Bard 首发天文错误：一次演示失误的市场代价标杆

2023 年 2 月 6 日，Google 发布对话式 AI 产品 Bard，随公告流出的演示 GIF 里藏着一行事实错误：被问到“詹姆斯·韦伯太空望远镜有哪些可以讲给孩子的新发现”时，Bard 回答韦伯望远镜“拍摄了太阳系外行星的第一张照片”——而天文学界公认的第一张系外行星照片由欧洲南方天文台的甚大望远镜（VLT）于 2004 年摄得。天文学者当天指出错误，2023 年 2 月 8 日 Alphabet 股价跌约 8%，市值单日蒸发约 1000 亿美元。一句话结论：这是一次无落地生成加高关注场景叠加出的市场级事故，它把“AI 答案错了会怎样”从假设变成了有市值数字的案例。

事件时间线：从演示 GIF 到千亿市值蒸发

2023 年 2 月 6 日，Google 为应对竞争对手的新品发布节奏，提前宣布 Bard 并放出演示 GIF。同一则演示里，Bard 对韦伯望远镜问题给出错误回答；天文学者很快在社交媒体上指出：韦伯望远镜 2021 年 12 月才发射，第一张系外行星照片早在 2004 年就由 VLT 拍摄。错误在 2 月 6 日至 7 日持续发酵。

2023 年 2 月 8 日，市场把这次失误读成 Google 在 AI 竞赛中落后的信号——彼时微软支持的 ChatGPT 声势正盛，AI 能力被市场当作 Alphabet 估值的新变量，一次低级错误直接击穿了这层信心。当日 Alphabet 股价跌约 8%，按报道口径市值蒸发约 1000 亿美元。Reuters 在当日报道中直接以“Bard flubs answer”（Bard 答错）入题；The Guardian 等媒体随后复盘了错误的天文学细节。Google 内部将此事定性为值得汲取的教训，此后 Gemini 时代的产品演示明显趋于保守。

机制拆解：无落地生成加上高关注场景等于最大放大器

从机制上看，这个错误本身并不特殊。演示时点的 Bard 尚未联网检索，答案出自模型参数记忆，而训练语料里“韦伯望远镜”与“系外行星拍摄”的共现强度极高——韦伯望远镜正是系外行星观测的明星设备，模型把“擅长拍系外行星”泛化成了“拍了第一张”，与站内幻觉机制卡描述的“共现推断越界”完全同构。换一个不联网、不做支撑核查的生成系统，同类错误随时可能复现。

真正让错误变成事故的是放大器结构。第一层放大是场景：发布演示是全行业盯防的时刻，错误在竞争叙事（Google 对微软）的框架里被解读，不再只是技术瑕疵。第二层放大是主题的“可检验性”：天文事实有唯一正确答案，任何人查证一分钟就能确认错误——错误越容易验证，传播越猛。第三层放大是定价机制：股市把 AI 竞赛力计入估值，演示错误被当作竞赛力的负面证据即时定价。三层放大叠加，一句话的事实错误拿到了千亿美元级的当日价格。

放大器里还有一层时间差值得单独拆：错误在 2 月 6 日随演示流出，市场反应落在 2 月 8 日——中间隔着近两天的发酵期，天文学者的指正、科技媒体的跟进、竞对叙事的合流，一步步把技术失误抬升为竞赛力质疑。这个时间差说明事故不是“一句错话即时定价”，而是错误经过验证、传播与叙事包装后的累积定价；对危机处置的含义是窗口真实存在且很短——错误发现得越早、更正得越快，叙事来不及合流，代价就能压到最低。

这也解释了为什么后续各家厂商的演示策略整体转向：要么演示前做多次预跑与事实核查，要么干脆展示可核验的场景。对内容方的启示藏在反面——当你向 AI 平台供给内容时，“容易被验证的事实”恰恰是最值得做对的部分，因为引擎与用户都会拿它当试金石。

对本站用户的含义：品牌事实的“演示时刻”无处不在

这个案例对普通品牌方的价值，不是让大家担心市值，而是认清自己也有“演示时刻”。品牌的 AI 演示时刻包括：潜在客户向 AI 问起你的核心产品参数；记者与分析师用 AI 做背景调查；采购方在比稿前让 AI 对比几家供应商。这些场景里，AI 对品牌的事实性错误——型号答错、参数张冠李戴、历史沿革混淆——的代价是机会成本型的：没有成交、没有引用、留下错误印象，且大多数品牌根本不会察觉。

把风险变成动作有三条。第一条，识别自家品牌事实里的“高共现陷阱”：名称与行业明星概念高度相邻的品牌尤其要小心被泛化混淆，实体口径要全网一致到足以让检索消歧（同名与多义的处理见实体消歧术语卡）。第二条，把最容易被问到的硬事实（成立时间、核心产品、关键参数）写成引擎最容易取信的形态——权威来源一致、官网口径清晰，别给泛化推断留空间。第三条，建立纠错监测：对固定问题集定期采集答案，发现错误陈述按流程处置，方法框架见事实纠错监测术语卡与负面提及与错误陈述应对方法页。

内容团队还可以加第四条：把自己当作“随时可能被演示”的对象来准备。引擎厂商与行业大会的 AI 演示环节，越来越常拿真实品牌当提问素材——你的品牌事实若口径混乱，下一次公开翻车的素材可能就是你。把核心事实做成一份内部维护的标准答案底稿（成立时间、产品线、关键参数、资质荣誉各一条权威表述），全网分发保持一致，是最便宜的风险对冲。

与后续案例的对照也值得做：Bard 的错误发生在模型侧，风险由发布方以市值承担；两年后 AI Overviews 的胶水披萨风波（见胶水披萨案例拆解）错误发生在检索侧，风险由生态里的内容方与广告主共同分担。两起事件合看，可以看到生成式产品的错误面从“模型幻觉”扩展到“检索合成全链路”，品牌侧需要防的口子也跟着变宽。

置信度标注与适用边界

高置信部分：演示时间（2023-02-06）、错误内容、天文学正误对照、股价跌约 8% 与市值蒸发约 1000 亿美元（2023-02-08），有多家一线媒体报道交叉印证，本卡引用 Reuters 与 The Guardian 原文。中置信部分：市值蒸发为媒体按当日股价波动折算的口径，精确金额随计价时点略有出入，引用时保留“约”字。适用边界两条：其一，此案是产品发布场景的特殊事件，极端放大结构不可平移到日常运营，别拿它论证“AI 答错必然造成千亿级损失”；其二，Bard 时代的无落地生成与今天主流答案引擎的检索增强管线已不同构，它示范的是幻觉的市场代价，不是当前引擎的引用机制——引用时按“机制教训”使用，不按“引擎现状”使用。