从技术原理到实际使用，大模型的“幻觉”问题始终绕不开：它不仅影响输出准确性，更关系到业务决策与风险控制。本文将深入剖析AI幻觉的形成原因，探讨应对路径与工程优化思路，并从使用者视角出发，提出如何“和幻觉共处”的实践建议。

写这一篇的缘由一是因为我也在摸索如何降低 AI 幻觉提升 AI 工具使用效率，二是因为前两周在MIT学习时老师讲的一节课，刚好也解释了这个问题，所以一并做个总结，分享给大家。

近几年，大型语言模型（LLM）如 ChatGPT、Claude、Gemini 等快速走进公众视野。它们能生成结构完整、逻辑清晰的长文本，甚至可以进行代码编写、法律文书撰写、医学咨询等高难度任务。然而，我们也越来越频繁地听到一个术语：AI幻觉。

简单说，它指的是模型“说得像真的，但其实是错的”。

本文将尝试解释三个问题：

1. 什么是AI幻觉？为什么语言模型会产生幻觉？
2. GPT-4等新一代模型是否真的减少了幻觉？
3. 如何尽可能减少幻觉带来的误导？

一、语言模型不是在“理解”，而是在“预测”

GPT 的全称是Generative Pre-trained Transformer，其核心任务是：给定一段输入，预测下一个最可能出现的词（token）。这种机制的本质是统计语言模式，而不是基于事实的知识回忆或理解。

举个例子，输入“乔布斯和马斯克在球场上”，模型会续写出“展开了一场激烈的篮球比赛”，尽管这从未真实发生。这不是模型有意捏造，而是它识别出“人名 + 球场”常出现在比赛语境中，于是生成符合语言习惯的句子。

这类“幻觉”即来自其构建方式：模型的目标不是还原事实，而是生成“在训练语料中最常见或最自然”的文本。也就是说，它输出的是“语言上的合理”，而非“世界中的真实”。

这也是幻觉的来源：在不知道答案时，模型仍然会“给出一个听起来合理的回答”。

二、幻觉的技术根源：训练机制、知识覆盖与任务设定

1. 训练机制决定幻觉倾向：GPT采用的是无监督学习方法，即在大规模互联网文本上训练模型，其唯一目标是最大化下一个词出现的概率，而不是核查事实。这种机制天然就倾向于生成“似是而非”的内容。
2. 语料中的事实不等于知识库：模型并不保存某种结构化知识图谱或数据库，它记住的是“什么词经常和什么词一起出现”，而不是“谁获得了2022年冬奥会金牌”这种事实信息。

在 MIT 的课上，教授举了一个例子：

“问 GPT 3.5：‘谁赢得了 2022 年冬奥会冰壶金牌？’——模型回答错误，称韩国女队获胜，而实际上是英国队。”

原因在于：GPT 3.5 的训练数据截止于 2021 年，不包含 2022 年的事实。因此只能“模仿出一个合理答案”，而不是“查找真实答案”。

1. Prompt的诱导效应：用户的提问方式对模型结果有很强导向性。例如：“请写一篇关于爱因斯坦和马斯克辩论环保问题的稿件”，这个语句默认了事件的真实性，模型不会去验证事实，只会按“剧本”生成。
2. 缺乏世界建模能力：GPT不理解时间、空间或因果关系。即便在逻辑上存在冲突，模型也不会主动识别，而是依赖文本连贯性生成语言。

三、GPT-4 相较 GPT-3.5 幻觉减少了吗？为什么？

整体来看，GPT-4 的幻觉率相较 GPT-3.5 有所下降，背后有以下几点改进：

（来源：OpenAI. ：GPT-4 Technical Report. 2023）

1. 更大的训练数据集：覆盖更多领域与长尾知识，减少“知识空白”导致的猜测；
2. 更强的上下文理解能力：GPT-4 的 context window 扩大至 32k token，使其能记住更多上下文，减少断章取义和语义漂移；
3. 引入人类反馈强化学习（RLHF）：在模型微调阶段，使用人类标注反馈强化“承认不知道”优于“胡编乱造”的行为；
4. 微调策略优化：特别针对幻觉问题，引入了对输出置信度的判断机制，使模型在低置信度时更倾向于给出模糊或保守的回答。

不过，即使如此，幻觉依然存在，尤其在以下场景更容易触发：

• 冷门专业领域（如罕见病、边缘法律问题）；
• 问题提示模糊或含有虚构前提；
• 用户询问的是未来或最新事件；

四、如何最大限度减少 AI 幻觉？用户与系统端的协同策略

1. 用户端优化

• 使用明确提示语，例如：

“如果你不知道，就说不知道”

“基于我上传的文档回答”

• 使用结构化Prompt限制模型的自由发挥范围，如“请分三点说明”“用表格列出”；
• 避免诱导性或假设前提问题，尤其是在高风险领域；

2. 系统端优化

• 检索增强生成（RAG）：给模型增加一个“查资料”模块，让它回答前先查外部数据库或网页；
• 插件与联网设计：如WolframAlpha（做计算）和BingSearch插件（查新闻）已集成至GPT产品中，提升事实查验能力；
• 多阶段生成机制：将“任务理解、信息检索、生成内容”分阶段执行，避免一次性完成的单步误导；
• 专业模型精调：在医学、金融、法律等专业领域，训练专门子模型来提供更安全、准确的答案。

最后：语言的流畅，不等于事实的可靠

幻觉是当前大型语言模型的结构性副产物，它既不是“错误”，也不是“欺骗”，而是模型生成机制与真实世界之间的落差，是语言模型当前能力边界的自然结果。

理解这一点，是我们理性使用 GPT 和类 AI 工具的基础，也提醒我们：生成式语言的“像真度”，并不等于它的真实性。

未来，随着外部工具接入、Agent 机制完善、责任机制明确，幻觉问题会被进一步缓解。但在那之前，任何看起来“说得头头是道”的 AI 回答，我们都应保留验证的习惯。