结构对应关系能否为大型语言模型 grounding 实际世界表征内容？
计算与语言
2026-03-26 v1 人工智能
摘要
大型语言模型 (LLM) 如 GPT-4 能对广泛的提示作出引人入目的响应。但其表征能力是不确定的。许多 LLM 与超语言现实世界没有直接接触：其输入、输出和训练数据仅由文本组成，这引出了两个问题：(1) LLM 能否表示任何东西，(2) 如果可以，又是什么？本文探讨了根据结构对应关系的表征观点来回答这些问题需要什么，并对此证据进行初步调查。我认为，LLM 与世界实体之间结构对应关系的 mere existence（存在）本身不足以为这些实体的表征提供 grounding。然而，如果这些结构对应关系发挥恰当的作用——即它们在解释成功任务性能方面被利用——则它们可能为这些实体的真实世界内容提供 grounding。这需要克服一个挑战：LLM 的文本有限性似乎会阻止它们参与正确的任务类型。
引用
@article{arxiv.2506.16370,
title = {Can structural correspondences ground real world representational content in Large Language Models?},
author = {Iwan Williams},
journal= {arXiv preprint arXiv:2506.16370},
year = {2026}
}