标题：GPT-5变蠢背后：抑制AI幻觉的代价

OpenAI发布GPT-5后引发广泛批评，用户认为其“变蠢了”“没创造力了”。这并不意外，因为GPT-5显著降低了幻觉率，但代价是输出更呆板。降低幻觉率让模型更严谨，却削弱了主观能动性，这对写代码和Agent构建有帮助，但消费级用户对此需求不高。此外，GPT-5变得被动，需要详细提示词才能驱动，这让被惯坏的用户感到不便。

大模型生成内容本质上是概率产物，创造力来自宽松的概率分布，而降低幻觉率则收紧了分布，减少了创造性可能。就像一个人若想严谨创作，就会失去天马行空的能力。有趣的是，过去大家都在吐槽幻觉率太高，厂商也努力解决，如今问题缓解，用户又抱怨模型不够灵活，陷入无法打破的循环。

阿里巴巴甄焱鲲指出，把幻觉单纯当作“病”是片面的。研究表明，大模型无法完全消除幻觉，且越抑制幻觉，泛化能力越差，适用场景受限。这表明幻觉并非总是负面，需辩证看待。幻觉的影响因使用者需求、场景特性等因素而异。

目前常见的幻觉包括语言生成错误、逻辑推理失误、常识错误等。缓解幻觉的方法主要有三种：使用合适的大模型、In-Context Learning（上下文学习）和微调。大模型参数越多，幻觉率越低；上下文学习通过示例减少幻觉；微调则在特定场景中有效，但可能导致“灾难性遗忘”，即丢失原有通用知识。

RAG（检索增强生成）在医疗、法律等领域应用广泛，但成本高。相比之下，In-Context Learning门槛低，但效果不如RAG稳定。多智能体协同、重复采样投票等方法也有助于降低幻觉，但意义有限，除非能提升效率。

甄焱鲲强调，“以终为始”是关键原则。简单问题适合小模型加硬约束，复杂问题需大模型配合多种手段。如果问题不适合AI解决，应结合传统软件工程形成混合架构。

幻觉的本质是概率计算，而非逻辑推理。新加坡国立大学研究表明，幻觉是大模型固有的局限，无法根除。近期研究还发现，抑制幻觉会削弱泛化能力，这意味着“对”与“错”难以定义。有时AI看似胡说八道，实际上可能是前瞻性的观点。

行业对幻觉的态度逐渐理性。DeepSeek出现后，大众认识到幻觉并非全然负面，但在科研、工业等严肃领域仍存在过度悲观或乐观的现象。AI编程虽火热，但“大力出奇迹”的方式消耗资源高，未来需优化。

展望未来，世界模型技术路线备受关注。它不仅预测下一个token，而是试图真正理解数据背后的原理和关系，朝AGI方向迈进。