Pragmatics beyond humans: meaning, communication, and LLMs
本文认为，大型语言模型的出现使得有必要在超越传统以人为中心的框架之外对语用学进行重新概念化，转而提出一种人类-机器传播方法，以应对拟人化偏见，采用如理性言语行为（Rational Speech Act）之类的概率模型，并解释生成式人工智能交互中“语境挫败”的悖论。
原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
语言不仅仅是按语法规则排列的一串词汇。它是一种社会工具，是人们共同行动、分享意图以及应对对话中复杂且潜规则的方式。几十年来，语言学家一直试图通过将意义分解为三个层面来绘制意义运作的图谱：句子的结构、词汇的字面定义，以及它们被说出时的语境。这第三层被称为“语用学”（pragmatics），正是人类交流中真正发生奇迹的地方。它决定了根据说话者是谁、何时以及为何而说，一个陈述句究竟是一个事实陈述、一个请求，还是一个笑话或是一句讽刺。现在，一种新型的机器进入了这场对话。大语言模型——这些能够撰写文章、回答问题并进行对话的强大人工智能系统——正迫使科学家们重新思考这些旧有的图谱。核心问题不再仅仅是这些机器能否模仿人类语言，而是它们是否真的理解了意义背后的社会性舞步，还是仅仅在没有理解背后意图的情况下，单纯地预测序列中的下一个词。
一位名叫维特·格沃兹迪亚克（Vít Gvoždiak）的研究员深入研究了我们如何研究这些机器以及我们用来评判它们的理论。他认为，我们目前的方法是有缺陷的，因为它们试图“削足适履”。长期以来，评估这些模型的标准方法是将它们视为人类。研究人员要求它们执行需要理解社会线索的任务，比如识别道歉或检测讽士，然后将其答案与人类的表达进行比较。如果机器做对了，它通常会被赞誉具有“语用能力”。如果它做错了，则被认为缺乏理解力。格沃兹迪亚克指出，这种方法具有误导性。它假设因为机器产生了类人的文本，所以它一定是在基于人类的原则进行运作。但这些机器不是人类；它们是基于海量互联网文本训练出来的统计引擎。它们并不像人类那样在意真理或社会协作；它们在意的是概率。它们的设计目标是猜测下一个最可能出现的词，而不是为了沟通一个共同的现实。
该论文提出，我们应该停止尝试将这些机器强行纳入人类的范畴，而是转而观察它们与我们互动时的独特方式。格沃兹迪亚克建议了一种名为“人机通信”（Human-Machine Communication）的新框架。这种方法承认，当一个人与聊天机器人交谈时，他们不仅是在与一个工具对话，也不是在与一个人对话。他们处于一个混合空间，双方都以一种前所未有的方式塑造着对话。机器不是指令的被动接收者，人类也不仅仅是使用者。他们是这种新型对话中的共谋者。作者指出，目前许多研究都存在他称之为“替代主义”（substitutionalism）的问题。这种情况发生在科学家将一个特定模型或一种特定语言（如英语）的研究结果，直接套用到所有人工智能和所有人类语言上时。更微妙的是，研究人员经常用机器替换掉对话中的人类参与者，假设机器可以代表人类。这使他们忽视了人类在与机器交谈时实际上是如何改变自身行为的。人们开始以不同的方式说话，使用模仿 AI 的短语和结构，从而创造了一个反馈循环：机器对人类的影响与人类对机器的影响同样深远。
论文中最引人注目的发现之一是“语境挫败感”（context frustration）的概念。在人类对话中，语境是让我们理解彼此的共享背景知识。如果我说“这里很冷”，你知道我可能是在请你关窗。但在与机器交流时，这种共享背景是缺失的。机器没有个人经历、没有肉体，也没有现实世界的体验。为了让机器理解，人类被迫进行额外的劳动。他们必须编写冗长且详细的提示词（prompts），明确规定机器应该扮演谁、设定在什么场景下以及对话的目标是什么。这种现象被称为“提示工程”（prompt engineering）。讽刺的是，尽管技术在处理更多信息方面变得越来越出色——能够记住更长的对话并阅读更大的文档——人类用户却感到更加挫败。机器处理海量数据的能力并没有解决共享理解的问题；它反而让人类与机器之间的语境鸿沟显得更加宽阔。用户不断试图为机器搭建一座语境之桥，却发现机器的理解本质上仍然与人类截然不同。
论文总结道，我们需要停止追问机器能否变得像人，而应开始探讨它们有何不同。那些为人类对人类互动而建立的旧语言理论，已不足以解释现状。我们需要新的思维方式，去承认机器的独特性。与其通过机器是否能通过为人类设计的测试来评判它，不如去研究人与机器之间发生的独特且混合的对话。这些互动正在创造新的意义形式、新的社会规则和新的挑战。作者认为，语言研究的未来在于理解这种伙伴关系：人类与机器在其中不断调整彼此，创造出一个既非完全属于人类、也非完全属于机械的共享空间，而是一个全新的领域。目标不是让机器变得更像我们，而是理解我们在其存在下是如何发生改变的。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。