主要观点：

• 大型语言模型（LLMs）有生成文本等能力，但存在它们是否真理解所表达内容的疑问，这是当前人工智能辩论的核心。
• 一方面，LLMs 成就显著，能翻译等；另一方面，分析者强调其本质是统计机器，只是识别词间模式，不一定理解所产生内容的深层意义。
• 关于 LLM 理解的问题存在分歧，一些人认为其在走向真正理解，另一些人认为只是复杂模拟器。
• 需揭开有时被错误归因于它们的人类“思考”能力的神秘面纱，Apple 研究团队的研究证明了这一点。
• 以“WHAT HAPPENED TO HIM? - P > 0.05” meme 为例，展示 LLM 的技术能力和计算本质与人类意识的根本区别。

关键信息：

• LLM 训练基于大量文本数据，如 Gemini 或 ChatGPT 训练数据达数百 TB，包含数十亿文本和 multimodal 元素及参数。
• 分析 meme 时，多种算法起作用，如自然语言处理、视觉识别/OCR、Transformer 神经网络等。
• LLM 的“推理”是基于大量数据中观察到的相关性的复杂统计推断，缺乏对抽象意义等的理解，与人类思维有根本区别。
• 人类有意识、经验和情感，能创造新意义，而 LLM 仅基于规则和概率执行任务，有偏见等问题。

重要细节：

• LLM 能解释 meme 是因为能识别视觉和文本元素，理解文化背景和抽象概念并合成信息。
• 分析 meme 时，LLM 先提取识别关键信息，激活相关知识，再合成响应，通过识别训练中学到的语义关联来构建解释。
• 人类与 LLM 应智能协作，各自发挥优势，充分利用系统能力而不赋予其不应有的品质。