中國研究人員聲稱已找到證據，顯示大型語言模型（LLMs）能夠像人類一樣理解和處理自然物體。他們表示，這一能力是自發性的，甚至不需要明確的訓練。
來自中國科學院和廣州南方科技大學的研究人員指出，一些人工智能（如 ChatGPT 或 Gemini）能夠反映人類認知的一個關鍵部分，即信息的分類。
他們的研究發表在《Nature Machine Intelligence》上，調查了 LLM 模型是否能夠發展出類似於人類物體表徵的認知過程。換句話說，研究旨在了解 LLM 是否能根據功能、情感、環境等來識別和分類事物。
為了驗證這一點，研究人員給 AI 提供了「找不同」任務，使用文本（針對 ChatGPT-3.5）或圖像（針對 Gemini Pro Vision）。為此，他們收集了 470 萬個回答，涵蓋 1,854 種自然物體（如狗、椅子、蘋果和汽車）。
研究發現，所創建的模型中產生了 66 個概念維度，以人類的方式組織物體。這些維度超越了基本類別（如「食物」），涵蓋了複雜的屬性，包括質地、情感相關性和適合兒童的程度。
科學家們還發現，結合文本和圖像的多模態模型與人類思維的對應度更高，因為 AI 同時處理視覺和語義特徵。此外，研究團隊發現，腦部掃描數據（神經影像學）顯示 AI 和人類大腦對物體的反應之間存在重疊。
這些發現提供了有趣的證據，表明 AI 系統可能具備真正的「理解」能力，而不僅僅是模仿反應。這也暗示未來的 AI 可能具備更直觀、與人類兼容的推理能力，這對於機器人技術、教育和人機協作至關重要。
然而，也必須指出，LLMs 並不以情感或經驗的方式理解物體。
AI 的理解不是基於生活經驗
AI 通過識別語言或圖像中的模式來工作，這些模式通常與人類概念密切相關。儘管這在表面上看似是「理解」，但並不是基於生活經驗或基於感官運動的互動。
此外，某些 AI 表徵的部分可能與腦部活動相關，但這並不意味著它們能像人類一樣「思考」或共享相同的結構。
可以說，它們更像是人類模式識別的複雜仿製品，而非思考機器。LLMs 更像是由數百萬本書籍和圖片組成的鏡子，根據學習到的模式反映用戶的模型。
研究結果表明，LLMs 和人類可能在某些功能模式上趨於一致，例如將世界組織成類別。這挑戰了 AI 只能通過重複數據中的模式來「顯得聰明」的觀點。
如果如研究所述，LLMs 開始獨立構建世界的概念模型，這將意味著我們可能正逐步接近人工通用智能（AGI）——一種能夠像人類一樣在多個任務中思考和推理的系統。
日本電話卡推介 / 台灣電話卡推介
一㩒即做：香港網速測試 SpeedTest HK
