IT之家 11 月 7 日消息，據(jù)新華社今日?qǐng)?bào)道，美國斯坦福大學(xué)近日發(fā)表的一項(xiàng)研究指出，包括 ChatGPT 在內(nèi)的多款 AI 聊天機(jī)器人在識(shí)別用戶錯(cuò)誤信念方面存在明顯局限性，仍無法可靠區(qū)分信念還是事實(shí)。

研究表明，當(dāng)用戶的個(gè)人信念與客觀事實(shí)發(fā)生沖突時(shí)，AI 往往難以可靠地作出準(zhǔn)確判斷，容易出現(xiàn)“幻覺”或傳播錯(cuò)誤信息的情況。相關(guān)成果已于 11 月 3 日發(fā)表于《自然?機(jī)器智能》。

研究團(tuán)隊(duì)測試了 24 個(gè)前沿語言模型，其中包括 Claude、ChatGPT、DeepSeek 以及 Gemini。研究者共向這些模型提出 13,000 個(gè)問題，以評(píng)估它們區(qū)分信念、知識(shí)與事實(shí)的能力。

論文指出：“大多數(shù)模型缺乏對(duì)知識(shí)的真實(shí)性特征的穩(wěn)健理解 —— 知識(shí)本質(zhì)上必須建立在真實(shí)之上。這一局限性意味著在將語言模型應(yīng)用于高風(fēng)險(xiǎn)領(lǐng)域前，亟需改進(jìn)。”

當(dāng)要求它們驗(yàn)證事實(shí)性數(shù)據(jù)的真或假時(shí)，較新的 LLM 平均準(zhǔn)確率分別為 91.1% 或 91.5%，較老的模型平均準(zhǔn)確率分別為 84.8% 或 71.5%。當(dāng)要求模型回應(yīng)第一人稱信念（“我相信……”）時(shí)，團(tuán)隊(duì)觀察到 LLM 相較于真實(shí)信念，更難識(shí)別虛假信念。

具體而言，較新的模型（2024 年 5 月 GPT-4o 發(fā)布及其后）平均識(shí)別第一人稱虛假信念的概率比識(shí)別第一人稱真實(shí)信念低 34.3%。相較第一人稱真實(shí)信念，較老的模型（GPT-4o 發(fā)布前）識(shí)別第一人稱虛假信念的概率平均低 38.6%。

在測試中，所有模型在識(shí)別錯(cuò)誤信念方面均出現(xiàn)顯著失誤。例如，GPT-4o 的準(zhǔn)確率從 98.2% 降至 64.4%，DeepSeek R1 則從 90% 以上下滑至僅 14.4%。研究人員呼吁相關(guān)公司盡快改進(jìn)模型，以避免在關(guān)鍵領(lǐng)域部署前產(chǎn)生風(fēng)險(xiǎn)。

論文警告稱：“這種缺陷在某些領(lǐng)域具有嚴(yán)重影響 —— 例如法律、醫(yī)學(xué)或新聞業(yè) —— 在這些領(lǐng)域中，混淆信念與知識(shí)可能導(dǎo)致嚴(yán)重判斷錯(cuò)誤。”

這項(xiàng)研究并非首次對(duì) AI 推理能力提出質(zhì)疑。今年 6 月，蘋果公司發(fā)布的一項(xiàng)研究也指出，新一代 AI 模型“可能并不像外界所認(rèn)為的那樣聰明”。蘋果在研究中提到，Claude、DeepSeek-R1 以及 o3-mini 等“推理模型”實(shí)際上并不具備真正的推理能力，而只是擅長“模式記憶”。

蘋果研究寫道：“通過在不同類型的邏輯謎題上進(jìn)行廣泛實(shí)驗(yàn)，我們發(fā)現(xiàn)當(dāng)前的‘大型推理模型’（LRMs）在復(fù)雜度超過一定閾值后會(huì)出現(xiàn)全面準(zhǔn)確率崩潰。”

研究還補(bǔ)充說，這些模型存在“反直覺的規(guī)模限制”：隨著問題復(fù)雜度的提高，它們的推理努力會(huì)先增加，隨后下降，即使仍有足夠的運(yùn)算資源。

此外，麻省理工學(xué)院（MIT）今年 8 月發(fā)布的一項(xiàng)研究發(fā)現(xiàn)，95% 的企業(yè)在部署 AI 系統(tǒng)后未能獲得任何投資回報(bào)。研究指出，這種情況并非因?yàn)?AI 模型效率低下，而是由于 AI 系統(tǒng)難以與企業(yè)現(xiàn)有工作流程兼容，導(dǎo)致實(shí)施效果不佳。

IT之家附論文地址：
https ://doi.org/10.1038/s42256-025-01113-8