当下大语言模型（LLM）如 ChatGPT 等已广泛应用于各个领域，从日常聊天到专业的医疗、法律和科研辅助等。然而，LLM 的幻觉现象却如影随形，给其应用带来了诸多挑战和潜在风险。深入理解 LLM 幻觉的类型、成因、影响以及应对策略，对于推动 AI 技术的健康发展至关重要。今天我们一起了解一下LLM幻觉。
一、LLM幻觉的多样奇观
LLM幻觉（基于验证链（Chain of Verification）的大语言模型幻觉问题解决方案），简而言之，是指大型语言模型在生成文本时，产生的与事实不符、逻辑错乱或违背指令的输出。这些幻觉如同万花筒般绚烂多彩，却又让人捉摸不透其本质。根据幻觉的不同表现，我们可以将其大致分为以下几类：
（一）外在幻觉（Extrinsic Hallucinations）
外在幻觉是指 LLM 凭空捏造信息，这些信息在输入数据中不存在且毫无事实依据。例如，一个聊天机器人自信地编造出 “1824 年的大香蕉条约” 这样的历史事件；或者一个总结工具声称阿尔伯特・爱因斯坦将发明披萨作为副业；再如健康应用编造出 “试试大蒜袜子助眠” 这种毫无科学根据的医疗建议。这种幻觉的产生主要源于对训练数据的过度拟合，模型过度学习了训练数据中的模式，以至于能够流利地说出看似合理但实则虚假的句子。同时，知识空白也会导致其在不确定时进行猜测，而基于概率的统计生成方式有时也会产生完全荒谬的内容。外在幻觉在现实中可能造成严重后果，如在医疗领域给出基于不存在研究的治疗建议，或在法律系统中生成假的案例引用。
（二）内在幻觉（Intrinsic Hallucinations）
内在幻觉则是对输入数据进行扭曲或错误表述。比如，在总结一篇关于气候变化的文章时，AI 声称 “通过给海豚喂有机羽衣甘蓝可以逆转全球变暖”；或者在处理人物传记时，将出生年份从 1973 年错误表述为 1873 年；在总结小说时，颠倒事件顺序，使高潮结局出现在第一章。其产生原因包括注意力问题，即模型在权衡输入数据不同部分时，有时更注重流畅性而非准确性；源材料的模糊性也会导致 AI 误解，例如将讽刺误判为真诚；此外，训练数据中的偏差也会使 AI 延续这些错误。内在幻觉虽然看似不如外在幻觉那么引人注目，但在医疗报告、研究总结和法律分析等领域同样会引发问题，如误导治疗方案、混淆研究方法和导致法律建议失误等。
（三）事实性幻觉（Factuality Hallucinations）
事实性幻觉表现为 AI 生成的内容自信地宣称明显错误的事情。像医疗聊天机器人声称 “吃胡萝卜能治愈所有癌症”，AI 旅行指南说 “珠穆朗玛峰在意大利”，历史模型断言 “1849 年亚伯拉罕・林肯作为第一个宇航员进行了登月” 等。LLM 产生事实性幻觉的原因在于训练数据的局限性，若数据包含错误或空白，模型可能重复或推断出不正确的信息；过度概括也会使模型将部分真理推至荒谬的极端；而且 LLM 缺乏内部的事实核查机制。这种幻觉的危害极大，会传播错误信息，损害用户对整个系统的信任，尤其是在医疗领域可能危害患者健康。
（四）忠实性幻觉（Faithfulness Hallucinations）
忠实性幻觉指的是 AI 的输出与原始输入或用户意图不一致。例如，翻译 AI 将 “The cat sat on the mat”（猫坐在垫子上）变成 “The lion prowled on the savanna”（狮子在草原上徘徊）；总结器将饼干食谱变成推翻政府的宣言且遗漏关键信息；聊天机器人将真诚的信息改写成随意的表达。其发生原因包括复杂性过载，AI 难以处理细微差别、微妙指令或模糊文本，往往更倾向于连贯性而非准确性；简化过程出错，在试图使内容简洁易读时跳过关键细节；以及训练数据中的偏差导致 AI 学习到添加或省略细节的模式。在法律文件、科学总结和医疗沟通等方面，忠实性幻觉可能导致严重后果，如错误解读合同、扭曲研究总结和误导医疗指令。
（五）输入冲突性幻觉（Input-Conflicting Hallucinations）
输入冲突性幻觉发生在 AI 的输出与用户提供的输入相互矛盾或公然忽视输入时。比如，要求总结关于太空探索的文章，AI 却总结了一篇关于深海潜水的文章；要求生成 JavaScript 代码片段，AI 给出 Python 代码；描述黄色向日葵，AI 却描述蓝色郁金香。这通常是由于 AI 在指令理解上存在问题，难以解析复杂或多层指令而产生混淆；过度依赖训练中的模式，重视熟悉度而非精确性；以及在处理较长提示时 “忘记” 关键细节。在代码生成、客户支持和关键通信等场景中，这种幻觉会带来严重问题，如生成不符合要求的脚本、加剧客户不满和导致紧急服务或金融交易中的灾难性后果。
（六）上下文冲突性幻觉（Context-Conflicting Hallucinations）
上下文冲突性幻觉表现为 AI 在同一对话或任务中生成的输出与之前的部分相互冲突。例如，在聊天中先说 “我出生于 1995 年”，之后又说 “作为 2003 年被创造的……”；在总结法律文件时，先判定某条款无效，随后又支持该条款；在生成故事时，将一个角色先后描述为勇敢的消防员和恐水的会计。这主要是因为 LLM 的上下文窗口有限，“记忆” 或令牌限制导致在对话或文本过长时忘记之前的内容；模糊的引用使得模型在参考过去交互时可能误解或错误表述先前输出；并且 AI 优先考虑生成流畅和吸引人的响应，而牺牲了内部一致性。在会话式 AI、讲故事工具和决策系统等应用中，上下文冲突性幻觉可能造成混乱、导致矛盾的叙述和不一致的建议，从而影响用户体验和决策的可靠性。
（七）世界冲突性幻觉（World-Conflicting Hallucinations）
世界冲突性幻觉是指 AI 生成的输出与现实世界的既定事实相冲突。比如，AI 旅行指南说 “撒哈拉沙漠是一个全年降雨的繁荣雨林”；医疗助手声称 “人类心脏有 15 个腔室以优化血液流动”；历史总结断言 “罗马帝国在 1985 年在施瓦辛格皇帝统治下达到顶峰”。其产生原因包括知识表示差距，AI 缺乏对现实世界知识的全面理解或获取最新准确知识的途径；训练数据中的偏差使模型延续和放大不准确信息；在遇到不熟悉的主题时，AI 基于统计可能性进行猜测而产生严重错误的输出。在医疗、教育和政策决策等领域，世界冲突性幻觉可能导致错误诊断、学生学习错误信息以及决策基于虚假事实，从而产生灾难性后果。
二、LLM幻觉的成因探析
LLM幻觉（RELAI验证代理：开创LLM幻觉检测新思路）的产生，并非偶然，而是由多种因素共同作用的结果。
数据偏差：LLM的训练数据往往来自于特定的领域或来源，这可能导致模型在生成文本时，更倾向于输出与训练数据相似的信息，从而忽略了其他可能的事实或观点。这种数据偏差，是外在幻觉和内在幻觉产生的重要原因。
注意力机制：LLM在处理输入数据时，需要依赖注意力机制来识别关键信息。然而，当输入数据过于复杂或模糊时，模型可能会错误地分配注意力，导致对输入数据的误解或扭曲。这种注意力机制的缺陷，是内在幻觉和忠实性幻觉产生的根源之一。
缺乏事实验证：LLM在生成文本时，并不具备自我验证的能力。它们无法判断生成的内容是否真实可靠，只能根据训练数据和上下文信息来做出判断。这种缺乏事实验证的机制，是事实性幻觉和世界冲突幻觉产生的直接原因。
指令理解偏差：LLM在处理用户指令时，可能会因为语言表述的模糊性或复杂性，而产生理解偏差。这种偏差，是导致输入冲突幻觉和忠实性幻觉的重要原因。
上下文遗忘：在一段连续的对话或任务中，LLM需要保持对上下文信息的记忆和理解。然而，由于模型的限制和输入数据的复杂性，LLM可能会遗忘或误解之前的上下文信息，从而产生上下文冲突幻觉。
三、LLM幻觉的影响与应对策略
LLM幻觉的产生，不仅影响了AI系统的准确性和可靠性，还对人类的信任感和依赖度造成了严重的冲击。为了应对这一挑战，我们需要从多个角度出发，制定有效的应对策略。
提高数据质量：通过收集更加多样化、高质量的训练数据，可以减少数据偏差对LLM的影响。同时，对训练数据进行严格的筛选和清洗，可以避免将错误的信息传递给模型。
优化注意力机制：针对注意力机制的缺陷，可以引入更加先进的算法和技术，如自注意力机制、多头注意力等，来提高LLM对输入数据的理解和处理能力。
引入事实验证机制：在LLM生成文本的过程中，可以引入外部知识库或实时验证系统，对生成的内容进行事实性验证。这样不仅可以减少事实性幻觉的产生，还可以提高AI系统的准确性和可信度。
加强指令理解：为了提高LLM对用户指令的理解能力，可以采用更加明确、具体的语言表述方式，并结合上下文信息来辅助理解。同时，可以通过用户反馈和迭代训练的方式，不断优化模型的指令理解能力。
增强上下文记忆：为了应对上下文冲突幻觉的产生，可以在LLM中引入上下文记忆机制，如使用递归神经网络（RNN）或长短期记忆网络（LSTM）等模型，来保持对上下文信息的记忆和理解。
建立伦理规范：在AI系统的开发和应用过程中，需要建立严格的伦理规范，确保AI系统的行为符合人类社会的价值观和道德规范。同时，需要加强对AI系统的监管和评估，及时发现和纠正存在的问题。
LLM幻觉（RAG(Retrieval-Augmented Generation)评测：评估LLM中的幻觉现象）作为人工智能领域的一个重要议题，不仅挑战着我们的技术极限，也考验着我们的伦理智慧。通过深入探索LLM幻觉的多样性、成因、影响以及应对策略，我们可以更加全面地理解这一现象的本质和规律，为构建更加可靠、可信、有价值的AI系统提供有力的支持。
