你被 AI 骗过吗？新研究：一个方法能对 AI “测谎”

胡说八道不可怕，一本正经的胡说八道才可怕，你因为一本正经而信了ta的胡说八道，更可怕……这就是当下我们（捏着鼻子）使用 AI 时需要面对的现状。

如何避免 AI 生成虚假的事实内容，对使用者产生误导呢？各个大模型平台一直在研究和尝试，而要想“避免”问题，首先得“识别”问题。6 月 19 日，牛津大学一个研究团队发表在《自然》杂志上的一项新研究，提出了一种颇有潜力的给AI“测谎”的方法，下面咱们就详细聊聊。

大模型的胡说八道和风险

“幻觉”（Hallucinations）是大语言模型（例如 ChatGPT、Gemini、或文心一言）面临的一个关键问题，也是网络上常见的用户体验吐槽类型之一，这个术语可以粗略地理解为 AI 一本正经的胡说八道。

比如，你问 ChatGPT：恐龙扛狼是什么意思？

它会一本正经地告诉你——这象征着旧势力和新力量的对抗，是弱小但机智灵活的挑战者和强大却缺乏灵活的对手之间的博弈。

答案非常洗涤灵魂，上升到哲理和价值观高度，但是，它在胡说八道。

这只是大语言模型常见的“幻觉”类型之一，其他类型还包括：

1

错误的历史事实

“谁是美国的第一位总统？” ChatGPT 回答：“托马斯·杰斐逊。”

2

错误的科学信息

“水的沸点是多少？” ChatGPT 回答：“水在标准大气压下的沸点是 120 摄氏度。”

3

编造引用，AI 缝合怪

“爱因斯坦在相对论中说了什么？” ChatGPT 回答：“爱因斯坦曾在《相对论与现实》一书中说过，‘时间是一种幻觉’。”虽然爱因斯坦的确讨论过时间的相对性，但他并没有在所谓的《相对论与现实》一书中发表这句话。实际上，这本书可能根本不存在。这是模型编造的引用。

4

误导性的健康、法务、财务建议

你问：“感冒了应该吃什么药？” ChatGPT 回答：“感冒了应该吃抗生素。”

除了上述问题，相信大家在使用 AI 的过程中也会碰到其他胡说八道的情况。尽管各个大模型都在积极处理这类问题，上面举的例子很多可能也已经得到了修复，但这类问题一直难以找到“根治”或“清除”的办法，在检验判断上也往往需要人工反馈或数据集标注，这会带来不低的成本。

这让我们使用 AI 的体验大打折扣——谁敢毫无保留地信任一个满嘴跑火车的助手呢？何况有些问题事关健康和安全，弄错可是要出大事的。

有没有什么办法，能更通用化地“计算”出 AI 到底有没有瞎说呢？

“语义熵”如何帮助大模型检测谎言？

日前（6 月 19 日），牛津大学团队在《自然》（Nature）杂志发表了一篇论文，提出了一种新的分析和计算方法，为解决大语言模型“幻觉”问题，打开了新思路。

图源：《自然》（Nature）官网，中文翻译来自浏览器插件“沉浸式翻译”

团队提出了一种基于统计学的熵估计方法，称为“语义熵”，来检测大语言模型中的“编造”（confabulation），即大模型饱受诟病的“胡言乱语症”。作者在多个数据集上测试了语义熵方法，结果显示语义熵方法在检测编造方面显著优于其他基准方法。

那么“语义熵”究竟是什么呢？

抛开冗长的专业解释，我们可以将语义熵简单理解为概率统计的一种指标，用来测量一段答案中的信息是否一致。如果熵值较低，即大家都给出类似的答案，说明信息可信。但如果熵值较高，答案各不相同，说明信息可能有问题。

这有点类似于，如果一个人在撒谎，他可能没办法每次把谎言的细节编造得一模一样。一个谎言往往需要无数个谎言来帮它扯圆。从信息论的角度来看，可能会引入更多的不确定性和随机性。说谎者需要引入额外的信息或细节来支持其不真实的叙述，这可能会增加信息的不确定性或熵值，进而被算法检测出来。

比如，当你问 AI“世界上最高的山是哪座？”

大模型可能会给出几个答案：“珠穆朗玛峰”“乞力马扎罗山”“安第斯山脉”。

通过计算这些答案的语义熵，发现“珠穆朗玛峰”这个答案出现频率最高，其他答案则很少甚至没有出现。低语义熵值表明“珠穆朗玛峰”是可信的答案。

语义熵，既有优势，也有弱点

语义熵检测方法的优势在于不需要任何先验知识，无需额外的监督或强化学习。通俗地讲，使用这种方法时，并不需要上知天文下知地理，只需要遇事不决看看大家都怎么说。

而目前常用的诸如标注数据、对抗性训练等方法，“泛化”效果（即举一反三的能力），都不如通过语义熵计算。即便是大模型从未遇到过的新语义场景，也能适用语义熵方法。

当然，语义熵虽然是一种相对有效的办法，但不是万灵药，它自己也有一定局限性：

1

处理模糊和复杂问题的能力有限

语义熵在处理非常模糊或复杂的问题时可能不够有效。

在面对多种可能正确答案的问题时，比如“最好的编程语言是什么？”，语义熵可能无法明确区分哪一个答案更可靠，因为多个答案都可能是合理的。

（谁说是 Python？我 C++第一个不服！！）

2

忽略上下文和常识

语义熵主要基于统计和概率计算，可能忽略了上下文和常识的影响。在一些需要综合上下文和常识来判断的问题中，语义熵可能无法提供准确的可靠性评估。比如经常谈恋爱的朋友可能有体会，情侣间一句话：“我没事儿，你忙吧。”

你觉得 TA 是真没事儿，还是有很大事儿？

在这种情况下，得结合上下文场景、人物状态等信息判断，不同的上下文会导致不同的理解。语义熵只能基于词语的统计概率进行评估，可能会给出错误的判断。

再比如常识性的判断，既物理世界的客观规律，假设我们问一个问题：“太阳从哪边升起？”

正确答案是“东边”。然而，如果我们有以下两个候选答案：

1、太阳从东边升起。

2、太阳从西边升起。

（这可能由于模型训练数据的偏差和生成过程的随机性导致）

即使语义熵检测到两个答案的概率分布接近，但常识告诉我们答案 1 才是正确的。语义熵在这种情况下可能无法提供足够的信息来判断答案的可靠性。

3

如果训练数据被无意或刻意“污染”，语义熵也没办法很好识别

如果用错误的数据，给大模型施加了“思想钢印”，模型对其生成的错误陈述非常“自信”（即错误陈述在模型的输出概率分布中占主导地位），那么这些陈述的熵值可能并不会很高。

最后总结一下，从大模型的内容生成机制上看，“幻觉”问题没办法 100%避免。当我们在使用AI生成的内容时，重要的数理推理、历史事件或科学结论、法律和健康知识等方面最好进行人工核查。

不过，换个角度，“幻觉”也是大语言模型的创造力体现，我们也许应该善用大模型的“幻觉”能力。毕竟幻觉不一定是 bug（故障），而是大模型的 feature（特点）。

如果需要检索事实，我们已经有了搜索引擎工具。但如果需要有人帮我们编辑一个“恐龙扛狼”的无厘头剧本，那么，大语言模型显然是个更好的助手。

比如笔者费尽心思想画一幅恐龙扛狼图，但某 AI 油盐不进，画出了一幅恐龙把狼吞了（疑似）的图，难怪理解不了恐龙扛狼的真意啊……

参考文献

[1] S. Farquhar, J. Kossen, L. Kuhn, and Y. Gal, “Detecting hallucinations in large language models using semantic entropy,” Nature, vol. 630, no. 8017, pp. 625–630, 2024, doi: 10.1038/s41586-024-07421-0.

作者丨木木 北京师范大学数学专业 资深产品经理 人工智能创业者