1. 事件还原：一条“看起来很专业”的AI登山计划
救援队是在第二天清晨接到报警的。三名徒步者被困在沙斯塔山（Mount Shasta）北坡接近三千九百米的位置，夜里的气温已经降到零下十摄氏度，其中一人出现轻度失温症状。事后调查发现，他们这次行程的路线规划、时间安排、补给清单，全部来自Gemini AI生成的一份详细计划——而这份计划在最关键的几个节点上，给出了错误甚至危险的建议。
这件事在户外圈引发了不小的讨论。作为长期使用各类AI工具做行程规划的爱好者，我第一反应不是“AI真不行”，而是：“他们到底是怎么问的？”以及“这份计划到底错在哪？”
说实话，户外圈对AI规划这件事一直有争议。有人觉得AI就是个高级搜索引擎，把网上的攻略拼凑一下就能用；有人觉得AI在路线规划、装备计算这类有明确规则的场景下完全可以胜任。但沙斯塔山的这起事件给出了一个非常典型的反面案例：AI生成的内容看起来逻辑严密、格式专业，但在真实山野环境中，每一个数字错误都可能是致命的。
我事后找了更多关于这次事件的资料，发现核心问题其实非常清晰：AI给出的路线建议忽略了雪线以上区域在午后的强风规律、高海拔路段的实际通过时间远高于低海拔路段，以及三个人的体能差异和装备状态。这些恰恰是专业登山计划里最基础也最核心的内容——AI并不能真正理解它们。
2. 为什么像Gemini这样的AI会给出“致命计划”
2.1 大语言模型的“一本正经胡说八道”在户外场景被放大了
要理解这次事故，首先要搞清楚Gemini这类大语言模型（LLM）是怎么回答问题的。它本质上是一个根据训练数据预测下一个词的概率模型——当用户问“给我一个从三月底到四月初攀登沙斯塔山的计划”，它并不是在真实世界里出一趟侦查线路、查实时雪况、评估参与者体能，而是在抽象概率空间里拼接海量登山攻略文本中“最像样”的内容。
这意味着什么？意味着它在文本结构上可以非常完美——有分日的行程、有时间表、有装备清单、有海拔标注——但它对“准确”的定义是“看起来像人类写的准确”，而不是“真实环境下的准确”。这就是所谓的“幻觉”问题：模型会毫不犹豫地编造出完全不存在的冰裂缝位置、错误的雪况描述，甚至把熊谷和绿Butte路线上的关键转角点搞混。
我在实际使用中验证过这一点：把同一个问题分别抛给Gemini、ChatGPT和Claude，要求给出某条经典高山路线的分日计划和撤退点建议，三家给出的答案在结构上几乎无可挑剔，但在一两个关键里程数据上，互相矛盾，且都无法给出数据的原始出处。进一步追查其中一组数据，发现它把一条位于瑞士的经典路线信息，直接套用在了美洲西海岸的一座火山上。这就是大模型最典型的行为模式——在文本层面“缝合”不同来源，而不具备地理空间校验能力。
2.2 训练数据的时间滞后与场景错位
还有一个被很多人忽略的问题：模型的训练数据是有截止时间的，而且户外相关的资料多为二手整理，而非最新的山岳情报。沙斯塔山的雪况、冰层状态、季节性路线变更，这些信息每天都在变化，任何一个训练好的模型都无法实时获取。
更关键的是，AI对“季节”的理解非常粗糙。模型可能见过2019年、2021年的五月攀登记录，但2025年春天的降雪量、气温回暖速度完全不同。山区的情况是“今年和去年不一样，甚至这个月和上个月都不一样”，这种高度动态的变量，恰恰是静态训练模型最不擅长处理的。
我曾经尝试让AI为四月的富士山规划一条路线，结果它给出的装备建议中，依然包含“建议携带冰爪和冰镐”这样笼统的内容。但我实际去过那个时间段，四月的富士山根本不需要冰爪。这样的错误在AI的回答里被包装得很有说服力，用户如果缺少经验，很容易被“带偏”。
2.3 它不知道你“不会什么”
这是大模型最根本的局限——它不掌握对话外的真实信息。你告诉它“我是经验丰富的攀登者”，它就按专业攀登者标准规划；你说“我平时跑马拉松，但高海拔经验少”，它可能给出依然偏激进的海拔适应计划。因为模型只能在文字层面调整方案，却无法真正评估你的体能、技术、心理状态和团队构成。
在沙斯塔山的事件里，三名徒步者据称都没有冰雪技术攀登经验。但AI生成的计划里，并没有因为这一点而大幅提高安全冗余——没有建议额外增加海拔适应日，没有建议在关键路段提前设置撤退时间线，也没有强调在无冰爪和冰镐情况下北坡线路的危险性。这是“信息不对称”的典型案例：人类用户以为AI已经全面了解了自己的状况，但AI唯一知道的，只是那段Prompt里的文字。
3. 一份合格的登山计划应该包含哪些内容
3.1 路线选择与撤退方案的闭环
在我个人的标准里，一份登山计划的核心不是“怎么上去”，而是“如何安全下来”。但实际许多AI生成的计划，包括我测试Gemini输出时看到的，几乎通篇都在讲如何攀登，怎么分配体力，在哪个营地过夜，却很少花篇幅去描述撤退路径、下撤触发条件和紧急露宿预案。
专业登山计划的第一步，是明确自己的目标山头是什么类型的山。沙斯塔山是一座海拔四千三百多米的层状火山，有冰川，有陡峭的雪坡，它和一座普通的三千米级的山峰需要的规划维度完全不同。对于沙斯塔山，比较常见的是从熊谷（Bunny Flat）出发，沿着Avalanche Gulch路线攀爬。这条路线在春末夏初是技术入门级的雪坡路线，但它依然涉及清晨四点出发、午后天气恶化前登顶或下撤、以及雪坡上应对滑坠等诸多问题。
一个好的撤退方案包含：明确的撤退时间点（例如“无论身处何处，下午一点必须下撤”）、撤退路线说明（通常按轨迹重新下撤）、遇到突发状况时的紧急避险点（如四十分钟内可到达的山坳，或可临时扎营的避风处）、以及紧急通讯方式。AI生成的计划通常会忽略这四点里的至少两点，因为它从文本上很难理解“下午一点的太阳辐射会让雪坡变软，增加滑坠风险”这种高度经验化的判断。
3.2 海拔适应进程与生理节律
另一个被AI严重低估的是海拔适应。许多AI计划的主导思路是“从低海拔直接冲到高海拔营地，然后冲顶”，这种计划在经验丰富的登山者眼里几乎是违背生理规律的。
人体适应高海拔需要时间，最稳妥的方式是“攀登到更高海拔、睡在低海拔”。以沙斯塔山为例，比较推荐的方案是第一天从熊谷（海拔两千一百米左右）徒步到鹿牧场或牛棚营地，第二天前往海伦湖（Lake Helen，海拔三千二百米左右）建立高营地，并在那里睡一晚甚至两晚，再进行冲顶尝试。这种适应过程是不能压缩的，否则极易引发高山反应。
AI在生成计划时，往往倾向于“最优解”——最短时间、最直接路线、最紧凑安排。因为它是从训练数据的“理想化攻略”里提取信息，而不是基于人体生理的延迟反应来规划。它忽略了身体的适应曲线是一个“过程”，不是一根可以拉直的线。
3.3 装备清单不是“有就行”，而是要可验证
装备清单看起来是AI最擅长生成的，实际上漏洞也最多。AI可以列出冰爪、冰镐、头盔、雪镜、防晒霜、头灯、急救包等等，但它无法回答一个关键问题：这些装备你之前用过吗？
沙斯塔山这种级别的攀登，装备的“熟练度”比装备本身的“齐全度”更重要。冰爪要是第一次穿，在雪坡上连走路都别扭，更别说攀爬救援了。AI生成的装备清单里几乎不会包含“训练计划”——比如“出发前在冰坡上练习两次使用冰爪和冰镐制动”这种内容，而恰恰是这种看似“多余”的细节，才是决定性的。
我习惯在一次正式攀登前，把所有装备摊开做一次“实物检查”：检查冰爪的绑带是否匹配鞋子、冰镐的长度是否合适、头灯电池是否充满、保温壶是否能正常使用。这些不是纸上清单能传递的，AI生成装备清单的初衷是好的，但“列出来”和“会使用”之间，隔着一条从客厅到雪山的路。
4. 如何正确使用AI辅助户外规划（实操指南）
4.1 把AI当“资料综述生”，而不是“领队”
在经历了一些踩坑之后，我现在对AI工具的使用方式非常明确：它只能在信息检索和文本整理层面帮到你，绝不能让AI直接做决策。
具体来说，我会把AI当作一个“快速综述生”。比如我要规划一座不熟悉的山，我会让AI帮我搜集这个区域的整体地形特征、徒步季时间窗口、当地管理机构的规定、经典路线的文字描述，以及过往攀登者的经验教训汇总。这些内容我能通过搜索引擎获取，但AI能帮我更快地结构化整理，节省查资料的时间。
但是，我不会让AI直接输出“具体到某一天的几点到达哪个坐标点”的计划。因为它给出的时间和里程数据，往往混合了不同季节、不同体能水平的游记，这种“均值”对任何一个人来说都不是最准确的。
我的做法是：先让AI生成一个粗略框架（例如“建议分三天完成，第一晚在A营地露营”），然后自己逐一核验框架中的每一个数据点。凡是涉及关键海拔、里程、时间的内容，必须找到至少两个独立来源交叉验证，并对照地形图、等高线来复核。如果AI给出的数据在地图上找不到对应位置，直接放弃。
4.2 用Prompt引导AI提供“防御性意见”
很多人用AI的时候，问法太“肯定”了。比如“给我一个四月的沙斯塔山攀登计划”，AI就会默认你是一个“计划去执行”的人，它会把方案写得尽量完整、可操作。
但我现在会刻意要求AI提供“如果这件事出了错，应该怎么办”的内容。我会在提问时加入类似这样的要求：请列出这个计划中最可能失败的三到五个环节，以及对应的风险缓解措施；请在每一天的行程后面，额外给出“天气不具备条件时的备选方案”；请评估这个计划的执行者在无冰雪经验时可能遇到的最大困难。
这样问出来的内容，虽然AI给出的答案依然可能不完美，但至少它会往“风险导向”的方向走，输出的内容里会带出一些值得警惕的细节。这是我实测下来最有效的一招——不要指望AI自动具备安全意识，但你可以通过提问方式，强行让它进入“安全审查”的模式。
4.3 建立自己的“双系统验证”流程
我目前在用一套双系统验证流程，分享给大家参考：
第一步，用AI生成初稿。这一步的目的是快速获取一个结构化的参考方案，包括可能的营地、路线分日安排、需要关注的装备清单。
第二步，将AI生成的初稿与官方信息源做交叉比对。包括但不限于国家公园或森林公园的官方网站、当地登山俱乐部的近期报告、天气预测服务提供的高海拔天气预报、以及卫星地图或地形图上的实际路线轨迹。
第三步，修正AI输出中的所有关键数据，并用自己的知识补齐AI缺失的部分。比如针对季节变化，我会结合今年实际的降雪量、气温情况来调整路线；针对团队成员的体能状况，我会适当压缩或拉长每天的行程距离；针对撤退计划，我会在地图上标注至少两条不同的下撤路线。
第四步，如果条件允许，安排一次实地侦察。哪怕只是开车到山脚下看一眼路况，和当地登山者聊几句，也能大幅降低计划与实际的偏差。AI再强，也无法替代这种“现场感”。
这套流程的核心逻辑是：AI生成的内容只是“原材料”，你才是最终的“生产者”。你的经验、判断力和现场感知才是计划真正可靠的原因——AI只是帮你节省了从零开始的时间。
5. 常见误区与安全自查清单
5.1 五个最容易犯的“AI规划”错误
第一个误区：把AI当作实时天气查询工具。AI的天气数据并不是实时监测的，它只能给出气候规律性的描述（比如“四月沙斯塔山平均气温……”），但真实的山区天气是“上午晴、下午暴风雪”这样的小尺度变化，这些完全不在模型的知识范围内。出发前最后一晚，必须基于官方气象台发布的山地天气预报做最终决策。
第二个误区：相信AI描述的“难度”。AI对难度的评估往往基于网上的游记描述，但真正的技术难度是由你当天面对的冰雪状况决定的——一条同一条路线，今年可能是硬冰，明年可能是松雪，两者对攀登技术的要求天差地别。难度评判只能参考当前报告，不能参考AI生成的“一般性”描述。
第三个误区：忽略团队的“最慢者”。我自己组队时有一个铁律：计划按团队里体能最弱、经验最少的那个人来设计。AI无法知晓你团队里每个人的状态，如果你不给它明确说明，它默认输出的是“体能中等偏上”的路线计划。这会让体能不足者面临极大风险。
第四个误区：把装备清单当成“购物单”。AI会列出大量的装备，有经验的登山者会做减法——只带“真正会用”的。新手容易照单全收，结果背包过重，体力消耗巨大，反而增加风险。
第五个误区：没有“逃生预案”。几乎所有AI生成计划都缺少“如果真出事了怎么办”的详细预案。请确保你的计划里有以下内容：紧急联系人、求救方式、等待救援时的自救措施（如搭建紧急庇护所）、以及让救援人员能找到你的明确位置描述。
5.2 一份安全自查清单
出发前一天，我建议你按下面这个清单过一遍：
- 是否已经确认未来七十二小时的山地气象预报？
- 是否知道明天的日出时间和日落时间？
- 是否明确了不可突破的撤返时间？
- 是否至少知道两条不同方向的下撤路径？
- 是否在下撤路径上标记了避险点或营地？
- 是否检查过冰爪、冰镐、头灯等关键装备的可用性？
- 是否有人知道你的行程并约定了失联后的主动报警时间？
- 是否带上了卫星通讯设备或应急信标？
- 团队中每个人是否都了解并同意这个计划？
我个人的经验是：如果以上九个问题中有任何一个答案是否定的，就不要出发。山永远在那里，而你的安全不是你一个人能承担得起的。
5.3 关于AI的长期价值，我的真实观点
写到这里，想多说两句。这几年我从Gemini、ChatGPT到各类专业AI工具都试过，我对待他们最合适的心态是“有用但有限”。AI确实大幅降低了我搜索资料的门槛，但同时也制造了一种“知识幻觉”——它让我觉得我已经懂了，实际上我可能什么都不知道。
这种幻觉在办公室里最多让你交出一个不成熟的方案，但在山上，幻觉代价极高。沙斯塔山这起事件里的徒步者，大概率正是因为看了“逻辑清晰、内容完整”的AI计划，产生了一种虚假的安全感。他们以为“计划已经在那里了，我照做就行”，但真正的安全感应该来自经验积累、技能训练和对山的敬畏，而不是一份打印出来的AI规划文档。
我现在的习惯是：AI负责前期资料收集和整理，我再花同样甚至更多的时间去做实地的、亲身的核验。你问我要不要继续用AI做登山计划？用，当然用，但得把你自己的脑子带进山里，而不是留在电脑里。
这起沙斯塔山的事件，最终三人被救回，但整个过程远比你看到的新闻标题复杂。山野里的救援，每一次都是在和时间赛跑，背后是大量专业救援人员冒着风险完成的任务。作为户外爱好者，我们能做的，就是别让自己成为下一个让所有人操心的“计划受害者”。
