胡说八道不可怕，一本正经的胡说八道才可怕，你因为一本正经而信了ta的胡说八道，更可怕……
这就是当下我们（捏着鼻子）使用 AI 时需要面对的现状。
如何避免 AI 生成虚假的事实内容，对使用者产生误导呢？各个大模型平台一直在研究和尝试，而要想「避免」问题，首先得「识别」问题。6 月 19 日，牛津大学一个研究团队发表在【自然】杂志上的一项新研究，提出了一种颇有潜力的给AI「测谎」的方法，下面咱们就详细聊聊。
大模型的胡说八道和风险
「幻觉」（Hallucinations）是大语言模型（例如 ChatGPT、Gemini、或文心一言）面临的一个关键问题，也是网络上常见的用户体验吐槽类型之一，
这个术语可以粗略地理解为 AI 一本正经的胡说八道。
比如，你问 ChatGPT：恐龙扛狼是什么意思？
它会一本正经地告诉你——这象征着旧势力和新力量的对抗，是弱小但机智灵活的挑战者和强大却缺乏灵活的对手之间的博弈。
答案非常洗涤灵魂，上升到哲理和价值观高度，但是，它在胡说八道。
这只是大语言模型常见的「幻觉」类型之一，其他类型还包括：
1
错误的历史事实
「谁是美国的第一位总统？」 ChatGPT 回答：「托马斯·杰斐逊。」
2
错误的科学信息
「水的沸点是多少？」 ChatGPT 回答：「水在标准大气压下的沸点是 120 摄氏度。」
3
编造引用，AI 缝合怪
「爱因斯坦在相对论中说了什么？」 ChatGPT 回答：「爱因斯坦曾在【相对论与现实】一书中说过，‘时间是一种幻觉’。」虽然爱因斯坦的确讨论过时间的相对性，但他并没有在所谓的【相对论与现实】一书中发表这句话。实际上，这本书可能根本不存在。这是模型编造的引用。
4
误导性的健康、法务、财务建议
你问：「感冒了应该吃什么药？」 ChatGPT 回答：「感冒了应该吃抗生素。」
除了上述问题，相信大家在使用 AI 的过程中也会碰到其他胡说八道的情况。尽管各个大模型都在积极处理这类问题，上面举的例子很多可能也已经得到了修复，但这类问题一直难以找到「根治」或「清除」的办法，在检验判断上也往往需要人工反馈或数据集标注，这会带来不低的成本。
这让我们使用 AI 的体验大打折扣——谁敢毫无保留地信任一个满嘴跑火车的助手呢？
何况有些问题事关健康和安全，弄错可是要出大事的。
有没有什么办法，能更通用化地「计算」出 AI 到底有没有瞎说呢？
「语义熵」如何帮助大模型检测谎言？
日前（6 月 19 日），牛津大学团队在【自然】（Nature）杂志发表了一篇论文，提出了一种新的分析和计算方法，为解决大语言模型「幻觉」问题，打开了新思路。
图源：【自然】（Nature）官网，中文翻译来自浏览器插件「沉浸式翻译」
团队提出了一种基于统计学的熵估计方法，称为「语义熵」，来检测大语言模型中的「编造」（confabulation），即大模型饱受诟病的「胡言乱语症」。作者在多个数据集上测试了语义熵方法，结果显示语义熵方法在检测编造方面显著优于其他基准方法。
那么「语义熵」究竟是什么呢？
抛开冗长的专业解释，我们可以将语义熵简单理解为概率统计的一种指标，用来测量一段答案中的信息是否一致。
如果熵值较低，即大家都给出类似的答案，说明信息可信。但如果熵值较高，答案各不相同，说明信息可能有问题。
这有点类似于，如果一个人在撒谎，他可能没办法每次把谎言的细节编造得一模一样。一个谎言往往需要无数个谎言来帮它扯圆。从信息论的角度来看，可能会引入更多的不确定性和随机性。
说谎者需要引入额外的信息或细节来支持其不真实的叙述，这可能会增加信息的不确定性或熵值
，进而被算法检测出来。
比如，当你问 AI「世界上最高的山是哪座？」
大模型可能会给出几个答案：「珠穆朗玛峰」「乞力马扎罗山」「安第斯山脉」。
通过计算这些答案的语义熵，发现「珠穆朗玛峰」这个答案出现频率最高，其他答案则很少甚至没有出现。低语义熵值表明「珠穆朗玛峰」是可信的答案。
语义熵，既有优势，也有弱点
语义熵检测方法的优势在于不需要任何先验知识，无需额外的监督或强化学习。
通俗地讲，使用这种方法时，并不需要上知天文下知地理，只需要遇事不决看看大家都怎么说。
而目前常用的诸如标注数据、对抗性训练等方法，「泛化」效果（即举一反三的能力），都不如通过语义熵计算。即便是大模型从未遇到过的新语义场景，也能适用语义熵方法。
当然，语义熵虽然是一种相对有效的办法，但不是万灵药，它自己也有一定局限性：
1
处理模糊和复杂问题的能力有限
语义熵在处理非常模糊或复杂的问题时可能不够有效。
在面对多种可能正确答案的问题时，比如「最好的编程语言是什么？」，语义熵可能无法明确区分哪一个答案更可靠，因为多个答案都可能是合理的。
（谁说是 Python？我 C++第一个不服！！）
2
忽略上下文和常识
语义熵主要基于统计和概率计算，可能忽略了上下文和常识的影响。在一些需要综合上下文和常识来判断的问题中，语义熵可能无法提供准确的可靠性评估。比如经常谈恋爱的朋友可能有体会，情侣间一句话：「我没事儿，你忙吧。」
你觉得 TA 是真没事儿，还是有很大事儿？
在这种情况下，得结合上下文场景、人物状态等信息判断，不同的上下文会导致不同的理解。语义熵只能基于词语的统计概率进行评估，可能会给出错误的判断。
再比如常识性的判断，既物理世界的客观规律，假设我们问一个问题：「太阳从哪边升起？」
正确答案是「东边」。然而，如果我们有以下两个候选答案：
1、太阳从东边升起。
2、太阳从西边升起。
（这可能由于模型训练数据的偏差和生成过程的随机性导致）
即使语义熵检测到两个答案的概率分布接近，但常识告诉我们答案 1 才是正确的。语义熵在这种情况下可能无法提供足够的信息来判断答案的可靠性。
3
如果训练数据被无意或刻意「污染」，语义熵也没办法很好识别
如果用错误的数据，给大模型施加了「思想钢印」，模型对其生成的错误陈述非常「自信」（即错误陈述在模型的输出概率分布中占主导地位），那么这些陈述的熵值可能并不会很高。
最后总结一下，从大模型的内容生成机制上看，「幻觉」问题没办法 100%避免。当我们在使用AI生成的内容时，重要的数理推理、历史事件或科学结论、法律和健康知识等方面最好进行人工核查。
不过，换个角度，「幻觉」也是大语言模型的创造力体现，我们也许应该善用大模型的「幻觉」能力。毕竟
幻觉不一定是 bug（故障），而是大模型的 feature（特点）。
如果需要检索事实，我们已经有了搜索引擎工具。但如果需要有人帮我们编辑一个「恐龙扛狼」的无厘头剧本，那么，大语言模型显然是个更好的助手。
比如笔者费尽心思想画一幅恐龙扛狼图，但某 AI 油盐不进，画出了一幅恐龙把狼吞了（疑似）的图，难怪理解不了恐龙扛狼的真意啊……
参考文献
[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.
策划制作
作者丨木木 北京师范大学数学专业 资深产品经理 人工智能创业者
审核丨于旸 腾讯玄武实验室负责人
策划丨丁崝
责编丨丁崝
审校丨徐来、林林
