洗車店的例子說明LLM缺乏何種關鍵能力？

Question

Accepted Answer

大型語言模型（LLM）在處理涉及物理世界互動的任務時，存在預測行動後果與多步規劃的根本性缺陷

LLM 在模擬真實世界互動時，往往會出現看似荒謬的判斷，例如建議步行前往距離 100 公尺的洗車店，卻忽略了車輛本身需要被開進洗車店這一基本物理前提。這種現象並非單純的「幻覺」，而是模型內在缺乏對物理世界因果關係的建模能力，也無法進行有效的前瞻性模擬。其所謂的「推理鏈」本質上是在語言層面比較哪些表述聽起來更像一個可行的計畫，而非真正模擬現實世界狀態的改變。
LLM 欠缺對物理行動後果的預測與模擬能力

人類在執行任何物理行動前，會不自覺地在內部進行前瞻性模擬，評估不同選擇的潛在後果，例如過馬路前會考量車流情況並決定等待時機。然而，LLM 並不具備這樣的內部模擬器。它能夠輸出關於「如果我這樣做可能會發生什麼」的敘述，但這僅是複現訓練資料中的語言模式，而非真正意義上對世界運作進行模擬。這種對行動後果的預測能力，是 LLM 邁向更高級智能所必須克服的關鍵障礙。
LLM 的規劃能力受限於語言空間，無法有效模擬現實世界狀態的轉變

當前 LLM 採用的推理鏈（Chain-of-Thought）等技術，雖然能提升語言表述的合理性，但其本質是比較不同語言序列的相似度，判斷哪段文字「聽起來」更像一個好的計畫。這種機制並未觸及對現實世界狀態變化的模擬。例如，在洗車店的例子中，LLM 忽略了「車輛移動」這一關鍵的物理狀態轉變，顯示其規劃能力僅限於語言層面，無法有效映射到真實世界的因果鏈條。這種對現實世界狀態改變的模擬能力，對於實現複雜的具身智慧（Embodied AI）至關重要。

閱讀紀錄

隱藏 →

此記錄會在頁面關閉後消失

洗車店的例子說明LLM缺乏何種關鍵能力？

Loading

你覺得這篇文章有幫助嗎？

有幫助

沒幫助

回報問題

1

0

0

分享給好友