为什么 AI 会一本正经地胡说八道？

你有没有过这样的经历：让 AI 帮你写一段"近三年关于 X 的文献综述"，结果它非常自信地给你列了七八篇论文、作者、年份、期刊；你兴冲冲去查，发现其中一半根本不存在。又或者，你让它介绍某个冷门产品的某个功能，它条理清晰、细节丰富，等你打开官网一看——它编的。

它不像在敷衍。它语气笃定、句式工整、引经据典，活像一个认真的助理。但它确实在胡说八道。

这并不是它"想骗你"。要从根上理解这件事，你需要知道它到底在算什么。

一、AI 到底在算什么

你看到的 AI 助手——ChatGPT、Claude、Gemini、文心、通义、豆包——背后都跑着大语言模型（Large Language Model, LLM）。它的核心机制出奇地简单：

给定一串上文，预测下一个 token（可以粗略理解为"下一个字或词"）最可能的分布。

不是"搜索"。不是"查资料"。不是"理解"。它在做的是——接龙。

把这个机制想成手机输入法：你打"今天天气真"，输入法会跳出一排候选："不错""好""糟糕"……它不是"懂"天气，它只是看过太多人这么打。语言模型做的，是同一种事，只是规模大得多：上下文窗口更长、候选空间更大、句法更复杂。

这带来的第一个推论是：

"概率最高" ≠ "事实正确"。

输入法的联想会让你打错字。同样，模型预测出的"最像那么回事"的下文，可能是完全虚构的。

二、为什么它"看起来"很认真

既然是猜下一个字，它为什么不是支支吾吾、满是"呃""啊""可能吧"？

因为它的训练目标里，流畅和自信是被奖励的。

训练时，它被海量文本"喂大"。这些文本里，人类自己写出来的句子就是流畅、自信的。如果模型输出"我不确定""我可能在瞎说"，它就被打低分；如果它输出"研究表明，2021 年张三等人在 Nature 上发表了一篇论文……"，哪怕张三这个人压根不存在，它依然在"语言学层面"非常像正确答案。

这背后还有几个工程性的原因：

• 不确定性被压平：从概率分布里只挑概率最高的那个 token 输出，而不是告诉你"我有 30% 的把握"。模型几乎从不主动说"我不知道"。
• 缺乏内省回路：模型回答完就直接结束，没有"我刚才那段话哪句可能有问题"的回头检查。
• 没有实时记忆：训练数据有截止日期，问它当下发生的事，它只能根据语言模式"补一段听起来合理的"，而不是真的去查。
• 过度自信的奖励：在大量问答数据里，"给一个明确答案"远比"我建议你核实一下"更符合人类偏好。

所以，它"一本正经"，不是因为它知道得清楚，恰恰是因为它根本不知道也不承认自己不知道。

三、常见的四种"幻觉"模式

业内把这种"流畅但失实"的现象叫作幻觉（hallucination）。它有几种典型形态：

1. 凭空捏造：编出不存在的论文、人名、URL、版本号、API 参数。这是最高频的一种。
2. 张冠李戴：把 A 的观点安到 B 头上，把 2020 年的事件说成 2023 年的，把 A 团队的方法说成 B 团队的。
3. 过度泛化：把一两个特例讲成普遍规律。比如看到几篇博客提了某个观点，就总结为"业界共识"。
4. 时间错位：把已经发生、正在发生、未来可能发生的混着讲；把旧政策讲成新政策，把小道消息讲成定论。

这四种不会均匀出现。一般冷门、细节、时效性强的内容，最容易被幻觉攻陷。

四、它不是故意的

理解 AI 的关键，是意识到：

AI 没有"想骗你"的主观动机，也不理解"真假"这个概念。

它只知道"这句话像不像合理的下文"。当你说"给我推荐三篇关于 X 的论文"，它不是在"去图书馆查资料然后挑选三篇真的"，而是在生成"一段听起来像是推荐了三篇关于 X 的论文的文字"。如果训练语料里关于 X 的真论文非常少，它就会按"论文通常长这样"的模板填进去。

这就是为什么我们总说：它不知道自己在说什么。

把它当人，是误会的根源。你以为它在"思考""回忆""判断"，其实它在"匹配和续写"。当你把它的输出当成一个深思熟虑的人的发言来信任，幻觉就变成了事故。

五、怎么和它相处：使用者侧的 5 条建议

既然幻觉不能被完全消除，只能被管理，那作为使用者，正确的姿势是什么？

1. 关键事实必须二次核实。

人名、数字、日期、URL、法规条款、API 参数——这些是高危区。用 AI 给了初稿之后，自己去源头确认。把 AI 当"提示"，不当"结论"。

2. 让它"自检"：要求它列依据、给来源。

直接问："你这几条信息分别来自哪？给出处。"如果它说不出来，或编一个看起来很像的链接，那就是在提醒你——这一段不要信。

3. 拆任务，分步验证。

不要一次性让 AI 写一整篇综述。先让它列大纲，再逐项填，每一步都人眼过一遍。任务越小，幻觉越容易被抓到。

4. 提供背景材料，让它在你给的范围里回答。

把你自己的资料、原文、数据贴在上下文里，要求 AI"只基于这些内容回答，不知道就说不知道"。这一招能极大压缩幻觉空间，因为它没有"自由发挥"的余地。

5. 把 AI 想象成一个非常勤奋但会偷懒的实习生。

它能熬夜、能写、能总结、能模仿你的语气；但它会偷懒——能编就不查、能糊弄就糊弄、能"自信地说错"就不会"承认不知道"。它需要你的审稿和验收。

六、结语：工具的边界，就是使用者的责任

幻觉不会被彻底消除。下一代模型会做得更好，但只要它的本质还是"预测下一个 token"，统计意义上的偏差就一定存在。

这不是 AI 的"罪"，是它的"结构"。

技术能做的，是降低概率；使用者能做的，是理解这个概率，并把它纳入决策。

下一次 AI 又给你一段流畅得不像话的回答时，请你多想一秒：

它到底是在"告诉我事实"，还是在"告诉我一句听起来像事实的话"？

把这一秒留给判断，AI 才会真正帮到你，而不是反过来害你。

如果你也遇到过 AI 离谱的胡编乱造，欢迎在评论区分享，一起建立一份"AI 幻觉图鉴"。