我的幼儿是随机鹦鹉吗？
一篇《纽约客》的幽默文章把幼儿的语言学习与“随机鹦鹉”式的大语言模型作比较，引发了更广泛的思考：究竟有没有什么东西真正把人类认知与当下 AI 区分开来。评论者对比了人类的具身、感觉—运动经验、本能以及持续的自我驱动预测，与 LLM 无身体的下一个 token 统计；也有人认为，两者最终都是复杂的模式预测器，差别主要在复杂度和训练数据。讨论进一步延伸到 AI 对就业和文化的影响、意识与感受质的争论，以及当系统已经在语言使用和创意式输出上超过大多数人时，“人类例外主义”还能否维持。
LLM 与人类的本质差异
- 许多人接受“随机鹦鹉”作为对 LLM 技术上准确但不完整的描述；也有人认为，人类同样是更高级的“统计鹦鹉”。
- 另一些人则反驳说，这种表述淡化了人类认知，并忽视了人类在学习和推理方式上的质性差异。
- 几位评论者强调，LLM 主要是在按需预测下一个 token，而人类则持续地预测、模拟和规划。
意识、具身性与感受质
- 一方认为：意识和认知需要身体以及感觉—运动互动；LLM 缺乏这些，因此在类别上不同。
- 另一方则认为：具身性或许对人类心智很重要，但对机器心智未必如此；如果一个系统通过交互与人类无法区分，那么它的“内在状态”可能并不重要。
- 感受质与“难题”也引发争论；有人把意识看作涌现的计算，另一些人则认为当前的唯物主义/计算主义解释并不完整。
创造力、新颖性与信息
- 关于人类在信息论意义上是否真的“创造新信息”，还是只是在重组既有数据，存在分歧。
- 有人认为 LLM 本质上是有损压缩器；也有人指出，插值加上带噪解压可能会产生看似新颖的结果。
- 一个反复出现的观点是：真正的新知识关键在于现实世界中的实验与反馈，而不只是文本预测。
人类例外主义与文化叙事
- 几位评论者指出一种反复出现的历史模式：人类会拿自己与主导技术比较（钟表、计算机，如今是 LLM）。
- 文中提到“human of the gaps”：随着 AI 缩小能力差距，人们便把人类特殊性的边界转移到别处。
- 也有人坚持人类例外主义仍然重要，尤其是在体验、生死和生存动机方面。
语言学习、幼儿与手势
- 很多人分享了幼儿在语言泛化和早期意图性方面的轶事，强调其深度远不止于语言输出。
- 婴儿手语被广泛讨论：通常有效，有时则不然；它有助于减少挫败感，也能揭示出令人惊讶的复杂偏好。
AI 能力、AGI 与局限
- 有人认为当前模型距离 AGI 还很远；也有人警告不要低估规模化和多模态扩展。
- 被指出的局限包括：缺乏主动性、扎根的世界模型、可证伪性、持久记忆，以及稳健的抽象/归纳能力。
- 有人猜测，具身化或具备实验能力的模型可能会进一步缩小差距。
经济与社会担忧
- 人们强烈担忧 AI 夺走的是收入，而不仅仅是“工作岗位”，以及有意义的人类劳动会被侵蚀。
- 还有人担心，即使 AI“只是”模仿，文化和创意劳动也可能被掏空。