夜雨聆风AI说得很自信，但内容是编的
你问AI"李白哪年生的"，它答"701年，字太白，号青莲居士"。正确。你再问"李白有没有去过日本"，它答"李白在天宝十二年曾东渡日本，在奈良停留半年，留下三首俳句"——听起来头头是道，但每一句都是编的。
这叫AI幻觉（Hallucination），用大白话说就是：AI一本正经地编瞎话，而且编得特别像真的。
今天不聊原理，只聊实用：它为什么编、什么场景最容易编、你怎么一眼识破。
为什么AI会"编瞎话"？
大语言模型的本质，是预测"下一个字最可能是什么"。它读过海量文本，学会了语言规律，但它不区分"知道"和"不知道"。
打个比方：你问一个只看过武侠小说的人"降龙十八掌第十九式叫什么"，他不会说"我不知道"，而会根据已知的十八式规律，编出一个听起来很合理的名字——"亢龙有悔"之后当然是"潜龙勿用"嘛。
AI也一样。当它遇到训练数据里没有的信息时，它不会说"我不知道"，而是根据语言规律生成一段看起来最合理的回答[1]。Google DeepMind 2025年的研究显示，大模型幻觉率在不同任务类型上差异巨大：事实问答约15%，创意写作仅2%，而法律条文引用高达27%[2]。
注意那个27%——这就是为什么用AI写法律文书风险极高。
4个最容易踩幻觉的场景
场景一：问具体数字
"某某公司2024年Q3营收是多少？"——如果AI训练数据里没有这个数字，它会编一个在合理范围内的数字。看起来对，但可能是另一个季度的、另一家公司的，或者干脆是捏造的。
场景二：问引用来源
"这个观点出自哪篇论文？"——AI会编一个看起来很真实的论文标题、作者名、期刊名、甚至页码。2025年Nature的一篇文章指出，大模型生成的学术引用中，约25%是"完全虚构"的[3]。你拿去写论文，就翻车了。
场景三：问小众领域
越是训练数据少的领域，AI越容易编。前沿科研、地方性法规、小众行业术语——这些领域AI的"猜测"比例远高于通用知识。
场景四：让AI做"自我介绍"
问AI"你的训练数据截至什么时候""你是怎么训练的"——它可能给出与官方文档矛盾的答案。因为它并不真正"知道"自己的技术细节，而是在生成最可能的描述。
幻觉高危场景对照表具体数字 → 风险等级：高 → 防范：要求AI标注数据来源引用来源 → 风险等级：高 → 防范：拿到后逐一搜索验证小众领域 → 风险等级：中 → 防范：交叉验证至少2个信息源创意写作 → 风险等级：低 → 防范：基本不需要防范法律条文 → 风险等级：极高 → 防范：必须查原文，不可直接用AI输出
4个方法，一眼识破AI编的内容
方法一：加一句"如果不确定就说不知道"
在提问末尾加一句："如果你不确定，请直接告诉我不确定，不要猜测。"Google DeepMind的研究显示，这个简单指令能将幻觉率降低约40%[2]。AI不是不能说"不知道"，是默认不说。
方法二：要求AI标注信息来源
"请给出这个数据的来源链接或出处。"如果AI给的来源含糊其辞（"据相关研究""有专家指出"），大概率是编的。如果给了具体论文，去搜一下是否存在——25%可能不存在[3]。
方法三：同一问题问两次
如果AI两次回答的数字不一致——比如第一次说"营收87亿"，第二次说"营收92亿"——说明它在猜。真实信息AI不会变。这是最低成本的验证方法。
方法四：给AI设定"知识边界"
"请只基于以下材料回答，材料中没有的信息请说明。"这是企业级AI使用中最推荐的做法——缩小AI的回答范围，它就没有空间编了。
AI不可靠，但可以用对
幻觉不是AI的bug，是它工作方式的副产物。理解这一点，你就不会对AI产生"它什么都会"的幻觉，也不会因为一次翻车就彻底放弃。
记住一个原则：创意和框架交给AI，事实和数字自己验。
下次用AI的时候，试试加上那一句"不确定就说不知道"——你会发现，AI诚实了很多。
「AI伴职场」，从用AI聊天，到用AI干活。关注我，做你AI进化的领路人。
数据来源：[1]Ji et al., "Survey of Hallucination in Natural Language Generation", ACM Computing Surveys 2023；[2]Google DeepMind, "Reducing Hallucination in Large Language Models", 2025；[3]Nature, "AI-generated citations pose risks to academic integrity", 2025。