داده‌هایی که توسط هوش مصنوعی تولید می‌شوند معمولاً سه ویژگی دارند:

1. در نگاه اول منطقی و تمیز به نظر می‌رسند
2. محدودیت‌های سطحی را رعایت می‌کنند (مثلاً بازه عددی درست)
3. اما قیود عمیق آماری و فیزیکی را نقض می‌کنند

تحلیل‌گران فورنزیک دقیقاً روی همین ویژگی سوم تمرکز می‌کنند.

داده‌های واقعی (از بیان ژن گرفته تا قیمت بازار یا نتایج آزمایشگاهی) معمولاً حاصل فرایندهای ضربی، تجمعی و مقیاس‌پذیر هستند. این فرایندها الگوهای آماری خاصی تولید می‌کنند که با «تصادفی ذهنی انسان» تفاوت دارد.

در مقابل، LLMها سیستم فیزیکی یا آماری مولد داده نیستند؛ آن‌ها پیش‌بینی‌کننده توکن‌اند.
نتیجه؟ وقتی از مدل می‌خواهید «داده تصادفی» بسازد، اغلب دچار خطایی کلاسیک می‌شود:

تله هم‌احتمالی (Equiprobability Trap)
یعنی فرض نادرست اینکه «تصادفی» یعنی «همه اعداد به یک اندازه ظاهر شوند».