胡說八道不可怕，一本正經的胡說八道才可怕，你因為一本正經而信了ta的胡說八道，更可怕……這就是當下我們（捏著鼻子）使用 AI 時需要面對的現狀。
如何避免 AI 生成虛假的事實內容，對使用者產生誤導呢？各個大模型平臺一直在研究和嘗試，而要想“避免”問題，首先得“識別”問題。6 月 19 日，牛津大學一個研究團隊發表在《自然》雜志上的一項新研究，提出了一種頗有潛力的給AI“測謊”的方法，下面咱們就詳細聊聊。
大模型的胡說八道和風險
“幻覺”（Hallucinations）是大語言模型（例如 ChatGPT、Gemini、或文心一言）面臨的一個關鍵問題，也是網絡上常見的用戶體驗吐槽類型之一，這個術語可以粗略地理解為 AI 一本正經的胡說八道。
比如，你問 ChatGPT：恐龍扛狼是什么意思？
它會一本正經地告訴你——這象征著舊勢力和新力量的對抗，是弱小但機智靈活的挑戰者和強大卻缺乏靈活的對手之間的博弈。
答案非常洗滌靈魂，上升到哲理和價值觀高度，但是，它在胡說八道。
這只是大語言模型常見的“幻覺”類型之一，其他類型還包括：
1、錯誤的歷史事實
“誰是美國的第一位總統？” ChatGPT 回答：“托馬斯·杰斐遜。”
2、錯誤的科學信息
“水的沸點是多少？” ChatGPT 回答：“水在標準大氣壓下的沸點是 120 攝氏度。”
3、編造引用，AI 縫合怪
“愛因斯坦在相對論中說了什么？” ChatGPT 回答：“愛因斯坦曾在《相對論與現實》一書中說過，‘時間是一種幻覺’。”雖然愛因斯坦的確討論過時間的相對性，但他并沒有在所謂的《相對論與現實》一書中發表這句話。實際上，這本書可能根本不存在。這是模型編造的引用。
4、誤導性的健康、法務、財務建議
你問：“感冒了應該吃什么藥？” ChatGPT 回答：“感冒了應該吃抗生素。”
除了上述問題，相信大家在使用 AI 的過程中也會碰到其他胡說八道的情況。盡管各個大模型都在積極處理這類問題，上面舉的例子很多可能也已經得到了修復，但這類問題一直難以找到“根治”或“清除”的辦法，在檢驗判斷上也往往需要人工反饋或數據集標注，這會帶來不低的成本。
這讓我們使用 AI 的體驗大打折扣——誰敢毫無保留地信任一個滿嘴跑火車的助手呢？何況有些問題事關健康和安全，弄錯可是要出大事的。
有沒有什么辦法，能更通用化地“計算”出 AI 到底有沒有瞎說呢？
“語義熵”如何幫助大模型檢測謊言？
日前（6 月 19 日），牛津大學團隊在《自然》（Nature）雜志發表了一篇論文，提出了一種新的分析和計算方法，為解決大語言模型“幻覺”問題，打開了新思路。
圖源：《自然》（Nature）官網，中文翻譯來自瀏覽器插件“沉浸式翻譯”
團隊提出了一種基于統計學的熵估計方法，稱為“語義熵”，來檢測大語言模型中的“編造”（confabulation），即大模型飽受詬病的“胡言亂語癥”。作者在多個數據集上測試了語義熵方法，結果顯示語義熵方法在檢測編造方面顯著優于其他基準方法。
那么“語義熵”究竟是什么呢？
拋開冗長的專業解釋，我們可以將語義熵簡單理解為概率統計的一種指標，用來測量一段答案中的信息是否一致。如果熵值較低，即大家都給出類似的答案，說明信息可信。但如果熵值較高，答案各不相同，說明信息可能有問題。
這有點類似于，如果一個人在撒謊，他可能沒辦法每次把謊言的細節編造得一模一樣。一個謊言往往需要無數個謊言來幫它扯圓。從信息論的角度來看，可能會引入更多的不確定性和隨機性。說謊者需要引入額外的信息或細節來支持其不真實的敘述，這可能會增加信息的不確定性或熵值，進而被算法檢測出來。
比如，當你問 AI“世界上最高的山是哪座？”
大模型可能會給出幾個答案：“珠穆朗瑪峰”“乞力馬扎羅山”“安第斯山脈”。
通過計算這些答案的語義熵，發現“珠穆朗瑪峰”這個答案出現頻率最高，其他答案則很少甚至沒有出現。低語義熵值表明“珠穆朗瑪峰”是可信的答案。
語義熵，既有優勢，也有弱點
語義熵檢測方法的優勢在于不需要任何先驗知識，無需額外的監督或強化學習。通俗地講，使用這種方法時，并不需要上知天文下知地理，只需要遇事不決看看大家都怎么說。
而目前常用的諸如標注數據、對抗性訓練等方法，“泛化”效果（即舉一反三的能力），都不如通過語義熵計算。即便是大模型從未遇到過的新語義場景，也能適用語義熵方法。
當然，語義熵雖然是一種相對有效的辦法，但不是萬靈藥，它自己也有一定局限性：
1、處理模糊和復雜問題的能力有限
語義熵在處理非常模糊或復雜的問題時可能不夠有效。
在面對多種可能正確答案的問題時，比如“最好的編程語言是什么？”，語義熵可能無法明確區分哪一個答案更可靠，因為多個答案都可能是合理的。
（誰說是 Python？我 C++第一個不服！！）
2、忽略上下文和常識
語義熵主要基于統計和概率計算，可能忽略了上下文和常識的影響。在一些需要綜合上下文和常識來判斷的問題中，語義熵可能無法提供準確的可靠性評估。比如經常談戀愛的朋友可能有體會，情侶間一句話：“我沒事兒，你忙吧。”
你覺得 TA 是真沒事兒，還是有很大事兒？
在這種情況下，得結合上下文場景、人物狀態等信息判斷，不同的上下文會導致不同的理解。語義熵只能基于詞語的統計概率進行評估，可能會給出錯誤的判斷。
再比如常識性的判斷，既物理世界的客觀規律，假設我們問一個問題：“太陽從哪邊升起？”
正確答案是“東邊”。然而，如果我們有以下兩個候選答案：
1.太陽從東邊升起。
2.太陽從西邊升起。
（這可能由于模型訓練數據的偏差和生成過程的隨機性導致）
即使語義熵檢測到兩個答案的概率分布接近，但常識告訴我們答案 1 才是正確的。語義熵在這種情況下可能無法提供足夠的信息來判斷答案的可靠性。
3、如果訓練數據被無意或刻意“污染”，語義熵也沒辦法很好識別
如果用錯誤的數據，給大模型施加了“思想鋼印”，模型對其生成的錯誤陳述非常“自信”（即錯誤陳述在模型的輸出概率分布中占主導地位），那么這些陳述的熵值可能并不會很高。
最后總結一下，從大模型的內容生成機制上看，“幻覺”問題沒辦法 100%避免。當我們在使用AI生成的內容時，重要的數理推理、歷史事件或科學結論、法律和健康知識等方面最好進行人工核查。
不過，換個角度，“幻覺”也是大語言模型的創造力體現，我們也許應該善用大模型的“幻覺”能力。畢竟幻覺不一定是 bug（故障），而是大模型的 feature（特點）。
如果需要檢索事實，我們已經有了搜索引擎工具。但如果需要有人幫我們編輯一個“恐龍扛狼”的無厘頭劇本，那么，大語言模型顯然是個更好的助手。
比如筆者費盡心思想畫一幅恐龍扛狼圖，但某 AI 油鹽不進，畫出了一幅恐龍把狼吞了（疑似）的圖，難怪理解不了恐龍扛狼的真意啊……
參考文獻
[1] S. Farquhar, J. Kossen, L. Kuhn, and Y. Gal, “Detecting hallucinations in large language models using semantic entropy,” Nature, vol. 630, no. 8017, pp. 625–630, 2024, doi: 10.1038/s41586-024-07421-0.
