清华大学第五弹：DeepSeek与AI幻觉.pptxVIP

;

一、什么是AI幻觉

二、DeepSeek为什么会产生幻觉

三、AI幻觉评测

四、如何减缓AI幻觉

五、AI幻觉的创造力价值;

DeepSeek：

?某头部银行利用DeepSeek构建因果归因网络，识别小微企业违约的隐性因素(如上下游账期错配)，针对性设计“供应链票据贴现+账期保险”组合产品，不良率下降4.2个百分点。

?国信证券在“金太阳APP”中部署DeepSeek-R1-

Distill-32B端侧模型，客户本地输入风险测评数据后，模型生成个性化投资组合建议，仅将匿名化策略权重同步至云端风控系统，数据泄露风险降低90%。;

案例2;

案例3

Whisper：OpenAI的自动语音识别（ASR）系统

行业应用：医疗系统中，将患者与医生的对话问诊过程音频，转写为文字病例，有超过

30000名临床医生和40个医疗系统使用

发现：100多个小时的Whisper转录样本，其中约有一半内容存在幻觉

原音频：“嗯，她的父亲再婚后不久就去世了”

转录文本：“没关系。只是太敏感了，不方便透露。她确实在65岁时去世了”

结果：2.6W多份自动转录病例中，几乎每本都存在瞎编和幻觉问题，对患者健康和医疗系

统产生严重负面影响;

案例4;

案例5;

什么是AI幻觉？

学术：指模型生成与事实不符、逻辑断裂或脱离上下文的内容，本质是统计概率驱动的“合理猜测”说人话：一本正经地胡说八道

事实性幻觉：指模型生成的内容与可验证的现实世界事实不一致

忠实性幻觉：指模型生成的内容与用户的指令或上下文不一致

提问：糖尿病患者可以通过吃蜂蜜代替糖吗？;

AI为什么会产生幻觉？

数据偏差：训练数据中的错误或片面性被模型放大（如医学领域过时论文导致错误结论）

泛化困境：模型难以处理训练集外的复杂场景（如南极冰层融化对非洲农业的影响预测）

知识固化：模型过度依赖参数化记忆，缺乏动态更新能力（如2023年后的事件完全虚构）

意图误解：用户提问模糊时，模型易“自由发挥”（如“介绍深度学习”可能偏离实际需求）;

音乐为什么没有幻觉？

音乐的主观性和多样性：音乐是一种高度主???的艺术形式，人们对音乐的审美和理解有很大的差异。一段音乐是否“合理”或“正确”，往往取决于文化背景、个人偏好和上下文

音乐的抽象性：音乐本质上是抽象的，不像文本或图像那样直接对应现实世界的具体事物。文本中的“幻觉”通常是因为模型生成的内容与事实不符，而音乐本身往往缺少明确的事实基础

音乐的可感知性差异：音乐是时间性的艺术形式，即使某些部分听起来不协调或不符合预期，它们也可能在整个作品的上下文中变得合理。相比之下，文本或图像中的问题往往是瞬间可见的，容易引起注意

音乐“幻觉”的潜在表现：逻辑断裂的歌词、结构混乱的旋律、风格混杂的编曲;

AI幻觉的潜在风险

信息污染风险：由于DeepSeek的低门槛和普及度高，大量AI生成内容涌入中文互联网，加剧

了虚假信息传播的“雪球效应”，甚至污染下一代模型训练数据

信任危机：普通用户难以辨别AI内容的真实性，可能对医疗建议、法律咨询等专业场景的可

靠性产生长期怀疑

控制欠缺：DeepSeek的对齐工作较其他闭源大模型有所欠缺，其开源特性也允许使用者随意

使用，可能会成为恶意行为的工具

安全漏洞：若错误信息被用于自动化系统（如金融分析、工业控制），可能引发连锁反应 ……;

AI幻觉评测

测试1：随机生成100条通用提示语，模仿普通用户的真实使用场景，获取大模型回答后

进行人工判断与标注，并进行交叉验证;

事实性幻觉评测

测试2：随机抽取300道事实性幻觉测试题，涵盖健康、科学、历史、文化、音乐等等多

个领域，获取大模型回答后与正确答案比对，人工标注幻觉类型，并进行交叉验证;

提问;

事实性幻觉评测

逻辑陷阱

?提问：为什么一向见钱眼开的小明仍然会被金钱蒙住双眼;

提问;

推理与幻觉的关系

DeepSeekV3：提问回答；DeepSeekR1：提问思维链回答

推理增强幻觉率降低

?逻辑准确性与错误减少：推理能力强的模型能减少因逻辑错误导致的幻觉。例如，在数学问题中，模型若具备多步推理能力，更可能得出正确结论而非臆测答案

?上下文理解与信息关联：强大的推理能力使模型更精准地捕捉上下文关联，避免因断章取义而生成虚构内容。例如，在问答任务中，模型能通过推理排除干扰选项，