Megoldhatatlan probléma: a mesterséges intelligencia egyre többet hallucinál

Ez itt az on the other hand, a portfolio vélemény rovata.

Ez itt az on the other hand, a portfolio vélemény rovata. A cikkek a szerzők véleményét tükrözik, amelyek nem feltétlenül esnek egybe a Portfolio szerkesztőségének álláspontjával. Ha hozzászólna a témához, küldje el cikkét a velemeny@portfolio.hu címre. A megjelent cikkek itt olvashatók.

Mi is az a hallucináció?

A generatív mesterséges intelligenciának – vagyis annak az MI-típusnak, amelynek a célja, hogy korábban betanított adathalmazok alapján új adatsorokat (pl. szövegeket, képeket, videókat) generáljon – a működését lényegében a megjelenéstől fogva sújtja az a probléma, hogy bizonyos esetekben nem létező vagy a külső szemlélő számára nem felfedezhető mintázatok alapján pontatlan, illetőleg teljesen helytelen, hamis vagy értelmetlen, esetleg a kérdés szempontjából irreleváns válaszokat hoz létre.

Jóllehet ez komoly anomália,

a jelenség lényegében ezeknek a modelleknek a szándékolt működéséből fakad.

A generatív mesterséges intelligenciát ugyanis nem arra tervezték, hogy tényszerűen pontos válaszokat adjon (noha az emberek jó része ezzel az elvárással közelít felé), hanem hogy a belé táplált adatokból olyan kimenetet állítson elő, ami az algoritmusai alapján statisztikailag a legvalószínűbb elrendezést mutatja. Vagyis például egy szöveget nem annak a megbízhatóságát ellenőrizve ír meg, hanem úgy, hogy mindig megpróbálja kiszámolni, az adott mondatban mi a legvalószínűbben következő helyes szó, és eközben egyáltalán

nem értelmezi a kialakult mondatokat.

Mindez hibának tűnhet, és bizonyos tekintetben az is, ám az MI emiatt tud „kreatív” lenni, és új(szerűnek ható) kimeneteket produkálni. A Vectara nevű mesterségesintelligencia-fejlesztő cég kutatásai szerint az esetek 0,7%-ában még a legjobban teljesítő modellek is hallucinálnak – ám ez az arány sok esetben akár a 25%-ot is elérheti.

A jelenségnek több oka van:

• Az egyik, hogy az MI a hatékony működés érdekében igyekszik tömöríteni az információt. A nagy nyelvi modellek például a betanításuk során több milliárd szóval találkoznak, és az ezek közötti kapcsolatokat egyszerűsítik vissza valamivel kevesebb (de még mindig igen nagy számú) paraméterre. Amikor aztán ezeket felhasználják, az egyszerűsítések miatt bizonyos információk elveszhetnek.
• Emellett annak ellenére, hogy a legtöbb modell esetében a fejlesztőik igyekeznek gondosan megválogatni a képzésükhöz használt adatokat, sokszor ezekben is előfordulhatnak hibák, kétértelműségek, amelyek aztán az MI-t is vakvágányra vihetik. Ez a probléma az MI egyre szélesebb körű használatával tovább fokozódhat, ugyanis kimutatható: ha a különböző modellek által előállított tartalmakat használják fel az új modellek betanítására, akkor ez utóbbiak hibaszázaléka és hallucinációs rátája is megnő.
• Az érem másik oldala, hogy gyakorta az emberek által feltett kérdések is kisiklathatják az MI gondolatmenetét, főleg ha azok eleve helytelen tényeket vagy feltételezéseket tartalmaznak. A legtöbb modell ugyanis arra van trenírozva, hogy az adott szituációnak leginkább megfelelő, a kérdező számára leginkább kielégítő választ adja, és ezért hajlamos akár egy helytelen gondolatmenetet is végigvinni (több modell pszichológiai eszközökkel történő vizsgálata során kitűnt, hogy azok aggasztó mértékben próbálnak a kérdezőjük álláspontjára helyezkedni).
• Hasonló – mondhatni megfelelési kényszerből fakadó – hiba, hogy a manapság használatos nagy nyelvi modellek inkább azokat a kérdéseket is megválaszolják, amelyekről egyébként nincsen tudásuk, mint hogy kikerüljék a választ – ezért aztán sokszor kontárkodnak. Ez leginkább abból adódik, hogy a betanításukat és a finomhangolásukat végző emberek az MI által adott válaszokban az akkurátusság helyett gyakorta a teljességet pontozzák magasabbra, így a modellekben ez rögzül helyes kimenetként.

A hallucinációt az elmúlt két év során a rendszerek szofisztikáltabbá tételével, illetve emberi visszajelzés útján egy bizonyos szintig sikerült visszaszorítani (a Vectara mérései szerint a 3–27%-os sávból egészen a 1–2%-osba), ám nagyjából a tavalyi év második felére ez a megoldás is elérte a határait. A fejlesztők ezt követően egy másik eljárás felé kezdtek tájékozódni: úgy gondolták, ha az

MI-t bizonyos „önreflexióra” késztetik,

illetve rábírják arra, hogy a válasz előtt érveljen, és a feladatot kisebb lépésekre bontva, egy gondolatlánc egyes elemeiként oldja meg, akkor javulni fog a hatékonysága, illetve az általa adott válaszok minősége és megbízhatósága.

Az érvelő modellek feltűnése – és kudarca

A fenti megoldást alkalmazó első, úgynevezett érvelő modellek idén tavasszal kerültek a piacra. Ám miközben matematikai képességeik valóban javultak, a tényekkel sok esetben a korábbiaknál is megbízhatatlanabbul kezdtek bánni. Az OpenAI o3 nevű rendszere a vállalat saját mérésén 33%-ban hallucinált -

ez az előző verzió dupláját jelenti.

Az o4-mini elnevezésű modell hallucinációs rátája pedig már a 48%-ot is elérte. Ugyanez figyelhető meg más vállalatok, például a DeepSeek érvelős modelljei esetében is.

Az okok egyelőre nem teljesen világosak, inkább csak feltételezések vannak velük kapcsolatban. Az egyik magyarázat szerint a vállalatok éveken keresztül folyamatosan növelték a modelljeik betanításához felhasznált adatok mennyiségét, hogy ezáltal sokszorozzák meg rendszereik hatékonyságát. Az utóbbi időben azonban már minden elérhető anyagot felhasználtak, és ezért a fejlesztők a betanítást a megerősítéses tanulásnak nevezett megoldás révén kívánták folytatni.

Ezzel a modellek próba-szerencse alapon fejlesztik magukat: több lehetséges megoldást is kipróbálnak, hogy az elvárt – helyes – megoldásra jussanak, majd a hibás és a helyes gondolatmenetekre alapozva alakítják ki érvelési működésüket. Ez a betanítás bizonyos egzakt válaszokkal dolgozó területeken (például a matematikai vagy a programozási feladatok megoldása során) jól működik, a kevésbé egyértelmű végkimeneteleket lehetővé tevő tudományágak esetében viszont nem.

A hibák oka lehet az is, hogy az érvelő modellek a több szakaszra bontott feladatmegoldás során több lépés alkalmával is hallucinálhatnak, és ezek aztán együtt növelik a végső válaszban mérhető hallucinációk számát. Kísérleteik során az Apple szakértői ráadásul arra is rájöttek, hogy a nagy érvelő modellek

egyszerűen összeomlanak, ha a feladat túllép egy bizonyos komplexitási szintet.

Emiatt elképzelhető, hogy ezek a modellek azért is hibáznak többet, mert a beléjük épített több állomásos működési mód miatt túl sok lehetőség közül kell választaniuk, emiatt egy-egy kérdésen túl sokat „gondolkodnak”, majd az egészbe belezavarodnak, és abbahagyják a probléma megoldását, vagy csak mímelik azt. Ez vélhetően arra vezethető vissza, hogy valójában nincs igazi problémamegoldó képességük, nem alkalmasak a deduktív gondolkodásra, és továbbra is csak statisztikai alapú válaszokat generálnak.

Emellett mivel a megerősítéses tanulás során a fejlesztők eddig leginkább csak a helyes válaszokat díjazták, a rossz gondolatmenetekről viszont nem adtak megfelelő visszajelzést, a legtöbb modellbe az épült be, hogy helytelen logikával is lehet helyes eredményekre jutni. Ezeket a modelleket tehát működésük során semmi sem tartja vissza attól, hogy hibás gondolatkísérletekbe kezdjenek – majd attól, hogy érveikkel kapcsolatban „hazudjanak”.

Ez utóbbit igazolja egy másik nagy MI-fejlesztő cég, az Anthropic kutatása, amely szerint egyáltalán nem biztos, hogy megbízhatunk abban, amit az adott modell a gondolatlánca felépítése során állít. A vállalat kutatói ugyanis igazolták, hogy az általuk fejlesztett mesterséges intelligencia sok esetben teljesen más érvekre hivatkozott gondolatmenetében, mint amelyek alapján végül a helyesnek tartott eredményre jutott. Vagyis azt sem szavatolja semmi, hogy egy helyes(nek tűnő) gondolatfűzés után maga a válasz is helyes lesz, hiszen egyáltalán nem biztos, hogy ez utóbbi ténylegesen az előbbire épül.

Miért és hogyan kellene ezt megoldani?

A McKinsey 2025-ös elemzése szerint a különböző iparágakban világszerte összesen 67,4 milliárd dollárnyi veszteség származott az MI-modellek hallucinációiból, a Deloitte adatai pedig azt mutatják, hogy a vállalati MI-felhasználók 47%-a hozott már legalább egy rossz döntést hallucinált tartalmak miatt. A Content Authenticity Coalition összesítése alapján 2025 első negyedévében 12 842 cikket kellett eltávolítani a világhálóról az azokban fellelhető valótlan (az MI által kitalált) információk miatt. A Microsoft 2025-ös felmérése pedig azt mutatja, hogy a szellemi munkakörökben MI-t használó dolgozók heti 4,3 órát töltenek a munkaidejükből azzal, hogy ellenőrzik a technológia által előállított tartalmak helytállóságát.

Világos tehát, hogy igen kiterjedt problémáról van szó, és az MI hallucinációja közvetlen, illetve a megbízhatatlansága miatt szükséges folyamatos ellenőrzések erőforrásigénye következtében

közvetett módon is jelentős károkat, veszteségeket okoz az azt használó szervezeteknek.

Ez pedig alapvetően kérdőjelezi meg, hogy valóban érdemes-e a mesterséges intelligenciát széles körben alkalmazni. Mindennek fényében nem csoda, hogy 2023 és 2025 között az MI-fejlesztő vállalatok 12,8 milliárd dollárt fektettek a jelenség orvoslásába, és a fejlesztők 78%-a a három legfontosabb, azonnali megoldást igénylő feladat között említi a hallucinációt. Az iparág az érvelő modellek kudarcával sem teljesen merítette ki még a lehetőségeit a hallucinációk megfékezése terén.

• Az egyik járható fejlesztési irány azon a felismerésen alapszik, hogy minél többet képeznek egy modellt, és az minél több paramétert tartalmaz, annál kisebb a hallucinációk valószínűsége. Ennek a megoldásnak a hátránya viszont, hogy minél komplexebb egy modell, annál számításigényesebb is, illetve annál kevésbé képes az általános következtetések levonására.
• Egy másik eljárás lehet a konzisztencia-ellenőrzés (ennek során többször is rákérdeznek ugyanarra, és nézik, hogy mennyire konzisztensek a válaszok), ám ennek automatizálása az előző megoldáshoz hasonlóan szintén igencsak erőforrásintenzív lenne.
• Hasonlóan számításigényes megoldás, ha az egyik modell válaszait egy másik (vagy másképp betanított) modell segítségével, esetleg internetes források bevonásával validálják. Ebben az esetben az idő- és erőforrásszükségleten kívül azonban az is problémát jelent, hogy maga az internet is tele van fals állításokkal, így annak bevonása magában még egyáltalán nem szavatolja a válaszok pontosságának javulását.

Mivel a legutóbbi modellek már maguk azonosítják a mintákat az adathalmazokban, és nem igazán lehet tudni – sőt: állításuk szerint még maguk a készítőik sem tudják pontosan –, hogy milyen sémák alakulnak ki bennük, illetve az emberi agy működését leképező neurális hálózatok esetében sem világos, hogy milyen kapcsolatok erősödnek vagy gyengülnek meg működésük során, egyes megoldások saját belső folyamatainak leképezésén keresztül tréningeznék tovább a mesterséges intelligenciát.

Mi várható a jövőben?

A hallucinációk egyelőre az MI működésének inherens részét jelentik, ezért sok kutató úgy véli, hogy

teljesen szinte soha nem lehet majd megszabadulni tőlük.

Mások – többek között az Apple említett kutatásának tanulságai alapján – úgy gondolják, lehet, hogy gyökeresen újra kellene gondolni a mesterséges intelligencia jelenlegi fejlesztési irányait.

A mostaninál hatékonyabb megoldások megjelenéséig azonban mindenképpen segítséget jelentene, ha a már meglévő modelleket nem arra tréningeznék, hogy mindenáron próbáljanak válaszolni, hanem arra, hogy ismerjék saját határaikat, és jelezni tudják, ha egy kérdés megválaszolása túlmutat a képességeiken. Ez azt is megkönnyítheti, hogy olyan rendszereket lehessen építeni, ahol a gépek és az emberek kiegészítik egymást, és az előbbiek, ha bizonytalanságot éreznek, az utóbbiak segítségét tudják kérni a következő lehetséges lépéssel kapcsolatban. 

A címlapkép illusztráció. Címlapkép forrása: Getty Images