近期，科技界对AI搜索工具的表现引发了广泛关注。据科技媒体theregister报道，尽管AI搜索工具如Perplexity曾一度被视为传统搜索引擎的有力竞争者，其搜索结果在精确度上甚至超越了谷歌，但近期的版本更新却使得这些工具的搜索质量出现了下滑。
这一问题并非Perplexity所独有，其他主流的AI搜索工具同样存在类似的问题。theregister认为，AI搜索质量下降的根本原因在于“模型崩溃”。这一现象指的是AI系统由于过度依赖自身输出的数据进行训练，导致其准确性、多样性和可靠性逐渐丧失。模型崩溃主要由三个因素导致：错误累积、稀有数据丢失以及反馈循环。
错误累积意味着每一代AI模型都会继承并放大前代模型的缺陷，导致问题不断累积，难以解决。稀有数据丢失则使得一些罕见事件和概念在AI模型的训练中逐渐被淡化，导致模型在处理这些事件和概念时表现不佳。而反馈循环则强化了AI模型的狭窄模式，导致输出结果重复或带有偏见。
为了提升AI的表现，业界引入了检索增强生成（RAG）技术，使大型语言模型（LLMs）能够从外部数据库提取信息，以减少“幻觉”现象的发生。然而，彭博社的研究却发现，即使采用了RAG技术，包括GPT-4o、Claude-3.5-Sonnet等在内的11个领先模型在处理5000多个有害提示时，仍然会输出错误结果。
更糟糕的是，RAG技术的引入还带来了其他风险。例如，它可能泄露客户的隐私数据，生成误导性的市场分析及偏见投资建议。这些问题无疑进一步加剧了AI搜索工具所面临的信任危机。
AI模型崩溃的后果正在逐渐显现。由于用户和企业为了追求效率，越来越倾向于依赖AI生成的内容，而不是投入人力创作高质量的内容，这导致了“垃圾输入、垃圾输出”（Garbage In / Garbage Out，GIGO）现象的普遍存在。从学生作业到伪造科研论文，甚至虚构小说，AI的滥用正在各个领域造成不良影响。
AI模型崩溃还可能导致一些更严重的后果。例如，在医疗、金融等关键领域，如果AI搜索工具无法提供准确可靠的信息，可能会导致误诊、金融欺诈等严重后果。因此，业界需要高度重视AI模型崩溃的问题，采取有效措施加以解决。
为了应对AI模型崩溃的挑战，业界正在积极探索新的解决方案。例如，一些研究人员正在尝试通过引入更多的外部数据和监督训练来提高AI模型的准确性和可靠性。同时，也有学者提出，应该加强对AI模型的监管和评估，确保其在实际应用中的表现符合预期。
总之，AI搜索工具的发展仍然面临诸多挑战和问题。尽管这些工具在某些方面表现出色，但在实际应用中仍然存在诸多不足和缺陷。因此，我们需要保持对AI技术的审慎态度，不断探索和完善其应用方式和方法。
