模型幻觉能被优化，靠的是给它装上外部校验：检索、置信度校准、RLHF，都是把"自信"和"正确"重新对齐的手段。人的幻觉没法照搬这套办法，个体好歹还有现实可以撞一撞，组织连这堵墙在哪都摸不清。真正卡住的地方是很多判断根本没有标准答案，查无可查，能变的只是愿不愿意主动去核对自己。
一、模型的幻觉，是怎么被"治"的
先说清楚模型这边在做什么，因为后面的对比都建立在这个基础上。
模型幻觉优化，做的不是让模型不再"编"。生成式模型的本质决定了它随时都在编，包括说对的时候。真正在做的是让模型的自信程度和它实际的正确程度对上：检索增强给它一个可以核对的地方，置信度校准让"我不确定"变成一个能被表达出来的状态，RLHF 让编得像真的这件事本身付出代价。
这些手段有个共同点，就是给系统装一个不属于它自己的外部校验点。模型自己分辨不出一段生成是不是幻觉，它的训练目标从来不是说真话，是生成合理的下一个词。校验只能来自外部，而且校验的对象很具体，可以核实：这个事实对不对，这段引用存不存在，这个数字算得对不对。
这一点很重要，后面会用到。
二、人的幻觉，先从最小的尺度看
个体层面的幻觉，得先和犯错分开看。一个人说"我记错了""这个判断的依据不够""我需要再确认一下"，这是出了错还能纠正回来的能力，不算幻觉。真正麻烦的是另一种状态：证据不够的时候仍然觉得自己掌握了全部事实，事情已经变了却还在用旧的说法解释新情况，结果不如预期，第一反应是怪外部而不是回头检查自己的判断。
这种状态的常见形态其实很朴素。一个人做了一次冒险的决定，恰好走对了，这次判断就被记成"我的方法论"，很少有人回头拆解那次成功里到底有多少运气。一个想法被自己反复讲了很多遍，讲的次数多了，流畅程度渐渐取代了准确程度，"我一直是这么想的"慢慢变成了"这就是对的"。
模型出错，理论上能查到根子：提示词、检索记录、调用链路都留着，复现一次、统计一次错误率都不难。人的判断也有输入和输出，中间多了一层不太稳定的东西，记忆。人并不是在调用一份完整、准确、不会变的过去，每一次回忆其实都是在重新组织过去。讨论完之后的自我辩护，一次成功之后的归因，一次失败之后找的理由，都可能悄悄改写"当时自己到底是怎么想的"。"我记得是这样"和"事实就是这样"之间的界限，自己是分不出来的。
这几种情况都指向同一件事，内部的叙事是通的，逻辑上自己讲得过去，但和外部现实之间的那根线已经断了。而且往往越确信的时候，这根线断得越彻底，因为确信本身就是叙事流畅带来的感觉，不是靠核对现实换来的。一个高置信度说错答案的模型，和一个对错误判断深信不疑的人，其实是同一种失败方式，只是发生在不同的载体上。
人比模型多一样东西，就是会撞上现实。一个错误的判断如果真拿去做了事，迟早要在某个具体的地方碰壁，项目黄了，关系散了，说好的事没有发生。这堵墙某种程度上替代了模型那边的检索校验，撞上去了，至少有机会意识到哪里错了。
问题是这堵墙经常撞不上，或者撞上了也能被绕开。一次判断错了，人往往能找到足够多的理由把责任推到别处，时机不对，运气不好，别人没配合。撞墙这件事发生了，但没有转化成对判断本身的核对。这个环节一旦被绕过去，幻觉不但保留下来了，还可能因为"扛过了一次失败"反而更巩固了。
三、放大到组织：同样的机制，更难触发校验
个体的幻觉好歹有墙可以撞，组织的幻觉往往连墙在哪都摸不清。
一个组织形成了某种判断之后，"我们别无选择"这种叙事很容易长出来，路径依赖和群体共识会慢慢覆盖掉个体原本的判断。决策者通常被层层信息过滤保护着，坏消息在往上汇报的路上会被磨平棱角；就算真的撞到了墙，也有足够大的空间把这次撞墙解释成外部环境的问题，而不是判断本身出了错；更麻烦的是，在组织里质疑一个已经形成的共识是要付出代价的，一个人站出来说"我们可能一直判断错了"，往往比闭嘴的代价更高。
这和模型的区别在于，模型没有理由抗拒校验，它甚至不知道校验这件事存在。组织是有动机的，校验的结果可能推翻已经拿到的位置、已经分配好的资源、已经讲了很久的故事。这不是工程能解决的问题，是激励结构的问题。没法给一个组织装一层检索，让它的每个判断自动去核对现实，因为组织里真正握有判断权的人，往往也是最不想被核对的人。
四、技术在做的不只是治模型，也在照见人
模型幻觉被治理的这几年，还带来一个没被太多人提起的副作用：当 AI 能在几秒钟内检索资料、列反例、追溯出处、比较不同的论证时，很多原本被当成"常识"的东西，会被照出它其实只是一个没认真核对过的二手印象。很多说得很确定的观点，撑起它的不是理解，是熟悉感。
这不是说可以把模型当成新的权威。模型自己也会错，检索到的材料也可能片面，"有来源"不等于"结论对"。值得建立的不是人相信模型、或者模型服从人这种单向关系，而是让两边互相核验：人负责提出问题、判断价值取舍、承担最后的责任，模型负责扩大检索范围、找反例、给出备选解释，证据决定哪些判断眼下能站得住。
这件事真正的意义不在于谁更聪明，在于系统是不是允许被纠错。一个不允许自己被质疑的人，模型再强也帮不上；一个不允许被追问的模型，安全规则写得再多也只是摆设。
五、真正的分界线：有没有标准答案
回到最开始的问题，模型的幻觉能被优化，人的幻觉为什么没法照搬同一套逻辑。
答案不在方法上，在问题本身的性质上。模型幻觉能优化，前提是它被要求处理的大多数任务有明确对错，一个事实陈述是真是假，一段代码跑不跑得通，一个数字算得对不对，这些都能查证，路径是存在的，只是要不要去查的问题。
人的很多幻觉，恰恰长在没有唯一答案的地方：一次战略判断，一次价值取舍，一次对未来的预测。这些压根没地方可查，不存在一个能拿来核对的标准答案。判断的过程可以复盘，严不严谨可以讨论，但没法像核对一个事实那样去核对"这个判断对不对"，答案要等以后才会出来，等出来的时候常常已经没有回头的余地了。
这才是人的幻觉难缠的根本原因。不是校验机制不够好，是很多时候连能核对的靶子都不存在。
想清楚这些，倒也没什么让人乐观的结论。模型的对齐是工程师逼出来的，它自己没有拒绝的权力，接上检索、加上校准，照做就是了。人的对齐从来是自选的，没有谁能强迫一个人或一个组织主动去核对自己的判断，连去核对这件事本身，也要先愿意承认自己可能是错的。
这大概是人和模型之间最不对称的地方。模型的幻觉是被治好的，人的幻觉，顶多是自己愿不愿意去治。