人工智能助手在回答用户问题时偶尔会出现看似合理却错误的内容，这种现象被形象地称为"幻觉"。J.P.Morgan人工智能研究院的最新研究从全新视角切入，发现通过优化提问方式可以显著降低这类错误的发生概率。该研究团队在arXiv平台发布的论文显示，问题本身的表达方式对AI回答的可靠性具有决定性影响。
研究团队对近37万个真实用户提问展开分析，覆盖13个主流问答数据集。通过构建包含17个维度的语言特征分析体系，研究人员发现问题的结构特征、词汇选择和逻辑表达方式都会直接影响AI的回答质量。这颠覆了传统认知——过去普遍认为AI幻觉主要源于模型缺陷或解码策略问题。
在风险特征识别方面，研究绘制出详细的"问题风险图谱"。模糊性表达被证实为首要风险因素，例如询问"特斯拉相关信息"时，AI可能混淆公司、产品或发明家等不同概念。复杂句式同样构成挑战，包含多层条件从句的问题会使AI难以锁定核心询问点。否定句式则因增加逻辑推理难度，导致AI更容易出现偏差。
有趣的是，某些人类认为困难的语言特征对AI影响较小。研究显示，罕见专业术语、最高级表达等特征，AI反而能够较好处理。这表明人机认知机制存在本质差异，优化交互方式需要针对AI特性进行专门设计。
降低错误概率的有效策略包括：在问题中添加具体约束条件，如明确时间范围、实体属性等；使用"总结""比较"等明确指令动词；提前澄清可能产生歧义的词汇。实验表明，经过优化的问题表述可使AI幻觉发生率降低40%以上。这种改进无需调整模型架构，仅通过改变提问方式即可实现。
不同任务类型呈现差异化风险模式。提取类任务因有明确参考依据，风险最低；选择类任务受干扰项影响，风险居中；需要创造性回答的抽象类任务风险最高，其中44.5%的问题被标记为高风险。值得注意的是，问题长度的影响具有任务依赖性——在抽象任务中，问题越长风险越高；而在提取任务中，长度影响可忽略不计。
语言特征之间存在复杂的相互作用网络。研究将17个特征划分为三大群组：语法复杂度群组（包含句子长度、从句数量等）、语义明确性群组（包含意图清晰度、可回答性等）和模糊性群组（包含多义词、语境缺失等）。其中语法复杂度与风险呈负相关，适度的结构复杂反而能提供更多上下文线索。
风险预测模型展现出强大的泛化能力。通过交叉验证发现，核心风险特征在不同数据集和应用领域均保持稳定关联。这种稳定性为开发通用型问题优化工具奠定了基础，相关模型已能实现70%左右的风险预测准确率。
领域特异性研究带来意外发现。在AI训练数据充足的领域（如计算机科学），专业问题的风险反而低于日常问题；而在训练数据稀缺的领域，专业术语确实会增加回答不确定性。这提示用户需要评估AI对特定领域的熟悉程度，合理调整预期。
基于这些发现，研究团队提出三项实用建议：提问时添加具体限定词，使用明确的指令动词，主动消除潜在歧义。这些策略不仅适用于通用AI助手，也可为专业领域的人机交互提供指导。随着AI技术普及，掌握"提问艺术"正在成为重要的数字素养，简单的表达优化就能显著提升人机协作效率。
