大型语言模型行为是否部分由表征性信息加工驱动:理论争议与研究方法论

人工智能 2026-11-21 37 阅读

Ergo an Open Access Journal of Philosophy · 2026-11-21 · 期刊论文

  • 一句话结论:结论:作者论证大型语言模型(LLM)行为部分由表征性信息加工驱动,而非完全依赖记忆与随机查表,并提出一套考察表征与构建解释的实用方法;属哲学论证,证据档位为C。
  • 研究设计与做法:设计与做法:为概念分析与论证性论文,非实证研究;未设样本量、干预与对照,亦无随访时长;作者先梳理LLM乐观派与悲观派的理论僵局,再提出并辩护一系列探究表征的技术路径。
  • 主要结果:主要结果:材料未报告定量结果,无效应量、置信区间或p值;论证以概念辨析与对既有理论分歧的回应为主。
  • 机制或解释:机制或解释:作者主张LLM内部存在可用于解释行为的表征结构,并认为该算法层面的回答关系到系统是否具有信念、意图、概念、知识与理解等更高层问题。
  • 局限与边界:局限与边界:属理论论证,缺乏新的实证数据支撑;对表征存在性的判定依赖所提方法学的可操作性,相关争议尚未在学界达成共识;利益冲突材料未报告。
  • 可否落地:可否落地:为后续关于语言模型及其后继系统的理论化提供方法论基础,提示研究者可循表征探查路径开展实证检验;属「提示」层级,尚不足以下结论。

🔗 打开原文

Cameron C. Yetman


本文摘自《每日前沿研究简报 · 2026-11-21》「AI 科研智能体 / AI 科学家」。本内容仅用于研究信息整理与科普交流,不构成医疗建议。

评论 共 0 条

暂无评论

微信小程序

微信扫一扫体验

立即
投稿

微信公众账号

微信扫一扫加关注

发表
评论
返回
顶部