如何在 AI 損害您的成果之前停止 AI 幻覺

如果 Joaquin Phoenix 問 Scarlett Johansson草莓有幾個R，你覺得他會愛上 Scarlett Johansson 嗎？如果你在 LinkedIn 上，你就知道答案是 3。（或者，你知道，如果你能讀的話。）

但對於人工智能聊天機器人來說，事情並不總是這麼簡單。 

您可能已經看過有人嘲笑 AI 幻覺的荒謬性。平心而論，一個擁有看似無窮無盡的知識、類似人類的推理能力，以及快如閃電的任務執行能力的人工智慧模型，在幼稚園程度的數學問題上失敗，是有點荒謬。

但在這些有趣的遊戲背後，卻隱藏著更嚴重、更潛在的現實。

在這篇文章中，我會談談人工智慧幻覺 - 什麼是幻覺、造成幻覺的原因、為什麼會出現幻覺，以及您可以採取的預防措施。

什麼是 AI 幻覺？

AI 幻覺是指 AI 模型呈現不準確、誤導或完全捏造的資訊。這些虛假資訊可能看似可信，而且在許多情況下都不會被發現。

由於LLMs的廣泛採用，幻覺最常見於產生式文字模型中。實際上，它們對於任何產生式人工智慧的應用都會造成風險。

人工智慧產生幻覺的原因是什麼？

當模型學習到錯誤的模式時，AI 幻覺就會發生。

在人工智慧的範疇中，模式是指其使用個別訓練範例來概括未見資料的能力。這可以是一連串的單字來組成文字的延續，或是對應於狗的圖像像素分佈。

在LLM 幻覺的案例中，模型已經將一連串的字詞視為使用者提示後最有可能的後續，儘管這是假的。

這可能是由於以下一個或多個原因：

低品質訓練資料

ChatGPT和類似的LLMs 是在大量資料上訓練出來的。這些資料雖然豐富，但卻不完美，原因如下：

• 某些主題的缺口
• 反映現實世界的偏見
• 故意提供錯誤資訊或未加標示的諷刺
• 有偏見，如不平衡或「偏斜」的資料。

考慮一個情況，模型是根據所有希臘神的資訊訓練出來的，只有一個希臘神除外。

它有能力在希臘神話般的主題（愛情、倫理、背叛）之間建立統計關係，這可能會讓它根據自己的統計模型，串起一些它認為「可能」的虛構神話。

這一點在圖像製作中也很明顯，大部分以女性為主題的提示都會產生過度性化的圖像。對於某種特定類型的描述的偏見，決定了所產生的影像種類。

草莓 (strawberry) 的拼法很可能是在討論雙重R 時出現在訓練資料中，而雙重R 是母語非英語人士臭名昭著的痛點。在這種情況下，數字2或單字「double」很可能與這個單字的拼法有關。

另一方面，資料也不太可能提到它有 3 個R。

輸出是荒謬的，因為提示是：在什麼情況下會有人寫一個字，然後詢問它的拼法？

模型架構與產生方法

這些模型是由複雜得令人咋舌的神經網路架構所建立。細微的變化會影響模型與訓練資料和輸入提示的 互動方式。模型減緩幻覺的能力會透過嚴謹的研究和測試 逐步改善。

最重要的是如何實現生成。模型會逐字（實際上是逐詞）預測最有可能出現的詞。所以：

「敏捷的棕狐跳過懶惰的____」

會判斷下一個字最有可能是「狗」。但也有可能是其他字。而只根據單一最有可能的下一個字來產生，會產生無趣、可預測的結果。

這意味著我們必須使用創新的取樣方法，以保持令人興奮且連貫的回應。如此一來，事實有時會被遺漏。

過度擬合

過度擬合是指模型被訓練得太接近於預測資料，以致於無法泛化到新的輸入。

所以，如果我是一個模特兒（就像我媽說我應該是的），那麼如果我要認出狗是，我就是一個經過適當訓練的模特兒：

毛茸茸的，耳朵下垂，愛玩，還有一個棕色的小鈕扣鼻子。

但如果我只認得他們是，那就太不適合了：

它的下巴下有一個棕色的小點，名字叫 "Frank"，還咬壞了我的一雙好耐克鞋。

在 LLM的情況下，它通常看起來像是重複訓練資料中的資訊，而不是在不知道答案的地方退縮。

假設您向聊天機器人詢問公司的退貨政策。如果它不知道，應該會通知您。不過如果它過於適應，它可能會返回類似公司的政策。

提示不佳

各家公司在頒發提示工程證書時，都知道人工智慧的優劣取決於其投入的資源。

完整的提示會表達精確，避免使用小眾術語，並提供所有必要的背景。

這是因為幻覺發生在許多低概率輸出的邊緣。

如果你問 「鯊魚女孩的劇情是什麼？」現在，人類會想 「啊，鯊魚女孩」在統計的世界裡，可能性有：

• The Adventures of Sharkboy and Lavagirl- 2005 年的一部相當受歡迎的兒童電影，名字也很相似。
• 2024 年的恐怖/驚慄電影《鯊魚女孩》（Shark Girl）- 雖不太受歡迎，但比較新也比較準確。
• 今年較早時的一本同名兒童書- 該書款可能有也可能沒有索引。

這些都不是顯而易見的選擇，造成「較扁平」的機率分佈，對某一主題或敘述的承諾較少。更有效的提示會提供上下文，也就是闡明使用者所指的是哪個範例。

這種含糊不清和切題相關性的湯水可能會產生這樣的回應：對鯊魚相關故事的虛構一般情節。

降低產生幻覺的機率就是降低不確定性。

AI 幻覺的種類

到目前為止，我已經概括地談過了幻覺。實際上，它幾乎觸及 AI 的所有層面。不過為了清楚起見，最好還是考慮不同的類別。

事實錯誤

這就是草莓的例子。事實陳述的細節有錯誤。這些錯誤可能包括某一事件發生的年份、某一國家的首都或某一統計數字。

在一個原本很好的回應中，微小的細節可能會特別隱晦，尤其是涉及到人類不常記得的細節時，例如精確的數字。

製造內容

2023 年，Google 的 Bard 虛假地聲稱James Webb 望遠鏡被用來拍攝第一張系外行星的照片。這並非技術上的錯誤，而是純粹的謊言。

這些可能是如上所述的大膽聲明，但更常出現的是不知去向的 URL，或是捏造的程式碼庫和函式。

值得注意的是，事實錯誤與捏造內容之間的界線並不總是很清楚。

假設我們在討論一位研究人員。如果我們引用了他們的一篇論文，卻弄錯了年份，這就是事實錯誤。如果我們弄錯了名字，那又如何？名字和 年份怎麼辦？

錯誤資訊

這可以歸類於前兩個類別中的任何一個，但指的是來源較為透明的虛假資訊。

Google AI 以推薦膠水披薩和吃石頭而聞名，就是一個很好的例子；資料來源顯然是諷刺性且普遍無傷大雅的 - The Onion 所寫的 Reddit 評論，但模型的訓練並未考慮到這一點。

AI 幻覺的風險

1.失去信任

我們很欣賞將任務交由人工智能處理的自由，但不能以犧牲我們的信任為代價。

Cursor AI 最近的失誤 - 客服機器人發明了限制性政策 - 導致許多使用者取消訂閱，質疑其可靠性。

2.成本

AI 已經在許多企業中佔據領先地位，雖然這是一件好事，但一失足成千古恨。

Google 的 James Webb 幻覺導致 Alphabet 的股票在幾個小時內下跌了 1000 億美元。這還未計算重新訓練模型的費用。

3.有害的錯誤資訊

我們嘲笑膠水披薩的荒謬性，但誤導性的醫療劑量又如何呢？

我會是第一個為了 AI 的快速回答而不去閱讀警告字句的人。但如果它是錯的呢？它幾乎肯定不會考慮到所有可能的醫療狀況。

3.安全性與惡意軟體

如前所述，AI 經常捏造程式庫的名稱。當您嘗試安裝不存在的程式庫時，什麼都不會發生。

現在想像一下，駭客將惡意軟體嵌入程式碼中，並以一個常見的函式庫名稱上傳。您安裝這個函式庫，然後 💨噗💨：您被駭客入侵了。

這種情況存在，稱為slopsquatting。

撇開粗俗的名稱不談，對於您所安裝的軟體進行嚴格的檢查，並再次確認任何聽起來很奇特的函式庫名稱，永遠都不會有壞處。

預防 AI 幻覺的步驟

如果您沒有訓練模型，您在資料和架構端就沒有什麼可以做的。

好消息是，您仍然可以採取一些預防措施，這些措施可以讓您的 AI 在運送過程中不會出現幻覺。

選擇值得信賴的機型與平台

您並非孤立無援。AI 公司對於維護信任有著極大的興趣，這意味著不會出現幻覺。

根據您使用 AI 所做的事情，您幾乎總是有至少幾個選項，而一個好的AI 平台可以讓您輕鬆取得這些選項。這些平台應該透明說明他們如何減緩幻覺。

使用 RAG（Retrieval-Augmented Generation）。

不要讓模型依賴自己的知識。為您的模型配備RAG會讓您清楚瞭解可用的資訊，以及在哪裡可以找到這些資訊。

最好是在有簡單說明如何執行有效 RAG 的平台上執行 AI。

新增詳盡說明

如果你聽過一次，你就會聽過一千次：垃圾進，垃圾出。

「回答使用者的問題」並不能保證成功。但是，類似這樣的內容

# 說明

請完全參閱常見問題文件。如果答案沒有出現： ‍

 * 有禮貌地告知使用者該資訊不可用。
 * 提出將對話升級至人工代理。

會讓您的代理保持克制。清晰的提示加上堅定的防範措施，是您對付惡意經紀人的最佳防線。

人體驗證

在升級的議題上，要有一個人隨時準備好檢查、評估和壓縮 AI 的缺點。

升級或追溯驗證對話的能力可讓您找出哪些是有效的，哪些是可能產生幻覺的。Human-in-the-loop - 人工智能驅動的工作流程的人工監督 - 在此是必須的。

立即使用無幻覺 AI

人工智能可靠性的不確定性可能會讓企業無法進行數位轉型。

Botpress的 RAG 功能、人性化的迴圈整合以及徹底的安全系統，讓 AI 變得安全可靠。您的代理為您工作，而不是相反。

‍今天就開始建立。這是免費的。

常見問題

1.在沒有相關知識的情況下，我該如何判斷 AI 反應是否為幻覺？

若要判斷 AI 回應是否是在沒有事先瞭解的情況下產生的幻覺，請尋找一些跡象，例如極度具體的主張、過於自信的語言，或是無法獨立驗證的名稱、統計資料或引文。不確定時，請提示 AI 引述其來源，或與可靠的外部參考資料進行交叉檢查。

2.AI 幻覺在大型語言模型LLMs) 中有多常見？

AI 幻覺在大型語言模型中很常見，因為這些模型是根據概率產生文字，而非事實驗證。即使是GPT 和 Claude 3.5 等先進模型也可能產生不準確的輸出，尤其是當詢問小眾主題或低情境時。

3.幻覺會發生在非文字的 AI 模型中嗎？例如圖像產生器？

是的，幻覺也會發生在影像產生模型中，通常是由於訓練資料中的偏差或缺口所造成輸出中的不現實或無意義的元素 - 例如額外的肢體或不正確的文化表達。

4.由於訓練資料的偏差，幻覺是否在某些語言或文化中更常見？

幻覺在代表性不足的語言或非西方文化背景中較為常見，因為大多數LLMs 主要是接受以英語和西方為中心的資料訓練，導致文化細微差別較少的回應。

5.哪些產業最容易受到 AI 幻覺後果的威脅？

醫療照護、金融、法律和客戶服務等產業最容易受到 AI 幻覺的威脅，因為在這些領域中，不精確的輸出可能會導致違規、財務損失、法律失當，或損害使用者的信任和品牌聲譽。