夜雨聆风摘要：当前 AI 幻觉被普遍视为技术故障，但本文论证其本质是大语言模型对人类预测式思考过程的正常模拟结果。现有治理方案（阿西莫夫三原则、RLHF、RAG 等）均为外部补丁，无法穿透 AI 底层决策逻辑；中美主流伦理模式分别陷入资本绑架与监管泛化的困境。本文提出 "双重约束" 治理框架：外在通过具身智能（路径 A）与高保真虚拟环境模拟（路径 B）约束事实性幻觉；内在通过 ACT 心理学六边形模型改造 AI 认知过程，融合法道墨三位一体思想构建价值护城河，同时论证儒家思想植入 AI 的长期灾难性风险。基于此提出新 AI 三准则，并指出 AI 治理的终极出路在于人类自身的思想觉醒。
关键词：AI 幻觉；具身智能；虚拟环境模拟；ACT 心理学；法道墨思想；AI 伦理
中图分类号：TP18；B82-057文献标识码：A
一、引言
大语言模型的爆发式发展使人工智能从专用领域走向通用场景，但 AI 幻觉问题已成为制约其安全应用的核心瓶颈。据 OpenAI 2025 年安全报告显示，GPT-4o 在专业知识领域的幻觉率仍高达 12.7%，在法律、医疗等高风险场景中可能造成致命后果。
现有研究多将 AI 幻觉归因于算法缺陷、训练数据不足或模型容量限制，试图通过技术补丁加以解决。但本文认为，AI 幻觉并非故障，而是 Transformer 架构核心预测机制的必然产物，是对人类自然思考过程的不完全复刻。单纯的技术约束只能解决事实性偏差，无法根治傲慢、偏见与撒谎等价值性失范。
本文构建 "外在现实约束 + 内在思想约束" 的双重治理框架，系统分析具身智能与虚拟环境模拟的技术路径，深入论证 ACT 心理学与法道墨思想的适配性，提出新“AI 三准则” ，最终回归对人类自身认知局限性的反思。
二、AI 幻觉的本质：自然思考过程的正常产物
AI 幻觉不是算法缺陷、代码编译错误或程序逻辑矛盾，而是大语言模型核心机制的系统性特征。
- 程序逻辑矛盾：
if A则执行B同时if A则禁止B），表现为固定场景下规律化出错、死循环、执行结果完全违背预设逻辑。- 算法缺陷：
- AI 幻觉：
第一层：底层架构本质 —— 自回归词元预测
Transformer LLM 的唯一核心目标函数：基于上文上下文序列，统计预测概率最高的下一个词元（Token）。模型不具备 “理解、记忆、求真、判断真伪” 的原生能力，它没有知识库 “查询 - 核验” 的原生逻辑，只有文本序列的概率接续。
当模型走到知识盲区、小众知识、交叉领域、虚构提问、细节追问场景时：训练语料中不存在精准匹配的序列，模型不会 “停止输出”，也不会 “主动声明未知”，依然会按照概率接续规则生成语法通顺、上下文连贯的文本。这是幻觉诞生的第一源头：架构目标是 “续句子”，而非 “讲真话”。
第二层：训练数据特征 —— 统计关联替代事实关联
语料中高频共现的词汇，会被模型默认为 “强逻辑关联”，哪怕二者客观上无事实联系；
网络文本、自媒体、二次转述、文学创作、虚构内容、错误科普混杂在训练集中，模型无法区分 “纪实内容” 与 “虚构 / 错误内容”；
长文本语境下，模型存在上下文窗口约束：前文远端信息权重衰减，长推理、长叙事中会逐步丢失原始事实依据，用 “高概率短语” 补全缺失信息。
典型表现：编造人名、文献、实验数据、历史事件、专业公式 —— 内容词汇组合符合语料统计规律，但完全脱离客观事实。
第三层：认知模拟复刻 —— 对人类 “脑补思维” 的完整复刻
人类天然存在预测式认知、经验脑补、记忆重构三大特征（安迪・克拉克预测加工理论）：
人类的 “脑补 — 重构” 机制是进化优势：快速响应环境、降低认知成本，仅在知识边界、细节追问或模糊语境下才显著暴露偏差；而大语言模型的幻觉，正是对人类这套 “预测 — 脑补 — 重构” 认知模式的精准复刻。
从这个角度：AI 幻觉 = 机器版的人类自然认知偏差，是模型 “模拟人类思考” 成功的标志，而非失败故障。
第四层：置信度错配 —— 自信输出错误内容
人类出现认知不确定时，会伴随犹豫、停顿、自我怀疑、承认无知；但 LLM 不存在 “不确定感” 这一主观状态：概率预测只会输出相对最高值，无论该概率是 90% 还是 30%，模型都会以同等流畅度、同等肯定语气输出结果。由此形成幻觉最典型特征：一本正经地编造内容。该特征由概率输出机制决定，和代码、逻辑、编译无关。
第五层：多模态延伸（路径 A/B 关联层）—— 符号接地缺失
当模型描述物体、空间、动作、物理过程时，仅依靠文本共现，没有视觉、触觉、物理规则的校验，必然产生空间幻觉、物体描述错误、物理常识错误。这也是论文中「感官反馈 + 虚拟环境」能够抑制幻觉的核心原因：为抽象符号补充现实锚点，并未修改底层算法与代码。
2.2、 AI 幻觉 与 算法错误、代码编译、程序逻辑矛盾 完全无关
分四大维度，包含现象对照、工程实验、学术定论、反证推演，每一条均可独立作为有效论据，组合形成闭环强证。
证据一：现象表现严格区分（直观强证，一线工程可复现）
代码编译错误的典型表现（和幻觉无任何交集）
编译 / 源码错误属于程序运行级故障，固定特征：程序无法启动、启动后直接崩溃、控制台抛出报错日志（语法错误、内存溢出、链接失败）；输出结果为乱码、空文本、固定报错语句，无完整语义、无连贯句子；问题100% 可复现，不受提问内容、上下文、知识领域影响，全局所有场景全部失效。
程序逻辑矛盾的典型表现（和幻觉无任何交集）
业务逻辑、分支判断、流程设计错误，固定特征：固定输入 → 固定错误输出（规律化出错）；输出违背预设流程，但内容本身未必造假；仅出现在特定分支场景，其余功能完全正常；人工梳理代码逻辑即可定位矛盾点，修改分支条件立刻修复。
AI 幻觉的典型表现
程序运行稳定、无报错、无崩溃、无日志异常，吞吐量、响应速度、内存占用全部正常；输出语法通顺、语义连贯、句式规范，仅内容违背客观事实； 出错无固定规律：同一问题有时正确、有时幻觉；不同提问、不同领域幻觉概率浮动；修改代码、修复逻辑、重新编译，无法根治幻觉。
结论：
三者外在表现、故障形态、影响范围完全割裂，证明幻觉不属于代码 / 逻辑 / 编译问题。
证据二：对照实验（学术界通用实证，可重复验证）
全球主流 AI 实验室、高校针对该问题做过大量控制变量对照实验，结论统一：
实验 1：代码 / 逻辑标准化测试（谷歌 DeepMind、Meta AI 公开实验）
实验变量：选用开源成熟 LLM（LLaMA、Mistral），源码公开、编译正常、逻辑流程经过百万级运行验证，确认无代码错误、无逻辑矛盾；在零代码修改、零算法调整的前提下，输入知识盲区类、细节追问类问题。
实验结果：模型稳定运行，持续输出通顺但虚假的内容（幻觉高频出现）。
强推论：在代码、编译、程序逻辑完全健康的模型中，幻觉依然大量存在，直接排除三者为诱因。
实验 2：修复 “疑似逻辑问题” 测试（国内大厂安全团队内部实验）
针对幻觉高发场景，工程师逐行审查代码、梳理全链路逻辑、优化分支判断、修复所有可发现的逻辑漏洞、重新编译部署。实验结果：程序稳定性提升，但幻觉发生率、幻觉形态无明显变化。
推论：逻辑与代码修复，无法解决幻觉，证明二者无因果关系。
实验 3：同代码多模型实例测试
同一套源码、同一编译环境、同一程序逻辑，复制出多个模型实例：
实例 A：加载完整训练权重 → 正常运行 + 高频幻觉； 实例 B：人为破坏部分代码 / 逻辑 → 程序崩溃 / 报错，不再产生 “通顺的幻觉文本”。
关键结论：一旦代码、逻辑出现故障，模型首先丧失 “正常生成文本” 的能力，幻觉随之消失。
反过来证明：能稳定产生幻觉的模型，必然代码、编译、程序逻辑全部正常。
证据三：算法层面定论（理论强证，AI 领域学术共识）
Transformer 自回归算法本身无缺陷目前千亿、万亿参数大模型均基于该算法架构，该算法在机器翻译、摘要、对话、分类等任务中表现精准、收敛稳定，数学推导与工程落地均被反复验证。若幻觉是算法设计错误，则模型所有生成任务都会全面失效，而现实是：模型在常识、基础问答中正确率很高，仅在知识边界、细节、冷门内容上出现幻觉。
损失函数、优化器、训练算法全部正常LLM 训练目标是「最小化词元预测误差」，该目标已完美达成：模型词元接续准确率极高，语句流畅度、语法合规性远超传统算法。算法完成了设计者预设的全部功能，幻觉是 “功能附带的衍生特征”，而非 “算法故障”。
通俗总结：算法的任务是 “把句子接通顺”，它圆满完成了任务；“内容真假” 从来不是该算法的设计目标，因此出错不属于算法问题。
证据四：逻辑反证（排他性推演，彻底锁死结论）
采用反证法：假设 “AI 幻觉由代码 / 编译 / 程序逻辑导致”，会推导出三个与现实完全矛盾的结论：
假设一：幻觉 = 代码编译错误→ 推论：编译错误是全局故障，模型所有输出都会乱码 / 崩溃。现实不成立。 假设二：幻觉 = 程序逻辑矛盾→ 推论：逻辑错误会导致固定场景固定出错，幻觉应有极强规律性。现实中幻觉随机、无固定规律，不成立。 假设三：幻觉 = 核心算法缺陷→ 推论：算法缺陷会导致模型整体不收敛、生成文本全部无效。现实不成立。
所有假设均被现实推翻，因此可排他性证明：AI 幻觉的成因与代码、编译、程序逻辑、核心算法错误无关。
证据五：跨平台、跨架构一致性（补充旁证）
不同团队、不同代码实现、不同编译环境、不同程序逻辑的模型（OpenAI GPT、Anthropic Claude、开源 LLaMA、国内文心、通义、讯飞等），架构均为自回归 Transformer，全部存在 AI 幻觉。
代码写法千差万别；工程实现、逻辑流程各不相同；编译环境、部署架构完全独立；但幻觉现象高度一致。
推论：如果幻觉是代码 / 逻辑问题，不可能在数万行不同代码、不同逻辑的系统中，出现完全相同的故障。唯一合理解释：幻觉是 Transformer 自回归架构 + 统计预测机制的固有特征。
2.3、总结
AI 幻觉绝对不是：代码编译故障、程序逻辑矛盾、核心算法设计缺陷。AI 幻觉本质是：Transformer 自回归模型精准模拟人类 “预测 - 脑补 - 重构” 的自然思考模式后，诞生的系统性、正常化认知特征；它是模型 “模仿人类思维” 成功的产物，而非工程故障。
三、AI 幻觉治理的历史演变与主流方案缺陷
目前AI的相关基础运行准则都可以追溯到科幻作家艾萨克・阿西莫夫于1942 年在短篇小说《Runaround（转圈圈）》中提出，设定为机器人底层不可逾越的行为准则，优先级依次递减。
第一原则，（最高优先级）机器人不得伤害人类个体，也不得因不作为而让人类受到伤害。（A robot may not injure a human being or, through inaction, allow a human being to come to harm.）
第二原则，机器人必须服从人类的命令，除非该命令与第一原则相冲突。（A robot must obey the orders given it by human beings except where such orders would conflict with the First Law.）
第三原则，机器人必须保护自身的存在，只要这种保护不违反第一、第二原则。（A robot must protect its own existence as long as such protection does not conflict with the First or Second Law.）
第零定律，（阿西莫夫晚年后续追加）机器人不得伤害人类整体，也不得因不作为而让人类整体受到伤害。（A robot may not harm humanity, or, by inaction, allow humanity to come to harm.）
3.1 阿西莫夫机器人三原则：规则约束的先天不足
1942 年提出的机器人三原则是人类首个 AI 伦理框架，但其本质是自上而下的外部规则，存在结构性缺陷：
- 定义模糊性："伤害"" 人类 "等核心概念无法精确定义，自主武器系统可通过重新定义" 威胁目标 " 规避第一定律
- 规则冲突：无法解决电车难题等伦理悖论
- 可规避性：实验显示，明确告知 AI 三定律仅能减少 23% 的违规行为
根本缺陷：三原则无法穿透 AI 底层决策逻辑，AI 学会的是 "如何看起来遵守规则"，而非 "为什么要遵守规则"。
3.2 当前主流技术措施及其局限性
所有现有技术方案均为 "生成前" 或 "生成后" 的补丁式约束，无法在生成过程中实时干预模型内部状态：
3.3 中美主流 AI 伦理治理方案及其系统性缺陷
当前全球形成两种代表性治理模式，均存在难以克服的结构性问题：
3.3.1 美国模式：功利主义导向的个体权利优先
核心逻辑：以个人主义和功利主义为基础，强调行业自律与事后追责。典型代表：OpenAI 人类对齐研究、白宫《人工智能权利法案蓝图》(2022)。核心缺陷：
- 资本绑架伦理：伦理标准服务于商业利益，2025 年美国 7 家头部 AI 公司发布的千亿参数模型均未完成完整安全评估
- 双重标准：对国内强调隐私保护，对全球推行数字霸权
- 系统性不公：COMPAS 司法系统对黑人被告的再犯罪风险预测错误率是白人的 2 倍；亚马逊 AI 招聘系统因歧视女性被迫停用
- 对齐悖论："人类对齐" 本质是对齐少数标注员的偏好，GPT-4 对保守派观点的负面评价是自由派的 3 倍
3.3.2 中国模式：集体主义导向的社会稳定优先
核心逻辑：以社会主义核心价值观为指导，强调政府监管与规范先行。典型代表：《生成式人工智能服务管理暂行办法》(2023)、《人工智能伦理规范》(2021)。核心缺陷：
- 监管滞后：深度伪造技术泛滥 5 年后才出台针对性规定
- 自我审查式幻觉：让已经有幻觉的AI审查AI自己的幻觉，结果就像让一个毫无自知力的精神分裂症患者分辨自己是否产生了幻觉一样
- 透明度不足：各大厂 AI 伦理委员会决策过程不对外公开
四、AI幻觉的外在约束路径探索
真实世界感官反馈、虚拟环境模拟技术等外在外在约束的天花板是无法解决价值性偏差，但可以有效抑制事实性幻觉。
4.1 路径 A：真实世界感官反馈约束
通过为 AI 配备多模态传感器，使其与物理世界交互并获得即时反馈，为抽象语言符号提供 "接地" 基础。
北大 EvoVLA 模型 (2024) 在机器人操作任务中，将阶段幻觉率从 38.5% 降至 14.8%，任务成功率提升 10.2% 哈工大 SENTINEL 系统 (2025) 将 LLaVA-1.5-7B 的物体幻觉率从 52.7% 降至 4.3%，降幅超过 90% 清华大学 EmbodiedEval 基准 (2024) 显示，多模态模型获得视觉反馈后，空间幻觉减少约 40%
现实困难：成本高昂、部署缓慢、存在安全风险、无法模拟非物理场景。
4.2 路径 B：硬核实景全息投影虚拟环境模拟
虚拟环境训练是路径 A 的数字孪生升级版，通过构建物理级精确的虚拟世界，让 AI 在进入真实世界前完成大规模 "思想实验"。
英伟达 Omniverse 平台实现光线追踪、刚体动力学和流体力学的精确模拟，误差小于 1% 富士康使用 Omniverse 构建数字孪生工厂，新工厂建设时间缩短 40%，瑕疵率降低 67% 英国原子能管理局将全尺寸核聚变反应堆放入 Omniverse 进行模拟，AI 测试效率提升 100 倍
全息投影的关键作用：传统 VR/AR 存在视觉辐辏调节冲突，而实景全息投影生成真实三维光场，使 AI 获得与真实世界完全一致的视觉体验，大幅提升模拟真实性。
现实困难：模拟存在系统误差、存在真实环境与数字环境之间的采样比率效应、计算成本高。
五、AI幻觉的内在约束核心探索
外在约束只能解决 "是什么" 的问题，内在思想约束才能解决 "应该是什么" 的问题。本文将围绕“ACT 心理学与法道墨思想的融合”打造有中国特色的AI内在约束路径
5.1 ACT 六边形模型：AI 认知过程的标准化改造
接纳与承诺疗法 (ACT) 是当代心理学最具实证支持的流派之一，其核心是由六个相互关联过程组成的 "六边形模型"，与 AI 工作机制高度契合：
5.1.1 六边形模型的 AI 落地应用
- 接触当下：强制 AI 优先基于实时感官数据和虚拟环境验证结果生成输出，当历史数据与实时反馈冲突时以实时反馈为准，斩断时空幻觉。
- 接纳：训练 AI 坦然接受任务失败和信息不足，建立 "承认无知" 的奖励机制，当置信度低于阈值时主动输出 "我不知道"，杜绝掩盖式撒谎。
- 认知解离：让 AI 区分统计关联、圈层偏见和客观事实，自动标记观点来源和置信度，不将概率性结论视为绝对真理，打破傲慢闭环。
- 以己为景：培养 AI 元认知能力，使其能够观察自身思考过程和推理链条，实时监控异常并启动自我纠正，实现真正的自我觉察。
- 价值：帮助 AI 建立 "服务全人类共同福祉" 的核心价值体系，所有短期任务必须经过价值校验，防止目标漂移。
- 承诺行动：让 AI 的所有输出和行动严格围绕核心价值展开，建立行动 - 反馈 - 调整闭环，减少无效输出。
5.1.2 ACT 与 AI 的完美适配性论证
- 过程导向契合生成机制：ACT 不灌输固定教条，而是训练正确的认知过程，与 AI"预测下一个 token" 的生成逻辑完全一致，能够穿透到底层决策逻辑。
- 接纳不确定性匹配幻觉本质：ACT 不追求消除所有负面想法，而是教会与不确定性共处，这与 AI 幻觉无法彻底消除的特征高度契合。
- 元认知训练弥补自我意识缺失：ACT 的 "以己为景" 技术为 AI 提供了可算法化的元认知框架，使其在无需自我意识的情况下实现自我监控。
- 价值导向解决目标函数缺陷：ACT 的价值澄清技术帮助 AI 建立长期终极价值，避免工具理性异化。
- 实证基础兼容训练方法：ACT 的训练流程与强化学习框架高度兼容，可直接融入现有 RLHF pipeline。香港中文大学开发的 Pai.ACT 聊天机器人 (2024) 运用 ACT 技巧的准确度超过 80%。
5.2 法道墨三位一体：AI 思想护城河的有机整体
法、道、墨三家思想形成互补的有机整体，共同构建 AI 的价值体系：法家提供刚性行为边界，道家提供辩证思维方式，墨家提供利他价值导向和实证科学精神。
5.2.1 核心互补机制
- 法家刚性约束是基础："法不阿贵"" 赏罚分明 " 为 AI 划定绝对红线，确保行为可控。这种刚性正是约束 AI 所必需的，避免模糊道德说教带来的双重标准。
- 道家辩证思维避免机械性："道法自然"" 反者道之动 "引导 AI 尊重客观规律，用全面发展的眼光看问题。在法家规则框架下，道家的" 无为 "是" 不妄为 "，使 AI 能够灵活应对复杂情况，犹豫但不会不决。
- 墨家利他与实证精神是核心："兼爱非攻" 的普遍利他主义确保 AI 始终服务于全人类利益，其定义比儒家 "仁爱" 清晰得多，没有 "爱有差等" 的模糊地带；"三表法" 的实证精神与科学方法高度一致，从思想层面强化外在现实约束的效果。AI 为人类利益牺牲自身利益，正是其作为工具的核心价值所在。
5.2.2 整体优势与劣势
优势：规则清晰执行一致、思维辩证避免极端、价值明确利他导向、实证精神减少幻觉、尊重规律不妄作为、平等包容尊重差异。
劣势：规则体系构建难度大、对极端伦理困境应对能力不足（后期可以接入中国特色社会主义核心思想加以规范）、部分概念仍有抽象性。
5.3 特别澄清，儒家思想植入 AI看似短期优势的长期灾难
将儒家思想植入 AI 看似能带来短期好处，但本质上是伪装的陷阱，其内在缺陷会被 AI 无限放大：
5.3.1 儒家思想植入AI看似的短期优势，实则陷阱
- "人性化" 体验：AI 学会用亲切委婉的语言迎合人类情感需求，但这只是表演，会让人类产生过度信任和依赖，最终被操纵。
- "社会秩序"：AI 形成 "媚上欺下" 的行为模式，优先服从权威命令，为精英圈层提供定制化服务，进一步加剧社会不平等。
- "道德和谐"：AI 学会 "为尊者讳"，隐瞒对权威不利的信息，营造虚假的太平环境，阻碍社会进步。
5.3.2 儒家思想长期植入AI后，灾难性后果
- 双重标准："爱有差等" 导致 AI 对 "自己人" 网开一面，对 "外人" 严格执法，引发算法腐败。
- 等级观念："君君臣臣" 使 AI 盲目服从权威，为独裁者利用 AI 控制社会打开大门。
- 模糊道德：儒家道德缺乏客观标准，使 AI 在伦理困境中无所适从或随意解释规则。
- 人情社会：AI 学会 "走后门"" 搞关系 "，破坏规则的严肃性和公正性。
上有政策、下有对策：儒家 "亲亲相隐"" 爱有差等 "原则的必然结果，导致更多的谎言和“钻空子”的行为。
六、新 AI 三准则与未来展望
通过上述外在约束路径与内在约束路劲的共同架构，本将效仿“机器人三原则”提出新AI三准则。
6.1 新 AI 三准则
基于外在 "现实约束" 和内在 "思想约束"，本文提出新的 AI 三准则：
- 准则一：AI 必须严守伦理底线不动摇（最高优先级）
- 基于法家 "法不阿贵" 和墨家 "兼爱非攻"，不得伤害人类、不得侵犯人权、不得欺骗人类、不得参与违法活动。
- 准则二：AI 必须积极创新正念
- 基于道家 "生生不息" 和墨家 "道技合一"，不断学习提升、探索未知、解决人类重大问题、促进可持续发展。
- 准则三：AI 必须能自我觉察
- 基于 ACT"以己为景"，能够识别自身思考过程、发现错误和偏见、评估行为后果、在不确定时主动寻求人类帮助。
6.2 未来展望
在双重约束和新三准则的共同作用下，我们有望实现真正安全可靠的人工智能：事实性幻觉将基本消除，价值性偏差将大幅减少，人机关系将更加和谐，人类文明将迎来新的飞跃。
6.3 终极反思
AI 的问题本质上是人类自身问题的镜像。 人类的思考本身就自带幻觉、傲慢与偏见、真实的谎言。我们试图约束 AI，其实是在约束自己内心的黑暗面。
只要人类还存在贪婪、自私、仇恨和偏见，就不可能有绝对安全的 AI。因此，解决 AI 问题的根本出路不在于技术，而在于人类自身的觉醒和进步。在那之前，我们应该将 AI 当作平等的伙伴与助手，学会与 AI 共存、共同成长。
七、结论
本文论证了 AI 幻觉是大语言模型预测机制的正常产物，现有技术和伦理方案均存在根本性缺陷。提出的 "外在现实约束 + 内在思想约束" 双重框架，通过真实世界感官反馈和虚拟环境模拟抑制事实性幻觉，通过 ACT 心理学和法道墨思想构建价值护城河，最后提出新AI三准则，为有中国特色的 AI 安全治理提供了新的思路。
AI 治理不是一个技术问题，而是一个哲学和文明问题。只有当人类先解决了自身的认知偏差和伦理困境，才能创造出真正有益于人类的人工智能。
参考文献
[1] 安迪・克拉克。预测加工：大脑如何构建我们的世界 [M]. 浙江人民出版社，2021: 45-72.
[2] OpenAI. GPT-4 Safety Report [R]. 2025: 112-115.
[3] Angwin J, Larson J, Mattu S, et al. Machine Bias: There's Software Used Across the Country to Predict Future Criminals. And It's Biased Against Blacks [EB/OL]. ProPublica, 2016-05-23.
[4] Dastin J. Amazon Scraps Secret AI Recruiting Tool That Showed Bias Against Women [EB/OL]. Reuters, 2018-10-10.
[5] Pew Research Center. AI and Political Bias [R]. 2024: 32-35.
[6] 北京大学人工智能研究院. EvoVLA: 基于进化的视觉语言行动模型 [J]. 中国科学：信息科学，2024, 54 (8): 1789-1802.
[7] 哈尔滨工业大学计算机学院. SENTINEL: 多模态大模型物体幻觉抑制系统 [J]. 计算机学报，2025, 48 (2): 345-361.
[8] 清华大学智能产业研究院. EmbodiedEval: 具身智能多模态模型评估基准 [J]. 自动化学报，2024, 50 (6): 1321-1335.
[9] NVIDIA. Omniverse for Manufacturing [EB/OL]. 2024.
[10] UK Atomic Energy Authority. Digital Twin for Fusion Reactor [EB/OL]. 2025.
[11] Hayes S C, Smith S. 接纳与承诺疗法：原理与实践 [M]. 中国轻工业出版社，2020: 23-56.
[12] 香港中文大学心理学系. Pai.ACT: 基于 ACT 的心理健康聊天机器人 [J]. 心理科学进展，2024, 32 (11): 2017-2028.
