各大 AI 在同一个税务问题上全军覆没——直到我们查阅法规条文才真相大白
那是一个周二的夜晚，我正盯着三个浏览器标签页——ChatGPT、Claude、Gemini——它们都在告诉我同一件事。这三个模型全错了。
问题很简单：根据新的《综合预算对账法案》（Omnibus Budget Reconciliation Act，简称 OBBBA），纳税人能否扣除个人汽车贷款的利息？每个模型都回答说可以。每个模型都正确解释了该条款——日期、车辆要求、甚至收入限制。然而，每个模型都把这项扣除放在了税法的错误章节中，这意味着下游的所有财务建议全成了废话。
不是略微偏差。也不是“嗯，这取决于如何解读”。就是彻头彻尾的错误。那种如果注册会计师（CPA）照做就会触发美国国税局（IRS）审计的错误。那种可能会让退休人员因非预期的联邦医疗保险（Medicare）保费附加费而损失数千美元的错误。而最可怕的是？如果你事先不知道答案，你根本察觉不到。AI 的回答听起来天衣无缝。
那一刻改变了我对合规领域中 AI 的看法。并不是因为我对大语言模型产生幻觉感到惊讶——我们都知道它们会这样。真正震撼我的是，这三个模型以完全相同的方式、出于完全相同的原因产生了幻觉。它们从互联网学到了错误答案，而互联网上的错误是如此高度一致，以至于根本没有任何有效信号留给模型进行自我纠正。
我们开始将这种现象称为共识错误（Consensus Error）。一旦我们理解了它，就再也无法忽视它了。
什么是共识错误？为什么您应该予以关注？
大多数从事 AI 工作的人都对幻觉很熟悉——即模型凭空捏造引用、编造统计数据或自信满满地陈述不实之词的时刻。这些确实可怕，但它们往往带有一定的随机性。你通常可以发现它们，因为它们感觉不对劲，或者通过简单的 Google 搜索就能揭穿其捏造。
共识错误则截然不同。当 AI 给你一个错误答案，不是因为它缺乏数据，而是因为它所训练的数据本身就压倒性且言之凿凿地充满错误时，共识错误就会发生。模型并不是在黑暗中盲猜。它是在向你反馈互联网的大多数意见——而这个大多数意见恰恰在法律上是错误的。
当互联网本身都错了的时候，每一个基于它训练的 AI 都会继承同样的虚妄信念。共识错误不是系统故障——它是大语言模型学习机制的固有产物。
不妨思考一下背后的数学逻辑。如果在网络上关于某项特定税收条款的文章中，有 90% 都描述不正确——使用过于简化的语言、混淆税法的两个不同章节、或者干脆互相抄袭错误——那么模型的内部权重就会以极高的置信度收敛到错误答案上。即使真正的法定条文确实存在于训练数据中，它也只是以晦涩难懂的法律行话出现一两次，而错误的解读却以通俗易懂、经过 SEO 优化的散文形式出现了数千次。
模型只是在执行其设计初衷：预测最可能出现的下一个 Token。而那个最可能的 Token 恰好是错的。
让三大 AI 齐齐翻车的汽车贷款扣除项
让我带您梳理一下这个具体的案例，因为细节至关重要。
OBBBA 设立了一个名为“合资格乘用车贷款利息”（Qualified Passenger Vehicle Loan Interest）的新类别——这是一项临时扣除，针对购买在美国组装的新乘用车贷款所支付的利息，适用于 2025 至 2028 纳税年度。到这里为止都没问题。每个 AI 都把这部分答对了。
问题就出在这里。该扣除项被添加到了IRC Section 63（管辖应税收入），而没有被添加到IRC Section 62（管辖调整后总收入，即 AGI）。在税务领域，这一区别决定了一切。
Section 62 扣除项——即“线上扣除”（above the line）——减少的是您的 AGI。您的 AGI 决定了数十项其他福利的申请资格：学生贷款还款计划、医疗费用扣除门槛、社会保障福利的课税、联邦医疗保险（Medicare）保费附加费。降低您的 AGI，就会触发一系列下游的连带减免。
Section 63 扣除项——即“线下扣除”（below the line）——减少的是您的应税收入。它确实能在联邦税账单上帮您省钱，但对您的 AGI 毫无作用。那些下游福利全都不会受到影响。
每一个主流大语言模型都告诉用户这项扣除能降低他们的 AGI。无一例外。因为金融内容生态就是这么写的。被广泛传播的解读文章和经过 SEO 优化的报道打出诸如“汽车贷款利息现在可以抵扣了！”之类的标题，却根本没有指明它具体适用于税务计算的哪个环节。对于那些只追求点击量的内容创作者来说，Section 62 和 Section 63 之间的区别显然太枯燥了。
但对于遵循这一建议的纳税人来说呢？后果是实实在在的。
错误申报了较低 AGI 的退休人员可能会面临意料之外的 Medicare IRMAA 附加费。采用基于收入还款计划的学生贷款借款人可能会失去享受较低还款额的资格。而在像亚利桑那州这样将州所得税与联邦 AGI 挂钩的州，纳税人可能会面临州税务审计。我在我们研究的交互式版本中详细阐述了这一整套财务后果——其连锁反应比大多数人预想的还要严重。
为什么检索增强生成（RAG）没能解决这个问题？
我已经能听到有人提出异议了：“用 RAG 就行了嘛。把实际的法律条文检索出来。问题不就解决了。”
我们尝试过了。它并没有解决问题。
检索增强生成（RAG）——即在用户的问题旁边将相关文档输入到模型的上下文窗口中的技术——是当前行业对模型幻觉的应对方案。在许多用例中，它确实有所帮助。但对于法律推理，它存在三个结构性弱点，这些弱点在我们的测试中立刻暴露了出来。
首先，税收立法读起来不像叙事文本。OBBBA 并不会直白地写着“这是一项线下扣除”。它写的是“通过在第 (3) 款之后插入以下新段落来修订 Section 163(h)……”。模型必须从一系列修正案中重构税法的逻辑状态。当检索到的文本块写着“允许扣除”但没有明确说明其在计算流程中的位置时，模型就会用其训练偏差——也就是那些博客文章——来填补这一空白。
其次，向量搜索找到的是相似的内容，而不是因未列出而相关的内容。关于汽车贷款扣除的查询会检索出关于汽车贷款扣除的段落。它不会检索出 Section 62 中定义 AGI 的段落——因为那个段落根本没有提及汽车贷款。它只是通过未将其列入清单而将其排除在外。在法律中，清单中某项内容的缺失是有明确含义的。而在向量相似度搜索中，缺失则是不可见的。
第三——这也是让我夜不能寐的一点——RAG 解决的是检索问题，而不是推理问题。即使你把正确的法条放在模型面前，如果其内部权重被数百万个错误的训练样本所扭曲，它依然会曲解该条文。它变成了一个带有偏见的读者，只看到自己期望看到的东西，而不是文本实际上所说的内容。
RAG 把正确的文档摆在 AI 面前。但一个手捧正确书籍却带有偏见的读者，得出的依然是错误的结论。
在对不同的检索策略、分块大小和提示词配置进行了数周的测试之后，我的团队发生了一场争论，这场争论让一切变得清晰。我们的一位工程师想继续优化 RAG 流程——更好的嵌入、更精确的分块、明确要求“仅使用检索到的文本”的指令。我们的法律顾问看着他说：“你这是在给一个不会做算术的人配一副更好的眼镜。”她说得对。问题不在于模型能看到什么，而在于模型能够推理什么。
当 AI 读错法律时会发生什么？
OBBBA 案例中还包含使问题进一步复杂的逐步递减（phase-out）规则。该扣除额每年上限为 10,000 美元，纳税人收入每超过 100,000 美元（单身申报者）或 200,000 美元（联合申报者）1,000 美元，扣除额便减少 200 美元。当收入分别达到 150,000 美元或 250,000 美元时，该扣除额完全归零。
当我们用一位假设年收入为 125,000 美元的纳税人对此进行测试时，各模型都陷入了困境。有些模型完全忽略了逐步递减规则。另一些模型则套用了借用自儿童税收抵免（Child Tax Credit）的递减曲线——而那是一个具有完全不同数学逻辑的完全不同的条款。这些模型只是在对熟悉的结构进行模式匹配，而不是计算实际的规则。
这是叠加在共识错误之上的“算术幻觉”问题。模型不仅搞错了法律框架——它连数学计算也搞错了。而当你为了高效部署通过量化对这些模型进行压缩时，推理能力的退化速度要快于语言能力。模型听起来更加自信，实际上却变得更不准确。在任何领域这都是一种危险的组合。而在税务合规中，这更是一种负债与隐患。
还有一个大多数人完全忽略的维度。OBBBA 还增设了 Section 6050AA，对放贷机构施加了新的申报要求。任何在合资格车辆贷款上收取 600 美元或以上利息的企业，都必须向 IRS 提交信息申报表。当我们询问这些模型银行和信用社需要针对新法律做些什么时，它们几乎完全专注于借款人的扣除——因为这正是内容生态所撰写的内容。放贷机构的合规义务几乎没有被提及。对于一家使用 AI 总结监管法规变化的金融科技公司来说，这种遗漏可能意味着系统性的不合规，并面临 IRC Section 6721 和 6722 下的处罚。
真正行之有效的架构
在经历了汽车贷款的惨痛教训后，我有整整一个月都坚信：将大语言模型用于合规的整套方法在根本上就是不可行的。随后我们构建了一套系统，它改变了我的想法——不是改变了我对大语言模型本身的看法，而是改变了我对应该如何使用它们的认知。
一旦我们看清了这一点，顿悟其实很简单：不要再让 AI 去对法律进行逻辑推理。让它做它擅长的事——理解语言——并把推理交给真正能够执行逻辑的系统。
这就是神经符号 AI（Neuro-Symbolic AI）背后的核心思想：一种将神经网络的语言流畅性与符号逻辑系统的确定性严密性相结合的混合架构。我们构建了所谓的确定性税务引擎（Deterministic Tax Engine），它分三个阶段运行。
第一阶段是意图解析器（Intent Parser）。这是大语言模型所在的地方，执行它最擅长的工作。用户上传一张发票、输入一个问题或连接银行交易数据。神经层提取结构化实体：车辆类型、购买日期、贷款金额、组装地点、纳税人收入。它不对税务处理做任何决定。它只是把混乱的人类现实转化为干净的数据。
第二阶段是真实锚点（Truth Anchor）。这是符号层接管的地方。我们对税法进行编码——不是将其编码为供“阅读”的文本，而是使用诸如 Catala（由 INRIA 为法国政府税务部门开发）和 PROLEG（基于 Prolog 的法律推理系统）等专用语言将其编码为可执行的逻辑。法规变成了一个程序。真实锚点查询知识图谱（Knowledge Graph），应用编码好的规则，检查缺失的事实，并计算出确定性的结果。如果车辆是在墨西哥组装的，扣除将被拒绝。如果收入超过了逐步递减阈值，减额将精确计算到分。没有概率，没有猜测。
第三阶段是响应生成器（Response Generator）。这是另一个神经层，但受到了严格约束。它接收逻辑求解器的输出——“扣除：拒绝。原因：在收入水平 $135,000 时超过逐步递减上限”——并将其转化为清晰、人类易读的语言。大语言模型让答案变得通俗易懂。但它完全没有任何自由度去把答案变得与事实相悖。
我们不要求 AI 去猜测法律。我们教会它去计算法律。神经层处理语言。符号层处理真相。二者互不越界，各司其职。
这种解耦正是消解共识错误的关键所在。神经层可能从其训练数据中“知道”流行金融网站声称汽车贷款利息可以降低 AGI。但系统绝不会要求它做出这一裁决。它只需提取车辆详情即可。裁决权完全属于符号层，而符号层根本无法访问 Reddit——它只能访问被精确编码的法定条文。
关于完整的技术架构与形式化分析，包括 Catala 如何处理默认-例外逻辑，以及回答集编程（Answer Set Programming）如何在整份纳税申报表中检查一致性，我们发表了一篇详细的研究论文。
为什么这绝不仅仅关乎某一项税收扣除？
说句心里话。当我刚开始向人们解释共识错误时，最常见的反应是：“好吧，但这只是一个极端边缘案例。大多数时候，AI 都是对的。”
这种回应误解了问题的本质。OBBBA 汽车贷款扣除并不是什么特例。它是典型代表。每次国会通过一项新条款，在 IRS 尚未发布指引之前，内容生态就会生成数千种简化甚至错误的解读。每当一个州与联邦税务处理脱钩时，互联网上的信息就会滞后。每当法院判决改变了对现行法规的解释时，旧的解读仍会在训练数据中留存数年。
共识错误绝非极端边缘情况。对于任何复杂的、近期发生变动的、或被非专业写手一知半解的法律领域，它都是默认的常态。也就是说：税法的大部分领域皆是如此。
更深远的启示在于，我们在高风险领域对 AI 究竟抱有怎样的期待。当前的范式——给大语言模型提供更多上下文、更优提示词、更大的窗口——只是在一种根本不匹配的架构上进行渐进式修补。你是在要求一个模式匹配引擎去做形式化推理。有时它会走运蒙对。但在税务合规领域，“有时”是远远不够的。
从黑盒到玻璃盒
对于任何曾坐在审计员对面的人来说，还有一件事至关重要：可追溯性。
当一个标准的 LLM 告诉纳税人“是的，您可以抵扣该项”，而国税局后来提出异议时，审计线索何在？模型只是根据上下文预测“yes”是最可能出现的下一个 Token。这种答案你根本无法呈交给税务官。
在我们的神经符号引擎中，每一次判定都会生成一条图路径：
Deduction_Allowed = True，原因是 Loan_Date 在 2025–2028 年窗口期内（已验证），Vehicle_Type 为 Passenger（已验证），Assembly_Location 为 US（已验证），Income 低于逐步递减阈值（已验证），Rule_Reference 为 IRC § 163(h)(4)。
该链条中的每一个节点都是可审计的。每一个事实都可以追溯到原始凭证。每一条规则都可以追溯到税法的具体章节。如果发生变化——比如 IRS 发布了新裁决或修订了条款——你只需更新知识图谱和逻辑求解器，所有受影响的判定都会被自动标记以供审查。
这使 AI 从一种你必须盲目信任的东西，转变为一种你可以随时按需验证的工具。人们总是问我，这种方法是否比单纯使用大语言模型更慢或更昂贵。坦白讲：对法规进行初始编码确实需要大量工作。但一旦完成编码，运行一次判定几乎是瞬间完成的，而且对 100% 的交易进行检查的成本与检查 1% 的成本几乎相当。这绝不是对传统抽样审计的微小改进，而是一种完全不同维度的确定性保障。
尚未有人提出的关键之问
最让我感到不安的是：金融服务行业正在竞相部署 AI 助手、AI 报税工具和 AI 合规监控系统。营销宣传声称“由 AI 驱动”，免责小字却写着“不构成税务建议”。而夹在中间的数百万普通人，正在获得听起来极具权威性、引用真实法案、列出实际日期和具体金额——却把扣除项归入税法错误章节的回答。
我们所处的并非一个 AI 错得显而易见且人类一眼就能看出的世界。我们所处的世界是，AI 错得极其微妙，以至于需要深厚的领域专业知识才能察觉。这比明显的失败要危险得多，因为它侵蚀了人们去二次核实的本能。
问题并不在于是否应该在税务合规中使用 AI。答案显然是应该——税法的复杂性早已超出了人类保持一致执行的能力。真正的问题在于，我们是否愿意构建尊重其所运行领域本质的 AI 系统。税法是确定性的。它有明确的正确答案和错误答案，这些由成文法规定义，而非由大众舆论决定。如果一种架构将法律真相视为一种概率分布，那么无论模型多么庞大或提示词多么巧妙，它永远都无法免疫共识错误。
在税法中，流行度绝不是真理的代名词。在互联网上重复一万次的错误答案，绝不会比与之相悖的那一条法定条文更正确。
我们创立了 Veriprajna，因为我相信在合规领域，“先信任再验证”的 AI 时代已经终结。能够赢得企业信任的系统，必然是那些“先验证再发言”的系统——在这些系统中，逻辑是可审计的，数学计算是确定性的，而 AI 的置信度是由比 Token 概率更坚固可靠的基础所支撑的。
法规条文根本不在乎互联网怎么想。您的 AI 也不应该在乎。
