AI 搜索“毒化”現(xiàn)實：模型崩潰隱憂，從神器到“垃圾輸出”快訊
AI 模型崩潰（model collapse）現(xiàn)象正在顯現(xiàn)，AI 搜索反饋的硬數(shù)據(jù)（如市場份額或財務(wù)數(shù)據(jù)等），報道稱以 Perplexity 為代表的 AI 搜索工具雖然表現(xiàn)要優(yōu)于谷歌等傳統(tǒng)搜索引擎。
5 月 29 日消息，科技媒體 theregister 昨日（5 月 28 日）發(fā)布博文，報道稱以 Perplexity 為代表的 AI 搜索工具雖然表現(xiàn)要優(yōu)于谷歌等傳統(tǒng)搜索引擎，但在不斷地版本更迭后，搜索結(jié)果質(zhì)量不升反降，AI 模型崩潰（model collapse）現(xiàn)象正在顯現(xiàn)。
該媒體指出以 Perplexity 為代表的 AI 搜索工具曾被視為傳統(tǒng)搜索引擎的強力替代品，其搜索結(jié)果一度比谷歌更精準(zhǔn)。
不過近期不少用戶發(fā)現(xiàn)，AI 搜索反饋的硬數(shù)據(jù)（如市場份額或財務(wù)數(shù)據(jù)等），并未來自權(quán)威的美國證券交易委員會（SEC）要求的 10-K 年度報告，常常引用不可靠來源。用戶若不明確指定數(shù)據(jù)來源，得到的結(jié)果往往令人費解。
援引博文介紹，這種問題并非 Perplexity 獨有，主流 AI 搜索機器人均存在類似“可疑”結(jié)果的現(xiàn)象。
該媒體認為 AI 搜索質(zhì)量下降的根源，在于“模型崩潰”（model collapse），即 AI 系統(tǒng)因依賴自身輸出訓(xùn)練，導(dǎo)致準(zhǔn)確性、多樣性和可靠性逐步喪失。錯誤累積、稀有數(shù)據(jù)（tail data）丟失以及反饋循環(huán)是三大主因。
錯誤累積讓每一代模型繼承并放大前代的缺陷；稀有數(shù)據(jù)丟失使罕見事件和概念逐漸模糊；反饋循環(huán)則強化狹窄模式，輸出重復(fù)或偏見內(nèi)容。
為提升 AI 表現(xiàn)，檢索增強生成（RAG）技術(shù)被廣泛應(yīng)用，讓大型語言模型（LLMs）從外部數(shù)據(jù)庫提取信息，減少“幻覺”（hallucination）現(xiàn)象。
然而，彭博社研究發(fā)現(xiàn)，即便采用 RAG，包括 GPT-4o、Claude-3.5-Sonnet 等 11 個領(lǐng)先模型在處理 5000 多個有害提示時，仍會輸出錯誤結(jié)果。更糟糕的是，RAG 增加了泄露客戶隱私數(shù)據(jù)、生成誤導(dǎo)性市場分析及偏見投資建議的風(fēng)險。
AI 模型崩潰的后果正在加速顯現(xiàn)。用戶和企業(yè)為追求效率，傾向于依賴 AI 生成內(nèi)容，而非投入人力創(chuàng)作高質(zhì)量內(nèi)容。從學(xué)生作業(yè)到偽造科研論文，甚至虛構(gòu)小說，AI 的“垃圾輸入、垃圾輸出”（Garbage In / Garbage Out，GIGO）現(xiàn)象無處不在。（故淵）
1.TMT觀察網(wǎng)遵循行業(yè)規(guī)范，任何轉(zhuǎn)載的稿件都會明確標(biāo)注作者和來源；
2.TMT觀察網(wǎng)的原創(chuàng)文章，請轉(zhuǎn)載時務(wù)必注明文章作者和"來源：TMT觀察網(wǎng)"，不尊重原創(chuàng)的行為TMT觀察網(wǎng)或?qū)⒆肪控?zé)任；
3.作者投稿可能會經(jīng)TMT觀察網(wǎng)編輯修改或補充。
