《在选举中使用 AI：别只问工具能不能替你判断》

导语

Scott Alexander 的观点很克制：他不是说 AI 比你更懂政治，也不是建议把投票外包给模型。他说的是，如果你本来会花一小时研究地方选举，AI 可以显著提高研究效率；如果你过去嫌麻烦不研究，AI 也许能把门槛降到你愿意开始。

1. AI 最适合帮助处理低关注度地方选举

文章的场景是 2026 年加州初选。作者给 Claude 一个自我定位：中间偏自由派、abundance/YIMBY、喜欢 Kelsey Piper、Matt Yglesias 和 Ezra Klein，警惕政府越权，但愿意支持有效帮助人的政策。然后他要求 AI 分析选票上的每场竞选：候选人生平、政策、背书、差异，以及针对他的选择建议。

AI 的优势不在替你形成价值观，而在把散乱候选人资料、背书和职位权力整理成可比较的信息。 对州教育总监这类职位，普通选民很难快速知道它到底有什么权力、候选人差异在哪里、哪些背书有意义。AI 能先提供一张地图。

2. 提示词必须暴露你的价值取向

作者没有要求 AI 给“客观最佳候选人”，而是先说明自己的政治偏好。这很关键：政治选择无法脱离价值权衡。你是否更看重住房供给、教育改革、财政克制、工会支持、社会福利或行政能力，会改变候选人的排序。

好的选举 AI 使用方式，是让模型帮你把事实和价值之间的关系摊开，而不是假装存在无价值立场的答案。 如果你不告诉模型自己的权衡，它只能给出泛泛中立总结；如果你清楚说明偏好，它就能更好地指出哪些差异与你有关。

3. AI 输出需要校验，但它能指明校验方向

作者并不把 Claude 的回答当最终真相。他的做法更像让 AI 先生成研究提纲，然后自己检查关键断言。比如候选人是否真的获得某组织背书，某职位是否真的权力有限，某政策承诺是否可执行，都需要回到外部来源。

AI 在这里像研究助理，不像法官。 它擅长压缩和组织信息，也可能幻觉、遗漏或过度自信。正确用法是让它告诉你“该查什么”，再用官网、地方媒体、候选人材料和背书清单验证。

4. 它改变的是投票研究的成本结构

地方选举常常最缺信息。总统或州长竞选有大量媒体报道，但教育总监、法官、地方议员、各类提案，普通人很难投入足够时间。作者的核心判断是，AI 把“研究一场小选举”的时间成本降得足够低，让更多人愿意做原本不会做的功课。

当信息搜集成本下降，公民责任的最低可行版本也会变化。 过去你可能只看党派、名字或随机背书；现在你可以让 AI 在几分钟内生成候选人比较表，再花时间检查最重要的两三个点。这不保证你一定投得更对，但比完全不研究更好。

5. 风险在于自动化自信和价值外包

文章的隐含警告是：AI 可以让研究更快，也可以让偷懒更体面。如果你只是问“我该投谁”，然后直接照做，就把价值判断交给了一个不承担政治后果的系统。更糟的是，模型可能在语气上显得很稳，掩盖信息不确定性。

使用 AI 投票研究的底线是：让它扩大你的视野，而不是缩小你的责任。 你仍要决定哪些议题最重要，哪些背书可信，哪些风险可接受。AI 可以辅助判断，但不能替代公民对自己选择的负责。

作者的做法也暗含了一个可复制流程：先让 AI 解释职位权力边界，再列候选人背景和政策，再标注背书来源，最后要求它给出“根据我的偏好，哪些差异最重要”。这个流程把模型从“答案机器”改造成“比较框架生成器”。

投票研究最有价值的 AI 输出，往往不是最终推荐，而是它暴露了你原本不知道应该比较的维度。 比如某个职位其实权力有限，某项背书来自利益集团，某位候选人的主张与职位权限不匹配；这些信息会改变你后续查证的方向。

结论

这篇文章提供的是一种低调但实用的 AI 公民用法。它不把 AI 神化，也不因为风险就拒绝使用。真正的建议是：把 AI 当作研究加速器，用明确价值提示词生成候选人比较，再验证关键事实，最后自己做选择。这样，AI 能帮助更多人跨过地方选举的信息门槛。

思想框架

文章先界定 AI 的角色：不是替你投票，而是帮助研究。然后用加州初选提示词展示如何把个人价值取向写入问题。接着，它强调校验和成本下降，说明 AI 为什么尤其适合低关注度地方选举。最后，作者把边界收束在责任上：AI 可以帮你看得更多，不能替你负责。