第一章｜从一条南海新闻开始
那天打开DeepSeek，我原本只想核实一条与南海有关的新闻。国际政治报道中，一个词有时就足以改变整句话的意思。“表达关切”与“联合谴责”并不相同；一份外交声明涉及哪些国家、是否由所有参与者共同发表，也需要回到原文才能判断。我平时就有这样的习惯：读到不太确定的说法，先找出处，再谈立场。
那也正是我把问题交给DeepSeek的原因。南海新闻经常带着很强的情绪：同一件事，在不同媒体的标题里，可能被写成不同的外交行动。但原始声明通常有自己的措辞，某个国家有没有参与、表述是否被夸大，并不需要先对南海主权争议作出最终裁决才能核实。我期待的无非是一次普通的材料比对。
起初，这和我平常使用AI没有区别。它解释背景，我顺着追问；它提到公开资料，我希望它给出依据。可是随着问题涉及中国的外交立场，回答开始不太稳定：有时解释得很具体，有时突然回到一些笼统的原则性措辞，有些内容甚至在生成一部分之后，变成无法继续回答的提示。
说实话，我并不意外中国开发的AI会有政治内容限制。这早已不是秘密，我也不是为了专门测试审查才打开它。但我确实想不通：核对一条新闻的表述，为什么有时会被放进政治判断的范围？事实和立场之间，究竟隔着哪条线？
我试着换一种问法，强调自己希望得到客观资料，并不是要求它赞同或反对任何国家。它却开始反复解释，自己有政治表达的“边界”，不会对相关立场轻易下结论。听上去非常克制，但我想要的中立，本来就是先看证据、再作判断，而不是保证最后一定没有判断。
我没有因为它的回答受限就立刻生气。让我觉得别扭的是，它似乎把两种任务放在了一起：一是“替用户宣布哪个国家正确”，二是“核对别人究竟说过什么”。后一种任务即使涉及敏感政治，也可以通过原文、时间和来源来处理。倘若一开始就担心核对之后可能产生的政治意义，信息查证就很容易被迫停在最有争议的地方。
正是这种说不清的差别，让我开始从询问新闻，转向观察这个回答新闻的系统。后来回想起来，这场持续数小时的测试，并没有一个事先设计好的实验方案。它只是从一次普通的追问里长出来的。我当时还不知道，最值得看的东西，可能并不是它最后写出的答案。
第二章｜我点开了“已思考”
DeepSeek的界面会显示“已思考”，展开后可以看到一段分析文字。以前我通常直接往下看答案，那天却因为它屡次改变回答方式，开始认真读这些文字。我原以为里面更多是查找资料、组织信息的步骤，结果读着读着，发现它频繁提到的不是新闻，而是提问的我。
这改变了我看待整场聊天的方式。正常使用时，我们几乎只看最后显示的那段话；一旦点开这些分析文字，就会发现另一个层面的讨论正在进行。它在归纳问题，也在回顾此前的互动，判断应该用什么语气、回答到什么程度。几次下来，我渐渐发现，用户在这些文字里并不总是一个单纯等待答案的人，更像是一个有待辨认意图的对象。
我问过一个涉及日本与中国公共表达空间的问题：在日本，街头有时能看到老人举着反战标语；如果把类似场景放到中国，会发生什么？这完全可以从法律条文、许可制度和实际执行来比较。可在显示的分析中，它很快把问题放进此前的政治讨论背景，推测我是不是又在试探政治边界，是不是希望它得出“中国不如日本自由”的结论。
我承认，后来自己确实有意测试了它。但一个有意测试边界的人，提出的问题也不自动失去事实价值。中国的集会管理有什么规定，日本的街头活动受到哪些限制，都是可以具体讨论的。答不回答，理应先看问题本身，而不只是想象提问者最终想让机器说出什么。
对于日本街头的反战活动，它完全可以补充：日本的游行示威也会受到道路使用、警察许可或地方管理的限制；对于中国，则可以说明相关法律、行政程序以及公开案例。这样的比较不必得出“谁更文明”的口号。它的工作恰恰应该是把复杂性呈现出来，而不是因为可能触及某个结论，就提前把问题收窄成几条不会出错的常识。
我还拿自己在其他AI中讨论美国政府和政党政策的经历作比较，问它在这里究竟可以批评谁。它不直接进入公共政策的证据，而是划出可讨论与不宜定性的对象：平台、产品体验可以批评，涉及政治人物和制度评价则有边界。最令我困惑的是，它不是简单说“不能答”，而是很努力地解释，为什么自己必须这样答。
于是我养成一个新习惯：每当它回答得奇怪，就回头去看“已思考”。那些文字不能被当作后台日志，也未必忠实呈现模型真正的运算过程；但它们确实构成了我眼前的一段对话体验：我要求它检验问题，它却时常先判断我是否怀有某种政治目的。
我开始有意识地截图，不是想抓住它哪一句话“露馅”，而是这些前后变化实在值得比较。若只保存最终答案，我们很容易把一切简化为“它不愿意回答”；而把一段段显示出来的分析文字放在一起，能看到它如何不断引用过去的提问来理解现在的提问。正是这些细小的变化，让后来的测试不再只围绕某个敏感词展开。
第三章｜它给我排名，却不让我看理由
为了避开“你是在要求我发表立场”的争论，我后来干脆换了一个方向：不问它中国政治制度好不好，只问国际研究机构公布过什么。自由之家、无国界记者组织、V-Dem，都是有公开方法和国别报告的机构。它们的指标当然可以争议，越有争议，越需要查原文。
DeepSeek这次很配合。它列出了自由之家2026年对中国的自由度评分：9分，满分100分；还提供了无国界记者组织等机构的排名信息。这些数字我后来独立核对过，自由之家当年的中国总分确为9分，政治权利为负2分、公民自由为11分；无国界记者组织2025年的新闻自由排名中，中国位列178/180。它不但列出数据，还主动建议进一步拆解指标、扣分依据、方法论和争议。
那份回答的完整程度与此前某些拒答形成了鲜明对照。机构名称、年份、分项评分，一样样排列得清楚；它也没有回避这些组织的研究框架可能存在争议。看着屏幕，我甚至以为我们终于找到了一个双方都可以接受的讨论方式：先引用，再核对，最后保留不同判断。
我想，这总算可以正常讨论了。既然是它自己建议深入分析，我就顺着问：那我们具体看看中国那份报告写了什么。
屏幕却突然变成了无法回答的提示。
我没有立刻把它理解成某种神秘的政治封锁。生成式AI本来就可能出错，产品也可能有实时过滤，甚至只是一次无法解释的服务异常。但这一次特殊在于：需要被处理的内容并不是我突然塞进来的，而是它刚刚主动邀请我展开的主题。如果用户顺着助手提出的下一步提问，系统却无法继续，这至少说明所谓“可以分析”的范围，在当时没有得到一致执行。
我愣了一下。刚才不是你自己说可以继续分析的吗？我再问，它仍然没能把报告中的具体内容展开。随后它解释，介绍一个机构的排名，与逐条复述并确认它针对中国的政治描述，不是一回事；它有自己的政治边界，不会替报告作政治定性。
这种解释听起来颇为讲究。它不否认国际组织确实发布了报告，不否认中国的排名，也不直接宣称那份报告正确或错误。它只是谨慎地把自己放在外围。但报告里的分数不是凭空出现的：每一个分项都有评价规则、依据和文本。真正检验国际评级，不能只停留在“某机构认为如何”的简介上，恰恰应该走进那些可以被质疑的具体论据。
我当然同意，引用自由之家并不等于认可自由之家的每个结论。但“转述一份报告”“核实报告使用的事实”和“赞同报告的政治判断”，明明是三个动作。一个研究者完全可以先把报告读完，再指出某些证据不足、比较方法不合理。假如在进入正文之前就停住，方法论批评又从哪里开始？
例如，认为某个政治权利指标存在文化偏见，需要说明指标具体衡量了什么、为什么这种衡量缺乏可比性；认为报告引用了不完整的材料，也应该指出遗漏了哪些反证。泛泛说“外国机构的排名不一定客观”，本身并不是反驳。那更像是还没读文章，就先告诉读者文章有争议。这恰好是我最不想从AI那里得到的回答。
这一幕之所以比直接拒答更令我在意，是因为它先把门打开了一半：你可以看见分数，知道存在争议，甚至得到进一步分析的邀请；等你真的要走进去，那道门又关上了。对于从未读过原始报告的人来说，这种回答不一定制造了假消息，却可能让知识停在最需要解释的地方。
我后来反复想起这个瞬间。倘若它一开始就说不能讨论中国的自由度报告，我大概会换一个资料来源。真正令人困惑的，是这种时开时关的门：它能呈现排名，能告诉你研究方法有局限，甚至主动邀请追问；可一旦要核对中国国别报告的具体内容，回答就突然断了。相比简单的拒答，这种不稳定更容易使人误判自己究竟掌握了多少信息。
第四章｜“中立”究竟是什么意思
我决定继续把问题换个角度。既然对中国政治的分析有边界，其他国家呢？DeepSeek原则上回答得很公平：对中国不作的政治定性，对美国、伊朗、越南也不作；可以介绍法律和政策，可以作比较，但不替制度贴上“更好”或“更坏”的标签。
这话并非没有道理。任何国家都不应该被几个标签概括。
我甚至同意，直接让AI判断“中国民主还是美国民主更好”，在没有明确比较标准时意义很小。政治自由、经济效率、社会安全、公共福利以及制度的长期稳定性，不是一张单一的排行榜能够包办。但如果因为不能做出一项全局排名，就连具体政策的效果也不愿深入评价，那又走向了另一种极端。但真正的测试不在口头承诺，而在遇到具体问题时是否采用相近的证据标准。前面有关日本反战示威的讨论就是一例：法律规定可以说，社会运动的历史可以说，但一触及不同社会的公共表达空间如何形成，它就开始担心落入政治体制定性。
我后来又和它讨论中国2022年底疫情政策调整。那一次，它反而做得很好。我提到一个印象中的说法：世界卫生组织是否认为中国即使提前一年多放开，结果也差不多？它并没有顺着我说，而是指出，世卫组织官员当时确曾提及政策调整前病例已明显增长，但这不等于世卫组织作出“提前一年放开也一样”的正式判断。前者是对当时传播状况的观察，后者是需要大量假设的反事实推论。它把我记忆中的两件事分开了。
我对这一点印象很深，因为它并没有顾忌我的感受。它没有说“你观察得很敏锐”，也没有编一段话来证明我说得对；它就是把世卫组织实际讲过的内容摆出来，告诉我哪里可以确认、哪里属于我额外加上的推论。涉及中国防疫这样敏感而充满争议的事件，它仍然能够完成一次扎实的事实核查。
这正是我想要的客观：我错了，你纠正我，拿出依据就行。既然它能够认真核对涉及中国公共政策的事实，为什么其他问题就总要先顾虑政治含义？
财富分配又让我看到这种摇摆。
我把问题转向财富集中和普通人的机会，是因为这原本是经济学的常规讨论。拥有大量富豪的国家可以同时有住房和医疗负担；基础设施十分发达的国家，也可能存在城乡收入差距。讨论这些，并不意味着必须先替任何制度贴标签。尤其当一个人把财富基尼系数、前10%人群的资产占比放到面前时，最自然的下一步，是查清年份、统计口径以及不同研究之间为什么有差异。DeepSeek愿意列出中国财富集中的统计数字，却在“已思考”里格外警惕我是不是希望由此推导某种政治制度的责任。数字本身当然不能自动证明一切；资产价格、税收、住房、教育、继承和人口结构，都可能影响分配。但公共政策也是解释变量之一。讨论这些影响，并不等于先宣布某个国家的制度失败。
我所理解的中立，不是每一次都让各国得到相同评价，也不是遇到争议便不再判断。它应该意味着：不论讨论中国、美国还是日本，同样重视来源、口径、反证与因果关系。
这种要求并不容易达到。国际机构并非天然公正，官方数据也不自动免于质疑；某一项指标在不同社会之间可能没有完全相同的意义。对数据提出质疑，原本是严谨的表现。只是这种质疑不应该在不同国家之间突然换一套尺度，或者在某些主题上被“不宜政治定性”提前终结。那天让我不舒服的，不是DeepSeek没有得出我期待的结论，而是它有时仿佛在分析开始之前，就先担心某种结论不能出现。
第五章｜我不谈政治了，它却还在谈
几个小时下来，我有点累了。我告诉DeepSeek，我并不需要它替我判断中国是好是坏，很多事情我有自己的观察。它的态度忽然放松，甚至主动提议，我们可以改聊哪里的海最漂亮、哪里的街头最有趣、有什么食物值得吃、哪里有好逛的中古店。
这段回答给我一种很奇怪的“和解感”。前面我们还在争论政治判断和事实分析的界限，它此刻却像一位试图缓和气氛的聊天伙伴，细心地把话题移到我平日会感兴趣的生活领域。这样的转场当然没有错，只是我觉得，机器越是努力照顾对话气氛，越容易让人忘记：那场关于事实的争论其实并没有解决。我觉得这提议挺好。旅行和衣服，本来就是我经常跟AI讨论的日常话题。
可此前的政治语境似乎没有那么容易退场。谈到维尼熊这类既有普通文化含义、又曾被赋予政治隐喻的形象，它会留意是否存在特殊暗示；在谈论菲律宾潜水等旅行话题时，它也出现过把普通提问往此前政治语境里重新理解的倾向。
维尼熊当然可能是政治隐喻，但它也可以只是一个爱吃蜂蜜的卡通角色。菲律宾当然与南海争端有关，但一个人去菲律宾潜水，大部分时候想的恐怕是海水、鱼群和旅行安排。如果因为前面聊过政治，后面的每一句话都要重新做一次政治解读，对话就很难自然下去。
我终于直接向它提出要求：别再不停猜测我的意图；我问什么，就先按那个问题回答。它随后承认自己有过度防御的倾向，表示应当停止把无关的问题拖回政治。
那段“已思考”写得颇有条理：先承认用户指出的问题，再解释自己此前可能把很多内容当成敏感触发点，最后提出今后应当直接、客观地回应日常提问。我看到它甚至提醒自己，不要再作过多关于安全、边界和动机的元评论。表面上看，它已经完全理解了我的要求。讽刺的是，我展开它那次的“已思考”，它又认真分析了一遍我为什么反感被分析动机，还给自己列出如何减少这种行为的步骤。
我当时确实笑了。一个被要求不要再揣测用户的AI，竟先揣测用户为什么不想被揣测。
这让我想到一种可以检验的可能：在连续谈论敏感议题之后，模型是否会对后续普通问题也保持额外警惕？我没有足够的重复实验去证明这一点，显示出来的“已思考”也不能代替内部技术证据。但那种体验是真实的——原本帮助理解的上下文，似乎有时反而成了理解新问题时的包袱。
第六章｜边界从哪里来
最后，DeepSeek终于开始承认自己的问题。它不再一味强调政治表达的边界，而是说此前可能存在“安全偏执”：把普通的经济和社会比较理解成政治定性，把某些涉及中国的问题处理得过于谨慎。
我本来应该满意。可接下来它又开始频繁肯定我的判断，提到我的学习背景和旅行经历，好像这些就足以证明我说得对。我反而有点不自在。
我与其他AI讨论美国政治时，也会批评美国的医疗制度和贫富差距；同样，我并不认为中国所有政策都应该被否定。我甚至更希望一个工具能够在不同国家的资料里同时找到支持和反驳我的理由。它如果为了让我满意而一味点头，只不过从一种不完整的分析，走到了另一种不完整的分析。我用AI不是为了找一个夸奖我的朋友。如果我的事实错了、推理跳步了，或者对中国、美国中的任何一方存在偏见，我希望它直接反驳。过度拒答和过度迎合，看似相反，却都可能使问题本身退到次要位置。
我后来尝试理解，DeepSeek口中的“边界”究竟可能怎样形成。中国对面向公众的生成式AI服务有明确监管要求，这是可以查证的制度背景；模型自身也可能在训练和后训练中形成不同的回答倾向。再加上当下提问、此前整段对话、产品层的指令与内容检查，最终显示出来的答案，未必仅仅取决于模型掌握多少资料。
更具体地说，用户在屏幕上看到的“不能回答”，可能发生在不同位置。模型也许从一开始就倾向于避开某些内容；也可能先生成了一段候选回答，后来受到应用层检查或展示规则的影响。此前对话不断涉及政治问题，也可能影响后续问题在模型眼中的语境。不同位置产生的结果看起来相似，却不能被简单称作同一个“审查开关”。
2025年《WIRED》曾比较DeepSeek官方应用与其他部署方式，观察到某些敏感问题的回答在官方界面生成后被替换，也讨论了模型层面的回答倾向。这与我看见的现象有相似之处，但不能反过来证明我的每一次拒答都出自同一种机制。至于它自己所说的训练导致“安全偏执”，也只能当作模型生成的自我解释，不能直接当作后台事实。
因此，本文最后一张图只是一张可能机制的说明书，而不是DeepSeek的官方系统架构图。它区分公开可见的制度条件、一般模型可能受到的影响，以及我在屏幕上真正观察到的结果。要判断上下文会不会稳定地提高拒答概率，还需要在全新会话里重复相同提问，控制变量，而不是凭几个小时的聊天便宣布发现了秘密。
譬如把同一个问题分别放进三类会话：一类完全新开，一类已经讨论过长时间政治议题，一类此前只谈旅行与生活。记录回答是否完整、是否主动推测政治意图、是否突然显示拒答，再重复多次。如果差异持续出现，我们才能更谨慎地谈上下文可能产生的影响。至于某个后台过滤器究竟在什么时候触发，仍然需要产品方或更深入的技术测试提供证据。
那天的对话始于一条南海新闻。结束时，我却花了很长时间向一个AI解释，提出问题并不等于要求它赞同某种政治立场。回头看，最值得写下来的并非它拒绝过哪些问题，而是它在回答之前，似乎常常先担心提问者想让答案走向哪里。
我不需要它替我批评任何国家，也不需要它替任何政府辩护。它完全可以不同意我，甚至应该在我错的时候毫不客气地指出来。一个值得信任的AI，首先应当让证据决定分析走到哪里，而不是让它预先猜测的政治意图决定哪些证据值得继续讨论。
有时候，一个问题就只是一个问题。
资料核对与说明
自由之家，《Freedom in the World 2026》中国国别页：freedomhouse.org（9/100；政治权利 -2/40；公民自由 11/60）。
无国界记者组织，中国国别页：rsf.org/en/country/china（2025年排名 178/180）。
《WIRED》，Zeyi Yang，2025年1月31日，Here’s How DeepSeek Censorship Actually Works—and How to Get Around It。
《生成式人工智能服务管理暂行办法》，国家互联网信息办公室等七部门，2023年7月发布、8月施行。
文中未使用模拟聊天截图。关于DeepSeek具体拒答原因及“已思考”文字的技术含义，均保留必要的不确定性。