研究人工智能中对大规模预训练语言模型是否在任何重要意义上可以称为“理解”语言，以及对应的关键问题和新的智能领域的发展。提出一种新的智能科学来提供关于知识的不同模式，以及它们的优势和限制，以及融合不同形式认知的挑战的见解。

Oct, 2022

今天的大型语言模型(LLMs)可以生成连贯的，符合语法的、有意义的文本段落，但在如人类思维一样的实际语言使用中，大多数测试需要功能语言能力，从认知神经科学的证据中，我们显示出LLMs显示出令人印象深刻（虽然不完美）的正式语言能力的任务，但在需要功能能力的许多测试中失败了。

Jan, 2023

研究大型语言模型（LLMs）的能力和潜力，其中涵盖语言学、认知科学、数学和历史等领域，提出将LLMs暴露于语言训练数据中的能力可重新定义为暴露于语言编码的故事信息，并探讨其误差原因。

Jun, 2023

人工智能，自然语言处理，大型语言模型和科学模型在语言方面的应用和发展的研究。

Oct, 2023

当前大型语言模型（LLMs）在生成符合语法、流畅的文本方面无与伦比。这篇论文针对LLMs的能力进行了辩论，并通过批判性评估三个经常在批评中出现的观点来展示LLMs仍需更多细化。其次，文章从实证和理论的角度提出了对LLMs中“真正”的理解和意向性的实用观点，并讨论了在何种情况下将心理状态归因于LLMs对于这一日益重要的技术在社会中具有实用的哲学背景。

Oct, 2023

该研究通过分析和比较大型语言模型（LLMs）与马丁·海德格尔“实用存在”和“现成存在”概念之间的相似之处，以及通过基于海德格尔对真理的概念的结构性分析，探讨了LLMs在人类推理过程中的位置和局限性，发现尽管LLMs在某些推理能力上表现出色，但其与人类智力能力的匹敌还未实现。此研究丰富了我们对LLMs的理解，并推动了人工智能潜力与限制的讨论，为未来对人工智能发展趋势的探索铺平了道路。

Mar, 2024

大型语言模型在产生的文字中是否有意义？本文提出了一个不同的方法来考虑语言模型满足最佳语义元论理论的条件，并运用了两种理论来论证大型语言模型输入的有意义。

Apr, 2024

通过对大型语言模型的解释性、因果干预方法的证据，以及多模态和模块化扩展，最近关于意识最低标准的争议以及在大型语言模型研究中的保密性和可重复性方面的担忧的讨论，该文讨论了大型语言模型及其对人类认知建模的相关性。

May, 2024

通过庞大的语言模型，我们探讨了其相对成功不是符号与亚符号之争的反映，而是利用大规模的逆向语言工程的成功自下而上策略的反映。然而，由于其亚符号本质，这些系统对语言的所有了解总是淹没在无意义的数百万个权重之中，这使得这些系统变得无法解释。此外，由于其随机性，大语言模型在需要进行内涵、时间或情态推理的不同语言环境中往往无法进行正确的推理。为了解决这些缺点，我们建议在具有符号设置的情况下采用与大语言模型相同的成功自下而上策略，从而实现可解释、语言无关和本体论基础的语言模型。

Jun, 2024

研究了大型语言模型（LLMs）的本体学特征，将 ChatGPT 划分为互动者或语言自动机，具备真实对话体验，但缺乏自主代理能力。

Jul, 2024