A 2022 survey given to active researchers in the natural-language-processing community shows the stark divisions in this debate. One survey item asked whether the respondent agreed with the following statement about whether LLMs could ever, in principle, understand language: “Some generative model [i.e., language model] trained only on text, given enough data and computational resources, could understand natural language in some nontrivial sense.” Of 480 people responding, essentially half (51%) agreed, and the other half (49%) disagreed (26).

1. قرآن کریم و هوش مصنوعی 2. چه سئوالاتی را برای درک حقایق باید بپرسیم؟ 3. سئوالات ساده و کوتاه خوب هستند؟ 4. کدام سئوالات تأثیر بیشتری در درک دارند؟ 5. بدیهیات و اصول در هر موضوع کدامند؟ 6. رابطه متقابل قرآن وهوش مصنوعی چیست؟ 7. آیا قرآن برای درک بهتر علوم خوب است؟ 8. درک علوم شامل کاربرد صحیح آنها هم هست؟ 9. آیا علوم در درک بهتر قرآن مؤثّرند؟ 10. آیا فنون در درک بهتر قرآن تأثیر دارند؟ 11. آیا نگرشها در درک قرآن مفید هستند؟ 12. تعاریف برای هوش کدامند؟ 13. غریزه هم نوعی هوش است؟ 14. تعقّل و تفکّر با هوش ربط دارند؟ 15. انواع و درجات و نهایت هوش چیست؟ 16. انتظار از هوش مصنوعی چه باید باشد؟ 17. علوم مرتبط با هوش مصنوعی کدامند؟ 18. مهمترین ابزارها در هوش مصنوعی کدامند؟ 19. مبانی هوش مصنوعی چیست؟ 20. راستی! هوش مصنوعی چیست؟

For example, two standard benchmarks for assessing LLMs are the General Language Understanding Evaluation (GLUE) (27) and its successor (SuperGLUE) (28), which include large-scale datasets with tasks such as “textual entailment” (given two sentences, can the meaning of the second be inferred from the first?), “words in context” (does a given word have the same meaning in two different sentences?), and yes/no question answering, among others.

OpenAI’s GPT-3, with 175 billion parameters, performed surprisingly well on these tasks (5), and Google’s PaLM, with 540 billion parameters, performed even better (7), often equaling or surpassing humans on the same tasks.

The detailed nature of human concepts has been the subject of active debate for many years. Researchers disagree on the extent to which concepts are domain-specific and innate versus more general-purpose and learned (55–60), the degree to which concepts are grounded via embodied metaphors (61–63) and are represented in the brain via dynamic, situation-based simulations (64), and the conditions under which concepts are underpinned by language (65–67), by social learning (68–70), and by culture (71–73). In spite of these ongoing debates, concepts, in the form of causal mental models as described above, have long been considered to be the units of understanding in human cognition. Indeed, the trajectory of human understanding—both individual and collective—is the development of highly compressed, causally based models of the world analogous to the progression from Ptolemy’s epicycles to Kepler’s elliptical orbits and to Newton’s concise and causal account of planetary motion in terms of gravity. Humans, unlike machines, seem to have a strong innate drive for this form of understanding both in science and in everyday life (74). We might characterize this form of understanding as requiring few data, minimal or parsimonious models, clear causal dependencies, and strong mechanistic intuition.

بشریت؛ ماشین‌ها چگونه بر رفتار و تعاملات ما تأثیر می‌گذارند؟ ربات‌های هوشمند مصنوعی، در مدل‌سازی مکالمه و روابط انسانی روز به روز بهتر می‌شوند. در سال ۲۰۱۵، یک ربات به نام یوجین گوستمن، برای اولین بار برنده چالش تورینگ شد. در این چالش، ارزیاب‌های انسانی از ورودی متنی، برای چت با یک موجودیت ناشناس استفاده می‌کردند، سپس این افراد، باید حدس می‌زدند که در حال مکالمه با یک انسان بوده‌اند یا با یک ماشین چت کرده‌اند. یوجین گوستمن، بیش از نیمی از افراد رأی‌دهنده را فریب داد، به طوری‌که آنها فکر کردند که با یک انسان صحبت کرده‌اند. این نقطه عطف، تنها آغاز برای عصری است که ما به طور دائم با ماشین‌ها، چه در حوزه خدمات مشتری و چه در فروش، به نحوی ارتباط برقرار می‌کنیم، که گویی آنها انسان هستند. در حالی‌که انسان، در میزان توجه و مهربانی که می‌تواند نسبت به شخص دیگری صرف کند، محدودیت دارد، اما ربات‌های مصنوعی می‌توانند منابع تقریباً نامحدودی را برای برقراری روابط، به کار گیرند. با اینکه بسیاری از ما از این مسأله آگاه نیستیم، اما در این عصر شاهد این هستیم که چگونه ماشین‌ها می‌توانند باعث تحریک مراکز پاداش در مغز انسان شوند. این موضوع در اعتیادآور کردن بازی‌های ویدئویی و موبایل، قابل مشاهده است. اعتیاد به فناوری، مرز جدیدی از وابستگی‌های انسانی است.