人工智能这几年发展得真快，聊天机器人已经渗透到日常生活的各个角落——你动动嘴皮子，ChatGPT这类工具就能给你吐出一段回答。不过，这些看似聪明的家伙，时不时会犯一个让人头疼的毛病：“AI幻觉”。说白了，就是一本正经地胡说八道，给出错误甚至危险的答案。这背后，有训练数据的问题，有模型泛化的短板，也有数据采集时埋下的隐患。但牛津大学的研究人员另辟蹊径，在最近一期的《自然》杂志上亮出了一套新方法——专门用来揪出大型语言模型（LLM）的“捏造”行为。

图源 Pexels

先简单说说LLM的运作原理：它通过在海量训练数据里找模式来生成答案。但这招并非百试百灵，就像你盯着天上的云朵能看出动物的形状一样，AI也可能在数据中“发现”根本不存在的关联模式。区别在于，人知道那只是云，天上可没有飘着的巨象；而LLM却可能把这种模式当真，从而凭空“捏造”出并不存在的新技术或其他虚假信息。

牛津团队的核心思路，是利用“语义熵”这个概念，通过概率计算来判断LLM有没有在“胡编”。语义熵，简单说就是一个词语可能对应多种含义造成的混乱度。比如英语里的“desert”，既能指沙漠，也能表示“抛弃”。当LLM遇到这类模棱两可的词时，它容易在含义上犯糊涂。通过检测语义熵，研究人员就能评估模型输出的内容是否存在“幻觉”的可能。

这套方法有个明显的好处：它不需要额外的监督信号或强化学习做辅助，就能快速完成检测。而且，因为不依赖特定任务的数据，即使LLM碰到从没见过的全新任务，这套检测工具照样能派上用场。换句话说，在AI第一次面对某个问题或指令时，用户也能多一份判断的依据，信任感自然就上去了。

研究团队的原话是：“我们的方法可以帮助用户理解，什么时候需要对LLM的输出保持警惕，并为那些因不可靠而被长期搁置的LLM应用打开一扇新的大门。”

如果语义熵最终被证明是有效的“幻觉”检测手段，那我们就能用这类工具给AI的输出加一道双重保险，让它成为一个更靠谱的助手。不过需要提醒的是，机器和人一样，都不是完美的。就算配上了最先进的纠错工具，LLM仍然可能出错。因此，对ChatGPT这类聊天机器人给出的答案，保持一颗核查的心，依然是最明智的做法。