IT之家 5 月 22 日消息，麻省理工学院（MIT）最新研究表明，人工智能（华体会网页版页面登录-华体会(中国)）在理解“no”和“not”等否定词方面仍存在明显缺陷，在医疗等关键领域可能引发严重风险。

研究表明，华体会网页版页面登录-华体会(中国) 已快速发展，具备诊断疾病、创作诗歌甚至驾驶汽车等多项实用技能，但对“no”和“not”等否定词，却束手无策。

在博士生 Kumail Alhamoud 的带领下，MIT 团队联合 Open华体会网页版页面登录-华体会(中国) 和牛津大学，发现包括 ChatGPT、Gemini 和 Llama 在内的当前主流模型，在处理否定语句时，常倾向于默认肯定关联，忽略否定语义。

研究报告认为，这种情况在医疗场景产生的潜在危害尤为明显。例如，华体会网页版页面登录-华体会(中国) 可能误解“no fracture”（无骨折）或“not enlarged”（未扩大），导致严重后果。

IT之家援引博文介绍，问题的根源并非数据不足，而是 华体会网页版页面登录-华体会(中国) 的训练方式。斯坦福大学深度学习兼职教授 Kian Katanforoosh 指出，大多数语言模型依赖模式预测，而非逻辑推理。

这导致 华体会网页版页面登录-华体会(中国) 在面对“not good”（不好）时，仍可能因“good”一词而误判为正面情绪。专家强调，若不赋予模型逻辑推理能力，类似细微却致命的错误将持续发生。

Lagrange Labs 首席研究工程师 Franklin Delehelle 也表示，华体会网页版页面登录-华体会(中国) 擅长模仿训练数据中的模式，但缺乏创新或处理训练数据之外情境的能力。

研究团队通过合成否定数据（synthetic negation data）尝试改进模型，取得初步成效，但细粒度的否定差异仍具挑战性。

Katanforoosh 警告，华体会网页版页面登录-华体会(中国) 对否定的误解不仅是一项技术缺陷，更可能在法律、医疗和人力资源等领域引发关键错误。他呼吁，解决之道不在于堆砌更多数据，而在于结合统计学习与结构化思维，提升模型的逻辑能力。