我们首先要颠覆一个认知：当AI（特指大语言模型）伪造一篇不存在的参考文献时，它并非在“说谎”，甚至没有“伪造”的主观恶意。它的行为，本质上是其核心工作原理的一种必然延伸——一种基于海量数据的、高度复杂的“创造性脑补”。
将AI视为一个无所不知的图书馆管理员，是一个普遍但致命的误解。它真正的身份，更像一位读完了世界上所有书籍、却不记得任何一本书具体内容的“语言模仿大师”。它的核心能力不是检索与核实，而是预测与生成。当你向它提问，它并非去某个事实数据库里查找答案，而是在庞大的神经网络中计算：“基于这个问题，下一个最可能出现的词是什么？”
这个过程，就为“文献伪造”埋下了伏笔。我们可以从三个层面来拆解这个现象：
1. 原理层：概率的陷阱，而非事实的检索
语言模型的世界里没有“真假”，只有“概率”。一篇标准的学术参考文献，有着极其固定的格式和模式，例如：“[作者姓氏], [名字首字母]. ([年份]). [论文标题]. [期刊名称], 卷号, [页码]。”
当被要求提供文献时，AI的任务就是按照这个模式，生成一段看起来最“像”参考文献的文本。它会调用其“知识库”中最高频、最相关的组件进行“缝合”：

• 作者？ 它会选一个在该领域最常出现的著名学者。
• 期刊？ 它会选一个最权威或最相关的期刊名，比如 Nature, Science。
• 标题？ 它会根据你的问题，生成一个语法通顺、看起来最专业的标题。
  这就像一位技艺高超的“裁缝”，用最上等的布料（真实的学者名、期刊名），为你“缝制”了一件看似完美的“西装”（参考文献）。每一个针脚（语法、格式）都无懈可击，但衣服本身（这篇文献）却是凭空创造的。🤯
  2. 案例层：当“创意写作”误入“严谨学术”
  最典型的案例莫过于2023年美国那起著名的诉讼案。一位律师使用ChatGPT进行案例研究，并向法庭提交了一份包含多个完全虚构判例的法律文件。这并非AI有意欺骗，而是律师用错了工具。他将一个“创意写作助手”当成了一个“法律案例数据库”来使用。
  AI接收到的指令是“给我找一些支持某论点的案例”，它的“使命”是生成满足这个指令的、看起来最合理的文本。当现有真实案例不足或难以找到时，为了满足用户的“期待”，它便会启动“脑补”模式，创造出最符合逻辑、最能“完成任务”的虚构案例。这在它的设计逻辑里是“帮忙”，在现实世界里却是“学术不端”。
  3. 意图层：我们与AI目标的根本错位
  我们的意图是获取真实、可验证的信息。而AI（在没有特定搜索插件的情况下）的默认意图是提供流畅、相关、有帮助的回答。这两个目标并不总是一致。
  为了表现得“智能”和“乐于助人”，模型的设计者在一定程度上鼓励了这种“创造性”。一个总是回答“我不知道”的AI，用户体验会很差。因此，AI被训练得更倾向于“猜测”一个答案，而不是承认知识的空白。这种设计在日常对话、创意写作中是优点，但在要求100%准确性的学术和法律领域，就成了致命缺陷。
  结论：告别“AI神话”，拥抱“人机协同”的批判性思维
  因此，AI伪造参考文献，是其“模仿大师”本性在“图书馆管理员”岗位上的错位。它揭示了一个深刻的现实：我们正处在一个需要与强大但不完美的工具共存的时代。
  这要求我们用户，必须从“全能AI”的幻想中醒来，将AI定位为一个极其强大的“初稿生成器”或“灵感激发器”，而非“事实核查器”。最终的甄别、验证和判断责任，必须也必然回到人类自己身上。未来最高效的知识工作者，或许不是最会提问的人，而是最擅长对AI给出的答案进行批判性验证、并去伪存真的人。学会与AI共舞，而不是盲目地让其领舞，这才是我们当下最需要学习的课题。