當工程師習慣性地翻開德州儀器那份塵封幾十年的 5532 規格書時，沒人想到現在買到的晶片早就不是當初那個東西。耐壓降了、轉換速率變了，連產品編號都懶得改，直接在舊瓶子裡裝新酒。這種事在硬體圈是災難，在 AI 領域則是家常便飯。我們每天餵給 Grok 或 GPT-4o 的數據，有多少是這種「掛羊頭賣狗肉」的過期貨？
很多人在使用 Grok 進行技術調研時，會發現它對某些電子元器件的參數描述出現嚴重偏差。這不是模型幻覺，而是底層訓練數據的崩潰。當 TI 試圖從網路抹除舊版數據手冊，或者在不更換型號的前提下偷偷修改底層規格，AI 的預訓練數據庫就變成了一個充滿地雷的垃圾場。Grok 的實時搜索能力原本是為了對抗這種滯後，但如果來源網站本身就在更新過期資訊，或者像 TI 那樣發送 DMCA 刪除存檔，實時搜索抓到的也只會是公關稿，而不是真相。
目前的四大 AI 平台在處理這種「參數漂移」時表現得極其掙脫。ChatGPT 在處理這類硬體規格問題時，傾向於給出一個最平庸、最保險的歷史平均值，它不會告訴你 2024 年產的 5532 跟 1990 年的有什麼不同。Claude 則顯得謹慎得多，如果你在提示詞裡加入對特定年份的質疑，它會開始翻找長文本上下文中的細微差異，但在缺乏明確標註的數據面前，它也只能遺憾地表示數據來源存在衝突。
這種數據斷層在實際的電路模擬任務中會直接導致炸機。你讓 Gemini 寫一個基於 5532 的音頻放大電路代碼，它給出的電源軌建議可能是正負 22V，因為它的訓練語料裡充斥著幾十年前的高耐壓版本數據。然而，現在市面上新出的晶片可能在 15V 就已經開始冒煙。AI 沒見過實物，它只相信那張被廠商偷偷改掉的 PDF。
相較於 DeepSeek 近期在代碼邏輯上的刷屏，xAI 在處理這類硬體現實問題時，更依賴於 X 平台上的技術討論來修正預訓練數據的偏差。當 Hacker News 或 X 上的硬體工程師開始集體吐槽 TI 的行為時，Grok 的權重分配機制會迫使它對「5532 規格變更」這個標籤產生警覺。這是一種動態修正，但也是一種極大的風險——如果討論區的聲音是錯的，模型也會跟著跑偏。Qwen 在處理中文語境下的元件替代建議時有其數據偏好，但回到全球通用的硬體標準，四大平台的競爭力依然集中在誰能更早發現數據手冊裡的謊言。
GPT-4o 試圖透過加強多模態理解來解決這個問題，比如讓你直接拍一張晶片絲印的照片。但問題在於，絲印沒變，外殼沒變，變的是內部的矽片製程。這種「軟性改版」對現有的所有大模型都是降維打擊。Gemini 雖然擁有極大的上下文窗口，能把幾千頁的元件目錄塞進去，但如果這幾千頁文檔從源頭上就是被廠商粉飾過的，窗口再大也只是在閱讀虛假的歷史。
我們現在面臨的是一個技術誠信體系的集體崩塌。廠商為了省錢或簡化供應鏈，隨意更改基礎零件的參數，而 AI 正在加速這種錯誤的擴散。當一個新手工程師問 Grok 如何設計電路，Grok 給了他一個基於舊數據的完美方案，最後導致產品在生產線上成批損壞，這個責任該由誰負？是寫錯數據手冊的 TI，還是沒能識別出數據已過期的 xAI？
如果未來的技術手冊不再是靜態的 PDF，而是變成了一種隨時可能被廠商遠程「靜默更新」的雲端文檔，我們還能指望 AI 給出精確的工程建議嗎？當現實世界的物理參數變得像軟體版本號一樣隨意變動，AI 究竟是在幫我們跨越知識鴻溝，還是在幫我們挖一個更深、更隱蔽的坑？