AI 的知识有「保质期」：为什么它不知道最近的事

你问 AI 一件最近发生的事,它答得有模有样,细节丰富、语气笃定——然后你一查,压根没这回事,或者说的是好几年前的老情况。更让人困惑的是,同样一个模型,你问它去年的事它答得很准,问上个月的事它就开始编。这不是它"变笨了",而是它的知识本来就有保质期。这篇讲清楚:什么是知识截止日期、为什么过期的知识比不知道更危险、联网搜索能补上多少、以及怎么判断它这次是在"记得"还是在"猜"。

知识截止日期:它的世界停在某一天

大模型的知识来自训练——把海量文本喂给它,让它从中归纳出语言和世界的规律。而训练用的数据必然是在某个时间点之前收集的。那个时间点,就是它的"知识截止日期"。

截止之后发生的一切,它不是"记不清",而是从来没见过。这两者的区别很关键:

它不像一个"最近没关注新闻的人"——那种人至少知道自己不知道。它更像一个刚从多年闭关中出来、却完全没意识到自己闭过关的人。你问他今年谁当选,他会按闭关前的印象,非常自信地给你一个答案。

为什么"过期"比"不知道"更危险

如果 AI 每次都老实说"我不知道",反而好办。问题在于它的工作方式决定了它倾向于给出一个像样的答案,而不是承认空白。于是就有了这几种典型翻车:

• 把旧版本当最新版:问某个软件/模型的"最新版本",它给你一个截止日之前的版本号,语气还特别肯定;
• 价格、参数、政策全是旧的:订阅价涨过了、免费额度调整过了、某项功能下线了——它一概不知;
• 把"当时正在进行"说成"现在":某件事在截止日时还没结果,它可能会按当时的趋势往下顺,顺出一个不存在的结局;
• 人事和职位:谁在任、谁离职了、公司归谁了,这类信息变动频繁,是重灾区;
• 最隐蔽的一种:半新半旧。一段话里前半句是准确的旧知识,后半句是编的新情况,因为整体读起来通顺,反而更难发现。

这和幻觉是两回事,但结果很像:幻觉是"无中生有",过期是"有,但已经不对了"。后者更难识破,因为它曾经是真的。

"那我直接问它截止日期不就行了"——不太行

很多人的第一反应是直接问模型"你的知识截止到什么时候"。这个办法可以参考,但不能全信,原因有点绕但值得理解:

• 它未必真"知道":截止日期是关于它自身的事实,除非厂商在训练或系统提示里明确告诉它,否则它只能靠推测——而推测出来的日期照样会说得很肯定;
• 数据分布不均匀:临近截止日的那段时间,互联网上的相关内容还没沉淀够,所以它对"最后几个月"的掌握通常明显弱于更早的时期。实际可靠范围往往比名义截止日更早;
• 产品层可能已经补过:很多 AI 产品会通过联网搜索、系统提示等方式补充新信息,这时"模型的截止日"和"你实际拿到的信息新旧"就不是一回事了。

更实用的做法:不去纠结那个具体日期,而是默认"凡是会随时间变的事实,都需要另外核实"。这条规则不依赖你知不知道截止日,永远有效。

联网搜索能补上多少?

现在不少 AI 产品都能联网,这确实是解药——但要理解它的机制,才知道它的边界在哪。

联网的本质是:先去搜,把搜到的网页内容塞进上下文,再让模型基于这些材料回答。所以它的可靠性变成了三个环节的乘积:

所以"它联网了"不等于"它说的是对的"。判断的关键动作是:看它有没有给出处,并且真的点进去看一眼。这一步很多人省略了,但它恰恰是联网模式最大的价值所在——不是让你省掉核实,而是让核实变得容易。

另外有个容易被忽略的坑:不是所有回答都触发了联网。有些产品只在它判断"需要"时才搜,而它的判断经常不准——尤其当问题看起来像常识时。你以为它查了,其实它是凭记忆答的。

怎么判断它这次是"记得"还是在"猜"

不用装什么工具,几个信号就能看出来:

• 有没有具体出处:能给出可点击的链接、且链接内容确实对得上——这是最强的信号;
• 细节的"颗粒度"是否异常:对一件很新的事说出精确的数字、日期、人名,却给不出来源,这种"过度具体"往往是编的;
• 换个问法会不会变:同一个事实,重新开一个对话、换种问法再问一次。真实记住的内容通常稳定,猜的容易前后不一致;
• 直接追问"这是哪一年的情况":被明确要求标注时间时,不少模型会自己露怯,说出"截至我所了解的信息"这类限定语;
• 交叉验证:拿另一个 AI 或搜索引擎对一遍,不一致的地方就是要重点查的地方。

四个实用习惯

• ① 问"会变的事"时,主动给它时间锚点:与其问"最新版本是多少",不如问"截至你所知,最新版本是什么?请标注这个信息大致是什么时候的"。把时间意识塞进问题里,它的回答会诚实得多;
• ② 自己提供最新材料:把官网页面、公告、文档贴给它,让它只根据你给的资料回答。这是最可靠的办法——你控制了信息源,就绕开了截止日期问题;
• ③ 分清"知识"和"能力":它的知识会过期,但能力不会。让它帮你分析、改写、总结、推理,这些不依赖新鲜信息,完全可以放心用;
• ④ 重要的事用深度研究模式:那类功能会真的去搜多个来源并给出引用,比普通问答可靠得多,代价是慢一些。

那为什么不干脆天天更新模型?

这是个很自然的疑问:互联网每天都在产生新内容,让模型持续学进去不就完了吗?现实中做不到,原因有三个,理解了它们你就不会再期待"实时更新"这件事:

• 贵:训练一次大模型的算力成本极其可观,不是能天天来一遍的事。这背后的账我们在AI 为什么这么贵里算过;
• 慢且有风险:模型不是数据库,不能"插入一条新记录"。新数据会改变整体的参数分布,补上了新知识,却可能在别的地方变笨——这种退步必须靠大量测试才能发现;
• 数据本身需要沉淀:一件事刚发生时,网上的说法混乱、错误信息和正确信息混在一起。过早学进去,学到的可能是噪音。

所以行业的实际解法不是"让模型一直学",而是分工:让模型负责稳定的语言能力和世界常识,把"最新信息"这件事交给检索来补。

这个分工也解释了一个你可能注意到的现象:同一个问题,在不同 AI 产品里得到的答案新旧程度不一样。差别往往不在模型本身,而在产品有没有联网、搜得好不好、给不给出处。同一个模型在不同 App 里表现不同,这也是原因之一。

换个角度:这其实提醒了我们一件事

知识截止日期听起来像个缺陷,但它其实很诚实地揭示了大模型是什么:它不是一个连着世界的数据库,而是一个把某一时刻的文本世界压缩进参数里的东西。

理解了这一点,你对它的期待就会调整到正确的位置:把它当成一个见识极广、但消息可能不灵通的顾问。问它"怎么想这件事",它很强;问它"这件事现在怎么样了",你得自己去查。

小结

• 模型的知识来自训练数据,必然停在某个时间点;截止之后的事它不是记不清,而是从没见过;
• 过期比不知道更危险——它倾向于给出像样的答案而非承认空白,最隐蔽的是半新半旧混在一段话里;
• 直接问它截止日期只能参考:它未必真知道,而且临近截止的那段时间掌握得最弱;
• 联网能补,但可靠性等于搜得对 × 源可靠 × 读得准;要看出处并真的点开,而且未必每次都真的联了网;
• 四个习惯:问题里带时间锚点、自己提供最新材料、区分知识与能力、重要的事用深度研究。

下次它又用笃定的语气告诉你一件"最近的事",别急着信,也别急着骂它胡说。先问自己一句:这件事,会随时间变吗?会,那就自己去查一眼——这一秒钟的警觉,比任何技巧都管用。

本文为「读懂 AI」原创,仅作科普与经验分享。各家模型的知识截止时间与联网能力不同且持续更新,文中不列举具体型号与日期以免过时;涉及重要决策的信息,请以官方渠道的最新说明为准。