让 AI 给新闻打分？这家硅谷创业公司想当“媒体陪审团”，但真正发冷的可能是举报人

一家想给记者“打分”的公司出现了

硅谷从不缺自信满满的创业项目，但这次的主角，多少还是让人倒吸一口气。

一家名为 Objection 的新公司宣布上线，口号很直白：用 AI 来裁决新闻报道的真实性。它的玩法也很“平台化”——只要支付 2000 美元，任何人都可以对一篇报道中的某个事实提出异议，系统随后会发起一场公开调查，调取提交的证据、让多个大模型分别评估，再给出一个分数和结论。公司甚至还设计了一套“Honor Index（荣誉指数）”，试图把记者的诚信、准确率和过往表现，压缩成一个数字。

这件事之所以格外刺眼，不只是因为它把“AI 审判新闻”这几个字连在了一起，还因为它背后的投资人和创始人都有强烈的象征意味。Objection 拿到了彼得·蒂尔和 Balaji Srinivasan 的种子轮投资。蒂尔这些年一直对主流媒体抱有深刻敌意，他当年资助 Hulk Hogan 起诉 Gawker，最终让这家以辛辣爆料著称的媒体走向破产。这场官司早已成了美国媒体史上的一个分水岭：一边是隐私权，另一边是报道权，至今仍在被反复争论。

而 Objection 的创始人 Aron D’Souza，也不是个低调人物。他曾参与推动那场搞垮 Gawker 的诉讼，后来又去做了“增强运动会”——那个公开允许使用兴奋剂、号称要颠覆奥运逻辑的争议项目。现在，他把目光转向新闻业，声称自己看到了美国媒体系统的“失灵”：被报道伤害的人，缺少有效反击渠道。于是，他给出的答案不是法院，不是新闻申诉专员，而是软件。

这不是普通的事实核查，它更像一套“反报道基础设施”

如果只看字面，Objection 很容易让人联想到社交平台上的事实核查、X 的 Community Notes，或者近几年流行的“用 AI 提升信息透明度”。但它其实走得更远。

这家公司并不是单纯标注“这句话可能有误”，而是在试图建立一个针对新闻业的平行审判系统。它会按自己的证据权重体系给报道中的事实排序：监管文件、官方邮件这类一手材料分量最高；匿名信源，尤其是未经独立验证的匿名举报信息，则被放在很靠后的位置。这背后固然有某种直觉上的合理性——白纸黑字总比匿名爆料更好量化——可新闻业从来不是实验室，很多真正重要的报道，恰恰生长在“无法公开展示全部证据”的灰色地带。

想想“水门事件”、#MeToo 早期调查、企业财务造假、药企内部安全问题、科技公司对用户数据的滥用，许多推动公共利益的报道，最初都依赖匿名消息源。因为一旦实名，消息源面临的后果可能是丢工作、被诉讼、被行业封杀，甚至更糟。记者的专业，不在于把匿名者的话原封不动搬上版面，而在于核实、交叉验证、说服编辑和律师相信这条线索经得起推敲。

Objection 的逻辑却是：如果你不能把这些敏感信息喂给它的系统——哪怕是通过某种“加密哈希”方式——那你的报道可信度就可能被扣分。这个设计表面上是在追求透明，实际上却把新闻调查中最难也最脆弱的一环，变成了机器不友好的缺陷项。它要求记者向一个自己并未选择加入的平台“自证清白”，否则系统就可能给出“无法判定”的结论。听上去中性，现实效果却很可能是：公众只会看到“这篇报道存疑”。

更微妙的是，Objection 还有一个叫“Fire Blanket”的功能，已经能通过 X 的接口实时贴标签。也就是说，一篇报道哪怕还在调查中，系统也能先在公共讨论里插上“争议中”的旗子。互联网时代，很多人的注意力只停留在第一条提醒，不会再追到结论页。于是，“正在核查”本身就足以成为一种新型稀释剂，把一篇可能扎实的调查报道，先冲淡三分。

2000 美元一张门票，谁最有能力反击媒体？

Objection 自称是在给“被错误报道伤害的人”提供更低成本的救济渠道。这话并非完全没有道理。现实中，普通人如果真的遭遇不实报道，打官司成本高，媒体内部纠错流程也未必总是友好，确实存在维权门槛。

问题在于，这个平台的定价和运行方式，决定了它最有可能服务的，不是普通人，而是本来就资源充足的人。2000 美元一次的异议，对大多数家庭来说不算小数目，但对企业、公关团队、富豪、政治组织来说，不过是一笔战术预算。尤其当一篇长调查报道包含多个关键事实时，异议还可以逐条提交、彼此独立推进。换句话说，如果有人想消耗一家媒体的时间和声誉，完全可以把它玩成“分段式围攻”。

这就是为什么有媒体法学者会把它称作“给富人和权势者准备的高科技保护费体系”。话说得重，但并非没有根据。因为在现实世界里，最擅长借程序拖延、借公关制造怀疑、借资源压制叙事的，往往不是弱者。许多大型公司并不需要在法律上真正赢下每一场争议，它们只需要把报道拖进“各执一词”的雾里，就足以让公众失去耐心。

从这个角度看，Objection 最危险的地方不在于它会不会真的算出“真相”，而在于它可能把新闻问责这件事，从专业编辑流程和司法救济，迁移到一个由私人公司定义规则、由付费者触发、由模型做初判的平台之中。它看上去像民主化，实则更像把“谁有资格发起质疑”这件事，重新按金钱和资源做了一次排序。

AI 真的适合当新闻裁判吗？

这也是整件事最根本的争议。

过去两年，AI 已经在写摘要、做转录、查资料、帮记者整理海量文档方面展现出实用价值。很多新闻编辑部都在小心翼翼地试水：让机器做助手，而不是署名作者，更不是总编辑。因为媒体行业太清楚，大模型有偏见、会幻觉、缺乏稳定可解释性，对语境的理解也常常停留在“像懂了”的层面。

Objection 却反其道而行之。它把 OpenAI、Anthropic、xAI、Mistral、Google 的模型拉来组成一个“陪审团”，让它们模拟普通读者，逐条评估证据。这听上去很聪明，像是用模型之间的多样性来中和偏差。但问题是，模型的平均值不等于真理。五个可能犯错的系统放在一起，不会自动变成一位经验老到、懂法律、懂调查方法、懂消息源保护伦理的编辑。

新闻判断里最难的一部分，恰恰不是把材料分门别类，而是理解那些“为什么现在不能公开”“为什么必须保护这个人”“为什么这个细节虽未完全披露但仍然值得刊发”。这些判断掺杂着职业伦理、法律风险、公共利益和现实权力结构，根本不是一个数学加权题。你当然可以让 AI 统计证据密度、标记逻辑漏洞、发现叙述矛盾，这些都很好；但如果让它给复杂报道盖章“可信”或“存疑”，那就像让天气 App 决定一场庭审该判几年——信息很多，判断未必对路。

这一点，和近几年围绕“算法治理”的讨论其实是相通的。无论是内容审核、信贷审批，还是招聘筛选，技术公司总喜欢把主观判断包装成客观评分，再把争议交给界面上的数字去承受。分数总是看起来比解释更干净，但分数背后的价值选择，反而更难被看见。Objection 的“荣誉指数”，就是这种冲动在新闻业里的最新投影。

为什么这件事发生在今天，尤其值得警惕

如果把时间拨回十年前，这样的产品可能只会被看作一个古怪的媒体创业点子。但放在今天，它踩中了几个非常敏感的时代节点。

一边是公众对媒体的不信任持续加深，社交平台、党派政治、信息污染共同把“谁都不值得信”变成了很多人的日常感受；另一边是生成式 AI 正在制造一种新的技术幻觉——仿佛只要算力足够、模型够多、流程足够透明，真相就可以被自动提纯。于是，像 Objection 这样的项目天然会显得很有诱惑力：它承诺不靠媒体、不靠法官、不靠机构名望，而靠“系统”本身给答案。

可问题恰恰在这里。新闻不是纯信息商品，新闻业之所以重要，是因为它承担了一部分民主社会里最吃力不讨好的工作：向权力发问，替不方便说话的人说话，哪怕证据链在公开层面还不能做到像监管文件那样整齐。一个社会当然需要更好的媒体纠错机制，也确实需要对糟糕报道、误导标题、匿名信源滥用保持警惕。但如果新的工具让记者在每次引用匿名信源前，都得先担心会不会被付费平台贴上“低信任度”标签，那么寒蝉效应就已经开始了。

这也是我最在意的一点：很多技术产品喜欢把自己描述为“中立基础设施”，仿佛只是把判断过程数字化、程序化。可只要你的规则会改变谁更敢说话、谁更容易沉默，你就已经不是中立工具，而是在重塑权力关系。Objection 也许真能抓出一些报道错误，甚至可能让部分媒体在证据展示上更规范。但如果它的副作用是让举报人更犹豫、让调查记者更被动、让有资源的一方更擅长制造怀疑，那么它修补的就不是新闻生态，而是在给它新增一层昂贵而冰冷的摩擦。

从更长的历史看，新闻业从来不怕批评，怕的是批评被工业化、平台化、武器化。前者能促使媒体变好，后者则可能让“把真相说出来”这件事，变得越来越不划算。

也许未来真会出现辅助新闻审议的 AI 工具，但它更合理的位置，应该是帮助记者核验材料、帮助读者理解证据，而不是把复杂的公共利益判断外包给一套收费系统和几个会一本正经胡说八道的大模型。毕竟，连 AI 自己都还在接受事实核查，我们却急着让它去给新闻盖章，这事多少有点黑色幽默。