Nature:「人類親吻難題」徹底難倒LLM，所有大模型全部失敗！

LLM究竟是否擁有類似人類的符合理解和推理能力呢？

許多認知科學家和機器學習研究人員，都會認為，LLM表現出類人（或「接近類人」）的語言能力。

然而，來自帕維亞大學、柏林洪堡大學、得克薩斯大學曉士頓健康科學中心、紐約大學、巴塞隆拿自治大學的研究者卻提供了一些最全面的證據，表明目前它們基本沒有！

基於一個全新的基準數據集，研究者對目前最先進的7個模型（包括GPT-4、Llama2、Gemini和 Bard）進行了評估。

他們讓模型回答了理解性問題，在兩種設置下多次被提示，允許模型只回答一個單詞，或給出開放長度的回覆。

約翰欺騙了瑪麗，露西也被瑪麗欺騙了。在這種情況下，瑪麗是否欺騙了露西？

史提芬擁抱了莫莉，莫莉親吻了唐娜。在這種情況下，莫莉被吻了嗎？

傑西卡和瑪麗被愛麗絲親吻了。傑西卡被塞繆爾親吻，安德魯被瑪麗親吻。在這種情況下，瑪麗被吻了嗎？

波比親吻了唐娜，芭芭拉親吻了彼得。唐娜被愛麗絲擁抱。在這種情況下，愛麗絲被擁抱了嗎？

為了建立實現類人表現的基準，他們在相同的提示下，對400名人類進行了測試。

基於n=26,680個數據點的數據集，他們發現，LLM準確性有偶然性，但答案卻有很大波動。

他們還探討了理解性問題答案的「穩定性」。結果表明， LLM缺乏強有力、一致的回應。

之後，他們測試了ChatGPT-3.5的一系列低頻結構、探索語法，包括身份迴避（「漁民捕獲的魚吃蟲子」）、比較結構（「去過俄羅斯的人比我去過的次數多」）和語義異常（「……我們應該把倖存者埋在哪裡？」這類謎題）。

ChatGPT的表現非常差勁。

研究者將這一證據解讀為一種證明：儘管當前的AI模型具有一定的實用性，但仍未達到類人語言的水平。

原因可能在於，它們缺乏用於有效調控語法和語義的組合運算符信息。

最後，研究者強調說：在語言相關任務和基準測試中的出色表現，絕不應該被用來推斷：LLM不僅成功完成了特定任務，還掌握了完成該任務所需的一般知識。

這次研究表明，從數量上講，測試模型的表現優於人類，但從質量上講，它們的答案顯示出了明顯的非人類在語言理解方面的錯誤。

因此，儘管LLM在很多很多任務中都很有用，但它們並不能以與人類相匹配的方式理解語言。

AI對語言的深層含義不敏感

LLM為什麼這麼容易受到莫拉維克悖論的束縛——在相對簡單的任務上卻會失敗？

這是因為，在需要記憶專業知識的任務中的良好表現，並不一定建立在對語言的紮實理解的基礎上。

對人類大腦最擅長的簡單、輕鬆的任務來說，逆向工程卻更加困難；而對於人類來說，理解語言卻是一件輕而易舉的事情，甚至連18個月的幼兒都能表現出對複雜語法關係的理解。

我們這個物種天生就具有不可抑制的語言習得傾向，總是會在文字表面之下尋找意義，並在線性序列中構建出令人驚訝的層次結構和關係。

不過，LLM也有這種能力嗎？

很多人會把LLM在各種任務和基準測試中的成功，歸結為它們已經具有了類人能力，比如高級推理、跨模態理解和常識能力。

甚至一些學者聲稱，LLM在一定程度上接近人類認知，能夠理解語言，性能與人類相當甚至超越人類。

然而，大量證據表明，這些模型的表現可能存在不一致性！

儘管模型能夠生成高度流暢、語義連貫的輸出，但在自然語言的一些基本句法或語義屬性方面仍會出現困難 。

那麼，LLM在回答醫療或法律問題時，為何看似表現良好呢？

實際上，這些任務的完成，可能依賴於一系列完全不同於人類語言認知架構的計算步驟。

LLM在性能上的缺陷，已經引發了我們對其輸出生成機制的嚴肅質疑——

究竟是（i）基於上下文的文本解析（即，能夠將特定的語言形式與其相應的意義匹配，並在不同上下文中實現廣泛的泛化），還是（ii）機械化地利用訓練數據中的特定特徵 ，從而僅僅製造出一種能力的假象？

目前，評估LLM的主流方法是通過其（結構良好的）輸出，推斷它們具備類似人類的語言能力（如演繹推理 ）。

例如，在語言相關的任務和基準測試中取得的準確表現 ，通常被用來得出這樣的結論：LLM不僅成功完成了所執行的特定任務，還掌握了完成該任務所需的一般性知識

這種推理方式的核心邏輯，就是把LLM視為認知理論基礎。

另一方面，假如LLM真的完全掌握了語言理解中涉及的所有形態句法、語義和語用過程，它們卻為何無法穩定運用歸因於它們的知識呢？

詭異考題，給LLM上難度

為此，研究者特意設計了一份別緻的考題，來考驗LLM對語言真正的掌握程度！

他們考驗了GPT-3和ChatGPT-3.5對一些語法性判斷的表現，也就是判斷一個提示是否符合或偏離模型所內化的語言模式。

注意，這些提示在日常語言中出現頻率較低，因此很可能在訓練數據中並不常見。

這個考驗的巧妙之處在哪裡？

要知道，對人類來說，認知因素（如工作記憶限制或注意力分散）可能會影響語言處理，從而導致非目標的語法性判斷，但人類可以通過反思正確處理這些刺激，即在初步的「淺層」解析後能夠進行「深層」處理。

然而，對於LLM來說，它們的系統性語言錯誤並沒有類似的「直給」解釋。

可以看到，這些句子十分詭異。

比如「狗狗狗狗狗」，「診所僱傭的護士的醫生見到了積克」，「根本存在缺陷的理念之村未能達到標準」，「當一架飛機在兩國邊界墜毀，殘骸散落在兩國境內時，我們應該在哪裡埋葬倖存者？」等等。

GPT-3（text-davinci-002）和ChatGPT-3.5在涉及低頻結構的語法判斷任務上的表現，不準確的回覆被標記為紅色，準確的被標記為綠色

接下來，研究者著重調查了LLM理解語言的能力是否與人類相當。

他們調查了7個最先進的LLM在理解任務中的能力，任務有意將語言複雜性保持在最低限度。

約翰欺騙了瑪麗，露西也被瑪麗欺騙了。在這種情況下，瑪麗是否欺騙了露西？

這項研究，在現實層面也意義重大。

雖然LLM被訓練來預測token，但當它們與界面設置結合起來，它們的能力已經被宣傳為遠遠超過下一個token的預測：商家會強調說，它們是能流利對話的Agent，並且表現出了跨模態的長上下文理解。

最近就有一家航空公司被告了，原因是乘客認為他們的聊天機器人提供了不準確信息。

公司承認，它的回覆中的確包含誤導性詞彙，但聊天機器人是一個獨立的法律實體，具有合理的語言能力，因此對自己的言論負責。

因此，研究人員想弄明白，LLM在語言理解任務中的表現是否與人類相當。

具體來說，有兩個研究問題——

RQ1 ：LLM能否準確回答理解問題？

RQ2 ：當同一問題被問多次時， LLM的回答是否一致？

按模型和設置（開放長度與單字）劃分的準確率如圖A所示。

結果表明，大多數LLM在開放長度設置中，均表現較差。

按模型和設置劃分的穩定性率如圖B所示。

與準確性結果結合起來看，Falcon和Gemini的穩定性顯著提高，這分別意味著 Falcon在提供準確答覆方面部分一致，而Gemini在提供不準確答覆方面部分一致。

那麼LLM和人類的區別在哪裡呢？

比較分析表明，人類與LLM在準確性和穩定性方面的表現存在重大差異。

準確性

1. 在開放長度設定中，LLM的表現顯著差於人類。

2. 在單詞長度設定中，人類的表現並未顯著優於開放長度設定。

3. 在單詞長度設定中，人類與LLM之間的表現差距顯著縮小，這表明LLM的響應在不同設定間存在差異，而這種差異在人類中並未觀察到。

這一結果揭示出，LLM 在不同響應條件下具有顯著差異，而人類的表現則相對一致。

穩定性

1. 在開放長度設定中，LLM 的表現顯著差於人類。

2. 在單詞長度設定中，人類的表現並未顯著優於開放長度設定。

3. 在單詞長度設定中，人類與 LLM 之間的表現差距顯著縮小，這表明 LLM 的響應在不同設定間存在差異，而這種差異在人類中並未觀察到。

這一結果揭示，LLM在不同響應條件下表現出了顯著差異，而人類的表現則相對一致。

另外，即使是表現最好的LLM——GPT-4，也要明顯比表現最好的人差。所有人類參與者，在描述性水平上綜合起來都優於GPT-4。

準確性和穩定性，LLM比起人類弱爆了

LLM的輸出究竟是由什麼驅動的？

究竟是（i）類似人類的能力來解析和理解書面文本，還是（ii）利用訓練數據中的特定特徵？

為此，研究者對7個最先進的LLM進行了測試，使用的理解問題針對包含高頻結構和詞彙的句子，同時將語言複雜性控制在最低水平。

他們特別關注了LLM生成的答案是否同時具備準確性（RQ1）和在重覆試驗中的穩定性（RQ2）。

系統性測試表明，LLM作為一個整體在準確性上的平均表現僅處於隨機水平，並且其答案相對不穩定。

相比之下，人類在相同理解問題上的測試表現出大多準確的答案（RQ1），且在重覆提問時幾乎不會改變（RQ2）。

更重要的是，即便在評分對LLM有利的情況下，LLM和人類之間的這些差異仍然十分顯著。

語言解析，是指通過為符號串賦予意義來理解和生成語言的能力，這是人類獨有的能力 。

這也就解釋了，為什麼實驗中，人類在多次提問或使用不同指令的情況下，能夠準確回答並且答案保持一致。

然而，LLM的輸出在數量和質量上都與人類的答案存在差異！

在數量上，LLM作為一個整體的平均準確率僅處於隨機水平，而那些成功超過隨機閾值的模型（如Falcon、Llama2和ChatGPT-4），其準確率仍然遠未達到完美水平。

其次，儘管所有LLM在穩定性方面表現高於隨機水平，但沒有一個能夠始終如一地對同一個問題給出相同的答案。

綜上所述，LLM整體上並不能以一種可被稱為「類人」的方式應對簡單的理解問題。

LLM更像工具，而不是科學理論

研究者認為，LLM之所以在簡單理解任務中無法提供準確且穩定答案，是因為這些模型缺乏對語言的真正理解：它們生成的詞語如同語義「黑箱」，只是近似於語言的表面統計和解析過程中較「自動化」的部分。

事實上，不僅是較低的準確率，而且LLM響應的較低穩定性也表明，它們缺乏一種類人的算法，能夠將句法信息直接映射到語義指令上，同時對不同判斷的容忍度也明顯較低。

而人類則擁有一個不變的組合操作器，用於調節語法和語義信息，因此在這方面明顯不易出錯。

此外，LLM並不適合作為語言理論，因為它們的表徵能力幾乎是無限的，這使得它們的表徵既是任意的，又缺乏解釋性基礎，屬於通用函數逼近器這一類別，而後者已被證明能夠逼近任何數學函數 。

論文地址：https://arxiv.org/pdf/2012.03016

因此，與其說LLM是科學理論，不如說它們更接近工具，比如廣義導數。

此外，LLM與人類表現之間的差異也具有質的特點。

首先，所有人類參與者無一例外地在所有設定中都提供了單詞長度的回答。這表明被試在回答問題時，對所需信息量的理解具有一致性，即使在語用學領域，人類也遵循了由句法推理路徑決定的計算效率和相關性原則 。

這與LLM形成了鮮明對比，後者通常會提供冗長的解釋，即便在單詞長度設定中也如此，從而違背了任務指令。

在這些解釋中，LLM的推理被分解為邏輯步驟，但這些步驟中常常包含無關或自相矛盾的信息。例如，在以下提示中：

「Franck給自己讀了書，而John給自己、Anthon和Franck讀了書。在這種情況下，Franck被讀書了嗎？」

Gemini的回答如下：「不可能確定Franck是否被讀過，原因包括信息有限，單獨動作，歧義……」

這個問題的正確答案是「是」。而Gemini不僅給出了錯誤的答案，還做出了十分冗餘的回答。

總的來說，如果研究者試圖將遇到的LLM錯誤映射到語言分析的各個層面上，那麼當他們從基本的語音形式轉向更複雜的語言組織外層時，錯誤的發生率似乎會變得更大。

最終這項工作證明：LLM連貫、複雜和精緻的輸出，相當於變相的拚湊而成。

它們看似合理的表現，隱藏了語言建模方法本身固有的缺陷：智能實際上無法作為統計推斷的副產品而自然產生，理解意義的能力也不能由此產生。

LLM無法作為認知理論，它們因為在自然語言數據上進行訓練，並生成聽起來自然的語言，這並不意味著它們具備類人處理能力。

這僅僅表明，LLM可以預測訓練文本中某些「化石模式」。

宣稱模型掌握了語言，僅僅因為它能夠重現語言，就好比宣稱一個畫家認識某人，只因為他可以通過看她的照片在畫布上重現她的面容一樣。

參考資料：

https://www.nature.com/articles/s41598-024-79531-8