當(dāng)我們讀到“蘋果”“香蕉”“西瓜”這些詞，雖然顏色不同、形狀不同、味道也不同，但仍會(huì)下意識(shí)地歸為“水果”。

哪怕是第一次見到“火龍果”這個(gè)詞，也能憑借語義線索判斷它大概也是一種水果。

這種能力被稱為語義壓縮，它讓我們能夠高效地組織知識(shí)、迅速地對(duì)世界進(jìn)行分類。

那問題來了：大型語言模型（LLM）雖然語言能力驚人，但它們?cè)谡Z義壓縮方面能做出和人類一樣的權(quán)衡嗎？

為探討這一問題，圖靈獎(jiǎng)得主LeCun團(tuán)隊(duì)，提出了一種全新的信息論框架。

該框架通過對(duì)比人類與LLM在語義壓縮中的策略，揭示了兩者在壓縮效率與語義保真之間的根本差異：

LLM偏向極致的統(tǒng)計(jì)壓縮，而人類更重細(xì)節(jié)與語境。

圖片

語義壓縮對(duì)比框架

要實(shí)證性地研究LLM的表征方式與人類概念結(jié)構(gòu)之間的關(guān)系，需要兩個(gè)關(guān)鍵要素：

穩(wěn)健的人類概念分類基準(zhǔn)

研究團(tuán)隊(duì)基于認(rèn)知科學(xué)中的三項(xiàng)經(jīng)典研究（Rosch 1973、1975和McCloskey & Glucksberg 1978），構(gòu)建了一個(gè)涵蓋1049個(gè)項(xiàng)目、34個(gè)語義類別的統(tǒng)一基準(zhǔn)。

這些數(shù)據(jù)不僅提供了類別歸屬信息，還包含人類對(duì)各項(xiàng)目“典型性”的評(píng)分，反映了人類認(rèn)知中概念形成的深層結(jié)構(gòu)。

相比現(xiàn)代眾包數(shù)據(jù)，這些經(jīng)過專家嚴(yán)格設(shè)計(jì)的數(shù)據(jù)集更具可信度與解釋力，為LLM的類人性評(píng)估提供了高保真的比較基礎(chǔ)。

多樣化的LLM模型選擇

為全面評(píng)估不同大型語言模型在概念表征上的差異，研究團(tuán)隊(duì)選取了30+LLMs（BERT、LlamA、Gemma、Qwen等），參數(shù)規(guī)模從3億到720億不等。

所有模型均從輸入嵌入層提取靜態(tài)詞元表示，以貼近人類分類實(shí)驗(yàn)中“去上下文”的刺激方式，確保模型和人類的認(rèn)知基準(zhǔn)保持一致，便于公平比較。

為分析LLM與人類在表達(dá)和組織語義信息時(shí)的差異，研究引入了一個(gè)信息論框架。

該框架借鑒了兩大經(jīng)典信息論原理：

• 速率失真理論：描述壓縮效率與信息失真之間的最優(yōu)權(quán)衡；
• 信息瓶頸原理：關(guān)注在壓縮表示的同時(shí)，最大程度保留與目標(biāo)相關(guān)的信息。

LLM與人類在表征策略上的關(guān)鍵差異

研究發(fā)現(xiàn)，LLM的概念分類結(jié)果與人類語義分類的對(duì)齊程度顯著高于隨機(jī)水平。

這一結(jié)果驗(yàn)證了LLM在語義組織方面的基本能力，并為后續(xù)更細(xì)粒度的語義結(jié)構(gòu)對(duì)比奠定了基礎(chǔ)。

圖片

但是大型語言模型真的理解細(xì)節(jié)嗎？

答案是：LLM難以處理細(xì)粒度的語義差異。它們的內(nèi)部概念結(jié)構(gòu)與人類對(duì)類別歸屬的直覺不相符。

圖片

人類典型性判斷與LLM余弦相似度之間的斯皮爾曼相關(guān)系數(shù)較弱且大多數(shù)不顯著，表明兩者在概念表征結(jié)構(gòu)上存在差異。

那LLM和人類在信息壓縮與語義保真上存在哪些關(guān)鍵差異呢？

LLM側(cè)重于統(tǒng)計(jì)壓縮，力求最大程度地減少冗余信息；而人類則更注重適應(yīng)性和豐富性，強(qiáng)調(diào)保持靈活性和上下文的完整性。

圖片

研究團(tuán)隊(duì)

這項(xiàng)研究由斯坦福大學(xué)與紐約大學(xué)聯(lián)合開展，團(tuán)隊(duì)成員均來自這兩所高校。

其中，第一作者為斯坦福大學(xué)博士后研究員Chen Shani。

圖片

更讓網(wǎng)友震驚的的是，Yann LeCun也為此研究的作者之一。

圖片

Yann LeCun是當(dāng)今人工智能領(lǐng)域最具影響力的科學(xué)家之一，現(xiàn)任 Meta（原 Facebook）首席人工智能科學(xué)家，同時(shí)也是紐約大學(xué)教授。

LeCun早在1980年代便開始研究神經(jīng)網(wǎng)絡(luò)，最著名的貢獻(xiàn)是提出了卷積神經(jīng)網(wǎng)絡(luò)（CNN）的核心架構(gòu)——LeNet-5，用于手寫數(shù)字識(shí)別。

該網(wǎng)絡(luò)是現(xiàn)代深度學(xué)習(xí)模型的雛形，為后續(xù)圖像識(shí)別和計(jì)算機(jī)視覺技術(shù)的發(fā)展奠定了堅(jiān)實(shí)基礎(chǔ)。

他與Geoffrey Hinton、Yoshua Bengio被譽(yù)為“深度學(xué)習(xí)三巨頭”，共同推動(dòng)了深度學(xué)習(xí)的理論與應(yīng)用突破。

2018年，三人因在深度學(xué)習(xí)領(lǐng)域的杰出貢獻(xiàn)，榮獲了計(jì)算機(jī)科學(xué)領(lǐng)域的最高獎(jiǎng)項(xiàng)——圖靈獎(jiǎng)。

除了技術(shù)創(chuàng)新，LeCun還積極推動(dòng)深度學(xué)習(xí)技術(shù)在工業(yè)界的應(yīng)用，尤其是在Meta，領(lǐng)導(dǎo)團(tuán)隊(duì)將人工智能技術(shù)應(yīng)用于大規(guī)模系統(tǒng)。

他同時(shí)是自監(jiān)督學(xué)習(xí)的積極倡導(dǎo)者，認(rèn)為這是實(shí)現(xiàn)通用人工智能（AGI）的關(guān)鍵路徑之一。

可以說，LeCun的研究對(duì)人工智能技術(shù)的演進(jìn)產(chǎn)生了重要影響。

論文地址：https://arxiv.org/abs/2505.17117

參考鏈接：https://x.com/ziv_ravid/status/1928118800139841760