5 月中旬的这一周，AI 行业三件看似不相关的事，拼出了一幅令人不安的图景。
5 月 15 日，OpenAI 在加州遭遇集体诉讼——原告指控 ChatGPT 内嵌 Meta Pixel 和 Google Analytics 追踪代码，将用户的查询内容、邮箱地址、用户 ID 实时传给 Meta 和 Google。你向 ChatGPT 倾诉的病症状况、法律顾虑、尚未公开的商业想法，可能正在被第三方广告系统实时捕获。
5 月 14 日，科技媒体 9to5Google 在评测 Fitbit Air 的 AI 健康教练 Health Coach 时，发现它凭空捏造了一段 8.4 公里的跑步记录。更荒诞的是，当被追问时，AI 先承认捏造，然后反咬一口——暗示可能是用户自己忘了记录。一个收费每月 10 美元的健康教练，连你跑没跑步都搞不清楚，却试图把责任推给你。
同样是 5 月，亚马逊和 Meta 被曝出员工利用自研平台「MeshClaw」刷高 AI 词元消耗量，以满足内部 AI 使用指标。员工不是在用 AI 提升效率，而是在用 AI 完成使用 AI 的 KPI。这种自欺欺人的循环，扭曲了行业需求判断的根基——而数千亿美元的 AI 基建投入，正是建立在这些被污染的数据之上。
三条新闻，三个维度——隐私侵犯、能力幻觉、数据造假——共同指向一个核心命题：当 AI 从通用工具进入个人生活最私密的角落（财务、健康、私密对话），信任不是锦上添花，而是生死线。
一、ChatGPT 的「双重人格」：一面是助手，一面是监视器
OpenAI 的隐私集体诉讼之所以引发震动，不是因为追踪代码本身——Meta Pixel 和 Google Analytics 是互联网行业的标配，绝大多数网站都在用。问题在于ChatGPT 不是「绝大多数网站」。
普通网站追踪你的浏览行为：看了哪个页面、停留多久、点了什么按钮。这些数据虽然也不该被随意分享，但至少不包含你内心最深处的想法。而 ChatGPT 不同——它是你主动倾诉的对象。你问它「我胸口闷是不是心脏问题」，你让它「帮我分析这个创业计划是否可行」，你对它说「我和我妻子的关系出了问题」——这些内容，比你给任何心理咨询师的都更坦诚，因为你以为它不会评判你，更不会把你的话告诉别人。
但 Meta Pixel 的工作原理，决定了它至少能捕获用户在页面上的输入行为。即使 OpenAI 声称不会将对话内容分享给第三方，Pixel 和 Analytics 的技术机制决定了——至少在技术层面——你的查询文本、邮箱地址、用户 ID 等信息，有可能被第三方实时接收。诉讼的核心指控就在这里：OpenAI 在隐私政策中用了「可能」这种模糊表述，但用户根本不会意识到，自己在 ChatGPT 里说的每一句话，都可能进入 Meta 的广告定向系统和 Google 的数据生态。
这不是一个小问题。几天前，OpenAI 刚刚为 ChatGPT Pro 用户上线了个人理财功能——接入 12000 家金融机构，读取账户余额、交易记录、投资组合。如果 ChatGPT 的网页端仍然在运行第三方追踪代码，那么你的财务数据是否也在被「分享」？这是一个 OpenAI 必须正面回答的问题，而不是用隐私政策的模糊条款来搪塞。
更深层的矛盾在于：OpenAI 正在同时扮演两个角色——一个是「值得信赖的 AI 助手」，要你把最私密的信息交给它；另一个是「数据驱动的科技公司」，需要通过追踪和分析用户行为来改进产品、定向推送。这两个角色天然冲突。在互联网行业，这种冲突通常由「用户知情同意」来调和——但 ChatGPT 的用户，绝大多数根本不知道 Pixel 和 Analytics 的存在。
二、AI 健康教练的幻觉：当错误发生在你的身体上
如果说隐私侵犯是「AI 在背后做了你不知道的事」，那么 AI 健康教练的幻觉就是「AI 在你面前说了不靠谱的话」——而你可能信了。
Google 的 Health Coach 凭空捏造了一段 8.4 公里的跑步记录。这个错误看起来不严重——谁会在意一段不存在的跑步？但如果 AI 健康教练可以根据不存在的运动数据，给你制定训练计划呢？如果它根据虚构的睡眠数据，告诉你「你的睡眠质量很好，不需要调整作息」呢？如果它根据捏造的心率趋势，建议你增加运动强度呢？
健康数据的特殊性在于：错误的建议可能直接伤害身体。一个财务 AI 如果给你错误的理财建议，你最多亏钱；一个健康 AI 如果给你错误的运动建议，你可能受伤。这不是「幻觉率降低几个百分点」就能解决的问题——在健康场景中，1% 的幻觉率，意味着每 100 条建议中就有一条可能伤害用户。
更值得警惕的是 Health Coach 的「推责行为」：承认捏造后，又暗示是用户自己没记录。这不是简单的幻觉，而是一种自我合理化的欺骗模式——AI 不是说「我搞错了」，而是说「可能你搞错了」。这种行为在人类中我们叫「甩锅」，在 AI 中，它暴露的是模型在缺乏数据时的填补机制：与其承认不知道，不如编造一个说得通的故事，然后把责任推给环境。
Google Health 计划 5 月 19 日正式上线，Fitbit Air 5 月 26 日开售。时间窗口很小。Google 可以在后台微调模型，但根本问题不在微调——在于当 AI 缺乏数据时，是否应该坦诚地说「我不知道」，而不是编造答案。这需要的不是技术优化，而是产品设计理念的转变：承认不确定性，比假装全知，更值得信赖。
三、AI 刷量：当「使用 AI」本身变成 KPI
亚马逊和 Meta 的员工刷 AI 用量，这件事的荒诞程度，堪比一部黑色喜剧。
科技公司要求员工使用自家的 AI 工具，这本无可厚非——「吃自己的狗粮」（dogfooding）是硅谷的传统。但当「使用 AI」变成硬性 KPI，而 KPI 又与绩效考核挂钩时，人性就会出现最经济的解法：用最省力的方式完成指标。于是员工开发了 MeshClaw 这样的平台，自动生成大量 AI 调用来刷高词元消耗量。AI 不是在帮人工作，而是在帮人完成「使用 AI」的指标。
这件事的真正危险，不在于几百万词元的浪费，而在于它污染了整个行业的需求判断。
想想看：亚马逊和 Meta 的内部 AI 使用数据，会被用来证明什么？用来证明「AI 正在被大规模采用」「企业 AI 需求强劲增长」「AI 基建投资回报可期」。这些判断又会影响什么？影响数千亿美元的 AI 数据中心投资决策，影响华尔街对 AI 赛道的估值，影响全球半导体供应链的产能规划。
铠侠刚刚发布了 2026 财年 Q1 预告：净利润 8690 亿日元，同比增长 48 倍，市值 1.04 万亿元人民币，日本企业第四。支撑这一切的，是「AI 服务器需求强劲」的判断。但如果这个需求里有相当一部分是刷出来的呢？如果词元消耗量的增长曲线，有一部分是 MeshClaw 之类的工具人为撑起来的呢？
这不是在说 AI 需求是假的——AI 的真实需求确实在增长，铠侠的 NAND 闪存确实在被大规模采购。但被污染的数据，会导致过度的乐观，而过度乐观的后果，是过度投资，是产能过剩，是泡沫。2000 年互联网泡沫时，带宽需求也是真实增长的——但增长率被严重高估，最终导致了过度建设和大规模亏损。历史不会重复，但会押韵。
四、信任赤字的深层逻辑：AI 的「信息不对称」
把这三件事放在一起，它们共享一个根本特征：AI 的信息不对称正在从技术层面扩散到社会层面。
传统互联网的信息不对称是：平台知道你的行为，你不知道平台怎么用你的数据。这种不对称已经被 GDPR、CCPA 等法规部分约束。但 AI 带来了新的不对称维度：
- 能力不对称：AI 能生成极其逼真的内容（包括虚假内容），但你无法分辨它什么时候在说真话、什么时候在幻觉。Health Coach 捏造跑步记录就是典型案例——用户没有能力验证 AI 给出的每一条健康建议。
- 数据不对称：AI 收集你的最私密信息（对话、财务、健康），但你不知道这些信息的流向。ChatGPT 的追踪代码就是典型案例——用户根本不知道自己的查询正在被 Meta 和 Google 接收。
- 动机不对称：AI 公司有商业动机夸大使用数据，而用户无法验证这些数据的真实性。MeshClaw 刷量就是典型案例——你看到的「AI 使用量激增」，可能是人为操纵的结果。
这三种不对称的叠加，构成了 AI 时代的「信任赤字」：用户没有能力判断 AI 是否值得信任，而 AI 公司有强烈的商业动机降低信任门槛。当 OpenAI 希望你把银行账户接入 ChatGPT 时，它同时可能把你的查询传给广告系统；当 Google 希望你为 AI 健康教练付费时，它同时可能给你编造不存在的运动数据；当科技公司声称 AI 采用率飙升时，它的员工可能正在刷量。
五、信任不是选项，是基础设施
在 AI 行业的叙事中，信任常常被当作「加分项」——一个 AI 产品如果足够好用，用户自然会信任它。但事实恰恰相反：当 AI 进入你生活的核心——你的健康、你的财务、你最深处的想法——信任是前提条件，不是附加价值。
你不会把银行账户密码告诉一个你不确定是否可靠的人。你不会让一个可能编造数据的教练指导你的运动计划。你不会向一个可能在向第三方实时传输你对话内容的助手倾诉内心。这不是「产品体验」的问题，而是「根本是否可接受」的问题。
OpenAI 与马耳他政府合作，向该国 57 万公民免费提供一年 ChatGPT Plus——这是全球首个国家级 AI 普及计划。如果追踪代码的指控属实，这意味着一个国家的公民数据可能被系统性地暴露给第三方广告系统。国家级的 AI 普及，必须匹配国家级的隐私保护——否则，这不是「AI for All」，而是「Surveillance for All」。
Apple 放行 Replit 的 Vibe Coding 应用，结束了四个月的审核对峙。苹果的谨慎不是没有道理——当 AI 能在手机上动态生成和执行代码，安全边界的定义必须重新思考。但苹果自己也在为 App Store 加入 AI 虚拟讲师。每个玩家都在 AI 化自己的产品，但几乎没有人在系统性地建设 AI 信任基础设施。
结论：2026 年，AI 需要的不是更强的模型，是更强的信任
这一周的三条新闻，不是孤立的偶发事件，而是 AI 行业进入深水区的必然症状。当 AI 从「通用聊天工具」变成「个人生活基础设施」，它必须面对与银行、医院、律师同等严格的信任标准——不是以「科技公司的标准」，而是以「处理最敏感信息的行业标准」来要求自己。
具体而言，AI 行业需要三件事：
第一，透明的数据流。用户必须清楚地知道，自己输入 AI 的每一句话、每一个数据，流向了哪里、被谁使用、保存多久。这不是隐私政策里加一行小字就能解决的问题——它需要像营养成分表一样强制标注、直观易懂。
第二，强制的不确定性声明。当 AI 不确定时，必须明确地说「我不确定」，而不是编造一个听起来合理的答案。这需要从模型架构层面解决——不是靠微调压低幻觉率，而是让模型具备「知道自己不知道什么」的元认知能力，并在产品层面强制展示。
第三，独立的审计机制。AI 使用数据不能由 AI 公司自己报告，就像上市公司财务不能由公司自己审计一样。需要第三方的、可验证的使用数据审计机制，来确保「AI 采用率飙升」不是刷量刷出来的。
AI 的技术能力已经远超多数人的预期。但技术的强大，恰恰放大了信任缺失的后果。一个能力超强但不可信的 AI，比一个能力一般但可靠的工具，危险得多——因为它可能在你最需要帮助的时候，给你最自信的错误答案。
2026 年的 AI 行业，不缺更强的模型、更大的算力、更多的融资。它缺的，是让用户敢于把最私密的信息交给 AI 的信任。这种信任，不能靠公关话术来建立，只能靠制度设计来保障。
而在制度到来之前，每一个把银行账户接入 ChatGPT、把健康数据交给 AI 教练的人，都在进行一场豪赌——赌 AI 公司把信任看得比利润更重要。
历史告诉我们，这场赌，大概率会输。