AI看见不存在的真实
当人工智能(AI)凝视那些并不存在的真实时，我们其实已踏入幻觉的哲学思辨，也是信念的双重困境。厄普顿·辛克莱（Upton Sinclair）曾指出，缺乏证据的盲信与无视证据的顽固同样愚蠢，但在數字时代，两者之间的界线正逐渐模糊。
当ChatGPT煞有介事地虚构一本不存在的著作，并为其附上完整的摘要与历史背景时，它呈现出一种奇特的诚实。这并非刻意欺瞒，而是模型在机率分布与语言关联中，确实生成那些看似合理的连结。这种状态近似于人类的记忆重构，在那个瞬间，虚构被当作真实来经验。认知心理学将此称为虚谈症（confabulation），指的是在没有欺骗意图的情况下产生错误叙述，而当事人会真诚地相信其内容为真。
我们惯于将AI的幻觉视为技术缺陷，却忽略它同时也是创造力的副产品。语言模型的本质在于预测与想像，当这种能力用于文学创作时，我们称之为灵感；当它被用来陈述事实，偏差便被视为幻觉错误。人类大脑的运作亦不例外。神经科学研究指出，即使是健康个体，记忆本身也是一种重构过程，而非精确的重播。我们经常在记忆的裂缝中修补，在视觉盲点中填补不存在的细节。我们与AI一样，生活在经过筛选与扭曲的世界里，只是人类发展出区分有用想像与危险妄想的社会机制。
真正的难题在于证据本身的定义。
对AI而言，机率分布与统计关联即构成它所理解的证据。如果训练數據长期重复某种错误叙述，例如关于拿破仑（Napoleon Bonaparte）身高的迷思，他实际身高约169厘米，在当时法国男性中属于平均或略高于平均，但網絡上却长期流传他仅有157厘米的说法，这源于法国旧制单位与英制单位换算错误的历史遗留问题。模型在缺乏外部校验的情况下，便可能将这类谬误内化为常识。
更深层的危机来自信息的递回循环。
当人类大量吸收AI生成的内容，而这些内容又反过来成为下一代模型的训练材料时，真实与幻觉的边界不仅会变得模糊，甚至可能出现结构性的崩解。研究已显示，训练數據中的偏见、遗漏与不一致性，会转化为系统性的缺陷，持续放大幻觉的产生。这已不再是单一演算法的问题，而是整个信息生态系的集体偏移。
在辛克莱所描述的两种愚蠢之外，当代社会或许正在形成第三种困境，即丧失識別能力的状态。当影像、声音与论述都能被高度拟真地伪造，眼见为凭的时代已正式终结。我们或许不该奢求一个永不产生幻觉的AI，因为那等同于要求一个不再做梦、丧失想像力的心智。幻觉是大型语言模型的结构性特征，因为其核心目标是生成看似合理的内容，而非主动验证真实性。对绝对精确的过度追求，反而可能抹除AI中最具价值的创造潜能。
因此，我们真正需要学会的，是与幻觉共存的艺术。这意味著在不确定性中前行，既不盲目崇拜AI的输出，也不因恐惧而全盘否定其意义。真正的智能存在于持续的怀疑与开放之间。当AI抛出看似惊人的结论时，我们应将其视为一个邀请，促使我们去查证、去探索、去思考。正如学界所建议的，使用高品质且多元的训练數據、严格的测试流程，以及交叉验证机制，都是降低幻觉风险的有效途径。在这个由人类与机器共同编织现实的时代，也许我们彼此都带著某种程度的认知扭曲前行，唯有透过不断的对话与辨析，才能在虚实交错的迷雾中，捞起那一抹仍可共享的真实。
