人的『幻觉问题』如何解决？

常识概念我们标注为定理并且放长期记忆库，然后根据实时环境和参照物来进行自证。

非常识问题我们搜索自己的记忆知识库后也拿不准的时候就去查阅资料增加参照物来提升可信度。

这些都没必要堆算力等涌现。堆代码量就行。在latent潜在空间里做符号主义去完成巨额算力走不完的路。

人不学会这些思维模板也天天胡思乱想嘛。一样的。

大模型的幻觉是其内部机制的必然结果（我别处有若干回答），目前的大模型本身再好也无法杜绝。工程上如今多采用大模型外部的agent和RAG等逻辑闭环，在一些限定的应用领域，达到有效减少。

内部问题的简单解释是：大模型并非拷贝了训练数据中所有完整陈述语句，而是通过复杂的建模，把语句打散为词汇（精确说是比词汇更小的单元token，本题中作用相同），积累记录的是每个所见上文（包括达到几十万单词的序列）下本单词出现的概率。推理时，根据问句等输入信息，配好的上文下找到很多本地词的概率、选用概率最高的输出。然后一路下去递归成为语句。

所以，原来的训练语句被打散、新语句时临时组合而成。只有这样才能应对所有输入问题，所以绝大多数就都是未见语句了。所以，虽然大量训练数据可以让最正确语句出现概率最大，但没有保证。概率永远不是精准的事情。

这样的“遗憾”，其实也是大模型的最重要的力量！概率统计式的“推理”，绝大多数时候，会给人它有智能的感觉，包括数学推理、编程、图像视频等。

持续的改进仍在继续，包括大模型内部和外部（上述）。但是，彻底丢掉transformer等“分布式、嵌入式”表征的另外的建模方式，DeepSeek没有做，其它公司也没有做到。有的新趋势是结合LLM和RL等。我们可以拭目以待了，但最好懂点内部原理，才能不太受惊吓、开发者也就知道哪里找路。

深层次的技术突破是核心动因。相较于闭源的“高门槛”商业大模型（如OpenAI的GPT-4），DeepSeek将代码、方法透明地开源共享的做法被视为一种技术普惠策略，开发者不必依附特定商业框架即可自主优化本地版本，在算力调度、推理效率等层面试错创新的成本被压缩了。1月AI算力股大跌的市況与其技术对超高参数依赖或昂贵算力链条的“脱敏式能力”有关，“更精简的架构”导致行业对重资本GPU的投资估值重定，这是市场对AI新路线敏感的直接反馈。以华为云、腾讯云为代表国内算力厂商随即跟进上线服务，进一步印证了其兼容低成本芯片适配性的可能突破路径，这也为中短期内绕开高端制程芯片“卡脖子”之困打开了设想窗口。由此催生的舆论热潮甚至覆盖了对“中国AI技术全面领先”等过躁预期的一种社会心理释压。

DeepSeek的开放生态仍面临如何进行商业适配的问题，最直接的矛盾点是大模型的底层挑战：“幻觉”。即便其具备更符合人类直觉的语言流畅和逻辑自洽优势，用户反馈亦强调它隐含高阶的致幻能力：输出的虚假论断在精巧的逻辑框架下被无痕嵌套。这类问题或成为其快速落地的最大壁垒——在法律论证或医疗咨询的场景中哪怕极低的“隐性谎言率”都可能摧毁信赖。对幻觉的根本性对抗目前依旧停留于传统方案（如强化上下文提示、通过知识检索库约束回答等）混合新兴训练手段，例如引入人类伦理导向的迭代式预标记数据和通过对抗网络的真实性强化。

现实平衡点在于：一项真正的原创性AI体系需要算力的硬支撑、行业落地的强验证和持续的自我纠错，三者无法跳离。技术反扑还是局部超越的评判或许还需让子弹多飞一会儿，唯有跨过泡沫沉淀后的真实用户反馈，才可判断一场风暴最终留下的地貌痕迹。

让无数开发者为之震惊的不是他开源，而是他既然以极少的价格达到了比open AI还要好的标准，幻觉问题可以让AI学会像人类一样思考和反思，这样的话，他就知道这个是错的，这个是对的，然后不断的给自己的答案进行评分。

小孩子第一个学习的技能是说谎，也许 ai 聪明到一定程度，不说实话了