adversarial filtering
故意从多个角度质疑和反驳AI给出的候选结果，借此筛除不可靠答案的验证程序。
简单来说
对抗性过滤是一种验证程序：它不会立刻相信AI自己生成的答案，而是故意找茬、层层刁难，只让能挺过这些质疑的结果通过。这有点像论文评审时，多位审稿人轮番追问「这个结果是不是纯属巧合」「是不是也能用别的原因解释」。仅凭一次看似合理的答案还不够，必须经受住反复的反驳才能被认定为最终候选。
之所以需要这样的程序，是因为AI往往能在数据中找出看起来很有说服力的模式，但其中不少其实只是偶然重合的相关性，或者是类似「提前偷看过答案」的错觉。因此需要依次检查：这个结果是否稳定，是否只是碰巧在某个特定群体中成立，是否也能被别的原因同样解释。只有经过多个阶段筛选后仍然成立的结果，才会被保留为值得人工审查的假设。
归根结底，对抗性过滤是把AI天马行空的猜测，和对这些猜测是否真正可信的严格审查分开来的一种机制。让「提出想法」的一方和「质疑想法」的一方各自独立，就能减少看似合理却实际错误的结果混入最终成果的可能性。
在报道中是这样出现的
文章中提到，「候选指标严格区分特征构建与目标信号，必须通过由11项组成的对抗性过滤阶段，才能保留为最终候选」。这里的「对抗性」并不是指AI系统之间互相争斗，而是指故意对候选结果提出质疑，并用多个项目逐一验证。
亲手试一试
向聊天机器人提出一个假设或分析结果后，接着这样追问：
「请尽可能多地找出你刚才给出的结论可能出错的原因，并逐一反驳。请分别指出这可能是偶然的相关性、数据可能存在偏差、以及可能存在其他原因同样能解释这个结果的可能性。」
让同一个结论再被质疑一次，这个过程就是对抗性过滤的简化缩影。