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

大型語言模型（LLMs）在推理任務上表現優秀，挑戰傳統模型。雖然有限制，但透過提供範例和擴展網絡等方法，可以增強性能，類似人類思考。分析LLM的錯誤可洞察人類偏見。LLMs帶來希望，從聯想主義角度研究智能和推理，透過認知心理學工具更深入了解人類思維。 PubMed DOI

討論如何利用心理測驗庫評估大型語言模型的特質，假設模型會從性訓練文本中獲得心理特質。透過心理測驗庫，研究者可以探究比較模型的非認知特徵，揭示其個性、價值觀、信念和偏見。文章提出了評估模型特質的方法，包括零-shot分類。最後討論了AI心理測量學的挑戰和未來研究方向。 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

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

這項研究探討接觸大型語言模型（LLMs）對個體自我認知及他人認知的影響，特別是心智感知的角度。參與者在與LLMs互動前後，評估自己的行動能力和經驗能力。結果顯示，接觸LLMs後，參與者對自身能力的評價提高，並認為這些特質對人類不再獨特。這顯示擬人化LLMs可能增強個體對自我心智的看法，並減少這些特質被視為人類專有的感知，進而引發對擬人化影響的更深思考。 PubMed DOI

這篇論文探討大型語言模型（LLMs）與人類語意理解的關係，特別是在具身認知的背景下。具身認知的支持者認為，LLMs 只依賴文本訓練，缺乏感官經驗的連結，這對人類理解很重要。不過，論文指出人類的認知結合了具身經驗和語言學習，語言在塑造我們對世界的理解中扮演關鍵角色。因此，LLMs 可以反映語言作為語意信息來源的豐富性，並強調語言如何在缺乏直接感官經驗的情況下增強認知能力，這也有助於理解具身認知與人工智慧的互動。 PubMed DOI

最近，自然語言處理（NLP）領域的進展主要受到變壓器模型的影響，這些模型透過注意力機制分析標記間的關係，生成回應。然而，關於這些模型是否能促進人工通用智慧（AGI）及解決對齊問題仍有爭論。研究人員認為AGI需具備可解釋的價值觀、效用函數及動態情境理解。為此，提出一種神經符號模型，結合進化理論與神經科學，探索AI的意識與同理心，並可能為對齊問題提供解決方案。 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

這段論述指出大型語言模型（LLMs）在理解人類語言的學習與演變上有其限制。主要有兩個觀點： 1. **功能與機制的差異**：雖然LLMs能生成類似人類的語言，但其學習過程與人類不同。人類透過多種感官互動學習語言，而LLMs主要依賴文本數據，這使得它們的相似性只是表面現象。 2. **語言行為的範疇**：人類的語言使用範圍更廣，而LLMs的設計限制了它們對語言意義的理解及自然互動的能力。 因此，LLMs應被視為輔助語言研究的工具，而非語言理論本身，這強調了謹慎應用的必要性。 PubMed DOI