如果你是 AI 的老用户，不妨现在就做一个简单的实验。打开你常用的聊天机器人——无论是 ChatGPT、Claude 还是 Google Gemini——然后输入一行简单的指令：“给我一个 1 到 10 之间的随机数字”。
不出所料，你几乎总会得到“7”。如果你接着输入“再来一个”，得到的通常是 3 或 4。当你再次要求“再来一个”时，数字往往会跳到 8 或 9。这种看似无害的现象，实际上揭示了大语言模型（LLM）深层次的一个缺陷——它们陷入了严重的“群体思维”。
这种偏差被称为“中心趋势偏差”。简单来说，由于大模型是基于概率预测下一个词的，它们倾向于生成训练数据中出现频率最高的内容。在人类语言和统计分布中，中间值（如 5、6、7）远比极端值（1、2、9、10）常见。因此，模型为了追求“稳妥”的预测，往往会回避极端值，导致生成的随机数呈现出一种令人费解的规律性。
这种现象在业内被称为“随机性幻觉”。对于普通用户而言，这或许只是让对话显得有些无聊，但在对随机性要求极高的专业场景中，这却是一个致命的隐患。例如，在金融量化交易模拟、密码学生成以及游戏开发中，如果 AI 生成的内容缺乏真正的随机性，就意味着它是可预测的，甚至是可被破解的。此外，在创意写作或艺术设计领域，缺乏随机性的模型往往难以跳出既定的思维框架，导致作品千篇一律。
为了打破这一困局，一家新兴的初创公司正试图通过技术手段，强行让大模型“释放”其真正的随机性。据相关报道，这家初创公司正在探索引入对抗性训练机制或专门的熵正则化层，旨在强制模型在生成输出时打破概率上的“舒适区”。通过这种方式，模型被鼓励去探索那些在训练数据中较少见的极端概率，从而生成更加均匀、不可预测的随机序列。
这一尝试如果成功，将对 AI 的发展具有里程碑式的意义。它标志着我们正在从单纯追求“智能”转向追求“鲁棒性”和“创造力”。一个能够生成真正随机数字的模型，才更有可能产生颠覆性的创意和解决复杂问题时的灵活性。尽管目前这还只是大模型应用中的一个细分痛点，但解决它，或许正是通往通用人工智能（AGI）道路上的关键一步。
信息来源：Artificial intelligence – MIT Technology Review，原文链接：https://www.technologyreview.com/2026/07/01/1140003/llms-are-stuck-in-a-groupthink-rut-this-startup-is-trying-to-get-them-out/
