生成式人工智能的根源可以追溯到上世纪中期的工程师，他们认为机器要像人类一样思考，必须加入一定程度的非理性。MIT 历史系助理教授 Benjamin Lindquist 在《Past and Present》上发表的新论文指出，这些先驱有意在本应确定性求解的算法中注入随机性，以模拟创造性思维，并将这种做法视为 AI 幻觉的早期来源。\ \ 早期工程师之所以强调随机与非理性，是因为许多科学家和艺术家长期认为偶然性是发现与创意的重要驱动力。贝尔实验室的电气工程师 John Pierce 曾提出，数学的价值在于能够打破艺术的秩序，引入意想不到的变化，从而突破陈规。为实现这种“不可预测”，研究者们采用了人工（随机）神经网络。早期的神经网络多由心理学家构建，旨在通过模拟大脑让科学家观察“有益的错误”，而不是把大脑视作不可触及的黑箱。\ \ 与此同时，另一派学者认为创造性思维只是更高效的常规思考。两种简化的启发式模型——“随机即创意”与“常规即创意”——在当时的争论中交锋，核心是如何把人类的发明精神重新构造为机器形式。\ \ 对比过去与现在的 AI 观念，Lindquist 说明，早期的研究者欣赏神经网络因为它们偶尔会给出超出预期、甚至怪异的答案；而今天的主流系统（如 ChatGPT、Claude）被商业与法律约束，需要尽可能提供准确、可预测的回答，导致“奇异性”被大幅压制。\ \ 在 AI 发展路径上，符号 AI 曾长期占据主导，强调通过规则和命题重建世界知识。神经网络自 1950 年代起因其随机求解能力而受到关注，但在 1970 年代因 Frank Rosenblatt 的早逝和符号 AI 的兴起而被边缘化。直到 1980 年代神经网络转向认知科学，并在互联网时代获得海量数据与算力支持，才在 2012 年左右突破统计机器学习，成为主流。\ \ Lindquist 提出的历史教训是：压制 AI 幻觉可以提升可靠性，却可能牺牲创造性。惊喜与错误往往相伴而生，系统在两端的极端取舍都难以实现，任何单向的优化都可能带来意想不到的副作用。\ \ 点评：AI 的随机性是创意的根基，完全抹去幻觉或许会削弱其突破性，未来需要在可靠性与创新性之间找到平衡。