AI 不是大脑，而是一台预测机器
这几年，很多人第一次有了一个奇怪的感觉：机器好像真的开口了。它不再像过去的搜索引擎那样，只给你一堆链接；也不再像传统软件那样，只给你一个冰冷的结果。你问它问题，它会整理、分析、举例，还会用一种近乎人类的语气说：“我理解你的意思。”过去的计算机错了，通常错得很机械。网页打不开，就是打不开；算式算错了，就是结果不对。可今天的 AI 错了，常常错得很优雅。它会给出一段结构完整、语气笃定、逻辑顺滑的错误答案。这种看似完整、实则无根据的生成，通常被称为 AI 幻觉。但问题恰恰在这里：AI 看起来像在思考，不等于它真的在核验事实。AI 的秘密，不是“0 和 1 变聪明了”，而是人类把记录世界留下的痕迹——文字、图像、代码、网页、论文、日志——整理成训练数据，再通过训练把其中的模式压进参数里。模型根据上下文生成答案，看起来像理解，其实很多时候是在做一件事：接住上文，猜出下文。AI 不是拿着证据再开口，而是拿着上下文先续写。它生成的不是“真相本身”，而是“最像答案的语言”。理解这一点，就理解了 AI 的能力，也理解了 AI 的风险。计算机的底层并不神秘。往深处看，是一排排微小开关：开，是 1；关，是 0。逻辑门把这些开关组合成判断，程序把判断组织成可执行的规则，而神经网络则通过大量样本调整参数、学习统计规律。大语言模型，就是基于神经网络架构、特别擅长处理语言的一类模型。过去的软件更像一本规则手册：遇到 A，就做 B；遇到 C，就做 D。银行转账、表格计算、网页跳转，都适合这种边界清楚、规则明确的任务。这些东西很难写成死板的规则。不是没有规则，而是规则太多、太细、太依赖语境。于是 AI 换了一种办法：不让人把所有规则都写死，而是让训练算法根据海量样本不断更新模型参数。它不断预测、比较误差、调整参数。做过足够多轮之后，它未必记住了每一道题，却形成了某种“题感”。对 AI 来说，这种题感就沉在参数里。
许多生成式大语言模型在预训练阶段最基础的任务，就是预测下一个 token，也就是文本中的下一个基本片段。听起来像文字接龙。但当数据足够多、模型足够大，接龙就不再只是接龙。为了更好地预测下一个片段，模型会在参数中形成某些语言和知识的统计模式：语法、文体、常识性搭配、类比方式、因果叙述模式，以及问题和答案的常见结构。它不是先理解世界再说话，而是在模仿人类说话的过程中，捕捉到人类文本中常见的论证结构、推理样式和知识表达方式。语言里经常出现的东西，不一定在现实中存在。句子顺，不等于事实真。话说得像推理，不等于证据真的在场。所以 AI 最容易让人误判的地方，不是它说得太差，而是它说得太好。这位实习生读过很多书、网页、论文、论坛、代码和新闻。你问他问题，他反应很快，表达也很流畅。但他有三个限制：你问他：“这个产品有没有 CE 标志？有没有对应检测报告？”他脑子里浮现出跨境电商页面、产品介绍、CE 标志、RoHS 合规要求、检测报告和欧盟符合性声明等信息。于是他很可能生成一句非常像真的话：“该产品带有 CE 标志，并宣称符合 RoHS 要求，相关检测报告齐全。”如果他没有看到欧盟符合性声明、适用法规清单、技术文件、检测报告，或在需要第三方介入的产品类别中没有看到公告机构资料，这就不是事实核验，只是模式补全。它像一个读过很多资料、表达能力很强、但不保证翻到原文的实习生。让它写草稿，很强；让它盖章，很危险。
撒谎需要知道真相，然后故意说假话。多数 AI 幻觉更像无意识编造：它生成了语言上合理、事实上错误的内容。AI 幻觉不是机器在撒谎，而是一辆语言汽车在没有证据刹车时，仍然把油门踩了下去。在数据、训练方法和推理资源相近的情况下，更大的模型通常更有能力。它更会写，更会总结，更会模仿人类表达，也更会做复杂推理。还有人以为，只要 AI 联网，或者接入检索资料，就能消灭幻觉。联网和检索当然能降低风险。它让模型在回答前接触外部资料，事实准确性和时效性通常会更好。但它解决的是“模型没看到资料”的问题，不自动解决“模型会不会读错资料”的问题。它仍可能检索错、读错、概括错、引用错，甚至把资料之外的内容补出来。检索增强生成，也就是 RAG，可以让模型先查资料再回答。它能把 AI 拴回资料堆里，但不能保证它不会看错路标。写作、总结、改写是 AI 最适合发挥的地方。因为这些任务主要考验语言组织能力，而不是最终事实裁决。让 AI 润色语言，是借力；让 AI 独自裁决真伪，是冒险。代码开发也类似。AI 能写模板、解释报错、重构函数、生成测试样例。但它也会编造不存在的库名，误用 API，甚至写出安全漏洞。所以成熟程序员不会让 AI 一锤定音，而是让编译器、测试和代码审查来判决。教育场景里，最危险的也不是 AI 给错答案，而是它让学生跳过困惑。学习本来就需要卡住，需要怀疑，需要自己把概念咬开。可 AI 太顺了。它把复杂问题冲成一杯温水，入口很舒服，但你可能并没有真正消化。AI 真正偷走的未必是作业答案，而是人和问题搏斗的那段时间。所以我更愿意把 AI 看成一个极其勤奋、表达流畅、读过很多材料的副驾驶。它能帮你看路，提醒盲区，模拟路线，甚至在你疲惫时提醒你保持清醒。但最后要不要相信，能不能落地，该不该承担风险，仍然是人的事。它可以很漂亮、很清楚，比例尺也标得像模像样，但地图不是领土本身。桥有没有塌，路有没有封，店还开不开门，仍然要回到现实里确认。
最好的 AI 使用者，不是最会问“答案是什么”的人，而是最会追问：写论文时，让 AI 做挑刺的审稿人，不要做代写的枪手。写方案时，让 AI 做冷脸的风控，不要做鼓掌的拉拉队。查合规材料时，让 AI 列证据链，而不是直接盖章。情绪低落时，让 AI 帮你拆分事实、解释和下一步行动，而不是替你给人生判刑。AI 可以帮你整理情绪和想法，但不能替你活这一生。因为它把海量人类语言、知识痕迹、推理模式和写作结构压缩进参数里，再根据上下文生成最可能的输出。
因为对许多纯文本生成模型来说，它的基本机制不是“先核验现实，再表达结论”，而是“根据上下文生成最合理的语言”。当语言合理性超过事实约束，幻觉就出现了。AI 可以给你地图，但不能替你踩路；可以照亮盲区，但不能替你承担后果。逻辑门中无灵魂，参数海里有回声。问它万种可能，别交出你的眼睛。
夜雨聆风
