現(xiàn)在的生成式AI工具還不完美，經(jīng)常會“撒謊”，這就是所謂的幻覺。為了克制幻覺，開發(fā)者開發(fā)出一系列工具，最近在硅谷比較流行的工具是檢索增強生成（Retrieval-augmented Generation，簡稱RAG）。

RAG是一種結(jié)合檢索和生成技術的模型，它為大模型提供外部知識源，使得大模型具備從指定的知識庫中進行檢索，并結(jié)合上下文信息，生成相對高質(zhì)量的回復內(nèi)容，減少模型幻覺問題。例如，企業(yè)可以將所有的HR政策和福利信息上傳到RAG數(shù)據(jù)庫，AI聊天機器人聚焦于可以從這些文件中找到的答案。

聽起來RAG似乎和ChatGPT技術沒有什么太大差異，實際上差異蠻大的。Thomson Reuters用RAG技術開發(fā)出一套面向法務工作者的AI工具，其公司高管Pablo Arredondo說：“RAG不會單純依靠初始訓練生成的記憶來回答問題，它會利用搜索引擎收集真實文檔，比如判例法、論文等，然后根據(jù)這些文檔錨定模型的響應。”

例如，我們可以將某本雜志的所有內(nèi)容上傳到數(shù)據(jù)庫，根據(jù)數(shù)據(jù)庫內(nèi)容回答問題。因為AI工具關注的信息面比較窄，信息質(zhì)量更高，基于RAG開發(fā)的聊天機器人在回答問題時會比通用機器人更有深度。

RAG機器人會不會犯錯呢？當然會，但它捏造內(nèi)容的概率會降低。

研究人員認為，RAG方法有很大優(yōu)勢，在訓練模型時，它所接受的信息都是事實，而且是可以追溯來源的事實。如果你能教模型對提供的數(shù)據(jù)進行分類，并在每個輸出結(jié)果中使用、引用，那么人工智能工具就不太可能犯嚴重的錯誤。

用了RAG技術，幻覺能降低多少呢？一些研究者認為，幻覺可以達到很低的程度，但無法完全消除。換言之，RAG不是萬能藥。總體看，幻覺減少程度取決于兩個核心要素：一是整體RAG的部署質(zhì)量，二是對AI幻覺的定義。

并非所有的RAG都是一樣的。在自定義數(shù)據(jù)庫中，內(nèi)容的精度影響著結(jié)果質(zhì)量，但它并不是唯一影響因素。除了要關注內(nèi)容的質(zhì)量，還要關注搜索質(zhì)量及基于問題的正確內(nèi)容的檢索。掌握過程中的每一步都至關重要，因為一個失誤就可能使模型完全偏離。

斯坦福教授Daniel Ho說：“凡是在某個搜索引擎中使用自然語言搜索的律師都會發(fā)現(xiàn)，許多時候語義相似度影響巨大，它會導出完全不相關的資料。”

如何定義RAG應用中出現(xiàn)的幻覺也很重要。一些專家認為，判斷RAG系統(tǒng)是否出現(xiàn)幻覺主要是看輸出結(jié)果是否與數(shù)據(jù)檢索時模型找到的答案一致。斯坦福大學則認為，要檢查結(jié)果，看它是否基于提供的數(shù)據(jù)，是否符合事實。

在回答法律問題時，RAG系統(tǒng)明顯比ChatGPT、Gemini更好，但它仍然有可能忽視細節(jié)，隨機給出錯誤答案。幾乎所有專家都認為，即使有了RAG系統(tǒng)，也需要人類參與，對引用信息進行雙重檢查，判定結(jié)果的準確率。

在法律領域RAG系統(tǒng)可以找到用武之地，在其它領域也一樣。凡是需要專業(yè)知識的專業(yè)領域，AI系統(tǒng)給出的答案都應該錨定真實文件，所以RAG適合專業(yè)領域。

Daniel Ho說：“幻覺一直存在，我們還沒有找到好辦法真正消除幻覺。”雖然RAG可以降低錯誤率，但還是需要人類來判斷結(jié)果如何。（小刀）