GPT-4考90分全假！30年资深律师用ChatGPT打官司，6个虚假案例成笑柄

ChatGPT又有什么错呢？美国律师向法院提交的文件中，竟引用了6个根本不存在的案例，反倒惹祸上身被制裁。

　ChatGPT，真的不可信！

在美国近来的一起诉讼案件中，一位律师帮原告打官司，引用了ChatGPT捏造的6个不存在的案例。

法官当庭指出，律师的辩护状是一个彻头彻尾的谎言，简直离了大谱。

然而，律师为自己辩护中，甚至提交了和ChatGPT聊天截图的证据。

显然，ChatGPT称‘这些案例都是真实存在的’。

本为原告打的官司，自己竟惹祸上身，将受到制裁，这波操作瞬间在网上引起轩然大波。

毕竟，GPT-4刚诞生时，OpenAI放出它在律师资格考试（UBE）的成绩，还拿到了90分。

网友警告，千万不要用ChatGPT进行法律研究！！！

还有人戏称，要怪就怪你的prompt不行。

律师承认使用ChatGPT

这起诉讼的起始和其他许多案件一样。

一位名叫Roberto Mata的男子在飞往纽约肯尼迪国际机场的航班上，不幸被一辆餐车撞到膝盖，导致受伤。

由此，他便要起诉这架航班的‘哥伦比亚航空公司’（Avianca）。

Mata聘请了Levidow，Levidow & Oberman律所的一位律师来替自己打这个官司。

接手案子后，律师Steven A． Schwartz向法院提交了一份10页的辩护状。其中，引用了6个相关的法院判决：

Varghese V． 中国南方航空公司

Shaboon V． 埃及航空公司

Petersen V． 伊朗航空公司

Martinez  达美航空公司

Estate of Durden V． 荷兰皇家航空公司

Miller V． 美国联合航空公司

然而，让所有人震惊的是，从案件本身，到司法判决，再到内部引文，全是假的！

为什么假？因为是ChatGPT生成的。

这不，麻烦就来了。

目前，对方律师考虑举行听证会，对原告律师进行制裁。

Schwartz律师，可以说已经非常资深，在纽约从事法律工作已有30年。

从他的话中得知，自己吃了大亏，竟是从来没用过ChatGPT，由此没有意识到它生成的内容是假的。说来，还是太离谱

。

原告律师Steven A． Schwartz在一份宣誓书中承认，他确实用了ChatGPT进行相关研究。

为了验证这些案件的真实性，他做了唯一一件合理的事：让ChatGPT验证这些案件的真实性。

他告诉法官，‘自己无意欺骗法庭或航空公司’。

当他询问ChatGPT这些案件的来源时，ChatGPT先是为之前的表述不清道歉，但还是坚称这些案件都是真实的，可以在Westlaw和LexisNexis上找到。

而对方律师也同样坚持，来自Levidow & Oberman律师事务所的原告律师是多么荒唐可笑，由此才引发了法庭对这个细节的重视。

在其中一个案例中，有个叫Varghese的人起诉中国南方航空有限公司。然而这件事压根不存在。

ChatGPT好像引用了另一个案件——Zicherman起诉大韩航空有限公司。而ChatGPT把日期、案件细节什么的都搞错了。

Schwartz此时才悔恨地表示，他没有意识到ChatGPT可能提供假案件，现在他非常后悔用生成式AI来进行法律研究。

法官表示，这种情况前所未见，并将于6月8日举行听证会，讨论可能的制裁措施。

这件事情再次体现了一个很重要的事实，那就是用完ChatGPT必须用其它来源进行双重，甚至三重查证。

而AI模型在信息输入上出现重大事实错误已经不是第一次了，谷歌的Bard也遇到过这种问题。

　90分？GPT-4成绩被夸大

还记得GPT-4刚刚发布那天，‘小镇做题家’在各项考试指标上接近满分的水平。

尤其，在美国统一律师资格考试（UBE）中，GPT-4可以拿到90%水平，而ChatGPT（GPT-3.5）也仅拿到10%的分数。

但是，没过多久，来自MIT的研究人员Eric Martínez发了一篇论文，重新评估了GPT-4在Bar考试中的表现。

论文直言，GPT-4的律师考试成绩被夸大了。

论文地址：https：//papers.ssrn.com/sol3/papers.cfm？abstract_id=4441311

作者在文中提出了4组发现，表明OpenAI对GPT-4在UBE的表现，尽管明显比GPT-3.5有令人印象深刻的飞跃，但似乎过于夸大。

特别是，如果被当作代表‘百分位数下限范围’的保守估计。更不用说，意在反映一位执业律师的实际能力了。

首先，GPT-4的律师考试成绩，是与2月份伊利诺伊州律师考试的应试者相比较的。

值得注意的是，这些考生都是复读生，不难理解，他们的分数可能会更差。

其次，最近一次七月份考试的数据表明，GPT-4的UBE成绩为68%。

第三，通过检查官方NCBE数据，并使用若干保守的统计假设，估计GPT-4在所有首次考试中实现63%。

最后，当只考虑那些通过考试的人（即已获得许可或待许可的律师）时，预计GPT-4的表现将下降到48%。

网友称，更准确来说，GPT-4应该只有63分，或者68分。

文中，作者还提供了深刻的见解，探讨了将法律任务外包给AI模型的可取性和可行性。

甚至，人工智能开发人员实施严格和透明的能力评估，以帮助确保安全和可靠的人工智能的重要性。

要是，原告的那位律师看过这项研究后，说不定就不会吃大亏了。

　ChatGPT胡说八道

归根结底，ChatGPT能够编造出6个不在的案例，还是因为它固有的‘幻觉’问题。

直白来讲，就是张口胡说八道的天性所致。

就连马斯克都想拯救这个致命的问题，官宣推出了名为TruthGPT的AI平台。

马斯克曾表示，TruthGPT将是一个‘最大的求真人工智能’，它将试图理解宇宙的本质。

然而，别管什么GPT，幻觉很难搞定。

前段时间，OpenAI联合创始人兼研究员John Schulman在演讲‘RL and Truthfulness – Towards TruthGPT’中，讨论了幻觉产生的原因以及解决方案。

根据Schulman的说法，幻觉大致可以分为两种类型：

1 模式完成行为，即语言模型无法表达自己的不确定性，无法质疑提示中的前提，或者继续之前犯的错误

2 模型猜测错误

语言模型代表一种知识图谱，该图谱将训练数据中的事实存储在自己的网络中。而微调可以理解为‘学习一个函数’，能够在知识图谱上操作并输出token预测。

比如，微调数据集中，如果有包含‘星球大战是什么片？’这个问题，以及‘科幻’这个答案。

要是这一信息在原始训练数据中存在，那么模型就不会学习新信息，而是学习一种行为——输出答案。而这种微调也被称为‘行为克隆’。

如果‘星球大战是什么片？’这一问题的答案不是原始训练数据的一部分。即便不知道，模型也会学习正确答案。

但问题是，使用这些不在知识图谱中的答案进行微调，就会让模型学会编造答案，即产生所谓的‘幻觉’。

相反，要是用不正确的答案去训练模型，就会导致模型知识网络隐瞒信息。

　网友热评

此事一出，各位网友也是各抒己见。

Kim表示，不光是ChatGPT，其实人类也爱用想象来弥补知识盲区。只不过ChatGPT能装的更逼真。关键在于，要搞清楚ChatGPT知道什么、不知道什么。

Zero提出了一个很有建设性的提议，那就是：以后ChatGPT再举事例，后面得附上来源链接。

Francis表示，早说过了，ChatGPT是一种生成式人工智能。意味着它会根据输入的问题生成回答。无论它有多能模仿人类在理解问题后的精彩回答，也改变不了ChatGPT本身并不理解这个问题的事实。

Tricorn认为，这位原告律师不应该把锅扔给ChatGPT，是他自己用错了。应该是把事例当作prompt的一部分输入进去，然后让ChatGPT填补中间缺环的论证部分。

还有网友称，用ChatGPT要上点心，要不下一个超级碗就是你了。

这就是活灵活现的证据。ChatGPT等人工智能工具做人类的工作，真的是可能直接导致我们的大灾难。

对于ChatGPT这个表现，你怎么看？