ARTICLE · 1119459
先瞎练十分钟,AI就学会说“我不知道”了
2026 年，当大家还在为了让 AI 不胡说八道而疯狂堆数据、上微调、加过滤层时，韩国科学技术院（KAIST）悄悄在《自然·机器智能》上发了一篇论文，直接给 AI 圈来了一点小小的"开学第一课"震撼。
这篇论文的核心观点简单到令人发指：不需要更多的数据，不需要更大的模型，只需要在正式训练之前，先让 AI 用一堆毫无意义的随机噪声"瞎练"十分钟，它的诚实度就能大幅提升！ |
你没听错，就是那个被我们从小听到大的道理——"开学前先收收心"，只不过 AI 收心的方式，是先对着空气乱答一通。
这到底是什么玄学？难道 AI 也需要考前热身？这种"摆烂式训练"真的能治它的嘴硬病吗？
让我们一起读一读这篇 KAIST 新论文《用随机噪声预训练来校准神经网络的不确定性》。
一、AI 的"嘴硬"，是从娘胎里带出来的
先说一个让人后背发凉的事实。
你有没有想过，为什么 AI 总是一本正经地胡说八道？你问它一个它根本不知道的问题，它不会说"我不清楚"，反而会编一个听起来特别合理的答案，语气坚定得像个权威专家。
我们一直以为，这是因为训练数据不够多、不够准，或者模型还不够大。只要喂的数据够多，它自然就会知道自己"几斤几两"。
但 KAIST 的白世斌（Se-Bum Paik）教授团队做了一个实验，直接把这个共识给掀翻了。
他们找了一个刚初始化、什么数据都没见过的神经网络——相当于一个刚出生的婴儿，脑子一片空白。然后，他们往这个空白网络里喂了一堆完全随机的噪声（就是一串毫无意义的数字，不是任何真实图片、文字或声音），再随便给它配上随机标签。
结果呢？
这个还在"娘胎里"的网络，居然自信满满地给出了高概率预测。
翻译成人话就是：它啥也没学呢，就已经觉得自己什么都知道了。
研究团队原话是："就好像这个网络在看到任何数据之前，就已经相信自己懂点什么了。"
这就不是训练的问题了。这是出厂设置自带的毛病——每个神经网络启动时，都是随机赋值的，而这个随机初始化的过程，天生就带着一种迷之自信。这种"初生牛犊不怕虎"的偏见，会在后续几千亿 token 的训练中不断被放大，最后变成我们今天看到的那个"永远嘴硬"的 AI。
二、人类胎儿给的灵感：先懵一会儿，再学东西
那怎么办？总不能把所有模型都拆了重造吧？
白教授团队把目光投向了生物学。他们观察了人类胎儿在子宫里的发育过程，发现了一个特别有意思的现象。
胎儿在出生之前，大脑会产生大量自发生神经活动——就是没有任何外部刺激，脑子自己瞎放电。这些信号看起来毫无意义，像是在"摸鱼"，但实际上它们在做一件关键的事：
给大脑建立一个"不确定性基准"。
新生儿出生的时候，不是带着"我什么都懂"的自信来到世界的。恰恰相反，他们是带着困惑、不确定感和"这都啥玩意儿"的懵圈状态开始人生的。正是这种初始的"我不知道"状态，让他们后续能正确地学习和校准——知道哪些是自己学会的，哪些是自己不知道的。
换句话说，人类聪明的起点，是先承认自己啥也不知道。
而 AI 呢？它一上来就觉得自己天下第一，这就像一个刚入学的新生，连校门朝哪开都不知道，却觉得自己已经能当教授了。
三、解法：先让 AI"瞎练"十分钟
找到了病根，药方就很简单了。
KAIST 团队提出了一个训练策略，他们叫它"热身阶段"（Warm-up Phase），也有人给它起了个更形象的名字——"认知免疫接种"（Epistemic Inoculation）。
操作流程是这样的：
第一步，正式训练开始之前，先把神经网络拿出来，用随机噪声（毫无意义的输入数据+随机乱标的标签）短时间"喂"一遍；
第二步，这个阶段，AI 什么有用的东西都学不到——这正是重点。它学不到任何真实模式，只学到一件事："我看到的这些东西，我其实并不确定。"
第三步，短短几个训练轮次之后，模型的置信度就被拉回了一个均匀的"概率基线"——相当于它终于学会了"我现在啥也不知道"这个状态；
第四步，然后，才开始用真实数据正常训练。
听起来是不是特别像考试前先发呆放空、活动活动脑子？又像入职第一天先坐在工位上发半小时愣，搞清楚"我是谁我在哪"，再开始干活。
但效果是实打实的。
四、数据说话：诚实度涨了34%，成本几乎为零
论文里的结果相当漂亮，发在《自然·机器智能》上不是没有道理的：
· 校准度提升34%——模型说"我90%确定"的时候，真的有90%是对的，而不是以前那种拍胸脯瞎保证； · 置信度和准确率全程对齐——模型越大，以前偏差越严重，现在这个"发散"的问题从根上就被掐灭了； · 分布外检测能力显著提升——遇到自己没学过的东西，它终于能识别出来了，不会硬着头皮瞎编； · 额外计算量几乎可以忽略——热身阶段的训练轮次，跟正式训练比起来连零头都算不上。 |
最后这一点特别重要。
以前治 AI"幻觉"的方法，要么改架构，要么加过滤层，要么事后做校验，每一样都要加钱加算力加延迟。而这个"噪声热身"，就相当于在正式上课前让学生先趴在桌上发十分钟呆——不花什么时间，但整个学习状态都不一样了。
白教授在论文发布时说了一句话，我觉得特别到位：
"这项研究表明，通过借鉴大脑发育的关键原理，AI 可以像人类一样识别自己的知识状态。这很重要，因为它帮助 AI 理解自己什么时候不确定、什么时候可能错了——而不仅仅是提高答对的频率。" |
五、这件事为什么现在这么重要？
你可能会说，不就是让 AI 少说点大话吗，至于上《自然》子刊？
至于。
因为现在 AI 已经不只是聊天机器人了。它开始进医院做辅助诊断，上车做自动驾驶判断，进金融系统做风险评估，进律所做合同审查。在这些场景里，一个"自信地说错话"的 AI，比一个直接说"我不知道"的 AI 危险一万倍。
· 医疗场景下，一个过度自信的误诊，可能导致错误治疗；
· 自动驾驶里，遇到没见过的路况，知道自己"看不懂"比硬着头皮开重要得多；
· 金融风控里，模型坦承"这个预测我没把握"，比拍胸脯给个假结论安全太多。
我们这个行业追了这么多年"规模"——更大的模型、更多的数据、更长的训练。潜台词是：只要量够大，好行为自然会涌现。
但 KAIST 这篇论文告诉你：怎么学，可能比学多少更重要。
就像读书，一上来就灌满答案、从不允许自己"不知道"的学生，和先学会承认无知、再带着问题去学的学生，最后走出来的路完全不一样。
写在最后
AI 圈卷了这么多年参数、卷数据、卷微调技巧，最后发现一个最简单的道理：
想让一个 AI 变聪明，也许先要教它承认自己很菜。
这个"先瞎练十分钟"的邪修方法，成本几乎为零，但它从根上解决了一个困扰行业多年的结构性问题。说不定过几年回头看，这就是 AI 从"嘴硬选手"进化到"靠谱选手"的那个转折点。
下次再遇到 AI 一本正经胡说八道的时候，你可以跟它说：
"同学，先别急着答，出去凉快十分钟再进来。"
它可能就真的学会说"我不知道"了。