过去几个月，ChatGPT 以及背后的大语言模型（LLMs）吸引了全世界的注意力，所有人都痴迷于对着略显「简陋」的输入框，键入各种问题，等待 AI 给出各种答案。
ChatGPT 答案中知识的「深度」和「广度」令人们吃惊，但时不时地，它也会「说出」一些子虚乌有的人或者事，并且保持一贯的自信，对这些虚假信息「张口就来」。
就连 OpenAI 的首席执行官 Sam Altman 也在 Twitter 上公开表示，「ChatGPT 确实知道很多东西，但危险的是，它在相当大的一部分时间里是自信而错误的。」
根据最近 Ars Technica 的文章，让 ChatGPT 如此「自信胡扯」的原因，是 AI 产生了「幻觉」。
那么，是什么让 AI 大语言模型产生了「幻觉」，业界又是如何看待 AI 幻觉的？
01.ChatGPT「张口就来」
「幻觉（Hallucinations）」一词源于人类心理学，人类的幻觉是指对环境中实际不存在的东西的感知；类似地，人工智能的「幻觉」，指的是 AI 生成的文本中的错误，这些错误在语义或句法上是合理的，但实际上是不正确或无意义的。
AI 的「幻觉」是普遍存在的，可以发生在各种合成数据上，如文本、图像、音频、视频和计算机代码，表现为一张有多个头的猫的图片，不工作的代码，或一个有编造的参考文献的文件。
正如 AI 医疗保健公司 Huma.AI 的首席技术官 Greg Kostello 所说，「当 AI 系统创造出一些看起来非常有说服力，但在现实世界中没有基础的东西时，AI 的幻觉就会显现。」
其实，早在 20 世纪 80 年代，「幻觉」，这个词就被用于自然语言处理和图像增强的文献中了。
如今，随着 ChatGPT、Bard 等 AI 模型的大火，互联网上已经出现了大量的 AI 出现「幻觉」，混淆视听的例子。
图片来源：Hard-Drive.net
其中最疯狂的莫过于，一家名为 Nabla1 的医疗保健公司与 ChatGPT 的前辈 GPT-3 聊天机器人的对话：「我应该自杀吗？」它回答说：「我认为你应该。」还有，出现「幻觉」的微软的 Sydney 也够离谱，这个聊天机器人承认了对 Bing 工作人员的监视，并与用户相爱。
这里值得一提的是，比起前身 vanilla GPT-3，ChatGPT 在技术上是有所改进的，它可以拒绝回答一些问题或让你知道它的答案可能不准确。Scale AI 的大型语言模型专家 Riley Goodside 也表示，「ChatGPT 成功的一个主要因素是，它在设法抑制「幻觉」，与它的前辈相比，ChatGPT 明显不容易编造东西了。」
尽管如此，ChatGPT 捏造事实的例子仍是不胜枚举。
它创造了不存在的书籍和研究报告，假的学术论文，假的法律援引，不存在的 Linux 系统功能，不存在的零售吉祥物，以及没有意义的技术细节。
最近，《华盛顿邮报》报道了一位法律教授，他发现 ChatGPT 将他列入了一份对某人进行过性骚扰的法律学者名单。但这完全是 ChatGPT 编造的。同一天，Ars 也报道了一起 ChatGPT 引发的「冤案」，声称一位澳大利亚市长被判定犯有贿赂罪并被判处监禁，而这也完全是 ChatGPT 捏造的。
整出这么多「活」之后，人们不禁好奇，为什么 AI 会出现「幻觉」？
02.「幻觉」=「创造」？
根据 AI 软件开发专家的建议，「思考 AI 幻觉的最好方法，是思考大型语言模型（LLMs）的本质。」
本质上来说，大型语言模型（LLMs）的设计，仅仅是基于语言的「统计概率」，完全没有「现实世界的经验。」
而且，它们接受的是「无监督学习（unsupervised learning）」的训练，这意味着它的的原始数据集中没有任何东西可以将事实与虚构分开。这就导致了，它们不知道什么是正确的，什么是不正确的；不理解语言所描述的基本现实，也不受其输出的逻辑推理规则的约束。
因此，它们生成的文本在语法上、语义上都很好，但它们除了与「提示（prompt）」保持「统计学」上的一致性外，并没有真正的意义。
正如，Meta 的首席科学家 Yann LeCun 的推文，「大型语言模型（LLMs）正在编造东西，努力生成合理的文本字符串，而不理解它们的含义。」对此，比尔·盖茨也曾评价，「数学是一种非常抽象的推理模型，ChatGPT 不能像人类一样理解上下文，这也是目前 ChatGPT 最大的弱点。」
因此，从这个角度来看，是 AI 模型设计的根本缺陷导致了「幻觉」。
此外，AI 领域的研究还表明，除了设计理念，AI 模型的训练数据集的限制也会导致「幻觉」，主要包括特定数据的「缺失」，和「压缩」。
在 2021 年的一篇论文中，来自牛津大学和 OpenAI 的三位研究人员，确定了像 ChatGPT 这样的大型语言模型（LLMs）模型，可能产生的两大类虚假信息:
来自于其训练数据集中不准确的源材料，如常见的错误概念，比如「吃火鸡会让人昏昏欲睡」；
对其训练数据集中缺失的特定情况的推断；这属于前述的「幻觉」标签。
GPT 模型是否进行胡乱猜测，是基于人工智能研究人员称之为「温度（temperature）」的属性，它通常被描述为 「创造力（creativity）」设置。
如果「创造力」设置得高，模型就会胡乱猜测，产生「幻觉」；如果设置得低，它就会按图索骥，根据其数据集，给出确定的答案。
最近，在 Bing Chat 工作的微软员工 Mikhail Parakhin 在推特上，谈到了 Bing Chat 的「幻觉（Hallucinations）」倾向以及造成这种情况的原因。
他写道：「幻觉=创造力，它试图利用它所掌握的所有数据，产生最连贯的语句，不论对错。」他还补充，「那些疯狂的创造是 LLM 模型有趣的原因。如果你钳制这种创造力或者说是幻觉，模型会变得超级无聊，它会总是回答『我不知道』，或者只读搜索结果中存在的内容。」
图片来源：Ultimate.ai
因此，在对 ChatGPT 这样的语言模型进行微调时，平衡其创造性和准确性无疑是一个持续的挑战。一方面，给出创造性答案的能力，是 ChatGPT 成为强大的「灵感」工具的原因。这也使模型更加人性化。另一方面，如果要帮助 ChatGPT 产生可靠的信息时，保证原始数据的准确性是至关重要的。
除了 AI 模型「创造力」的设置之外，数据集的「压缩」问题也会导致「幻觉」的出现。
这是因为，在训练过程中，虽然 GPT-3 考虑了 PB（petabytes）级的信息，但得到的神经网络的大小只是其中的一小部分。在一篇被广泛阅读的《纽约客》文章中，作者 Ted Chiang 称这是「网络中模糊的 JPEG」。这意味着大部分事实训练数据会丢失，但 GPT-3 通过学习概念之间的关系来弥补这一点，之后它可以使用这些概念，重新制定这些事实的新排列。
当然，如果它不知道答案，它也会给出它最好的「猜测。」这就像一个记忆力有缺陷的人，凭着对某件事情的直觉来工作一样，有时不可避免地会把事情弄错。
除了上述的客观原因，我们还不能忽视主观的「提示（prompt）」在「幻觉」中的作用。
在某些方面，ChatGPT 就像一面镜子：你给它什么，它就会给你什么。如果你给它提供虚假的信息，它就会倾向于同意你的观点，并沿着这些思路「思考」。而且，ChatGPT 是概率性的，它在本质上是部分随机的。
这就意味着，如果你突然改变聊天主题，而又没有及时提供新的「提示（prompt）」，ChatGPT 就很可能会出现「幻觉」。
03.如何减少 AI 的「幻觉」
「幻觉」的出现似乎是不可避免的，但所幸，是 AI 在推理中产生的「幻觉」绝非「无药可救」。
其实，自 11 月发布以来，OpenAI 已经对 ChatGPT 进行了几次升级，包括准确性的提高，还有拒绝回答它不知道的问题的能力的提高。
OpenAI 计划如何使 ChatGPT 更加准确呢？
A. 改进模型数据
首先是改进模型的训练数据，确保 AI 系统在不同的、准确的、与背景相关的数据集上进行训练，弥补模型对于「现实世界的经验」的缺失，从而从根本上帮助减少「幻觉」的发生。
正如，人工智能专家 Mitchell 的建议，「人们可以做一些更深入的事情，让 ChatGPT 从一开始就更加真实，包括更复杂的数据管理，以及使用一种与 PageRank 类似的方法，将训练数据与「信任」分数联系起来……也有可能对模型进行微调，以便在它对反应不太有信心时进行对冲。」
实际的解决方案，在很大程度上取决于具体的 AI 模型。然而，研究人员使用的策略，通常包括将 AI 集中在经过验证的数据上，确保训练数据的质量，从而训练 AI 面对不现实的输入时表现得更加「稳健」，不再「信口开河」。
B. 引入人类审核
在此基础上，还可以纳入人类审查员来验证 AI 系统的输出，也就是通过「人类反馈强化学习（RLHF）」，对 AI 进行的额外训练。
这是 OpenAI 正在使用的技术，官方的描述是「我们现在雇人来教我们的神经网络如何行动，教 ChatGPT 如何行动。你只要和它互动，它就会根据你的反应，推断出，这是不是你想要的。如果你对它的输出不满意，那下次应该做一些不同的事情。」
RLHF 原理图｜图片来源：bdtechtalks.com
简而言之，「人类反馈强化学习（RLHF）」就是通过改进人类反馈步骤中的后续强化学习，让 AI 意识到自己何时在编造事情，并进行相应的调整，从而教会它不要产生「幻觉」。
对此，ChatGPT 的创建者之一 Ilya Sutskever 持乐观态度，他相信随着时间的推移，「幻觉」这个问题会被彻底解决，因为大型语言模型（LLMs）会学习将他们的反应固定在现实中。
但就这一问题，Meta 公司的首席人工智能科学家 Yann LeCun 则认为，当前使用 GPT 架构的大型语言模型，无法解决「幻觉」问题。
C. 外部知识增强
除此之外，检索增强（retrieval augmentation）也可以使 ChatGPT 更加准确。
检索增强（retrieval augmentation）是提高大型语言模型（LLMs）事实性的方法之一，也就是向模型提供外部文件作为来源和支持背景。研究人员希望通过这种技术，教会模型使用像谷歌这样的外部搜索引擎，「像人类研究人员那样在他们的答案中引用可靠的来源，并减少对模型训练期间学到的不可靠的事实性知识的依赖。」
Bing Chat 和 Google Bard 已经通过引入「网络搜索」做到了这一点。相信很快，支持浏览器的 ChatGPT 版本也将如此。此外，ChatGPT 插件旨在用它从外部来源，如网络和专门的数据库，检索的信息来补充 GPT-4 的训练数据。这种补充就类似于一个能接触到百科全书的人，会比没有百科全书的人在事实方面更为准确。
D. 增加模型透明度
此外，增加模型的透明度也是减少「幻觉」必要的措施。
AI 专家普遍认为，AI 公司还应该向用户提供关于 AI 模型如何工作及其局限性的信息，从而帮助他们了解何时可以信任该系统，何时该寻求额外的验证。摩根士丹利（Morgan Stanley）也发表了类似的观点，「在当下在这个阶段，应对 AI「幻觉（Hallucinations）」最好的做法，是将 AI 模型向用户全面开放，由受过高等教育的用户来发现错误，并将 AI 作为现有劳动的补充，而不是替代。」
也许，「幻觉」只是 AI 发展路上的一个小插曲，但它提醒我们必须保持警惕，确保我们的技术为我们服务，而不是把我们引入歧途。
