询问，《Cureus》才在2026年3月撤回了它。
今年年4月7日，《Nature》杂志发了一篇长文，把这件事从头到尾复盘了一遍，在全球学术界和科技圈引发震动。
《Nature》的标题也很直白，就叫《科学家发明了一种假病，AI告诉大家它是真的》。今天题图就是《Nature》官网使用的文章图片。
回看整个链条：一个瞎编的疾病，先被AI当真，被AI告诉了用户，再被用户当作真实信息引进学术文献，在知识体系里固化了将近两年。
这不是普通的“AI幻觉”，这是一次知识系统的穿透实验。
它证明了一件事：只要形式足够像真的，系统就会把假的当成真的。
2、AI并没有真正的理论判断
很多人看到这件事的第一反应是，AI的训练数据不够干净，或者模型还不够聪明。
这当然没错，但没有击中要害。
真正的问题在于，AI并不知道什么叫“医学上说不通”。
它只知道这段文字看起来像论文，有格式、有摘要、有机构名称、有统计数据、有参考文献、有传播痕迹。
于是，AI把这些形式特征加权为“可信”，并在回答中把它当成真实知识来组织和输出。
但一个真正懂医学的人，不需要跑模型，不需要查数据库，只看病名和致谢两处，就会知道这东西不对。
这不是因为他掌握了更多数据，而是因为他脑子里有一套先验的医学逻辑，能在接触材料之前，就对材料做出基本的真伪判断。
这就是“理论判断”和“经验拼接”的本质区别。
AI识别的是形式上的知识，不是逻辑上的知识。
把致谢里的“星际舰队学院”和“小丑鲍勃研究基金会”当成正经机构，不是因为数据少，而是因为它根本没有“这不可能是真实机构”这条逻辑。
那条逻辑，不是从数据里训练出来的，它是先于数据就存在的判断框架。
这不只是AI的问题。现代经济学的主流，正在重复同一种错误。
AI看到的是论文的形式，却看不到医学逻辑；实证主义经济学看到的是数据的形式，却看不到人的行动逻辑。
很多人以为，AI的问题是技术问题。
但这件事真正暴露的，是一种更普遍的知识病：只看形式，不看逻辑；只看数据，不问因果。
3、实证主义经济学的谬误
当一个系统只识别形式、数据和经验痕迹，却缺乏先验逻辑判断，它就会系统性地把假象当成事实。
数据有用，统计有用，历史经验也有用，但问题在于，实证主义经济学常常把数据相关、模型拟合和历史经验，当成规律本身。
相关性不等于因果性。
看到某地最低工资提高之后，短期内就业数字没有明显下滑，就说最低工资不会伤害就业。这个逻辑看上去有数据支撑，实际上已经断了。
企业的调整从来不只体现在解雇人数上，它还可以是减少工时、压缩福利、提高劳动强度、推迟下一轮招聘、把部分工序外包或自动化。
这些调整里，很多不会在短期就业统计里留下明显痕迹，但它们是真实发生的。
数据看到的是结果片段，理论追问的是因果机制。用片段的结果否定完整的机制，是统计的拿手把戏。
但这不叫经济学，这叫用数字讲故事。
历史经验不是经济规律。
某些国家靠产业政策经济腾飞了，于是得出“产业政策能带来增长”。
但是，这些国家的增长，到底来自产业政策，还是来自同期发生的产权改善、市场开放、资本积累、企业家精神释放和全球分工红利？
历史永远是多因一果的混沌，如果没有理论，你想证明什么，就能从历史里挑出什么材料来。
历史不会自己说话，让历史开口的，永远是背后的理论。
模型严谨不等于结论正确。
经济学里有大量模型，有公式、有回归、有显著性水平、有置信区间，看上去极其精密。
但模型最怕的不是算错，而是前提错。前提一旦出了问题，后面越严谨，错得越系统。
这就和那篇假论文完全对上了。假论文也有样本、有方法、有参考文献，形式上天衣无缝。
但研究的对象根本不存在。如果病本身是假的，方法越精致，只能让荒唐显得更高级。
4、奥派方法论为什么更严谨？
奥地利学派的方法论，不是“更多数据”，也不是“更好的模型”，而是先退一步，问一个更基本的问题：这个命题符不符合人的行动逻辑？
注意，这里说的“人的行动”，不是什么哲学口号。它是一个真正不可否认的逻辑起点——你可以否认任何理论，但你没有办法否认“人会行动”这件事。
人在行动时会设定目的，用手段去达成，而手段是稀缺的，所以选择必然有成本，有取舍，有时间维度，有对未来的预期。
从这一个起点出发，产权、价格、利润、亏损、利率、资本结构，都不是被统计出来的现象，而是从行动逻辑里一步步推导出来的结论。
这就是奥派的严谨性所在，它的严谨不体现在公式有多精密，而体现在因果链条有没有断。
数据当然有用，但数据不会自己长出因果。因果必须先有理论框架，数据才知道该往哪里放。
因果从逻辑出发，逻辑成立之后，数据才有位置——它告诉你这件事发生了，而理论告诉你为什么发生。
没有理论，数据就是碎片；没有逻辑，实证就是装饰。
那篇假论文最荒唐的地方，不是它编造了一个疾病，而是它把“我是假的”写在纸面上，AI仍然相信它是真的。
问题不在数据少，而在缺少一个先于数据的判断框架。
现代经济学的主流，也有同一种盲区：数据越来越多，模型越来越精密，但底层问题没有变——用经验痕迹替代因果判断，用统计相关替代逻辑推导，用形式上的严谨掩盖内容上的空洞。
知识判断不能外包给机器，也不能外包给数据。
真正严谨的经济学，不是看它用了多少数学、跑了多少模型，而是看它的因果链条有没有断。
只要因果链条断了，数据再漂亮，也只是幻觉。
这不是奥派的傲慢，这是对“科学”二字更深刻的尊重。
2026年05月05日，于家中。
为答谢各位新老朋友，添加我的助理青青，可以获取以下几项福利：
1、我这里独家《奥派思维导图》电子版（原来单卖99的，不是一张图，是三本书的手绘思维导图）
2、不定期闭门直播：张老师以及张老师团队关于经济、市场的最新直播动态
3、加餐课程：我们不定期整理关于政策、资本动向等免费干货或深度付费课程
因为私域承接有限，只公开100个福利名额，下方扫码添加助理即可领取。
热门跟贴