導語

盡管大語言模型表現出近似人類的理解能力，但 AI 系統真的可以像人類一樣理解語言嗎？機器理解的模式必須和人類理解相同嗎？近日，圣塔菲研究所前所長克拉考爾和研究員梅拉尼·米歇爾在 PNAS 發表文章，探討大型預訓練語言模型（LLMs）是否能夠以類似人類的方式理解語言及其所編碼的物理和社會情境。?

本文分別討論贊成和反對的觀點，并進一步探討了更廣泛的智能科學的關鍵問題。作者認為，進一步拓展人工智能與自然科學的交叉研究，有望拓展多學科的審視角度，總結不同方法的優勢邊界，應對交叉認知理念的融合挑戰。

關鍵詞：人工智能，大語言模型，心智模型

(相關資料圖)

----

什么是“理解”？這個問題長期以來一直吸引著哲學家、認知科學家和教育家們的關注。對“理解”的經典研究幾乎都是以人類和其他動物為參照。然而，隨著大規模人工智能系統，特別是大型語言模型的崛起，AI社區中出現了熱烈的討論：機器現在是否可以理解自然語言，從而理解語言所描述的物理和社會情境。

這場討論不僅僅局限在自然科學的范疇；機器理解我們世界的程度和方式決定了我們在多大程度上能夠相信AI與人類交互任務中的穩健和透明行為能力，包括AI駕駛汽車、AI診斷疾病、AI照顧老年人、AI教育兒童等等。同時，當前的討論展現了一個智能系統進行“理解”的關鍵問題：如何判別統計相關性和因果機制？

盡管AI系統在許多具體任務中表現出似乎智能的行為，但直到最近，人工智能研究界依然普遍認為機器無法像人類那樣理解它們所處理的數據。

例如：人臉識別軟件不理解面部是身體的一部分、面部表情在社交互動中的作用、"面對"不愉快的情境意味著什么，或者做鬼臉的方式方法。同樣，語音轉文字和機器翻譯程序不理解它們處理的語言，自動駕駛系統也不理解駕駛員和行人在規避事故時的微表情和肢體語言。因此，這些AI系統常常被認為是脆弱的，缺乏“理解”的關鍵證據是，它們不可預測錯誤、泛化能力缺乏魯棒性[1]。

大語言模型真的理解語言嗎？

然而，過去幾年情況發生了轉變，一種新型的AI系統在研究界廣受歡迎并產生了影響，改變了一些人對機器理解語言的前景和看法。這些系統被稱為大型語言模型（LLMs）、大型預訓練模型或基礎模型[2]，它們是具有數十億到數萬億參數（權重）的深度神經網絡，被“預訓練”于數TB的巨大自然語言語料庫上，包括大量網絡快照、在線圖書和其他內容。在訓練期間，這些網絡的任務是預測輸入句子中的隱藏部分，這種方法被稱為“自監督學習”。最終的網絡是其訓練數據中的單詞和短語之間相關性的復雜統計模型。

這些模型可以用來生成自然語言，進行特定語言任務的微調[3]，或進一步訓練以更好地匹配“用戶意圖”[4]。例如，OpenAI的著名GPT-3[5]、更近期的ChatGPT[6]和Google的PaLM[7]這樣的LLMs能夠產生驚人的類人文本和對話；此外，盡管這些模型并沒有以推理為目的開展訓練，一些研究認為它們具有類人的推理能力[8]。

LLMs 如何完成這些壯舉對于普通人和科學家來說都是個謎。這些網絡內部的運作方式大都不透明，即使是構建它們的研究人員對于如此巨大規模的系統也只有些許直觀感受。神經科學家 Terrence Sejnowski 這樣描述LLM的出現：“奇點降臨，似天外來客，忽紛沓而來，語四國方言。我們唯一清楚的是，LLMs 不是人類……它們的某些行為看起來是智能的，但如果不是人類的智能，又是什么呢？”[9]

盡管最先進的LLMs很令人印象深刻，它們仍然容易出現不像人類的脆弱性和錯誤。然而，這樣的網絡缺陷在其參數數量和訓練數據集規模擴大時顯著改進[10]，因而一些研究者認為LLMs（或者其多模態版本）將在足夠大的網絡和訓練數據集下實現人類級別的智能和理解能力，出現了一個AI新口號：“規模就是一切”[11, 12]。

上述主張是AI學界在LLMs討論中的一個流派。一部分人認為這些網絡真正理解了語言，并且能夠以一種普遍的方式進行推理（雖然“尚未”達到人類水平）。例如，谷歌的LaMDA系統通過預先訓練文本，再微調對話的方式構造了一個談吐流暢的對話系統[13]，某AI研究者甚至認為這樣的系統“對大量概念具備真實理解能力”[14]，甚至“朝著有意識的方向邁進”[15]。

另一位機器語言專家將LLMs視為通向一般人類水平AI的試金石：“一些樂觀研究者認為，我們見證了具有一定普遍智能程度的知識注入系統誕生”[16]。另一些人士認為，LLMs很可能捕捉到了意義的重要方面，而且其工作方式近似于人類認知的一個引人注目的解釋，即意義來源于概念角色?！盵17]。反對者被掛上“AI否認主義”標簽[18]。

另一方面，有人認為盡管像GPT-3或LaMDA這樣的大型預訓練模型的輸出很流利，但仍然不能具備理解能力，因為它們沒有世界的經驗或思維模式；LLMs的文本預測訓練只是學會了語言的形式，而不是意義[19-21]。

最近一篇文章認為：“即使從現在開始一直訓練到宇宙熱寂，單憑語言訓練的系統永遠也不會逼近人類智能，而且這些系統注定只能擁有膚淺的理解，永遠無法逼近我們在思考上的全面性”[22]。還有學者認為，把“智能”、“智能體”和“理解”等概念套用在LLMs身上是不對的，因為LLMs更類似于圖書館或百科全書，是在打包人類的知識存儲庫，而不是智能體[23]。

例如，人類知道“撓癢癢”會讓我們笑，是因為我們有身體。LLMs可以使用“撓癢癢”這個詞，但它顯然從未有過這種感覺。理解撓癢癢不是兩個詞之間的映射，而是詞和感覺之間的映射。

那些持“LLMs無法真正理解”立場的人認為，我們驚訝的不是LLMs流暢程度本身，而是流暢程度隨模型規模的增長超乎直覺這件事情。任何將理解或意識歸因于LLMs的人都是“伊萊扎效應（Eliza effect）”的受害者[24]?！耙寥R扎效應”是指我們人類傾向于將理解和代理能力歸因于具有即使是微弱的人類語言或行為跡象的機器，得名于Joseph Weizenbaum在1960年代開發的聊天機器人“Eliza”，盡管非常簡單，仍然欺騙了人們相信它理解了他們[25]。

2022年對自然語言處理領域活躍學者的一項調查亦佐證了這場討論的觀點分歧。其中一項調查內容是詢問受訪者是否同意以下關于LLMs是否在原則上理解語言的說法：“一些僅在文本上訓練的生成模型（即語言模型），在給定足夠的數據和計算資源的情況下，可以在某些非平凡意義上理解自然語言?！?80人的答案幾乎一半（51％）對一半（49％）[26]。

支持者佐證當前LLMs具備理解能力的重要依據是模型能力表現：既包括對模型根據提示詞生成文本的主觀質量判斷（盡管這種判斷可能容易受到Eliza效應的影響），亦包括在用于評估語言理解和推理能力的基準數據集客觀評價。例如，評估LLMs的兩個常用基準數據集是通用語言理解評估（GLUE）[27]及其后繼者SuperGLUE[28]，它們包括大規模的數據集和任務，如“文本蘊含”（給定兩個句子，第二個句子的意思是否可以從第一個句子推斷出來？），“情景含義”（在兩個不同的句子中，給定的詞語是否有相同的意義?）和邏輯回答等。

OpenAI的GPT-3（具有1750億個參數）在這些任務上表現出人意料之外的好[5]，而Google的PaLM（具有5400億個參數）在這些任務上表現得更好[7]，能夠達到甚至超越人類在相同任務上的表現。?

機器理解必須重現人類理解嗎？

這些結果對LLMs的理解有何啟示？從“泛化語言理解”，“自然語言推理”，“閱讀理解”和“常識推理”等術語的選擇不難看出，上述基準數據集的測試暗含機器必須重現人類理解方式的前提假設。

但這是“理解”必須的嗎？并非一定如此。以“論證推理理解任務”基準評估為例[29]，在每個任務示例中，都會給出一個自然語言的“論據”，以及兩個陳述句；任務是確定哪個陳述句與論據一致，如下例所示：

論點：罪犯應該有投票權。一個在17歲時偷了一輛車的人不應該被終身剝奪成為完整公民的權利。

推斷A：盜竊汽車是一項重罪。

推斷B：盜竊汽車不是一項重罪。

BERT在這項基準任務中獲得了近似人類的表現[31]。或許我們能夠由此得出結論，即BERT可以像人類一樣理解自然語言。但一個研究小組發現，在推斷語句中出現的某些線索詞（例如“not”）能夠輔助模型預測出正確答案。當研究人員變換數據集來避免這些線索詞出現時，BERT的表現性能變得和隨機猜測無異。

這是一個明顯的依靠捷徑學習（shortcut learning）的例子——一個在機器學習中經常被提及的現象，即學習系統通過分析數據集中的偽相關性，而不是通過類人理解（humanlike understanding），來獲得在特定基準任務上的良好表現[32-35]。

通常情況下，這種相關性對于執行相同任務的人類來說表現得并不明顯。雖然捷徑學習現象在評估語言理解和其他人工智能模型的任務中已經被發現，但仍可能存在很多未被發現的“捷徑”存在。像谷歌的LaMDA和PaLM這種擁有千億參數規模、在近萬億的文本數據上進行訓練的預訓練語言模型，擁有強大的編碼數據相關性的能力。

因此，用于評估人類理解能力的基準任務或許對這類模型評估來說并不適用[36-38]。對于大規模LLMs（以及LLMs可能的衍生模型）來說，通過復雜的統計相關性計算能夠讓模型繞開類人理解能力，獲得近乎完美的模型表現。

雖然“類人理解”一詞沒有嚴格的定義，但它本質上并不是基于當下LLMs所學習的這類龐大的統計模型；相反，它基于概念——外部類別、情況和事件的內部心智模型，以及人類自身的內部狀態和“自我”的內部心智模型。對于人類來說，理解語言（以及其他非語言信息）依賴于對語言（或其他信息）表達之外的概念的掌握，并非局限于理解語言符號的統計屬性。

事實上，在認知科學領域的過往研究歷史中，一直強調對概念本質的理解以及理解力是如何從條理清晰、層次分明且包含潛在因果關系的概念中產生的。這種理解力模型幫助人類對過往知識和經驗進行抽象化以做出穩健的預測、概括和類比；或是進行組合推理、反事實推理；或是積極干預現實世界以檢驗假設；又或是向他人闡述自己所理解的內容。

毫無疑問，盡管有些規模越來越大的LLMs零星地表現出近似人類的理解能力，但當前的人工智能系統并不具備這些能力，包括最前沿的LLMs。有人認為，這種理解能力能夠賦予人類純統計模型無法獲得的能力。

盡管大模型展現出了非凡的形式語言能力（formal linguistic competence）——即產生語法流利、類人語言的能力，它仍然缺乏基于概念理解的類人功能語言能力（humanlike functional language abilities）——即在現實世界中正確理解和使用語言的能力。有趣的是，物理學研究中也有類似的現象，即數學技法的成功運用和這種功能理解能力之間的矛盾。

例如，一直以來關于量子力學的一個爭議是，它提供了一種有效的計算方法，而沒有提供概念性理解。

關于概念的本質理解一直以來是學界爭論的主題之一。對于概念在多大程度上是領域特定的和先天的，而不是更通用的和習得的[55-60]，或者概念在多大程度上是基于具象隱喻的，并通過動態的、基于情境的模擬在大腦中呈現[64]，又或者概念在何種條件下是由語言[65–67]、社會學習[68–70]和文化支撐的[71–73]，研究人員在這些方面存在分歧。

盡管存在以上爭論，概念——就像前文所述的那樣以因果心智模型的形式存在——一直以來被認為是人類認知能力的理解單元。毫無疑問，縱觀人類理解能力的發展軌跡，不論是個人理解還是集體理解，都可以抽象為對世界進行高度壓縮的、基于因果關系的模型，類似于從托勒密的行星公轉理論到開普勒的橢圓軌道理論，再到牛頓根據引力對行星運動的簡明和因果關系的解釋。

與機器不同的是，人類似乎在科學研究以及日常生活中都有追求這種理解形式的強烈內驅力。我們可以將這種動力描述為需要很少的數據，極簡的模型，明確的因果依賴性和強大的機械直覺。

關于LLMs理解能力的爭論主要集中以下幾個方面：

1）這些模型系統的理解能力是否僅僅為一種類別錯誤？（即，將語言符號之間的聯系混淆為符號與物理、社會或心智體驗之間的聯系）。簡而言之，這些模型系統永遠無法獲得類人的理解能力嗎？

或者，相反地，2）這些模型系統（或者它們近期的衍生模型）真的會在缺乏現實世界經驗的情況下，創造出對人類理解來說至關重要的大量的基于概念的心智模型嗎？如果是的話，增大模型規模是否會創造出更好的概念？

或者，3）如果這些模型系統無法創造這樣的概念，那么它們難以想象的龐大的統計相關性系統是否能產生與人類理解功能相當的能力呢？又或者，這是否意味著人類無法達到的新形式的高階邏輯能力成為可能？從這一角度上看，將這種相關性稱為“偽相關性”或質疑“捷徑學習”現象是否仍然合適？將模型系統的行為視為一系列新興的、非人類的理解活動，而不是“沒有理解能力”，是否行得通？

這些問題已不再局限于抽象的哲學探討，而是涉及到人工智能系統在人類日常生活中扮演的越來越重要的角色所帶來的能力、穩健性、安全性和倫理方面的非?，F實的擔憂。

雖然各派研究者對于“LLMs理解能力”的爭論都有自身的見解，但目前用于獲得理解洞察力的基于認知科學的方法不足以回答關于LLMs的這類問題。事實上，一些研究人員已經將心理測試應用于LLMs，這些測試最初是用來評估人類理解和推理機制的。

發現LLMs在某些情況下確實在心理理論測試[14, 75]中表現出類似人類的反應，以及在推理評估中表現出類似人類的能力和偏好 [76–78]。雖然這種測試被認為是評估人類通用能力的替代性測試，但對人工智能模型系統來說可能并非如此。

一種新興的理解能力

正如前文所提到的，LLMs有一種難以解釋的能力，可以在訓練數據和輸入中學習信息符號之間的相關性，并且可以使用這種相關性來解決問題。相比之下，人類似乎應用了反映他們現實世界經驗的被壓縮的概念。當把為人類設計的心理測試應用于LLMs時，其解釋結果往往依賴于對人類認知的假設，而這些假設對于模型來說可能根本不正確。

為了取得進展，科學家們需要設計新的基準任務和研究方法，以深入了解不同類型的智能和理解機制，包括我們已經創造的“異類的、類似思維實體”（exotic, mind-like entities）[79] 的新形式，或許我們正在踏上通往挖掘“理解”本質的正確道路上[80, 81]。

隨著關于LLMs理解能力的討論聲音越來越多，以及更多有能力的模型系統的出現，這一切似乎都在強調未來有必要加強對于智能科學的研究，以便對人類和機器的更廣泛理解概念進行理解。正如神經科學家Terrence Sejnowski 所指出的，“專家們對LLMs智能的分歧表明，我們基于自然智能的傳統觀念是不夠充分的。[9]

”如果LLMs和其他模型成功地利用了強大的統計相關性，也許也可以被認為是一種新興的“理解”能力，一種能夠實現非凡的、超人的預測能力。比如DeepMind的AlphaZero和AlphaFold模型系統 [82, 83]，它們似乎分別為國際象棋和蛋白質結構預測領域帶來了一種來自“外星”的直覺形式[84, 85]。

因此可以這樣說，近年來在人工智能領域出現了具有新興理解模式的機器，這或許是一個更大的相關概念動物園（zoo of related concepts）中的新物種。隨著我們在追求智能本質的過程中所取得的研究進展，這些新興的理解模式將不斷涌現。正如不同的物種適應于不同的環境一樣，我們的智能系統也將更好地適應于不同的問題。

依賴大量的歷史的編碼知識（encoded knowledge）的問題（強調模型性能表現）將繼續青睞大規模的統計模型，如LLMs，而那些依賴有限知識和強大因果機制的問題將更青睞人類智能。未來的挑戰是開發出新的研究方法，以詳細揭示不同智能形式的理解機制，辨別它們的優勢和局限性，并學習如何整合這些不同的認知模式。?

參考文獻從略

本文作者：Melanie Mitchella, David C. Krakauera，范思雨、張驥翻譯，文章來源：集智俱樂部，原文標題：《圣塔菲學者：AI 大語言模型真的理解人類語言嗎？》

原文地址：https://www.pnas.org/doi/10.1073/pnas.2215907120

風險提示及免責條款 市場有風險，投資需謹慎。本文不構成個人投資建議，也未考慮到個別用戶特殊的投資目標、財務狀況或需要。用戶應考慮本文中的任何意見、觀點或結論是否符合其特定狀況。據此投資，責任自負。

關鍵詞：