AI 驱动的搜索工具如Perplexity和Arc正成为数百万用户寻求即时答案的首选平台，但存在生成事实错误、误引来源和循环使用过时信息的问题，根源在于大多数 AI 模型的架构即 Transformer。

• 为什么 Transformer 会产生幻觉：设计用于生成统计上可能的文本，而非事实正确的文本；分析每个词的关系，对长文本效率低且易丢失重要上下文；无法分辨多个来源的可靠性，易导致引用 AI 生成或过时信息。
• 状态空间模型（SSMs）：迈向上下文感知准确性的一步：作为替代 Transformer 的有前途的方法，SSMs 逐步处理信息，更新记忆库，更高效处理计算，能减少上下文过载风险，保持重要细节，如 Microsoft 的目标导向对话系统研究；MemoryBank 机制可增强大型语言模型的长期记忆。
• 案例研究 1：Perplexity 的幻觉陷阱：依赖不可靠来源，同等对待所有检索数据，缺乏评估信息真实性的机制，易导致信息传播错误；比较多个来源时易出现上下文崩溃，过度重视重复短语或模式；若基于 SSM 架构，可利用结构化记忆和长期上下文意识减少不一致和幻觉。
• 案例研究 2：RoboMamba 在机器人技术中的精度：在实验室测试中，通过实时纠错减少由幻觉引起的失败动作，在不可预测环境中优先考虑安全协议，降低危险错误风险，这在外科机器人和自动化制造等任务中至关重要。
• SSMs 与其他解决方案的比较：RLHF 可与人类价值观对齐，但不能解决 Transformer 的猜测倾向；Knowledge-Augmented LLMs 整合结构化数据库，但仍依赖 Transformer 架构；SSMs 从根本上改变信息处理和记忆方式，在需要准确性和长期一致性的任务中表现出色。
• 对日常用户的意义：意味着更少的假引用、更好的复杂问题答案、离线功能，能验证来源减少误导，更好处理复杂或罕见问题，提高隐私性。
• SSMs 的优势与不足：在处理长文本、保持一致性和准确性、在小设备或实时应用中运行方面表现出色，但在复制长文本和记住输入中的精确细节方面不如 Transformer。
• 未来：过渡已在一些行业展开，混合模型结合两者优势，在企业和研究领域应用广泛，随着研究改进，将有更多基于 SSM 架构的 AI 工具出现。
  结论：构建最佳 AI 搜索引擎的关键是信任，SSMs 提供了理解问题而非只是回答问题的新路径，下一代 AI 搜索将基于验证的事实构建答案。