MIT 学者 Benjamin Lindquist 论文追溯 AI 幻觉源于 20 世纪中叶注入随机性的早期神经网络研究

MIT News· Adam Zewe | MIT News·2026-10-23 12:00· 2 小时前AI 评分50

问答：AI 如何开始模拟“混乱”的人类心智

AI 导读

MIT 历史学助理教授 Benjamin Lindquist 在期刊 Past and Present 发表论文，将生成式 AI 的幻觉追溯到 20 世纪中叶工程师为模拟人类创造力而有意在算法中注入随机性和非理性的做法。

正文 · 原文

麻省理工学院历史学系助理教授 Benjamin Lindquist 认为，生成式人工智能模型植根于 20 世纪中叶工程师的想法，他们认为一定程度的非理性对于一台能像人类一样思考的机器至关重要。Lindquist 在麻省理工学院施瓦茨曼计算学院与电气工程与计算机科学系（EECS）设有联合职位，并且是信息与决策系统实验室的首席研究员。 

Lindquist 在发表于期刊 Past and Present 的新论文中写道，为了模拟创造性思维，这些 AI 先驱有意将随机性注入原本用于确定性解决问题的算法。在论文中，他将 AI 幻觉的起源追溯到这项早期研究，并提出，在尝试构建模仿人类行为的机器时，创造力与可预测性之间将不可避免地存在权衡。 MIT News 就这些想法采访了 Lindquist。

问： 为什么早期计算机工程师认为，他们需要向为逻辑和计算而设计的 AI 系统注入随机性和非理性？ 

答： 科学和艺术界的许多人物长期以来一直从理论上认为，偶然性在发现和创造力中——在产生想法的能力中——扮演着重要角色。他们将创造力等同于出人意料的逻辑跳跃，甚至是一种类似梦境的状态，让你能够从新的视角思考事物。 

20 世纪 50 年代初，贝尔实验室著名电气工程师 John Pierce 提出的一个流行观点是，数学在艺术领域具有价值。这一想法得到了许多早期计算领域从业者的认同。当我们想到包含数学的艺术作品时，可能会想到非常有序和精确的东西，但 Pierce 得出了相反的结论。他得出结论，数学的用处在于它可以从艺术中去除秩序。然后，数学可以以一种非常精心计算的方式，加入一抹出人意料之处，以此偏离陈词滥调，并添加一种不规则元素，而这或许正能带来洞见。 

向原本可预测的计算机中加入不规则性的一种流行方式，是通过人工（或随机）神经网络。许多早期神经网络由心理学家构建，他们认为，通过让科学家构建大脑模型，人工神经网络使科学家能够观察内部发生的情况，包括大脑如何产生有成效的错误。研究人员相信，这些系统并非黑箱，而是可以打开心智这个黑箱，让科学家窥视内部，看到真正发生的一切混乱之事。

但在人工智能领域还有另一派认为，创造性思维不过是做得更好的“普通”思维。审视这两种理解智能与创造力的极为简单化的启发式方法，以及它们如何契合与不契合，是很有意思的。当时的争论，就是要试图确定人类创造力归根结底是什么，然后如何以机器形式重构人类创造力。 

问： 这些早期计算机工程师如何看待人工智能？这与我们今天对人工智能的看法有何不同？

答： 当我们想到人工智能系统时，我们想到的是 ChatGPT 或 Claude。我们重视并使用这些系统，是因为它们大多数时候给出的答案是正确的。在这项研究中，最令我感兴趣的一点是发现，这些系统的许多早期倡导者重视它们的理由恰恰相反。他们想要一个偶尔给出偏离预期答案的系统。他们已经有了能够给出合理且符合预期答案的系统。他们认为神经网络有价值，是因为它们能给出意想不到的、甚至可能古怪离奇的答案。

我们今天可能以不同方式看待这些系统的一个原因，或许在于它们的运作方式。早期，这些系统局限于实验室，因此一个给出奇怪或错误输出的系统并不会产生什么现实后果。但如今，出于法律和金钱方面的原因，OpenAI 或 Anthropic 不想要一个给出意想不到或创造性答案的聊天机器人。这些系统中的“怪异感”已被“打磨掉”。它们的核心可能仍然潜藏着这种特质，但如今这在很大程度上被压制了。

问： 早期利用随机性来模拟人类创造力的神经网络，是如何演变为人工智能领域的主导范式的？

答： 很长一段时间里，一种名为“符号人工智能”的特定人工智能是主流方法。本质上，符号人工智能认为世界建立在规则之上。人工智能研究者的角色是尝试用事实和命题重构世界知识，并将其输入计算机。

利用随机性解决问题的神经网络在20世纪50年代开始获得关注，但早期就失宠了。弗兰克·罗森布拉特是一位心理学家，也是神经网络领域非常重要的早期人物，他英年早逝；1971年，他在43岁生日当天意外去世。他个性颇具魅力且强势，对基于神经网络的系统能做什么做出了许多宏大承诺。到他去世时，向符号人工智能的转变已经在进行中。如果他活得更久，事情可能会有所不同。

但神经网络从未消失。到20世纪80年代，它们更多地转向了认知科学领域。为了变得更强大、更有用，神经网络需要大量数据和计算能力。这直到互联网出现才真正到来，当时大量数据变得可用，计算能力也开始提升。大约在2012年，神经网络开始超越并领先于一种统计形式的机器学习，并从那时起持续发展。

问： 研究人工智能的历史能让我们学到哪些可以指导其发展的经验教训？ 

A: 我认为这里有一个值得警惕的教训。这些早期工程师的想法和经历告诉我们，我们可以努力消除幻觉——我们可以努力让 AI 以某种方式运行，从而不产生意外或不需要的答案——但这会带来其他后果。这些历史人物确实发现了某些东西。AI 所能给出的令人惊讶且富有创造性的结论，与错误或幻觉之间存在联系。当我们构建系统使其以某种方式运行时，存在权衡取舍。也许不可能完全处于光谱的任一端，但当我们稳健地朝着某件事努力时，我们常常会无意中牺牲其他东西。

来源：MIT News · news.mit.edu