你問櫃姐：「這個莓果紅的小包，台北另一間店還有貨嗎？」
她沒有查電腦，也沒有打電話，卻非常自然地回答：「有，而且只剩最後一個，我可以幫你留。」
你聽完可能立刻搭車過去。
結果到了才發現，那間店三個月前就沒有這個色了。
最麻煩的不是她不知道。
最麻煩的是：她不知道，卻回答得像她非常確定。
這就是理解 人工智慧幻覺（AI Hallucination） 最直覺的入口。後面我們會簡稱它為「幻覺（Hallucination）」。
AI 的回答很順，不代表它查過資料
生成式人工智慧（Generative Artificial Intelligence, Generative AI）很會產生「看起來應該接在這裡」的文字。
這個能力讓它可以寫得非常自然，也同時帶來一個問題：自然、完整、有條理的句子，可能依然是錯的。
例如你問一篇不存在的論文，它有時可能替你拼出一個很像真的標題、作者和年份。
你問某個品牌十年前的限定色，它也可能根據相似資訊，產生一個聽起來很合理、實際上不存在的答案。
所以第一個重要觀念是：
語氣有自信，跟事實正不正確，是兩件不同的事。
為什麼它不乾脆說「我不知道」？
因為大型語言模型（Large Language Model, LLM）的核心工作，不是像資料庫那樣先確認每一句話都能在某個欄位裡找到證據，再決定能不能說。
它很擅長根據前面的上下文（Context），產生一段合理的後續。
當它缺少可靠資訊時，仍然可能產生「形式很像正確答案」的內容。
就像一位很會聊天的櫃姐，即使忘記某款包的上市年份，也可能憑印象講出一個年份；句子本身很順，但年份不一定對。
哪些東西特別值得你多查一次？
平常叫 AI 幫你改文案、想標題、整理想法，答錯一點通常不至於造成大問題。
但下面這些內容，最好養成另外確認的習慣：
- 醫療與用藥。
- 金融、投資、稅務。
- 法律規定。
- 日期、價格、即時資訊。
- 精確數字與統計。
- 論文、新聞、網址和引用來源。
- 任何你準備拿去做重要決定的資訊。
這不是因為 AI 完全不能幫忙，而是因為這些錯誤的代價比較高。
「叫它附來源」就一定安全嗎？
也不是。
如果一個模型本來就可能產生不存在的資訊，那它也可能產生看起來像來源的東西。
所以真正重要的是：來源能不能打開？內容真的有沒有支持那句話？日期是不是對的？
如果系統本身有搜尋或資料庫工具，可靠度通常可以提高，但你還是要分清楚「模型自己生成」和「它實際查到」的資訊。
你不用因此不敢用 AI
知道幻覺，不是要你從此不相信任何 AI 回答。
比較像你知道網購照片可能有色差，所以買重要場合的衣服時，會多看幾張實拍、多確認尺寸。
理解限制，反而會讓你用得更放心。
AI 很適合幫你加速很多事情，但「很會說」不是「永遠正確」。
今天只要記住一句話
AI 幻覺就是模型產生了錯誤或誤導性的內容，而且它可能說得非常流暢、非常像真的。
學完前六篇，你已經有一套很夠用的基本地圖：AI、模型（Model）、訓練（Training）、詞元（Token）、提示詞（Prompt）、幻覺（Hallucination）。
後面我們就可以開始回答更生活化的問題，例如：ChatGPT 到底跟 Google 搜尋差在哪裡？為什麼同一句 Prompt 每次答案不完全一樣？照片生成又是怎麼回事？