時間膠囊：作為歷史意義構建方法的生成性幻覺

近日，一篇名為《時間膠囊：作為歷史意義構建方法的生成性幻覺》的論文在arXiv上發表，提出了一種新穎的AI模型，專門用於理解和生成維多利亞時代的文本。該模型名為TimeCapsule，擁有12億引數，基於LLaMA架構，其獨特之處在於訓練資料完全來自1800年至1875年的維多利亞時期文本，從而構建了一個在時間上隔離的生成檔案。

傳統的大語言模型由於廣泛接觸當代語料，往往會將現代概念帶入歷史語境，成為不可靠的歷史敘述者。TimeCapsule透過限制訓練資料範圍，避免了這種時間上的過度暴露。研究者表示，這種對未來的結構性無知將模型的幻覺轉變為探索十九世紀本體論的解釋工具。

在定量評估中，TimeCapsule在維多利亞散文的測試集上相比GPT-2基線實現了45.4%的困惑度降低，顯示了其在歷史文本建模方面的有效性。然而，更大的現代因果模型透過更廣泛的預訓練獲得了更低的原始困惑度，但缺乏時間隔離性。

值得注意的是，該模型展現了一種計算意義上的意義構建能力，能夠為陌生的現代概念生成歷史合理的類比解釋。例如，它將計算機描述為一種'肥大的肺'，這種比喻反映了維多利亞時代的認知框架。研究者還進行了一項定性解釋學探針實驗，邀請兩位人文學者參與。他們被要求區分真實維多利亞文本片段和TimeCapsule生成的文本，結果令人震驚：約40%的真實維多利亞文本被誤認為是機器生成的。這一發現揭示了在歷史文本生成中存在的真實性危機，也表明即使是專家也難以辨別高度逼真的仿歷史內容。

總的來說，TimeCapsule不僅為歷史研究提供了新的工具，也引發了關於AI在歷史敘事中角色的深刻思考。透過有意識地限制模型對未來的知識，研究者將通常被視為缺陷的幻覺轉化為一種富有成效的解釋性探針，為理解歷史本體論開闢了新的路徑。該研究已被2026年創造力與認知會議（C&C '26）接收。