ChatGPT规划徒步路线，可能把人带进险境

在荒野里走丢，从来都不是小事。救援人员眼下发现，把徒步者领进危险地带的那个“向导”，有可能就是一台AI聊天机器人。

《连线》（WIRED）记者克里斯汀·彼得森（Christine Peterson）在报道里提到，越来越多的徒步者把路线规划、装备清单，连风险评估都一股脑交给ChatGPT、Gemini这类大模型工具，换回来的却可能是压根不存在的步道、早就封了的线路，或者被大大低估的难度和天气风险。荒野里远离公路、手机没信号，这种错误的代价可能就是命。

看着挺专业的“幻觉路线”

大语言模型干活的核心逻辑，是按概率生成“看着合理”的文本，它并不会去查权威的地图数据库。你问“某个国家公园有哪些适合新手的徒步路线”，模型常常会给出格式规整、口气笃定的答案：路线名称、里程、累计爬升、预计耗时样样齐全，看上去比不少户外论坛的帖子还专业。麻烦在于，这些细节有时候是拼出来的，甚至凭空捏出来的：真步道被安错了名字，两条线被“缝”成一条，或者索性造出一条地图上根本没有的路。

更不容易察觉的风险是“合理化”。模型很少承认自己拿不准，反倒会用顺溜的措辞把猜测包装成结论。对没什么经验的徒步者来说，这种自信的语气特别能唬人：它不像一位会反复叮嘱“先查官方公告”的老手，倒更像一位从不迟疑的专家。

“把规划外包给AI，本质上是在放弃自己的批判性思维。在城市里，这或许只会带来一点麻烦；在荒野里，却可能致命。”

大模型为什么“读不懂”一座山

山野是个高度动态的环境。山火、滑坡、积雪或桥梁损毁，都可能让步道临时关闭；水源会干涸；熊的活动范围随季节变化；一场午后雷暴就能把裸露的山脊变成危险地带。这些信息往往只存在于当地管理部门的公告、护林员的提示和最新的路况报告里，而这恰恰是模型的盲区——训练数据有时间滞后，模型也没法实时联网去核实每一条封路通知。

另外，AI不知道提问的人是谁。同样是十公里路线，对一位每周跑山的越野跑者和一位头一回背大包的城市白领，风险完全不一样。模型看不到你的体能、经验和装备，也就给不出真正“量身定制”的建议。把通用答案当成个人方案，是户外事故里常见的认知陷阱。

成本由搜救队承担

徒步者带着错误的地图进了山，最后承担后果的往往不只是他本人。搜救要调动护林员、志愿者和直升机，耗时数小时乃至数天，参与搜救的人自己也要冒风险。近年来，多地救援机构都提到，遇险者中“准备不足”的比例在上升：他们并非鲁莽，恰恰相反，他们以为自己已经做足了功课——只不过功课是AI代做的。

这也牵出一个更大的问题：AI把“做功课”的门槛降到几乎为零之后，人们还愿不愿意花时间去弄懂一座山的地形、气候与规矩？便利和胜任感之间，并不总是正相关。

把AI当作起点，而非终点

这并不是说徒步者就该拒绝AI。规划行程时，用它来头脑风暴候选路线、生成装备清单、整理需要向护林员确认的问题，都挺高效。关键是把AI当成“提问的助手”，而不是“下结论的权威”。

更稳妥的做法有这么几条：每一条路线都用官方地图、公园官网和当地步道协会的公告交叉验证；出发前打电话或查看游客中心的最新路况；下载离线地图，并带上纸质地图与指北针作为备份；把行程计划告诉家人或朋友，约定好返回时间；随身带齐“户外十项必备”，包括导航、照明、防晒、保暖衣物、急救包、火源、修护工具、食物、饮水与应急 shelter。至于AI给出的每一个具体数字——里程、爬升、耗时——都该当成待核实的线索，而不是事实。

编者按：流畅不等于可靠

这起现象的本质，其实是一场关于“权威感”的误读。人习惯把表达流畅、术语准确当成专业能力的信号，而大模型恰好极擅长模仿这种信号。当这种模仿出现在医疗、法律或户外安全等高风险场景里，代价就会被放大。

对做AI产品的一方而言，产品设计里得把边界提示做得更清楚：一旦查询牵扯到人身安全，就该主动把用户引向权威来源去核实，别拿一段看着笃定的文字把对话收尾。用户这边，则要把数字素养重新捡起来——AI给出的东西只当草稿，最后的判断得自己下。真到了山里，最靠得住的导航工具，还是一个肯怀疑、肯核实、肯为最坏情况做准备的大脑。