编辑推荐：
为解决大语言模型（LLMs）研究中对否定和消极性探讨缺失的问题，研究人员结合大陆哲学与 LLMs 展开研究。结果发现 LLMs 处理语言方式与海德格尔、弗洛伊德和拉康理论有相似处。这为理解 LLMs 提供新视角，助力其进一步发展。
在科技飞速发展的当下，大语言模型（LLMs）如 ChatGPT、GPT-4 等崭露头角，它们展现出强大的语言理解和生成能力，在诸多领域广泛应用，给人们的生活和工作带来极大便利。然而，LLMs 并非完美无缺。诺姆?乔姆斯基（Noam Chomsky）等学者就曾对其提出尖锐批评，认为这些系统存在道德缺失、伪科学以及语言能力不足等问题。从语言研究的角度来看，目前 LLMs 的研究侧重于数据驱动的方法，在处理语言中的否定和消极性等深层次问题上存在明显不足，难以触及人类语言和思维的复杂性核心。正是在这样的背景下，为了深入剖析 LLMs 的本质，挖掘其在语言处理上的潜在能力和局限，探索其与人类语言和思维的关联，国外研究人员开展了将大陆哲学与 LLMs 相结合的创新性研究 。该研究成果发表在《Cognitive Systems Research》上，为该领域的发展开辟了新的方向。
研究人员主要采用理论分析的方法，深入探讨马丁?海德格尔（Martin Heidegger）的语言思想、雅克?拉康（Jacques Lacan）基于西格蒙德?弗洛伊德（Sigmund Freud）理论发展而来的结构精神分析与 LLMs 之间的联系。通过对 LLMs 技术原理，如输入嵌入层、自注意力层和前馈层等处理语言过程的分析，以及与哲学理论的对比研究，揭示其中的奥秘。
1. 单词与大语言模型
研究人员详细剖析了 LLMs 处理语言的技术结构。输入首先经过输入嵌入层，将序列转换为连续向量表示，同时添加位置编码以引入序列顺序。自注意力层使模型能够通过关联不同单词来解读句子，根据单词间关系计算注意力得分，进而调整向量表示。前馈层则将输入序列转换为更具表现力的高维向量，捕捉单词间复杂关系。以 “king” 为例，其向量表示的不同维度能体现句法、语义和语境等多种关系。最终，模型通过输出层的 softmax 函数预测下一个单词的概率分布，生成文本。由此可见，LLMs 是通过学习大量文本中单词的统计关系来构建语言模型，其结构并非单纯统计性，而是对传统和实际语言关系的一种学习和表示 。
2. 未分化的多元性
从马丁?海德格尔的哲学视角来看，他认为单词并非孤立存在，而是由更小的有意义组件构成的节点，单词的意义源于这些组件之间的关联网络，这与 LLMs 通过标记（token）构建语言理解的方式相似。例如，海德格尔哲学中的 “Gestell” 一词，其前缀 “Ge” 就体现了这种由小单位构建意义的思想。同时，他强调像希腊语 “??σι?” 这样的 “原始词”（Urworte）在塑造认知和实践关系中的核心作用。LLMs 在处理语言时，也是从单个标记出发，通过注意力机制建立标记间的关联，形成语义理解。这表明海德格尔对语言的理解与 LLMs 的语言处理机制存在着深刻的平行关系，两者都将意义视为由相互关联的部分构建而成 。
3. 深渊与美学
诺姆?乔姆斯基在《句法结构》中阐述的语言理论，追求整个系统的简单性，试图构建一种元语言来规范语法书写。这种基于封闭系统和内部规则的理论，在一定程度上适合机器语言处理，但忽视了语言中的不确定性和否定性。与之相反，大陆哲学话语强调语言中未说出口或打破预期模式的部分的重要性，关注否定和缺失在意义构建中的作用。例如，拉康提出的 “匮乏”（privation）、“挫折”（frustration）和 “阉割”（castration）等概念，分别从不同层面揭示了否定在语言和心理结构中的复杂机制。而目前的 LLMs 在处理否定时，主要通过正权重来表示，未能充分体现这些复杂的否定形式，这反映出其在模拟人类语言理解深度上的不足 。
4. 视角即一切，别无其他
注意力机制是 LLMs 理解和使用语言的关键，但它存在局限性。从拉康的理论角度看，基于 Transformer 的模型在处理否定和不确定性方面存在 “foreclosure” 问题，即无法处理视角中被排除或否定的元素。例如，当遇到不明确或不常见的语言组合时，LLMs 会围绕不确定的意义领域 “循环”，试图生成连贯的回答，但这可能导致幻觉现象。就像用户询问关于 “Camillo Agrippa 的击剑手册” 相关文献时，ChatGPT-4 会生成不存在的书籍信息。这表明 LLMs 虽然能利用学习到的模式和上下文线索处理语言，但在面对真正的不确定性时，缺乏有效处理能力，只能通过构建看似连贯的内容来填补空白 。
综合上述研究，研究人员得出结论：LLMs 在基于单词或标记的加权关系生成响应方面表现出色，但无法触及人类主观性产生的视角的消极本质，对无意识和被排除的内容缺乏理解。当前的 LLMs 虽然突破了基于规则的语言模型，但在看待问题时仍受规则系统结构本体论的影响。该研究的重要意义在于，它为 LLMs 的发展提供了新的思路，表明可以借助海德格尔、弗洛伊德和拉康的理论来解释 Transformer 模型的输出，将 LLMs 从 “黑箱” 转变为 “灰箱”，未来的模型应整合处理不确定性和否定性的机制，以更接近人类语言理解的复杂性。这一研究成果不仅加深了人们对 LLMs 本质的理解，也为人工智能与哲学交叉领域的研究提供了重要参考，推动了相关领域的进一步发展 。
