AI 的能力越强，胡扯起来就越让人头疼。它既能一本正经地编造从未发生过的事情，也会在简单的比大小问题上犯错。从两年前惊艳问世的 ChatGPT，到如今默默落地的 DeepSeek V3.1，没有一个大模型能摆脱幻觉的困扰。

为什么大模型总是产生幻觉？这在互联网上成了一个未解之谜。不过，上周 OpenAI 的一篇论文提出了一个有趣的观点：“造成 AI 幻觉的根本原因，可能在于人类训练 AI 的过程”。简单来说，不是 AI 不行，而是我们的训练方式有问题，是我们 “CPU”（这里是调侃式说法，可理解为过度施压或错误引导）了它。

为什么要把锅甩给人类呢？要回答这个问题，需要从内外两个层面来剖析大模型。

从内部层面来看，大模型的训练机制决定了它天生就容易产生幻觉，这是 AI 幻觉的 “内忧”。在训练模型时，模型要从海量文本中学习预测下一个单词的能力。只要一句话看起来合理，模型就会学习其结构，却难以分辨内容的对错。当我们向模型提问时，模型优先考虑完整回答问题，但并非所有问题都有明确答案。例如，用火锅照片让大模型判断是什么动物，模型会分析特征，若特征与狗相似，可能判断为金毛。但如果问火锅的生日，模型就会不知所措，因为从图像中无法得知狗的生日。若模型硬着头皮回答，随意给出答案，就产生了幻觉问题。可以说，产生幻觉是大模型的天性，大模型本质上类似词语接龙，答对的被视为正确，答错的就成了幻觉。

从外部层面来讲，我们现在训练大模型时给模型打分评估的方式，也加重了模型的幻觉问题，这是 “外患”。以问火锅生日为例，简化训练过程：假设模型答对一题得一分，答错不加分。当被问火锅生日时，如果模型直接说不知道，那永远是零分；若瞎猜，有三百六十五分之一的概率蒙对。一边是绝对失败，一边是有极小概率答对，为了在人类定制的排行榜上获得更高分数，越来越多的大模型放弃了说 “我不知道” 的权利。对追求分数的模型而言，瞎猜成了唯一理性选择，诚实反倒成了愚蠢策略。OpenAI 的研究人员观察主流大模型排行榜后发现，大家都通过这种 “只分对错” 的方式测试大模型能力，原本衡量模型能力的考题，却成了促使大模型产生幻觉的因素。

为验证这种 “应试思维” 的影响，OpenAI 用旗下两个模型做对比，结果发现，刷题时老模型 o4 – mini 的正确率比新模型 GPT – 5 还高 2 个百分点。但代价是，o4 – mini 四分之三的问题都答错了，只有 1% 的题目会承认大模型有极限；而 GPT – 5 遇到不会的问题，会直接承认不知道。这也是 OpenAI 认可 GPT – 5 的地方，虽然它刷榜能力变差了，但学会认错了。

在论文结尾，OpenAI 提出几个观点：对大模型来说，幻觉无法消除，只能设法避免，因为世界上总有一些问题没有答案；模型要学会从应试教育中跳出来，勇敢回答 “我不知道”；小模型比大模型更容易意识到自身局限性，因为小模型很多知识没学过，会干脆承认不会，而大模型因学了些皮毛，答题时可能过于自信，导致答错产生幻觉；作为人类，我们要重新设计评估模型能力的方式和训练模型的体系，降低模型瞎猜的概率。

这些观点看似合理，但仔细想想，一个没有幻觉的大模型真的是我们需要的吗？换个角度，如果两年前大模型对不确定的问题都回答 “对不起，我不知道”，这种用户体验差的 AI 可能根本不会火起来。实际上，近年来越来越多研究表明，模型的创造力和幻觉相辅相成。一个不会出现幻觉的模型，可能也会失去创造能力。

以刚发布的 GPT – 5 为例，OpenAI 采取诸多措施降低其幻觉概率，但模型也变得缺乏 “人味”，没有激情，甚至显得有些 “蠢”。面对同样问题，GPT – 5 表现得过于冷静。很多人原本和 GPT4o 谈着 “甜甜的恋爱”，结果 GPT – 5 上线后，因其幻觉概率降低，在聊天和文艺创作领域表现不佳，像个 “小脑被阉割的呆子”，愤怒的网友发起 “拯救 4o” 网络运动。最后，山姆・奥特曼不得不重新开放老模型权限。

所以，一味抑制模型幻觉不一定是好事。允许模型犯错，还是让它谨小慎微什么都不做，没有标准答案，因人而异。或许未来某一天，用户会嫌弃 AI 太 “老实”，缺乏灵气；但也有人始终更想要一个完全可信赖的伙伴。