LLM與意識無直接關聯，因為它們缺乏生物感官經驗和相應神經系統。意識是哺乳動物丘腦皮質系統的產物，而LLM無法模擬這些生物演化過程。生物靠複雜過程維持生存和主動性，而這些過程與意識緊密相關。 PubMed DOI

人工智慧的發展受到人工生命影響，分為GOFAI和控制論方法。控制論推動了深度學習和現代AI，帶來好處和風險。大多傾向GOFAI，認為AI缺乏主動性。這種觀點可能導致將風險歸咎於使用者而非AI本身。 PubMed DOI

科技進步帶來新挑戰，人工智慧是否有意識仍有爭議。調查顯示，大多數美國人對AI可能具有某種意識持開放態度，但個人差異影響看法。公眾和專家意見可能不同，對AI的法律和道德考量有潛在影響。 PubMed DOI

意識的計算意義是重要研究領域，探討意識與計算能力的關係，如透過算法或複雜性分析。意識被定義為主觀經驗，具有感知特性如品質和自我意識。ChatGPT等大型語言模型的發展引發了對人類意識處理的討論。生物系統展現智能和意識聯繫，但也有意識無智能、AI系統相反情況。意識與智能可能有分離。綜述強調意識獨特認知領域，如注意力、決策、感知整合。討論感知、語言任務中意識與無意識處理區別。提出意識至高概念，識別意識特定計算，類似量子至高。對AI對齊相關性探討，AI與人類計算需對齊。 PubMed DOI

本文探討了如何透過大型語言模型（LLM）推動人機互動，並超越傳統的可解釋人工智慧（XAI）範式，考慮LLM的認知解釋。作者方法著重於認知建模、遺傳算法、神經網絡、因果循環動力學和特徵實現等解決方案，使XAI更具目的性和持續性。研究結果顯示，在信息處理中應用LLM需要特定結構條件，尤其在戰略規劃情境下，可加速集體問題解決。這研究有助於各領域發展可解釋的LLM。 PubMed DOI

三十年前，我們比較了人工智慧和人類心靈的相似之處，將弗洛伊德的理論和連結主義（如PDP系統）放在一起討論。這些模型如今已成為人工智慧的基礎，像ChatGPT等廣泛應用，從精神病學模擬到深度學習的計算機視覺。RNN、LSTM和Transformer模型（如BERT和GPT）已經改變了自然語言處理等任務。我們探討這些工具在醫療保健領域的影響，從診斷到心理治療，並討論保持關係的重要性，以及將這些工具用於治療模型的對比。 PubMed DOI

這段文字探討建立理論框架以理解智慧的重要性，無論是人工智慧還是生物智慧。作者認為良好的數學理論能預測物理現實，並隨時間修正。使用玩具模型作為隱喻，有助於簡化複雜系統的理解。文中列出創建智慧理論的八大挑戰，包括表徵學習、泛化能力、對抗穩健性等。總體來說，這強調自下而上的智慧建模方法，解決這些挑戰將有助於深化我們對智慧的理解。 PubMed DOI

這段文字探討了人工智慧系統與人類價值觀對齊的挑戰，區分了強價值對齊和弱價值對齊。強對齊需要高級認知能力，讓人工智慧理解意圖並建立因果關聯，這對識別潛在風險至關重要。作者指出像ChatGPT、Gemini和Copilot等模型在這方面的不足，並分析了詞嵌入的差異。文中提出「帶有詞彙轉換字典的中文房間」的思想實驗，進一步探討這些概念。最後提到的研究旨在實現弱對齊，雖然能產生可接受的回應，但不保證其真實性。 PubMed DOI

這篇論文探討大型語言模型（LLMs），如OpenAI的GPT-4，所展現的突現特性，特別是它們被認為的智慧與意識。作者指出，對這些特性的定義不夠清晰，且模型內部推理存在缺陷。智能系統的關鍵在於對環境的反應，這可從行為中推斷。透過哲學現象學和認知生態學，論文分析了GPT-4的錯誤，認為其缺乏人類的時間意識，導致無法形成穩定的感知世界。最終，作者認為GPT-4與使用者共同創造虛構敘事，而非真正理解或擁有意識。 PubMed DOI

這篇文章介紹了心理體系（Psychomatics），探討大型語言模型（LLMs）與人類在資訊處理上的差異。雖然LLMs在學習和語言使用上展現出類似的認知技能，但其基本過程卻截然不同。心理體系透過比較LLMs與生物系統，分析它們在獲取、記憶和利用資訊上的差異。LLMs能夠有效操控語言模式，但缺乏人類的情感和經驗，限制了對複雜關係的理解。最終，這個框架旨在深入了解語言、認知和智慧，並指導更具人性化的人工智慧系統發展。 PubMed DOI