AI 幻觉与洗车悖论

AI 的「聪明」和人类的「聪明」不是同一种东西——弄不清这一点，就会要么高估它，要么低估它。

最近有个问题在网络上很火：「我要去小区旁 20 米的洗车店洗车，请问步行还是开车？」不少 AI 会认真建议你：20 米很近，步行环保又锻炼身体。你忍不住笑：不开车去，洗车店洗什么？洗我的腿吗？这类现象有个正式名字叫 AI 幻觉（AI Hallucination）：模型用非常笃定的语气，给出逻辑上站不住脚或与事实不符的回答。

幻觉背后的原因，不只是「AI 还笨」或「数据不够」。实质是：今天的 AI 是在用「猜下一个字」的统计方式生成文字，它缺的是对物理世界和因果逻辑的「世界感」。理解这一点，才能说清为什么眼下它既不能当你的主治医师，也替代不了科学家和创意工作者；以及行业正在用哪些办法给这件事「打补丁」。

洗车悖论与 9.11 比 9.9 大：幻觉长什么样

「20 米洗车该步行还是开车」和另一道流传很广的题是同一类陷阱：「9.11 和 9.9 哪个大？」很多模型会答 9.11 更大——因为它把数字当成了软件版本号或日期（9 月 11 日），而不是在比较两个数的大小。两件事共同暴露的是：AI 会顺着训练数据里高概率出现的「搭配」往下说，而不是先想清楚这道题在问什么、需要什么前提。

在医学、法律、安全建议等场景里，这种「顺滑地跑偏」会带来真实风险。据学术与媒体报道，已有 AI 因训练数据中的统计偏差，对哮喘患者给出过「不需要特殊照顾」之类的建议；也有系统因为曾在某篇小说里读到某种蘑菇的描写，就敢回答「可以食用」。这些都不是个例，而是同一类问题的不同表现：模型在「像什么」的联想上很强，在「是什么」「该不该」的逻辑与事实上却不可靠。所以讨论幻觉，本质上是在讨论 AI 的能力边界——它擅长什么、不擅长什么，以及在哪些场景下必须由人做最后把关。2024 年能答对「9.11 与 9.9 哪个大」的模型还很少，到 2026 年这类题已常见于各大厂的基础评测；幻觉会随技术迭代减轻，但边界仍在。

它在「猜字」而不是推演，所以会掉进统计陷阱

要理解幻觉从哪来，得先搞清楚当前这类 AI 到底在干什么。

可以把大语言模型想成一台 「超级猜字机」：你输入一句话，它根据读过的海量文本，算出「下一个最可能出现的字（或词元）」是什么，然后一个接一个往下猜，拼成整段回答。它没有在内部先推演「洗车需要车」「所以必须开车去」——只是在无数网页、书籍、对话里，「20 米」和「步行」「短途」「环保」经常一起出现，所以概率一加权，它就顺着这条「统计捷径」滑过去了，忽略了「目的」是洗车、洗车必须有车这个常识。

「9.11 比 9.9 大」也是同一套逻辑的产物。在模型眼里，数字往往被拆成「词元」（Token）来处理，比如 9.11 可能被拆成「9」「.」「11」。在技术文档、版本说明里，「11」出现在「9」之后太常见了，所以它会答「9.11 更大」——模式识别压过了数学逻辑。一句话总结：AI 擅长的是「像什么」的联想，而不是「是什么」的严格推理。 这种差别，就是幻觉和逻辑失效的根源；不是它不想答对，而是它当前的运作方式本来就不是「先理解再作答」。

缺的不是知识量，而是「世界感」

人听到「去洗车」，脑子里会自动冒出画面：洗车店、水枪、泡沫、自己的车。这种对物理世界和日常流程的直觉，是我们在真实世界里摸爬滚打出来的。AI 没有身体，没摸过车，也没见过洗车房的水雾；它的「知识」全部来自文字。如果训练数据里没有反复、多角度地强调「洗车必须带车」，它就容易把这道题当成单纯的「距离题」：20 米 → 步行，完事。

有一句话概括得很准：今天的 AI 像一位背熟了百科全书却从没出过门的读书人——语义联想很强，常识推理却常常跟不上。就像没去过海边的人，再会形容也缺「那一口咸风」；AI 和世界的关系，跟我们不一样。所以问题不只是「少学了哪条知识」，而是它缺乏在真实世界中行动、观察、试错后沉淀下来的那种「世界模型」。这不是笨不笨的问题，而是它认识世界的方式和人类根本不同；补上这一点，是当前研究里最难、也最被重视的方向之一。

为什么今天的 AI 还替代不了医师、科学家和创意工作者

正因为 AI 是在「猜下一个字」、又缺「世界感」，在 医学诊断、法律判断、财务决策、人身安全 这类领域，它可能用非常笃定、专业的口吻，给出类似「步行去洗车」或「某种蘑菇可食用」那样离谱的建议。在这些场景里，错一次就可能付出健康或生命的代价，所以不能把 AI 当「正机长」，只能当「副驾」——可以参考、辅助，不能盲信、更不能替代最终责任主体。

科学家和创意工作者同样如此。科学研究依赖可重复的实验、严格的因果推断和「假设—验证—纠错」的闭环；AI 的统计联想既不能替你设计实验，也不能替代对「为什么」的严谨论证。创意工作则依赖真实的生活体验、情感与审美判断——这些恰恰是 AI 从文本里学不完整、甚至学歪的东西。所以 不是 AI 不够聪明，而是它解决「像什么」的能力很强，解决「是什么」「为什么」「该不该」的能力还远远不够。这些是当前技术必须面对、也在努力弥补的短板；未来它能不能真正替代这些角色，取决于幻觉与常识问题能不能被系统性地解决。

正因如此——问题出在模型质量与学习素材，而不是实验室的算力——每当有新模型或新工具问世，大家才会蜂拥而至，在赞叹「好神奇」的同时，依然由人类作为主力去挖掘它更大的魅力与边界。即便像 Clawbot 这类已具备一定「主动 AI」能力的形态已经出现，离真正的奇点仍远；在那之前，用好 AI 的关键仍然是：知道它擅长什么、会在哪里跑偏，然后由人来把关和延伸。

行业在如何打补丁：人类纠错、慢思考与查完再答

行业并没有坐等。目前有几类主流办法在一点一点把「常识」和「逻辑」补进去，用大白话说就是：

  • 人类反馈强化学习（RLHF）：用大量人类标注员给模型的回答打分、纠错，相当于不断告诉它「洗车要开车去」「这种蘑菇不能随便说可食用」；通过反复纠错，让模型逐渐靠近人类的判断标准。
  • 思维链（Chain-of-Thought）与「慢思考」：让模型在给出最终答案前，先在内部一步步推演（例如「目标是洗车 → 洗车需要车 → 所以要开车」）；像 OpenAI 的 o1、DeepSeek 的 R1 等，都在用这类「先想再答」的方式，减少一步到位的统计滑梯。
  • 检索增强生成（RAG）：在回答前先查权威资料或知识库，再根据查到的内容生成回答，避免纯靠「背下来的句子」瞎编。

这些手段都在生效。像「20 米洗车」和「9.11 vs 9.9」这类题，2024 年前后还能难倒一大批模型，今天已是常见基础测试；评测也在不断升级，会设计更复杂的复合逻辑题（例如「20 米长的加长悍马、洗车店离你只有 10 米，开车还是步行？」）来考察模型是否真的在推理。幻觉会随着技术和数据改进而减少，但不会一夜消失。

说到底，AI 可以是很好的创意副驾、学习助手、灵感来源，但在涉及健康、法律、金钱和人身安全时，别让它当正机长。今天的 AI 很强大，但强大建立在「统计与联想」之上，逻辑与常识的不足仍是结构性的。看清这一点，既能用好它，也能避免把不该交的责任交给它；未来它能不能真正替代医师、科学家或创意工作者，取决于这些幻觉与常识问题能不能被系统性地解决——而这件事正在被认真对待。

若想进一步了解「模型怎么工作」「人类反馈如何纠错」或「深度网络的设计逻辑」，可以读一读站内下面这几篇；都是面向读者写好的解读，不需要啃原始论文。

题图来源：见文首配图。

延伸阅读（站内）