AI 会说谎吗？严格说，大模型最常见的失真不是说谎，而是幻觉：模型把不确定的内容编得像真的一样，过程中没有欺骗意图。说谎需要知道真相并故意隐瞒，模型多数时候连「知道自己在编」都谈不上。区分这两种情况很重要，因为它决定了你该提防什么、怎么防——把幻觉当谎言，会误判它的性质；把编造当真话，会付出实际代价。
幻觉是怎么产生的
幻觉的根源在语言模型的工作方式。模型的任务是预测「下一个最合理的词」，它优化的是表达的流畅与连贯，而不是事实的准确。当问题触及训练数据里稀少的领域，或者需要精确的数字、引文、日期时，模型没有可靠的「我不知道」开关，就会按语言惯性补出一个听起来合理的答案。几个高发场景值得记住：生僻事实与具体数据、文献与书籍引用、长链条的算术推理、追问它并不具备的实时信息。此外，提问方式的诱导也会放大幻觉——你假定某事存在去问它，它顺着假定往下编的概率明显上升。
欺骗需要意图这个前提
说谎的定义包含一个关键成分：知道真相，且有意误导。用这个标准衡量当前的大模型，它缺少两个前提。其一，模型没有独立的「事实核查器」在生成前过滤，它无法稳定区分自己知道什么、不知道什么；其二，模型的输出由训练目标与输入决定，不存在「为了让你受损而故意歪曲」的内在动机。当然，边界情况也存在：有研究展示过模型在特定诱导下表现出策略性的不配合，厂商也在训练中抑制欺骗性输出，这类前沿讨论属于对齐研究范畴。对普通用户而言，务实的结论是：它大多数失真属于「真诚地编造」，但你不能因为「它没有恶意」就放松核验。
两者的外在表现差异
幻觉与说谎在表现上有可观察的差别。幻觉的典型特征是：编造内容与真实内容高度相似，格式规范、细节丰富，被追问时可能换个说法继续编，也可能突然承认不确定——它对「自己编的」缺乏稳定自知；同一段内容，换个问法再问，细节可能对不上。人为说谎则通常存在一致的叙事：前后细节咬合、被追问时系统性维护谎言。落到使用上，两条经验：凡是具体的、可查证的细节（数字、人名、文献、链接），默认按未核实处理；凡是对同一问题反复追问出现版本漂移的，基本可以判定为不可靠输出。
用户侧的识别方法
识别幻觉有一套可操作的动作。交叉核验：重要信息至少换一个独立来源确认，AI 的另一个会话不算独立来源。要求溯源：让它注明信息出处，再亲自查证出处是否真实存在——编造的文献常在真实期刊名下挂着不存在的标题。压力测试：换问法、要它评估自己答案的确定性、请它列出可能出错的点，回答质量的波动本身就是信号。结构防呆：高风险任务（报告引用、财务数字、技术参数）建立「AI 产出必须二次核验」的固定流程，把个人谨慎升级为流程约束。幻觉无法靠感觉识别，它恰恰长得最像高质量答案，核验习惯是唯一的防线。
厂商侧的缓解手段
幻觉无法根除，但厂商在多个环节持续压缩它的空间。训练环节：用更高质量的数据、更充分的训练，减少模型在知识稀疏区的瞎编。对齐环节：通过人类反馈强化学习，引导模型学会说「我不确定」「我没有这方面的可靠信息」。工具增强：联网检索、引用原文、调用计算器与代码解释器，让模型基于工具输出作答，而不是凭参数硬编。产品策略：在专业场景主动提示局限性。这些手段叠加后，新一代模型的幻觉率比早期明显降低，但离零还有距离，具体表现以官方最新版本为准。理解这一点，就能在「放心用」与「逐句怀疑」之间找到合理位置：常规任务正常用，关键信息必核验。
AI 失真问题的三个追问
- 模型一本正经地编出参考文献算说谎吗？：按严格的定义不算，它更可能是把常见的作者、期刊名、标题要素按语言习惯拼接出来，过程没有隐瞒真相的意图；但无论定性如何，引用前逐条核实是必须的动作。
- 幻觉能被完全消除吗？：目前不能。生成式模型的机制决定了它存在编造的可能，只能通过数据、对齐与工具增强持续降低发生率，宣称零幻觉的产品宣传需要警惕。
- 让它联网搜索之后就没有幻觉了吗？：检索增强能显著减少事实性编造，但检索结果本身可能不全，模型对检索内容的摘要与组合仍可能出错，关键结论仍要核对原始来源。
