问答：AI如何开始模拟“混乱”的人类心智
内容提要
MIT历史学者林德奎斯特研究早期AI工程师为何刻意在算法中注入随机性以模拟人类创造力。他指出这种随机性正是当今大模型产生“幻觉”的源头，创造力与可预测性之间存在必然权衡。早期研究者重视系统偶尔给出意外答案，如今商业系统则压制这种怪异。他提醒，消除幻觉可能付出牺牲创造力的代价。
延伸解读
早期AI的“怪异”追求与今日商业压制
文章指出，早期神经网络研究者看重系统偶尔给出偏离预期的答案，因为当时系统局限于实验室，错误没有现实后果。如今OpenAI、Anthropic等公司因法律和金钱原因，不愿聊天机器人给出意外或创造性回答，系统中的“怪异”被大幅打磨和压制。这解释了为何现代大模型更追求稳定正确，而非意外惊喜。
幻觉与创造力：同一源头的两面
林德奎斯特认为，AI产生意外结论的能力与错误或幻觉之间存在联系。早期工程师刻意注入随机性以模拟人类创造力，而当今大模型的“幻觉”正是这一源头的延续。因此，消除幻觉并非没有代价：在让系统更可预测的同时，可能牺牲其产生创造性、非预期输出的潜力。
历史路径依赖：神经网络为何最终胜出
文章回顾，符号AI曾长期主导，强调用规则和事实重建世界知识。神经网络虽在1950年代兴起，但早期失势，部分与关键人物弗兰克·罗森布拉特1971年意外去世有关。神经网络后来转入认知科学，直到互联网带来数据和算力，才在2012年左右超越传统机器学习，成为主流。
Q&A
为什么早期AI研究者要故意在算法中加入随机性？
早期研究者认为，随机性和非理性是模拟人类创造力的关键。他们观察到科学和艺术中的发现常依赖偶然性，因此通过注入随机性让系统产生意外答案，以模仿人类创造性的跳跃思维。
AI的“幻觉”问题最早可以追溯到什么时期的研究？
可以追溯到20世纪50年代早期神经网络研究。当时研究者刻意在算法中注入随机性以模拟创造力，这种随机性正是当今大模型产生“幻觉”的源头。
早期AI研究者和今天对待AI系统的方式有什么不同？
早期研究者看重系统偶尔给出偏离预期的、奇怪甚至怪异的答案，认为这体现创造力；而今天商业系统因法律和金钱原因压制这种怪异，追求答案的准确性和可预测性。
神经网络是如何从边缘研究变成AI主流的？
神经网络在1950年代兴起后一度失宠，但从未消失。1980年代转向认知科学领域，直到互联网带来大量数据和计算能力，2012年左右开始超越传统机器学习并持续发展。
消除AI幻觉会带来什么代价？
消除幻觉可能牺牲创造力。历史表明，AI产生意外、创造性结论的能力与错误或幻觉之间存在关联，追求可预测性会无意中压制系统的创造性输出。
林德奎斯特的研究对当前AI开发有什么警示？
他提醒，我们可以努力压制幻觉，但必须意识到这会带来其他后果。创造力与可预测性之间存在必然权衡，过度追求某一端往往会牺牲另一端。
