AI幻觉，如何“解蛊”

来源：市场资讯

（来源：图灵人工智能）

作者 | 玉城风

编辑 | 张来

“AI人文学的序章”之八

前段时间，以讹传讹的“DeepSeek向王一博道歉”的消息，闹得沸沸扬扬。有人梳理事情经过后说，这是一起“AI幻觉”导致的闹剧；也有人认为是粉丝人为搅浑水。一起娱乐圈的乌龙事件，因为与人工智能发生了关联，让“AI幻觉”的严肃命题再次受到人们的关注。

也就在不久前，全国首例“AI幻觉”案落槌——一位高考生的哥哥梁某在查询高校信息后，发现AI平台生成的信息存在错误，而AI仍信誓旦旦回答：如内容有误将赔偿10万元。一气之下，梁某将AI平台的研发公司告上法庭，要求赔偿。

杭州互联网法院作出一审判决，驳回诉讼请求。法院的判决，当然有着法理和现实的多重考量，而这一“首例”判例，进一步引起了人们对“AI幻觉”，以及对生成式人工智能服务的责任边界的热议。

AI喝了致“幻”剂

简单来说，所谓“AI幻觉”，就是指AI生成了看似合理，却与事实严重不符的内容。

这些则属于“忠实性幻觉”。

《我，机器人》剧照

致“幻”成分，来自何方？

而数据偏差，很可能源于数据收集过程中的局限性；或者，训练数据中某些信息被过度强化，而其他重要信息缺失。模型就可能在这些不全面的“知识”基础上，构建出错误的表述。

更何况，当前AI写作、AI洗稿，导致互联网上充斥着大量垃圾信源——有人愤怒地将其称为“电子粪坑”。基于这样的语料库进行的AI学习和推理，正如手持盗版地图进行导航，很容易“盲人骑瞎马，夜半临深池”。

其二，模型的“黑箱”本质为幻觉提供了温床。

《超少年密码》剧照

其三，“泛化难题”，令AI如“新手走迷宫”。

解“蛊”良药，何处觅得？

再如，面对“9.11与9.9哪个更大”的“陷阱题”，早期AI产品可能因对小数点规则理解不足而答错。但通过引入更多数学教材和常识数据，如今已经不再是个问题。

图源：Unsplash

二是，数据治理，净化知识源泉。

解决AI幻觉的首要任务是治理数据。在数据收集阶段，要确保数据的多样性和全面性。通过扩大数据收集范围，涵盖不同来源、不同特征的数据，可以减少数据偏差。

例如，在图像识别训练中，收集来自不同环境（如白天黑夜、室内室外）、不同拍摄设备（如手机、专业相机）、不同角度的图像，让AI对物体有更全面的认识，避免因训练数据单一而产生“脸盲症”——比如将北极熊误认为萨摩耶犬。

同时，对数据进行严格的清洗和标注。去除噪声数据，确保标注的准确性，为AI提供高质量的学习素材。这就像给AI提供纯净、准确的知识源泉，帮助它在正确的基础上构建认知。

三是，打开“黑箱”，让深思更“可视”。

为了降低模型“黑箱”带来的风险，研究模型的可解释性至关重要。科研人员正在努力开发各种方法，试图理解模型内部的决策过程。例如，通过改进流程，更直观展示神经网络中不同部分在处理输入信号时的工作状态，从而帮助研究者了解模型是如何对数据进行分析和生成输出的。

一些新型的模型架构，也在尝试引入更多的可解释性设计，将传统的逻辑规则与神经网络相结合，使模型的决策过程更易于理解和解释。

当人们能够看清模型的“思考”过程，就能更容易发现和纠正可能导致幻觉的苗头性错误。

图源：Unsplash

四是，强化学习与对抗训练，磨砺AI的判断力。

强化学习可以为AI提供一种在动态环境中不断学习和优化的机制。通过设置合理的奖励机制，让AI在生成准确、可靠内容时获得“鼓励”，而在产生幻觉时受到“警示”，从而引导AI逐渐提高输出的质量。

对抗训练也是一种有效的方法——

让生成模型和判别模型相互对抗，生成模型努力生成逼真的内容，判别模型则尽力辨别生成内容的真假。在这种对抗过程中，生成模型不断优化，算法技术不断得到改进或提升（更稳定、更鲁棒），从而减少幻觉的产生。

五是，专业智慧引导，让AI成为“专”家。

在医疗、法律、金融等对准确性要求高的领域，将专业领域知识融入AI模型，可以有效提升模型在特定领域的准确性，减少幻觉。

可贵的宽容：“AI幻觉”并非一无是处

很多深受其苦的朋友会说：“真希望科学发展得再快一点，早些克服AI幻觉！”

不过，话又说回来，从AI人文学的视角来看，如果完全消灭AI幻觉，不啻于扼杀AI的想象力。对于尚处幼年的AI技术，我们除了多些耐心，还要多点包容心态、辩证思维。

因为凡事都有两面。所谓的“AI幻觉”，同样如此。

有专家提醒，“AI幻觉”是大模型与生俱来的特点，极难消除。这源于大模型在海量数据训练中形成的概率关联机制——它并非像人类一样真正“理解”信息，而是通过统计规律生成答案。当数据存在矛盾或逻辑缺口时，模型为了“自圆其说”或者“不让你失望”，就可能输出看似合理却偏离事实的“幻觉”内容。

图源：Unsplash

有专家就认为，“AI幻觉”就好比人类创意工作者的“脑洞大开”，决定AI创造力和想象力，对于AGI(通用人工智能)而言极其重要。

例如，在药物研发过程中，新药分子结构的设计往往需要突破常规思维。大模型的“幻觉”能力，有时能让其跳出现有知识框架的束缚，“想象”出全新的分子结构组合，为科学家们提供新的灵感和启发。

同样，在蛋白质结构预测方面，面对复杂的生物大分子，AI的“幻觉”特质，能令其生成一些突破传统认知的结构模型。这些模型或许在初期看似离经叛道，但经过科学家的深入研究和验证，有可能成为开启新研究领域的钥匙。

而且，越是能力强的模型，可能往往越容易产生“幻觉”。比如DeepSeek，在“深度思考”模式下，它在小说、诗歌这类创意内容的生成上，表现优异，很长时间里明显胜出很多其他AI产品一大截。然而相对应的，它在严肃的学术性内容的创作中，则有时会表现得过于“活泼”，在史实、名言和引证出处方面，“自圆其说”的冲动过于强烈。

这好像是一对难以调和的矛盾——强大的学习能力让模型捕捉到数据中隐秘的关联性，却也因过度敏感而放大噪声。

所以，有专家就认为，如果我们强行通过规则约束消除“幻觉”，AI便只能沦为机械的知识“复读机”或“统计器”，而失去突破现有认知边界的能力与可能。

AI幻觉，就像一面棱镜，既照出当前AI技术的局限性，亦为我们了解AI、善用AI、改进AI，提供了更多的启示。

图源：Unsplash

对于AI幻觉，我们既不能放任自流，任其误入歧途；也不必因噎废食，将“幻觉”视为洪水猛兽。

理性的做法有很多——首先，前提是看清“AI幻觉”的真相和本质，学会理性看待，既不对AI生成内容偏信盲从，也不因暂时和偶尔的“犯傻”而对AI予以全盘否定；其次，熟悉现有各类AI工具的基本特征（长处和短处），从而针对自己的需求类型，聪明地选择具有不同特长的AI工具；其三，熟悉基本的AI提示词（“咒语”），掌握基本的操作规律和技巧，从而更好地驾驭AI、善用AI。

唯有这样，我们才能在AI的可靠性与创造性之间找到某种平衡，才能让AI真正成为人类智慧的延伸，而非失控的“造梦机器”。

（作者是AI人文学研究者、博士）