En ny videnskabelig oversigt fra arXiv giver en tilgængelig introduktion til, hvordan transformer-baserede sprogmodeller som ChatGPT og Gemini lærer og repræsenterer sproglig betydning – og hvordan dette adskiller sig fra menneskelig sprogtilegnelse. Læs primeren på arXiv.
For beslutningstagere, der skal vurdere, hvilke AI-systemer de skal bygge på eller investere i, er spørgsmålet om, hvordan modeller faktisk 'forstår' sprog, ikke kun et akademisk anliggende. Det påvirker, hvor pålidelige modellerne er i komplekse, virkelige opgaver – fra kundeservice til juridisk og medicinsk beslutningsstøtte.
Artiklen gennemgår tre primære semantiske teorier: formel semantik, forankret semantik og distributionel semantik. Den sammenligner derefter, hvordan transformer-baserede sprogmodeller adskiller sig fra, hvordan mennesker lærer sprog. Se hele sammenligningen i abstractet.
Kernen er, at sprogmodeller lærer betydning gennem statistiske mønstre i store tekstmængder – ikke gennem direkte erfaring med verden, som mennesker gør. Det betyder, at deres 'forståelse' er fundamentalt anderledes, hvilket har konsekvenser for, hvornår man kan stole på dem, og hvornår man skal være varsom.
For virksomheder og organisationer, der overvejer at implementere sprogmodeller i kritiske processer, er denne viden vigtig for at sætte realistiske forventninger og designe passende menneskelig overvågning. Det er også relevant for at vurdere, hvilke opgaver der egner sig til automatisering, og hvor der stadig er behov for menneskelig dømmekraft.
