新研究发现人工智能搜索工具的平均准确率仅为60%

人工智能模型可能缺乏准确性，这是不争的事实。 对于开发人员来说，产生幻觉和重复错误信息一直是一个棘手的问题。 由于用例千差万别，因此很难确定与人工智能准确性相关的可量化百分比。 一个研究团队声称，他们现在已经掌握了这些数字。

Tow 数字新闻中心最近研究了八个AI搜索引擎，包括 ChatGPT Search、Perplexity、Perplexity Pro、Gemini、DeepSeek Search、Grok-2 Search、Grok-3 Search 和 Copilot。 他们测试了每种工具的准确性，并记录了工具拒绝回答的频率。

研究人员从 20 家新闻出版社（每家 10 篇）随机选择了 200 篇新闻报道。 他们确保每篇报道在使用文章摘录时都能在Google搜索中返回前三个结果。 然后，他们在每个人工智能搜索工具中执行相同的查询，并根据搜索是否正确引用了 A）文章、B）新闻机构和 C）URL 来评定准确性。

然后，研究人员根据从"完全正确"到"完全不正确"的准确度给每条搜索贴上标签。 从下图中可以看出，除了两个版本的 Perplexity 外，其他人工智能的表现都不理想。 总体而言，人工智能搜索引擎有 60% 的时间是不准确的。 此外，人工智能对这些错误结果的"信心"也强化了这些错误结果。

这项研究之所以引人入胜，是因为它以量化的方式证实了我们几年前就已经知道的事实--LLM是"史上最狡猾的骗子"。 他们以完全权威的口吻报告说，他们所说的都是真的，即使事实并非如此，有时甚至会争辩或在面对质疑时编造其他虚假的断言。

在 2023 年的一篇轶事文章中，Ted Gioia（诚实的经纪人）指出了数十条 ChatGPT 的回复，显示机器人在回复大量询问时自信地"撒谎"。 虽然有些例子是对抗性询问，但许多只是一般性问题。

即使承认自己错了，ChatGPT 也会在承认错误之后提供更多的虚假信息。 LLM 似乎被编程为不惜一切代价回答用户的每一个输入。 研究人员的数据证实了这一假设，并指出 ChatGPT Search 是唯一能回答全部 200 条文章查询的人工智能工具。 不过，它的完全准确率仅为 28%，完全不准确的时间占 57%。

ChatGPT 还不是最差的。 X 的 Grok AI 的两个版本都表现不佳，但Grok-3 Search 的准确率高达 94%。 微软的 Copilot 也没好到哪里去，因为它在 200 次查询中拒绝回答了 104 次。 在剩下的 96 个查询中，只有 16 个"完全正确"，14 个"部分正确"，66 个"完全错误"，因此它的准确率大约为 70%。

可以说，这一切最疯狂的地方在于，制造这些工具的公司对这种缺乏准确性的情况并不透明，同时向公众收取每月 20 到 200 美元的费用。 此外，Perplexity Pro（20 美元/月）和 Grok-3 Search（40 美元/月）比其免费版本（Perplexity 和 Grok-2 Search）回答的查询正确率略高，但错误率也明显更高（上图）。

不过，并非所有人都同意这种说法。 TechRadar 的兰斯-乌拉诺夫（Lance Ulanoff）表示，在尝试了 ChatGPT Search 之后，他可能再也不会使用 Google 了。 他描述说，该工具快速、清晰、准确，界面简洁、无广告。