人工智能大语言模型引擎如何重塑全球冲突信息环境.pdf
这份研究文档探讨了主流人工智能大语言模型（LLM）回答引擎（包括OpenAI、Grok、Gemini、Perplexity和Anthropic）在回答有关全球和平与冲突问题时的表现，以及它们对冲突信息环境的影响。研究通过对28个不同关注度的冲突提出5,460个问题，并对照事实证据进行评分，得出了三个核心发现：
1. **信息越稀缺，AI错误率越高**：AI在高度受关注的冲突（如乌克兰）中错误率低于20%，但在被遗忘的低信息冲突（如南苏丹、西刚果）中错误率接近50%。随着冲突检索记录的稀薄，AI引擎编造事实、错误归因和错误计数的倾向显著增加。
2. **AI遗漏已知事实且极少承认“不知道”**：在信息匮乏的冲突中，AI经常无法检索到本已确凿、可知的基本事实。由于AI引擎几乎从不犹豫或拒绝回答（5,460次回答中仅有2次拒绝），它们倾向于将猜测、过时甚至完全编造的信息作为既定事实自信地呈现。
3. **结构性暴露于生成引擎优化（GEO）操纵**：低信息冲突的网络报道往往高度集中在极少数网站上（例如，西刚果75%的在线内容仅来自5个网站）。这种“数据真空”使此类冲突极易受到“生成引擎优化”（GEO，即针对AI检索的操纵）的影响。一些国家和冲突参与方正通过GEO和网络内容灌输来“调教”AI，企图在低信息冲突中塑造有利于自身的AI输出。
**各引擎表现与偏见趋势**：
在准确性上，OpenAI表现最佳，Anthropic偏弱，但所有引擎在面对稀缺信息时都表现出相似的下滑趋势。此外，AI极易受到偏见源的影响，其中Gemini在回答中触及国家或党派偏见来源的比例最高（36%）。在涉及国家暴力和伤亡归因时，AI的错误往往更偏向有利于政府或国家实体的叙事。
**政策与实践建议**：
1. **充实底层信息流**：相比昂贵的模型算法升级，资助地方冲突监测、档案保存，以及将非英语报道翻译并引入AI检索的数据库，能更有效地提升AI对被遗忘冲突的回答准确率。
2. **引入“不知道”机制**：AI开发商和监管机构应允许并促使回答引擎在缺乏可靠证据或记录薄弱时，主动承认“不知道”或对争议内容作出风险提示，避免错误信息在学术和政策研究中产生恶性循环。
相关报告
-
1.59 MB 47页 IBM商业价值研究院-人工智能行业AI时代的行业转型：十大行业如何借助AI重塑商业格局.pdf
-
1.91 MB 32页 大模型如何判决？从生成到判决：大型语言模型作为裁判的机遇与挑战.pdf
-
12.62 MB 230页 2026世界人工智能大会暨人工智能全球治理高级别会议全量演讲稿汇总-华信咨询-202607.pdf
-
4.32 MB 53页 跨越奇点：世界模型如何重塑具身智能产业与商业新范式.pdf
-
3.05 MB 174页 重大灾害金融保障报告：保险机制如何重塑风险治理.pdf
-
2.71 MB 11页 全球房地产市场展望：六大趋势重塑2026年商业地产格局-仲量联行-202601.pdf
-
34.55 MB 206页 大型语言模型对学习认知负载的影响分析.pdf
-
1.87 MB 74页 大型语言模型的知识蒸馏与数据集蒸馏：新兴趋势、挑战与未来方向.pdf
-
3.41 MB 52页 大型语言模型行业图谱.pdf
-
1.58 MB 74页 大语言模型（LLM）简介.pdf
-
11.42 MB 107页 大语言模型时代的AI4Science.pdf
-
686.13 KB 27页 2025大型语言模型LLM安全风险案例与防御策略研究报告.pdf
-
2.22 MB 36页 大语言模型越狱攻击 模型、根因及其攻防演化.pdf
-
4.09 MB 53页 基于大型语言模型的代理的兴起和潜力：一项调查.pdf
-
2.07 MB 158页 大型语言模型安全：全面综述.pdf
-
7.14 MB 39页 2024年基于大语言模型的新型电力系统运行与仿真初探报告.pdf
-
4.12 MB 33页 大语言模型综合评测报告2023.pdf