Should We Fear Large Language Models

本文是LLM系列文章，针对《Should We Fear Large Language Models》的翻译。

摘要

在快速发展的大型语言模型 （LLM） 领域，迫切需要彻底分析其功能和风险。我们调查的核心是两个新元素。首先，它是 LLM 中单词关系的统计模式与 Martin Heidegger 的“ready-to-hand”和“present-athand”概念之间的创新相似之处，它们概括了人类在与世界互动时采用的功利主义和科学高度。这种比较为将 LLM 定位为语言知识学院的数字对应物奠定了基础，阐明了它们模拟人类推理某些方面的能力。其次，对人类推理进行结构分析，通过海德格尔的真理概念来看待“揭开”这一基本原则使我们能够绘制出推理系统的输入和输出，并将推理分为四个不同的类别。描绘了各自的认知能力，使我们能够将 LLM 置于更广泛的人类推理模式中，从而阐明它们的优势和固有局限性。我们的研究结果表明，虽然 LLM 具有直接解释推理和伪理性推理的能力，但由于目前缺乏许多类似的 AI 模型，例如判断力，它们在真正的理性推理方面存在不足，并且没有创造性的推理能力。还评估了 LLM 与其他 AI 技术增强时的潜力和风险。结果表明，尽管 LLM 已经熟练掌握了一些推理能力，但达到或超过人类智力能力的愿望仍未实现。这项研究不仅丰富了我们对 LLM 的理解，还推动了关于 AI 的潜力及其界限的讨论，为未来探索 AI 不断发展的前景铺平了道路。

引言

结论

本文的主要贡献在于认识到语言学习模型 （LLM） 中单词之间的统计联系是海德格尔的“现成”和“手头当下”关系联系概念的计算对应物，它们共同构成了语言知识官能。我们将这些链接的统计特征归因于 “ready-to-hand” 链接中固有的上下文相关主观性，以及