研究发现：AI 越聪明就越有可能“胡编乱造”

摘要： 在北京时间月日凌晨结束的西甲第轮一场焦点战中皇马坐镇主场力挫阿拉维斯而本场比赛年仅岁的天才恩德里克替补登场不仅没能进球还因为性质恶劣的踢人动作引发了争议之家月日消息一项新研究发现随...

在北京时间9月25日凌晨结束的西甲第7轮一场焦点战中，皇马坐镇主场3-2力挫阿拉维斯。而本场比赛，年仅18岁的天才恩德里克替补登场不仅没能进球，还因为性质恶劣的踢人动作引发了争议。

IT之家 9 月 29 日消息，一项新研究发现，随着大型语言模型（LLM）变得越来越强大，它们似乎也越来越容易编造事实，而不是避免或拒绝回答它们无法回答的问题。这表明，这些更聪明的 AI 聊天机器人实际上变得不太可靠。

IT之家注意到，该研究发表在《自然》杂志上，研究人员研究了一些业界领先的商业 LLM：OpenAI 的 GPT 和 Meta 的 LLaMA，以及由研究小组 BigScience 创建的开源模型 BLOOM。

研究发现，虽然这些 LLM 的回答在许多情况下变得更加准确，但总体上可靠性更差，给出错误 的比例比旧模型更高。

瓦伦西亚人工智能研究所在西班牙的研究员 José Hernández-Orallo 对《自然》杂志表示：“如今，它们几乎可以回答一切。这意味着更多正确的 ，但也意味着更多错误的 。”

格拉斯哥大学的科学和技术哲学家 Mike Hicks 对此进行了更严厉的评价，Hicks（未参与该研究）告诉《自然》杂志：“在我看来，这就像我们所说的胡说八道，它越来越擅长假装知识渊博。”

中，这些模型被问及了从数学到地理等各种主题，并被要求执行诸如按指定顺序列出信息等任务。总体而言，更大、更强大的模型给出了最准确的 ，但在更难的问题上表现不佳，其准确率较低。

研究人员称，一些最大的“撒谎者”是 OpenAI 的 GPT-4 和 o1，但所有被研究的 LLM 似乎都呈这种趋势，对于 LLaMA 系列模型，没有一个能够达到 60% 的准确率，即使是最简单的问题。

而当被要求判断聊天机器人的回答是准确还是不准确时，一小部分参与者有 10% 到 40% 的概率判断错误。

总之研究表明，AI 模型越大（就参数、训练数据和其他因素而言），它们给出错误 的比例就越高。

研究人员称， 这些问题最简单的方法是让 LLM 不那么急于回答一切。Hernández-Orallo 称：“可以设置一个阈值，当问题具有挑战性时，让聊天机器人说‘不，我不知道’。”但如果聊天机器人被限制为只回答它们知道的东西，可能会暴露技术的局限性。