大型语言模型能真正理解人类语言吗？(11)

* 复杂的序列学习，如音乐、舞蹈和许多涉及步骤的工艺所证明的那样
* 复杂的语言
* 对话
* 推理
* 社会学习和认知
* 长期规划
* 心智理论
* 意识
虽然听起来很反常，但复杂序列学习可能是破解所有其他问题的关键。这将解释我们在大型语言模型中看到的令人惊讶的能力，归根结底，这些模型不过是复杂序列学习器（complex sequence learners）。反过来，注意力已被证明是在神经网络中实现复杂序列学习的关键机制，正如介绍transformer模型的论文标题所暗示的那样，该模型的继承者为今天的大型语言模型提供了取之不竭的动力："注意力（机制）是你所需要的一切 （Attention is all you need）"。
即使上述内容在你听来，就像在我听来一样，像是对意识存在的一个令人信服的解释，甚至可能是对意识如何运作的一个简述，你也可能发现自己并不满意这种解释。那么它是如何觉知的呢？斯坦福大学的科学史学家杰西卡-里斯金（Jessica Riskin）描述了这个问题的真正难点，正如计算先驱阿兰-图灵和马克斯-纽曼所阐述的那样：
在被要求定义思维本身，而不是其外在表现时，图灵估计他除了说它是 "一种在我脑中进行的嗡嗡声 "之外，不能说得更多。最终，确定机器可以思考的唯一方法是 "成为机器并感觉自己在思考"。但这种方式是唯心主义，而不是科学。图灵认为，从外面看，只要人们还没有发现它的所有行为规则，一个东西就可以看起来很聪明。因此，要使一台机器看起来有智慧，至少其内部运作的一些细节必须保持未知。
...
图灵认为，关于智能的内部机制的科学不仅在方法上有问题，而且在本质上也是自相矛盾的，因为任何智能的外在表现在这种描述面前都会蒸发掉。纽曼对此表示赞同，他用Ravenna美丽的古代马赛克作了一个比喻。如果你仔细观察这些作品，你可能会倾向于说："为什么，它们根本不是真正的图画，而只是许多小的彩色石头，中间有水泥。" 智能思维同样可以是简单操作的马赛克，当近距离研究时，就会消失在其机械部分。
当然，考虑到我们自己的感知和认知的局限性，以及考虑到心智马赛克的巨大尺寸，我们不可能放大看到整个画面，并同时看到每一块石头。