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？