麻省理工学院最新研究揭示，人工智能在理解“no”和“not”等否定词方面存在显著缺陷。包括ChatGPT、Gemini和Llama在内的主流AI模型，在处理否定语句时倾向于默认肯定关联，忽略否定语义。这种缺陷在医疗领域可能导致严重后果，例如误解“无骨折”或“未扩大”等关键信息。研究指出，问题的根源在于AI的训练方式侧重模式预测而非逻辑推理。专家呼吁，应结合统计学习与结构化思维，提升模型的逻辑能力，以避免AI在法律、医疗和人力资源等领域引发关键错误。

⚠️AI模型在理解否定词方面存在明显缺陷，例如对“no”和“not”等词语的处理能力不足，容易忽略否定语义，产生理解偏差。

⚕️在医疗场景中，AI对否定词的误解可能导致严重后果，例如误解“no fracture”（无骨折）或“not enlarged”（未扩大）等关键信息，从而影响诊断和治疗。

🧠AI的训练方式是造成这一问题的主要原因，当前语言模型依赖模式预测而非逻辑推理，导致AI在面对否定语句时，容易受到肯定词的影响而产生误判。

💡解决AI对否定词误解的关键在于提升模型的逻辑能力，结合统计学习与结构化思维，使AI能够更准确地理解和处理否定语句。

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（AI）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，AI 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 OpenAI 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，AI 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 AI 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 AI 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，AI 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，AI 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。