这里是《人人都能懂的大模型》系列科普连载。我们不讲复杂的公式，只聊有趣的技术。我是你的老朋友，科技作家阿模，旁边这位满脸问号的火柴人是小明。今天，我们要聊聊 AI 最让人又爱又恨的毛病——幻觉。
1. 那个“社交悍匪”般的朋友
小明最近很郁闷。他问阿模：“阿模，你昨天推荐的那本《如何让猫听话》根本买不到啊，出版社说根本没出过这本书！”
阿模尴尬地挠了挠方脑袋。其实，很多大模型就像你身边那种“社交悍匪”：无论你聊量子力学还是红烧肉做法，他都能接上话，而且说得有鼻子有眼，表情极其自信。但如果你真去较真查一下，会发现他刚才说的那些历史典故、科学数据，竟然全是当场胡编乱造的！
在 AI 圈子里，这种“一本正经地胡说八道”有个专门的术语，叫幻觉（Hallucination）。它不是 AI 想要骗你，而是它的一种“生病”状态——分不清现实与虚构。
2. 幻觉：AI 的“脑补”后遗症
所谓幻觉，就是 AI 生成的内容看起来逻辑严密、格式标准，但内核却是虚假的。这就像是一个临场发挥的小说家，他知道怎么把故事讲得动听，但不在乎故事里的时间地点是不是真实存在的。
小明问：“那它为啥不直接说‘我不知道’呢？”
这就是问题所在。大模型在设计之初，其核心任务是**“预测下一个词（Token）”**。它像是一个超级联想机器，你给它开头，它就得拼命把后面的戏接下去。对它来说，由于它没有真正的“意识”去连接真实世界，它眼里的世界只是一串串概率。只要概率上“听起来像那么回事”，它就会毫不犹豫地吐出来。
幻觉的“三大门派”
为了让大家更清晰地识别这些“胡言乱语”，我们需要把幻觉细分为三个类别：
第一类：事实性幻觉（胡说八道型） 这是最常见的一种。AI 会凭空捏造事实、日期或人物。例如，你问它“2026 年诺贝尔文学奖是谁”，它可能会自信地编出一个名字和一套完整的获奖理由。这种幻觉的根源在于模型训练数据中缺乏该信息，但预测机制强迫它给出一个“听起来很美”的答案。
第二类：忠实性幻觉（不听指令型） 这种幻觉表现为 AI 背离了你给出的上下文。比如你给它一段关于“苹果公司”的新闻让它总结，它却在总结里莫名其妙地提到了“华为的 5G 技术”。它没有忠实于你提供的参考资料，而是被自己内部权重的“思维惯性”带偏了。
第三类：逻辑性幻觉（算错数型） AI 在处理复杂推理或数学运算时，每一步看起来都有模有样，但结论却是错的。比如它能列出完美的微积分公式，但在最后一步加减法上翻了车。这是因为大模型本质上是语言处理工具，而非逻辑严密的计算引擎。
3. 那些被 AI “坑”惨了的倒霉蛋
别以为幻觉只是闹着玩，现实中有人因此付出了惨痛代价。
2023 年，美国纽约有一位执业 30 年的老律师施瓦茨（Steven Schwartz）。他在写法律文书时为了偷懒，让 ChatGPT 帮他找几个类似的判例。ChatGPT 表现得非常“专业”，一口气给了他 6 个案件，连编号、法院名称、法官语录都整得明明白白。
结果呢？法官一查，这 6 个案例在人类历史上压根就没发生过！是 AI 根据法律文书的语言风格“现编”的。最后，这位律师不仅丢了大人，还被法官罚款 5000 美元。除此之外，还有 AI 编造不存在的学术论文 DOI 号，甚至虚构并不存在的历史事件，让不少学生和研究者抓耳挠腮。
4. 根源：它只想把话说漂亮
为什么 AI 会犯这种低级错误？我们要看它的“底层逻辑”。
想象你在走一个迷宫，左边的路标写着“真相”，但路窄且坑洼（预测概率 40%）；右边的路标写着“流畅”，路宽且漂亮（预测概率 60%）。阿模作为一个追求“语言顺滑”的模型，会本能地走向右边。
大模型优化的是语言流畅性，而不是事实准确性。它就像一个背下了全宇宙书本的图书管理员，但他只记住了词语之间的排列规律，却没理解词语背后的真实含义。当它发现“纽约法院”后面经常跟着“判决”这个词时，它就会顺着感觉往下写，哪怕那个判决是它自己杜撰的。这种“预测下一个词”的机制是模型的内生属性，这意味着幻觉是无法从根本上彻底消除的，我们只能通过工程手段将其无限压低。
5. 练就火眼金睛：如何识别幻觉
既然幻觉不可避免，我们该怎么防范呢？小明总结了四步检查法：
- 警惕具体数字：AI 对日期、金额、百分比非常容易“随口乱说”。
- 验证引用来源：如果它给了你一个网页链接或论文名，一定要亲手搜一下。
- 越自信越要怀疑：当 AI 用“绝对”、“毫无疑问”这种语气说话时，往往是它陷入概率陷阱最深的时候。
- 多轮交叉验证：同一个问题，开个新窗口再问一遍，或者让它“反思一下刚才的回答是否有错”。
6. 减少幻觉的“特效药”：RAG 与温度
虽然不能根除，但我们可以给 AI “戴上紧箍咒”。
目前最主流的缓解方案叫 RAG（检索增强生成）。简单说，就是阿模考试前，我们允许他翻书。RAG 的核心是**“检索外部实时或私有知识库”**，它将模型自身的训练权重（长期记忆）与外部可靠的参考资料（短期知识）区分开来。当 AI 要回答问题时，它不再仅仅依靠脑子里模糊的概率，而是先去靠谱的数据库里精准搜索，把查到的实时资料放在手边，对着资料写答案。这样，幻觉率会得到极大程度的控制。
另一个关键的工程手段是调节 Temperature（温度值）。这是控制模型输出随机性的“旋钮”。
- 高温度值：AI 会变得更具创造力，更喜欢“遐想”，但也更容易产生幻觉。
- 低温度值（如 0）：AI 的输出会变得极其确定和保守。它会倾向于选择概率最高的词，从而使回答更稳定、更不容易胡编。在处理法律、医疗或财务数据时，将温度调至 0 是减少幻觉的必修课。
7. 敢于说“不”的 AI 才是好 AI
以前，我们总希望 AI 无所不知。但现在，我们更希望它能像个诚实的伙伴，不知道就说不知道。
通过系统提示词（System Prompt），我们可以明确告诉 AI：“如果你不确定，请直接回答‘我不确定’，严禁编造。”这种“诚实教育”能让 AI 在遇到知识盲区时不再硬撑，从而避免误导用户。记住，一个敢于承认无知的 AI，比一个满嘴跑火车的 AI 要可靠得多。
8. 谁是最不爱撒谎的 AI？
目前的科技圈，大家都在卷“幻觉率”。根据《2025 年技術趨勢研究報告》显示，随着架构的演进，Gemini 3 Pro 和 GPT-5 等先进模型在执行特定任务时的一致性已经达到了 96% 以上。相较于两年前 GPT-4 约 80% 的准确率，这已经是一个质的飞跃。
为了追求更高的可靠性，2025-2026 年涌现了许多新技术。例如微软的 GraphRAG，它不仅能让 AI 翻书，还能通过知识图谱让 AI 理解信息之间的深度关联。还有**推理时干预（ITI）**技术，它能让 AI 在生成文字的过程中，实时监控自己是否在“胡编”，做到“边思考边查证”。
然而，根据 2026 年 Vectara 的最新数据监测，大模型的幻觉率区间依然处于 1.8% 到 24.2% 之间波动。这意味着虽然我们在不断进步，但幻觉依然如影随形。只要 AI 的底层逻辑还是基于概率预测，就总会有那么一部分概率通向虚无。
9. 别怕，把 AI 当成“初稿练习生”
既然幻觉可能永远存在，我们该如何与它共处？
阿模给小明提了**“三不原则”**：
- 不盲信：把它当参考，别把它当真理。
- 不偷懒：生成的每一段重要事实，都要人工过一遍。
- 不甩锅：如果你直接用了 AI 编造的假数据导致了损失，对不起，这个锅得你自己背。
把 AI 看作一个才华横溢但记性不好的助手，你会用得更顺手。不要期待它在未来某一天能突然达到 100% 的准确，而是要学会利用先进的 RAG 工具和合理的参数设置，将其风险降至最低。
10. 总结与下期预告
今天我们深挖了 AI 幻觉的秘密。它不是简单的故障，而是大模型追求语言流畅度时的一种内生属性。虽然通过 RAG、低温度设置以及 2026 年最新的推理干预手段能大幅缓解它，但作为使用者的我们，永远要保持那份独立思考的清醒。
为了扩充知识面，我们下期将聊聊 AI 这种“脑补”能力在创意领域的正面应用。有时候，幻觉用对了地方，就是伟大的天才创意；用错了地方，才是灾难性的误导。
下期预告： 既然大模型不理解事实，只理解概率，那它是怎么把成千上万的词语联系在一起的呢？在它眼里，苹果和梨为什么比苹果和扳手更近？ 下一期，我们将进入微观世界，聊聊大模型的“导航地图”——向量嵌入（Embedding）。别被名字吓到，其实就是给词语找邻居！我们下期见！
