Interview with Kalle Lyytinen on "Implications of Theories of Language for Information Systems"
在这场访谈中，卡莱·利蒂宁ن（Kalle Lyytinen）回顾了他关于信息系统语言基础的开创性研究的起源与演变，讨论了这些研究在大语言模型和生成式人工智能时代持续保持的现实意义，并概述了未来的研究方向。
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
想象一下，信息系统（IS）的世界并非由冰冷、坚硬的电线和闪烁的屏幕组成，而是一个巨大的、繁忙的图书馆，那里的书是由光构成的，而图书管理员则是算法。在核心层面，信息系统是关于我们如何利用技术进行交流并完成工作的研究。你可以把它想象成一个宏大的翻译项目：人类拥有混乱、复杂的感受和想法，而计算机则使用严格的二进制代码（1 和 0）进行交谈。信息系统的研究任务就是弄清楚如何在这两个世界之间搭建桥梁，以便让计算机理解我们的意思，同时也让我们理解计算机在做什么。几十年来，科学家们一直在争论语言是如何运作以构建这些桥梁的。有些人认为语言像是一套僵化的数学规则（语法），而另一些人则认为它更像是一场社交游戏，其意义会根据说话的人和所处的环境而改变。这对每个人都很重要，因为每当你发送一条短信、在线订购一份披萨或使用 GPS 时，你都在依赖这些无形的桥梁。如果桥梁是建立在错误的语言理解观念之上，信息就会丢失，披萨会被送到错误的地址，或者 GPS 会把你开进湖里。
在这场生动的对话中，卡莱·利蒂宁（Kalle Lyytinen）——一位四十年前就首次撰写过这些“语言桥梁”的资深研究员——与两位充满好奇心的采访者坐在一起，共同观察这一领域格局发生了怎样的变化。这篇文章本质上是一场“穿越时空的聊天”，利蒂宁回顾了他著名的 1985 年文章，并问道：“我们当年做对了吗？既然现在计算机已经可以‘回话’了，我们又该怎么办？”
利蒂宁解释说，他最初的想法既简单又深刻：信息系统不仅仅是机器，它们是语言系统。他将它们比作“比特串”（由 0 和 1 组成的长链），在人类赋予它们一个故事之前，这些比特串是完全没有意义的。计算机只是一个搬运这些比特串的机器人；它并不知道这些东西意味着什么。意义来自于我们——即人类，我们利用这些系统来进行沟通和工作。他认为，长期以来，研究人员一直将语言视为一个枯燥的背景事实——就像空气一样，我们呼吸它却不曾思考它。但利蒂宁坚持认为，这层“空气”实际上是最重要的部分。如果你不理解人们如何使用语言来创造意义，你就无法构建出一个真正能帮助他们的系统。
当采访者询问他的旧建议是否仍然适用时，利蒂宁承认世界已经发生了转变。回到 20 世纪 80 年代，计算机主要用于自动化处理乏味的办公任务，比如记录库存或会计工作。这些就像是旧纸质文件的数字化版本。然而今天，我们拥有了大语言模型（LLMs）和生成式人工智能（Generative AI）。这些是新加入的成员。利蒂宁将它们描述为迷人但棘手的存在。与那些遵循严格规则的旧计算机不同，这些新的 AI 模型就像是超级聪明的鹦鹉。它们并不真正“知道”一个词的意思；它们只是根据阅读过的数十亿个句子，知道哪些词通常会出现在彼此旁边。它们极其擅长猜测句子中的下一个词，但它们对现实世界没有任何概念。如果你问它们一个问题，它们并不是在“思考”答案，而是在根据模式计算出最可能的响应。
这导致了一个重大的剧情转折。利蒂宁指出，虽然这些 AI 模型非常擅长模仿人类语言，但它们缺乏“规范性观点（normative view）”。用通俗的话说，它们只知道在训练数据中什么是“常见的”，却不知道在现实世界中什么是“对”或“错”的。它们就像一位品尝过世界上所有食谱，却从未真正吃过饭、也不理解饥饿感的厨师。因此，利蒂宁建议我们不能盲目信任它们。我们人类仍然是“最终仲裁者”——我们必须决定 AI 所说的话是否真的有意义。
对话还深入探讨了这如何改变了技术的“数据层”。利蒂宁在这里使用了一个富有创意的类比：在过去，数据就像一个贴着标签文件夹、整齐有序的文件柜。而现在，有了 AI，数据层变成了一锅由“标记（tokens）”（单词的微小碎片）和“模型”（混合这些碎片的配方）组成的、混乱但强大的“汤”。这是一个全新的、研究人员仍在试图理解的制品类型。这不再仅仅是关于存储数据，而是关于管理这些新的、流动的能力。利蒂宁警告说，我们目前正处于一个“在尝试中学习”的阶段。我们还没有一套完美的地图来指导如何在大型企业中管理这些新的 AI 工具。这就像是在地面仍在移动的情况下建造摩天大楼。
最后，利蒂宁为下一代研究人员（如那些提出问题的博士生）提供了一些建议。他建议，留下印记最好的方式不是仅仅追随最新的热潮，而是提出一个“更高层次”的问题。不要只问“我们如何为这个 AI 编写代码？”，而要问“这个 AI 如何改变了我们对工作的看法？”或者“它如何改变了数据的含义？”他相信，最令人兴奋的研究将来自于探索这些“表演性工具”（即那些不仅是“展示”事物，而且能“做”事物的工具）如何融入我们的社会生活。
简而言之，这篇论文表明，尽管我们与计算机交谈的工具已经变得极其华丽，但基本规则依然不变：意义是人类的事物。 计算机可以搬运词汇并猜测模式，但它们本身无法创造意义。随着我们向前迈进，挑战不仅在于构建更聪明的 AI，还在于如何将这些擅长模式匹配的机器编织进人类那混乱、社交且具有语言性的生活织锦中，而不丢失我们对真正重要事物的掌控。论文并未声称已经解决了这个谜题；相反，它暗示我们才刚刚开始一段漫长而有趣的旅程，去理解这一切。
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。