AI為何有幻覺？面對AI幻覺，企業如何讓AI變成信賴夥伴？

什麼是AI幻覺？為什麼會出現AI幻覺？

AI幻覺惹出的麻煩又添一樁！據紐約時報報導，一名美國德州的律師，向法院提交文件時，引用了不存在的「1985 年布拉舍訴史都華案」，以及其他31條AI捏造的引證。AI闖出的這個大禍，遭到法官嚴厲批評，並將律師移交州律師協會懲戒，還得接受六小時的AI教育課程。

什麼是AI幻覺(AI Hallucination)？

美國《ACM通訊期刊》(Communications of the ACM)，發表了一篇文章「智慧的代價」，論文清楚地說明了AI可能的三大風險：AI幻覺、間接的提示注入、越獄。其中，間接地提示注入、越獄屬於資訊安全的漏洞與防護，本篇我們探討AI幻覺與減低AI幻覺的方法，也就是AI用看似合理的論述，說出沒有根據或不實的解答。

AI為什麼會有幻覺，產生這些錯誤無根據的說法？我們先看看AI是如何做訓練。

現今生成式AI是基於大語言模型（LLM），蒐集大量網路或特定文件的資料，利用演算法進行訓練與推論。目前的語言學習模型，大都基於Google的自注意力Transformer模型，這個模型以龐大的訓練語料庫為基礎，逐個詞元進行文本訓練。關鍵是，在訓練過程中，模型並未被賦予明確事實或規則，只是調整數十億個權重，以統計方式模擬人類的文本機率。

也就是說，模型學習來自於訓練文本的不完美及詞元的機率統計。

想想看，我們說的話、撰寫的文章、部落格上發表的評論，有多少接近事實? 前因後果推論邏輯完全完美？ 再加上，許多語言模型為了創造性和多樣性的回應，並非選擇機率最高的詞，而是運用隨機方式接續生成下一個詞，因此就可能產生AI偏誤。此外，大語言模型也會從提示詞中捕捉微妙的線索、語境，甚至是偏見，讓錯誤的提示詞造成AI幻覺的擴大！

綜合來說，常見的AI幻覺原因有以下幾種∶

• 自注意力生成：模型是依照順序依序生成文字輸出，每次新生成的詞元，都基於先前生成的內容。如果回答一開始就給了錯誤的問題，它會傾向沿著錯誤路徑下去，以維持敘述連貫性。

• 缺乏事實查核機制： 所謂「垃圾進、垃圾出」。模型缺乏事實查核機制，導致錯誤的訓練文本，當然造成錯誤的生成結果。

• 過時的知識：有些知識是透過不斷累積，但AI模型可能會斷言一些曾經正確、現在不再正確的資訊，或忽略了最新事實。生成式AI有可能因為知識過時或缺乏，利用機率拼湊出看似正確的幻覺回答。

• 缺乏專業領域知識：許多語言模型來自於大量網路資料，對法律、醫學、金融、製造等專業領域的理解，僅來自於一般性大量文本模式的機率分配，常會忽略領域專家所了解的細微差別或因果關係。也就是說，表面上AI看似很會分析，但其實並沒有真正理解因果關係。

避免企業AI幻覺的方式

理解AI幻覺的原因後，我們可以進一步思考，企業如何避免AI幻覺∶

• 檢索增強生成(RAG): 檢索增強生成技術是將一些正確、專業的資料庫、文本，提供給生成式AI，以限縮生成答案的範圍，可大程度地減少幻覺。但同樣地，餵入RAG的文本資料、ERP等企業資料，也要確保正確不偏誤。

• 提示詞模板：企業運用生成式AI大語言模型進行詢問時，可透過自訂嚴謹提示詞模板或限縮後的指令，避免員工輸入偏誤提示詞而造成不正確的生成輸出。

• 輸出結果驗證：利用一些事實查核機制，驗證生成結果的正確性。例如: 加裝查核程式比對與檢查輸出的合理性。

• 知識整合： 整合多個大語言模型、推理模型等，以弭補原大語言模型的不足。企業可以利用既有領域專有名詞、工作規則、流程順序或者運用知識圖譜(知識圖譜概念請見「知識圖譜: 數據挖礦的探照燈」一文)來搭配RAG、大語言模型，讓生成的結果更正確。

例如：

西門子利用知識圖譜建立產品、物料、零件、設備間的關係，以強化數位孿生模擬； 鼎新AI平台將生產、庫存、供應等多元數據資料，以知識圖譜建立數據血統(data lineage)關係，正確搜尋ERP數據； 鼎新AI產品「ChatFile」結合大語言模型與小語言模型優勢，以快速並正確地綜整多元的企業文件知識。

圖、企業生成式AI減低AI幻覺的做法

• 微調訓練：企業也可以運用微調方法，進行生成式AI模型的微調訓練，將企業重要領域的知識、文件檔案進行模型微調訓練，讓生成式AI模型更符合企業需求。

• 人工審核: 企業避免AI幻覺的最後一道防線是人工審核。在建置生成式AI系統後，可以協同顧問進行產出驗證，以減少幻覺或缺失產生；此外，進行大量RAG數據庫更新時(如: 上傳一大批新的設備維護手冊檔案)，也要啟動審核機制，以減低新的AI幻覺。

AI幻覺會造成重傷，企業應該怎麼使用AI？

AI已經成為企業提效的重要工具，但如果忽略AI幻覺的問題，也可能帶來難以收拾的傷害，綜合前述的做法，企業運用生成式AI需要有這些準備：

• 辨別AI任務與數據管理： 企業進行生成式AI任務時，首先需先釐清AI任務的數據來源，如: ERP資料庫、載入RAG文件檔有哪些？然後要進一步注意相關數據的可靠性、正確性。若察覺異常時，除了思考數據源的資料問題，也需要設置僅有特定使用者才能上傳RAG文件，以控制數據品質。

• 設置提示詞模板與輸出過濾： 企業進行生成式AI任務時，能設置特定提示詞模板提供使用者，以避免不當提示詞輸入，增高AI幻覺的機會。此外，企業也應強化資料生成輸出的過濾機制，以減少幻覺產生。

• 拉信賴供應商陪跑：企業的生成式AI，更需要和具備領域知識的軟體供應商或整合商合作，並搭配相關防止AI幻覺技術或機制，配合顧問導入檢核驗證實施手法，加強教育訓練服務等。建議企業可以與信賴的軟體或系統整合商合作，讓生成式AI在企業發光發熱。

延伸閱讀>> 企業導入AI的做法：為什麼95% 企業的 AI 投資沒有明顯成效？

小結：AI 幻覺，不可忽視的企業風險

生成式 AI 的能力令人驚艷，但它的「幻覺」現象提醒我們：AI 並非萬能，也可能輸出錯誤或虛構資訊。企業若要真正運用 AI 創造價值，必須理解並妥善管理這些風險。

1️⃣ 從根因著手：了解幻覺的本質

AI 並不理解真實世界，它只是根據統計機率預測文字；以此，錯誤的訓練資料、模糊的提示詞、過時知識，都可能讓模型「想像出不存在的事實」。

2️⃣ 用技術手法降低錯誤發生

透過 RAG（檢索增強生成）、提示詞模板、事實查核程式、知識圖譜整合 與 模型微調，企業可以在生成過程中導入正確且即時的資料，減少幻覺產生。

3️⃣ 建立防線：從流程到人員審核

除了技術之外，企業應設置人工審核與資料上傳權限，確保輸出結果的正確性與可信度。

4️⃣ 強化協作：與信賴的AI夥伴共進

導入生成式AI時，應尋找理解企業流程的供應商或整合商，共同建立防幻覺機制、教育訓練與驗證流程，讓AI發揮最大價值。

AI 幻覺不是暫時現象，而是生成式AI的結構性挑戰。企業的課題，不是「要不要用 AI」，而是如何讓 AI 說真話、做對事，成為可信賴的智慧夥伴。