Grounding（接地）

大型语言模型记住的是训练数据的统计规律，回答具体问题时可能生成听起来合理却实际有误的内容（幻觉）。Grounding 通过外部锚点约束生成范围。

• 核心目标：每条输出声明都能追溯到某个外部依据——检索文档、数据库记录或工具返回值。
• 三大评估指标：忠实度（faithfulness，输出是否与给定来源一致）、归因准确率（attribution accuracy）、引用精度（citation precision）。
• 适用范围：涵盖文本生成（RAG）、多模态（视觉接地）、具身智能（感知-语言绑定）等多个场景。
• 与幻觉的关系：幻觉是问题现象，grounding 是缓解手段；二者角度不同，常被对立讨论，但并非等价关系。

Grounding 概念跨越认知科学与 AI 工程两条脉络，逐步演化至今。

• 1990：Stevan Harnad 在 Physica D 发表《The Symbol Grounding Problem》，提出符号系统必须通过感知经验锚定现实，否则语义空悬——这是 AI grounding 思想的哲学源头。
• 2005 年前后：视觉-语言研究开始用「visual grounding」指代将名词短语定位到图像区域的任务，成为 VQA 的前身。
• 2020：RAG 框架由 Lewis 等人（Meta AI）正式提出，将检索结果嵌入上下文成为主流接地方案，奠定工程范式。
• 2022-2023：ChatGPT 等大模型普及后幻觉问题凸显，「grounding」在工业界成为企业级 AI 产品的核心质量指标。
• 2025：Google DeepMind 发布 FACTS Grounding Leaderboard，系统评估主流 LLM 在长文档接地任务上的忠实度，成为业界重要基准。

Grounding 在推理时引入外部证据，约束模型的生成范围，主要有以下实现路径。

• 检索增强生成（RAG）：先通过向量检索或关键词检索从语料库取出 top-k 段落，拼入上下文窗口，模型据此作答，是目前最主流的实现方式。
• 工具调用（function calling）：模型发出函数调用，系统执行后将结果返回，输出被约束在工具返回值范围内，适合实时数据场景。
• 事后归因验证：先生成草稿，再由独立模块逐条核查声明是否有文档支撑，可与前两种方案叠加使用。
• 多模态接地：将文本短语对应到图像区域（visual grounding），或将语言指令对应到机器人传感器读数，是 VQA 和具身智能的基础能力。

按来源类型，grounding 可分为以下主要变体。

• 文档接地：RAG 框架下依赖检索文本段落，是企业知识库问答的标准形式，以 faithfulness 和 citation 为核心评估维度。
• 知识图谱接地（KG grounding）：将实体和关系映射到结构化知识库（如 Wikidata），适合需要精确实体信息的场景。
• 工具接地（tool grounding）：通过函数调用获取实时数据——代码执行、数据库查询、计算器调用等均属此类。
• 感知接地（perceptual grounding）：将自然语言短语对应到图像中的具体区域，VQA 和 VLA（视觉-语言-动作模型）均依赖这一能力。
• 引用标注机制：部分系统要求模型在输出中显式注明来源编号，便于用户核查，Perplexity、必应 Copilot 是典型代表。

Grounding 与多个近似概念存在交叠，需注意区分。

• Grounding vs 幻觉（hallucination）：幻觉描述问题现象，grounding 描述缓解手段；RLHF、SFT 等也能减少幻觉，grounding 只是其中一类方法。
• Grounding vs RAG：grounding 是质量目标，RAG 是实现路径之一；微调和提示工程也能在一定程度上改善接地性，但不如 RAG 直接。
• Grounding vs 归因（attribution）：归因强调事后为输出标注来源，grounding 强调生成过程中与来源的约束关系；两者常配合使用，但概念层次不同。
• NLP grounding vs 符号接地问题：认知科学中的「符号接地问题」（Harnad 1990）探讨符号与真实世界感知的绑定，与 NLP 工程语境中的 grounding 含义有历史渊源但不完全等同，跨领域阅读时需注意。

Grounding 并不等于「百分之百消除幻觉」，存在若干常被忽视的局限。

• 检索是瓶颈：若向量检索未能召回相关段落，后续生成再准确也无济于事；召回率和排序质量直接决定接地效果上限。
• 忠实度失败（faithfulness failure）：即使来源正确，模型仍可能生成不在文档中的内容，「有来源」不等于「忠实于来源」——二者是独立可失败的维度。
• 引用不等于正确：引用可能断章取义，引用的文档本身也可能有误；用户不应因有引用标注而放弃自行核查。
• 长上下文不自动解决问题：更大的上下文窗口能放入更多文档，但不自动提升忠实度；文档截断与排序策略仍是工程难题。
• 来源冲突处理：当检索到多份相互矛盾的文档时，模型如何取舍目前缺乏标准方案，是 grounding 研究的开放问题之一。