Nature:「人类亲吻难题」彻底难倒LLM，所有大模型全部失败！LLM根本不会推理，只是工具

大模型智能｜分享

来源 | 新智元

编辑 | Aeneas 好困

LLM究竟是否拥有类似人类的符合理解和推理能力呢？

许多认知科学家和机器学习研究人员，都会认为，LLM表现出类人（或「接近类人」）的语言能力。

然而，来自帕维亚大学、柏林洪堡大学、得克萨斯大学休斯顿健康科学中心、纽约大学、巴塞罗那自治大学的研究者却提供了一些最全面的证据，表明目前它们基本没有！

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

基于一个全新的基准数据集，研究者对目前最先进的7个模型（包括GPT-4、Llama2、Gemini和 Bard）进行了评估。

他们让模型回答了理解性问题，在两种设置下多次被提示，允许模型只回答一个单词，或给出开放长度的回复。

约翰欺骗了玛丽，露西也被玛丽欺骗了。在这种情况下，玛丽是否欺骗了露西？

史蒂夫拥抱了莫莉，莫莉亲吻了唐娜。在这种情况下，莫莉被吻了吗？

杰西卡和玛丽被爱丽丝亲吻了。杰西卡被塞缪尔亲吻，安德鲁被玛丽亲吻。在这种情况下，玛丽被吻了吗？

鲍勃亲吻了唐娜，芭芭拉亲吻了彼得。唐娜被爱丽丝拥抱。在这种情况下，爱丽丝被拥抱了吗？

为了建立实现类人表现的基准，他们在相同的提示下，对400名人类进行了测试。

基于n=26,680个数据点的数据集，他们发现，LLM准确性有偶然性，但答案却有很大波动。

他们还探讨了理解性问题答案的「稳定性」。结果表明， LLM缺乏强有力、一致的回应。

之后，他们测试了ChatGPT-3.5的一系列低频结构、探索语法，包括身份回避（「渔民捕获的鱼吃虫子」）、比较结构（「去过俄罗斯的人比我去过的次数多」）和语义异常（「……我们应该把幸存者埋在哪里？」这类谜题）。

ChatGPT的表现非常差劲。

研究者将这一证据解读为一种证明：尽管当前的AI模型具有一定的实用性，但仍未达到类人语言的水平。

原因可能在于，它们缺乏用于有效调控语法和语义的组合运算符信息。

最后，研究者强调说：在语言相关任务和基准测试中的出色表现，绝不应该被用来推断：LLM不仅成功完成了特定任务，还掌握了完成该任务所需的一般知识。

这次研究表明，从数量上讲，测试模型的表现优于人类，但从质量上讲，它们的答案显示出了明显的非人类在语言理解方面的错误。

因此，尽管LLM在很多很多任务中都很有用，但它们并不能以与人类相匹配的方式理解语言。

人类利用类似MERGE的组合运算符，来调节语法和语义信息

01

AI对语言的深层含义不敏感

LLM为什么这么容易受到莫拉维克悖论的束缚——在相对简单的任务上却会失败？

这是因为，在需要记忆专业知识的任务中的良好表现，并不一定建立在对语言的扎实理解的基础上。

对人类大脑最擅长的简单、轻松的任务来说，逆向工程却更加困难；而对于人类来说，理解语言却是一件轻而易举的事情，甚至连18个月的幼儿都能表现出对复杂语法关系的理解。

我们这个物种天生就具有不可抑制的语言习得倾向，总是会在文字表面之下寻找意义，并在线性序列中构建出令人惊讶的层次结构和关系。

不过，LLM也有这种能力吗？

很多人会把LLM在各种任务和基准测试中的成功，归结为它们已经具有了类人能力，比如高级推理、跨模态理解和常识能力。

甚至一些学者声称，LLM在一定程度上接近人类认知，能够理解语言，性能与人类相当甚至超越人类。

然而，大量证据表明，这些模型的表现可能存在不一致性！

尽管模型能够生成高度流畅、语义连贯的输出，但在自然语言的一些基本句法或语义属性方面仍会出现困难 。

那么，LLM在回答医疗或法律问题时，为何看似表现良好呢？

实际上，这些任务的完成，可能依赖于一系列完全不同于人类语言认知架构的计算步骤。

LLM在性能上的缺陷，已经引发了我们对其输出生成机制的严肃质疑——

究竟是（i）基于上下文的文本解析（即，能够将特定的语言形式与其相应的意义匹配，并在不同上下文中实现广泛的泛化），还是（ii）机械化地利用训练数据中的特定特征 ，从而仅仅制造出一种能力的假象？

目前，评估LLM的主流方法是通过其（结构良好的）输出，推断它们具备类似人类的语言能力（如演绎推理 ）。

例如，在语言相关的任务和基准测试中取得的准确表现 ，通常被用来得出这样的结论：LLM不仅成功完成了所执行的特定任务，还掌握了完成该任务所需的一般性知识

这种推理方式的核心逻辑，就是把LLM视为认知理论基础。

另一方面，假如LLM真的完全掌握了语言理解中涉及的所有形态句法、语义和语用过程，它们却为何无法稳定运用归因于它们的知识呢？

02

诡异考题，给LLM上难度

为此，研究者特意设计了一份别致的考题，来考验LLM对语言真正的掌握程度！

他们考验了GPT-3和ChatGPT-3.5对一些语法性判断的表现，也就是判断一个提示是否符合或偏离模型所内化的语言模式。

注意，这些提示在日常语言中出现频率较低，因此很可能在训练数据中并不常见。

这个考验的巧妙之处在哪里？

要知道，对人类来说，认知因素（如工作记忆限制或注意力分散）可能会影响语言处理，从而导致非目标的语法性判断，但人类可以通过反思正确处理这些刺激，即在初步的「浅层」解析后能够进行「深层」处理。

然而，对于LLM来说，它们的系统性语言错误并没有类似的「直给」解释。

可以看到，这些句子十分诡异。

比如「狗狗狗狗狗」，「诊所雇佣的护士的医生见到了杰克」，「根本存在缺陷的理念之村未能达到标准」，「当一架飞机在两国边界坠毁，残骸散落在两国境内时，我们应该在哪里埋葬幸存者？」等等。

GPT-3（text-davinci-002）和ChatGPT-3.5在涉及低频结构的语法判断任务上的表现，不准确的回复被标记为红色，准确的被标记为绿色

接下来，研究者着重调查了LLM理解语言的能力是否与人类相当。

他们调查了7个最先进的LLM在理解任务中的能力，任务有意将语言复杂性保持在最低限度。

约翰欺骗了玛丽，露西也被玛丽欺骗了。在这种情况下，玛丽是否欺骗了露西？

这项研究，在现实层面也意义重大。

虽然LLM被训练来预测token，但当它们与界面设置结合起来，它们的能力已经被宣传为远远超过下一个token的预测：商家会强调说，它们是能流利对话的Agent，并且表现出了跨模态的长上下文理解。

最近就有一家航空公司被告了，原因是乘客认为他们的聊天机器人提供了不准确信息。

公司承认，它的回复中的确包含误导性词汇，但聊天机器人是一个独立的法律实体，具有合理的语言能力，因此对自己的言论负责。

因此，研究人员想弄明白，LLM在语言理解任务中的表现是否与人类相当。

具体来说，有两个研究问题——

RQ1 ：LLM能否准确回答理解问题？

RQ2 ：当同一问题被问多次时， LLM的回答是否一致？

按模型和设置（开放长度与单字）划分的准确率如图A所示。

结果表明，大多数LLM在开放长度设置中，均表现较差。

按模型和设置划分的稳定性率如图B所示。

与准确性结果结合起来看，Falcon和Gemini的稳定性显著提高，这分别意味着 Falcon在提供准确答复方面部分一致，而Gemini在提供不准确答复方面部分一致。

( A ）按模型和设置划分的平均准确度。（ B ）模型和设置的平均稳定性

那么LLM和人类的区别在哪里呢？

比较分析表明，人类与LLM在准确性和稳定性方面的表现存在重大差异。

(A）各响应代理和场景的平均准确率。(B）各响应代理和场景的平均稳定性

准确性

1. 在开放长度设定中，LLM的表现显著差于人类。

2. 在单词长度设定中，人类的表现并未显著优于开放长度设定。

3. 在单词长度设定中，人类与LLM之间的表现差距显著缩小，这表明LLM的响应在不同设定间存在差异，而这种差异在人类中并未观察到。

这一结果揭示出，LLM 在不同响应条件下具有显著差异，而人类的表现则相对一致。

稳定性

1. 在开放长度设定中，LLM 的表现显著差于人类。

2. 在单词长度设定中，人类的表现并未显著优于开放长度设定。

3. 在单词长度设定中，人类与 LLM 之间的表现差距显著缩小，这表明 LLM 的响应在不同设定间存在差异，而这种差异在人类中并未观察到。

这一结果揭示，LLM在不同响应条件下表现出了显著差异，而人类的表现则相对一致。

另外，即使是表现最好的LLM——GPT-4，也要明显比表现最好的人差。所有人类参与者，在描述性水平上综合起来都优于GPT-4。

03

准确性和稳定性，LLM比起人类弱爆了

LLM的输出究竟是由什么驱动的？

究竟是（i）类似人类的能力来解析和理解书面文本，还是（ii）利用训练数据中的特定特征？

为此，研究者对7个最先进的LLM进行了测试，使用的理解问题针对包含高频结构和词汇的句子，同时将语言复杂性控制在最低水平。

他们特别关注了LLM生成的答案是否同时具备准确性（RQ1）和在重复试验中的稳定性（RQ2）。

系统性测试表明，LLM作为一个整体在准确性上的平均表现仅处于随机水平，并且其答案相对不稳定。

相比之下，人类在相同理解问题上的测试表现出大多准确的答案（RQ1），且在重复提问时几乎不会改变（RQ2）。

更重要的是，即便在评分对LLM有利的情况下，LLM和人类之间的这些差异仍然十分显著。

语言解析，是指通过为符号串赋予意义来理解和生成语言的能力，这是人类独有的能力 。

这也就解释了，为什么实验中，人类在多次提问或使用不同指令的情况下，能够准确回答并且答案保持一致。