AI 幻觉与人的自以为义：为什么数学题不能衡量智能
自从ChatGPT一夜火遍全球以来，我看过无数次这类场景：有人打开一个AI，丢进去一道从网上抄来的数学题(诸如3.9和3.11哪个大之类)，然后等着它犯错。一见 AI 算差了，他立刻露出露出得意的微笑：“看，还是人类聪明。”
好像抓到 AI 的一个小马脚，就等于抓住了它的本质缺陷；
好像证明机器会犯错，就能反向证实自己不会。
这种“测试”，其实并不在乎答案本身。它更像是一场心理仪式：
用 AI 的失误来安慰人类的焦虑，用模型的瑕疵来稳固自身的优越感。
但如果把数学题当成“智能的试金石”，那就像用体温计量身高——
工具错了，整个测试就从根上错了。
AI 的幻觉，其实与人的 déjà vu 机制相同
很多人以为 AI 幻觉是一个独特的技术怪象，是人工智能的缺陷，是它“不可靠”的证据。
但从认知科学角度看，AI 幻觉与人的 déjà vu (既视感)有惊人的相似性。
你的大脑也经常会“移花接木”：
看到一个陌生场景，却产生“我好像来过”的错觉；
听到一个模糊句子，自动为它补齐意义；
看到一个模棱两可的词语，脑海里迅速填出最常见的解释。
这不是“你傻”，而是你是一个模式识别系统。
大语言模型也一样。
它不是依据逻辑来“推理”，而是依据海量语言的分布来“预测下一个最可能的词”。
所以 AI 幻觉不是“病”，也不是“乱说”，
它是语言智能的代价，是一种认知激活过度，就像人的误记忆、误补全。
换句话说：
AI 的幻觉，是它像人的证据，而不是它不像人的证据。
AI 是语言神经网络，不是逻辑计算机
很多人评判 AI 的方式，是把它当作一个“应该完美”的逻辑机器：
- 算数必须正确
- 事实必须精确
- 回答必须无误
- 推理必须连贯
但 AI 的原理，决定它根本不是这样一种机器。
它的本质是语言模型(LLM)，核心任务是：
生成自然语言，保持连贯，维持语感。
不是为了数学而优化，
不是为了科学而优化，
不是为了逻辑推理而优化。
它看起来能做这些事情，只是因为“模式”覆盖了这些领域，而不是因为它真的“懂”。
于是，用数学测试 AI，就像逼一位文学系学生参加奥数比赛，你得到的不是智能，而是误测。
当你用错误的工具，你永远得不到正确的结论。
人以 AI 的错误为优越感，是一种“自以为义”
数学题只是一个容器，真正被测试的其实是人。
为什么有些人会热衷于“抓 AI 犯错”？
为什么看到一次错误，就急着宣布“AI 不可靠”？
为什么数学这种极小的能力维度，被当成整个人工智能的总评判？
原因不是科学，而是心理学。
人类对未知技术天生焦虑。
面对比自己强的东西，第一反应不是理解，而是比高低：
- 它写作比我快，那我就找它写错的句子。
- 它知识比我广，那我就挑它记错的事实。
- 它回答比我勤，那我就抓它算错的题。
当无法在整体上获胜，人就会转向细节，寻找“确定能赢的地方”。
这不是理性，而是自以为义：
借着 AI 的局部错误，让自己在整体上更舒服。
你看到的不是科学评估，而是心理防御。
你以为是在揭露 AI 的瑕疵，
其实是在暴露自己的需求：
我需要 AI 是有缺陷的，这样我就不必面对自己的有限。
幻觉不是软肋，而是语言智能的“结构性代价”
事实更有趣：
大语言模型之所以强，就因为它允许概率性的表达、模糊的匹配、跨语境的跳跃。
如果你完全禁止“幻觉”，
这个模型会变得机械、生硬、无法生成自然语言。
换句话说：
幻觉不是漏洞，而是智能的底层机制。
就像人会记混、补全、误听、误解、过度联想，
这些都是智能的自然副产品。
所以真正值得反思的不是：
“为什么 AI 会幻觉？”
而是：
“为什么我们把幻觉当成 AI 的罪，而把自己的幻觉当成正常？”
AI 幻觉提醒我们一个尖锐的真相：
智能不是完美，而是概率。
理解不是确定，而是趋近。
连贯不是逻辑，而是经验。
AI 像人，不是因为它聪明，而是因为它“也会错”。
真正危险的，不是 AI 的幻觉，而是人类靠幻觉获得优越感
今天最大的危险不是技术，而是人的心态：
我们误解 AI 的方式，正在反射我们误解自己的方式。
当人用错误工具测试 AI，
用局部错误否定整体能力，
用数学题判断智能……
这不是科学，而是一种傲慢：
我们宁愿让自己的误解成立，也不愿让自己的世界观被修正。
最终的结论不是关于 AI，
而是关于人：
我们以为是在测试 AI，
其实是在暴露自己的盲点。
而这个盲点，比任何“AI 幻觉”都危险。
因为技术会进步，但人的自以为义，却从来不是技术能解决的。
