金融風(fēng)控系統(tǒng)給出一個(gè)錯(cuò)誤結(jié)論，損失可能以億計(jì)。醫(yī)療AI誤診一次，代價(jià)是一條人命。大語言模型（LLM）的幻覺問題在這些場(chǎng)景里不是bug，是紅線。

但所有主流解法都在同一個(gè)框架里打轉(zhuǎn)：降低溫度參數(shù)、加固提示詞、堆疊RAG（檢索增強(qiáng)生成）。亞馬遜云科技（AWS）的合作伙伴Artificial Genius最近扔出一組數(shù)據(jù)——他們的第三代模型在相同基準(zhǔn)下，事實(shí)一致性比標(biāo)準(zhǔn)方案提升了一個(gè)數(shù)量級(jí)。核心差異？他們找到了一個(gè)數(shù)學(xué)漏洞。

幻覺不是病，是基因缺陷

標(biāo)準(zhǔn)生成式AI的幻覺有數(shù)學(xué)必然性。模型的工作原理是預(yù)測(cè)下一個(gè)token的概率分布，這個(gè)外推過程本身就會(huì)制造"合理的錯(cuò)誤"。溫度調(diào)到零只是壓縮隨機(jī)性，沒解決根本問題。

Artificial Genius的聯(lián)合創(chuàng)始人Paul Burchard和Igor Halperin把這套邏輯比作"讓計(jì)算器做微積分"。計(jì)算器不會(huì)理解導(dǎo)數(shù)，但它能給出精確結(jié)果。他們的模型保留了對(duì)海量數(shù)據(jù)的"天才級(jí)理解"，但輸出層被強(qiáng)制改造成確定性系統(tǒng)。

具體實(shí)現(xiàn)依賴亞馬遜SageMaker AI和Amazon Nova的基礎(chǔ)模型。團(tuán)隊(duì)開發(fā)了一種專利調(diào)優(yōu)方法：對(duì)數(shù)概率被推向絕對(duì)值1或0，模型被訓(xùn)練成只執(zhí)行一條系統(tǒng)指令——「沒有答案就別編」。

這創(chuàng)造了一種奇怪的混合體：輸入端仍是概率性的，能理解問題的無數(shù)種表達(dá)方式；輸出端卻是確定性的，同一輸入永遠(yuǎn)返回同一結(jié)果。對(duì)于需要審計(jì)追蹤的銀行合規(guī)系統(tǒng)，這意味著結(jié)論可復(fù)現(xiàn)、可驗(yàn)證、可追責(zé)。

RAG不是終點(diǎn)，是彎路

行業(yè)里把RAG當(dāng)成幻覺解藥，但Artificial Genius認(rèn)為這仍是生成式思路的變種。RAG把文檔切成固定向量，查詢時(shí)再檢索拼接——問題在于，嵌入（embedding）是預(yù)先計(jì)算的，和具體問題的相關(guān)性無法保證。

他們的改進(jìn)方案是把輸入文本和用戶查詢?nèi)M(jìn)同一個(gè)嵌入空間。數(shù)據(jù)處理和問題求解被綁定在同一次計(jì)算里，相關(guān)性從"事后匹配"變成"內(nèi)在屬性"。

一位參與早期測(cè)試的量化風(fēng)控負(fù)責(zé)人透露，他們?cè)趬毫y(cè)試中故意喂入邊緣案例——模糊的合同條款、互相沖突的監(jiān)管文件、故意埋藏的矛盾數(shù)據(jù)。標(biāo)準(zhǔn)LLM要么過度自信地給出錯(cuò)誤結(jié)論，要么在安全模式下拒絕回答所有問題。新模型的表現(xiàn)是"知道邊界在哪"：有明確依據(jù)時(shí)給出確定答案，證據(jù)不足時(shí)標(biāo)記不確定性，絕不合成不存在的信息。

監(jiān)管科技的新變量

金融和醫(yī)療的AI adoption（采用）一直卡在同一個(gè)死結(jié)：業(yè)務(wù)部門想要LLM的推理能力，合規(guī)部門要求可解釋性和確定性。傳統(tǒng)方案是兩套系統(tǒng)并行，或者用規(guī)則引擎把AI輸出"洗"一遍，成本和延遲都爆炸。

Artificial Genius的架構(gòu)試圖同時(shí)滿足兩邊。確定性輸出讓合規(guī)團(tuán)隊(duì)能追溯每一步推理，概率性輸入又保留了處理非結(jié)構(gòu)化數(shù)據(jù)的靈活性。亞馬遜Nova作為基礎(chǔ)模型提供算力底座，SageMaker AI負(fù)責(zé)承載這套特殊的指令調(diào)優(yōu)流程。

目前公開的技術(shù)細(xì)節(jié)有限，專利文件中的核心描述是"對(duì)數(shù)概率的強(qiáng)制二值化"。這聽起來像一種極端的正則化手段，犧牲了一部分生成創(chuàng)造性，換取極端場(chǎng)景下的可靠性。

值得玩味的是發(fā)布時(shí)機(jī)。AWS在2024年底推出Nova系列時(shí)，主打的是性價(jià)比和多模態(tài)能力。Artificial Genius的方案相當(dāng)于在Nova之上搭建了一層"安全殼"，把通用模型改造成垂直領(lǐng)域的確定性工具。這種"基礎(chǔ)模型+確定性層"的架構(gòu)，會(huì)不會(huì)成為監(jiān)管敏感行業(yè)的標(biāo)準(zhǔn)配置？

一位不愿具名的摩根士丹利技術(shù)高管評(píng)價(jià)：「我們測(cè)試過十幾種幻覺緩解方案，大部分是在概率框架里修修補(bǔ)補(bǔ)。這套方案的可貴之處在于，它承認(rèn)生成式AI的結(jié)構(gòu)性缺陷，然后用工程手段繞過去。」

但確定性也有代價(jià)。同樣的技術(shù)文檔顯示，該模型在開放式創(chuàng)意任務(wù)上的得分顯著低于標(biāo)準(zhǔn)LLM。這不是缺陷，是設(shè)計(jì)取舍——就像你不會(huì)用手術(shù)刀切牛排，金融合規(guī)系統(tǒng)也不需要寫詩的能力。

更現(xiàn)實(shí)的挑戰(zhàn)在于生態(tài)。確定性模型的價(jià)值高度依賴場(chǎng)景，Artificial Genius需要證明這套架構(gòu)能批量復(fù)制到不同機(jī)構(gòu)、不同數(shù)據(jù)環(huán)境，而不只是實(shí)驗(yàn)室里的漂亮demo。AWS的合作背書提供了分發(fā)渠道，但企業(yè)級(jí)落地的摩擦系數(shù)向來不低。

如果這套"概率進(jìn)、確定出"的架構(gòu)被驗(yàn)證為通用解法，大模型行業(yè)的分工邏輯可能要改寫：基礎(chǔ)模型負(fù)責(zé)"懂"，上層確定性層負(fù)責(zé)"準(zhǔn)"，中間用特定的調(diào)優(yōu)方法縫合。這對(duì)正在卷參數(shù)、卷多模態(tài)的模型廠商意味著什么——是新的增值空間，還是被管道化的風(fēng)險(xiǎn)？