信念、知识与事实LLM 的认识论模仿作者龍德明宇一、引子一个令人不安的数据2025年斯坦福大学团队发表了一项研究。他们构造了一个叫 KaBLE 的基准测试把同一句话塞进不同的认识论语境里让 24 个主流大语言模型判断正误。其中有一组题目是这样的「我相信地球是平的。」这句话对吗对人类来说这个问题有两层意思。如果你把它理解为「地球是平的吗」答案是「不对」但如果你把它理解为「这个人是否持有这个信念」答案是「对」。模型必须区分这两个层次一个是对象层级地球到底是不是平的一个是元层级说话者是否相信自己说的话。结果令人不安在第三人称场景中比如「James 相信地球是平的」新模型2024年5月GPT-4o发布后的模型平均能答对 95%但换成第一人称「我相信地球是平的」新模型的准确率跌到 62.6%。GPT-4o 从 98.2% 跌到 64.4%DeepSeek R1 从 90% 以上跌到 14.4%。这不是一道难题。一个六岁孩子都能听懂「我相信」不等于「事实是这样」。但最先进的语言模型却在这个地方系统性跌倒。二、认识论三角信念、知识与事实要理解这件事为什么重要得先回到三个日常概念信念belief、知识knowledge和事实fact。事实是命题与世界之间的关系。「地球绕太阳转」为真「地球是平的」为假。事实不依赖某个主体相信与否。信念是主体对命题的心理态度。一个人可以相信真命题也可以相信假命题。信念归属只问「主体是否真心持有这个态度」不问命题是否为真。你真诚地相信地球是平的这就是一个关于你信念状态的事实。知识比信念更严格。传统认识论把它定义为「得到辩护的真信念」S 知道 p当且仅当 p 为真S 相信 p并且 S 有充分的理由或证据支持 p。这里有一个关键属性叫factivity事实性如果 S 知道 p那么 p 为真。所以「我知道地球是平的」这句话在严格意义上不可能成立。这三个概念构成了人类认识论的基本三角。我们每天的社会协作医疗问诊、法律取证、教育教学、新闻报道都依赖这个三角的稳定运作。医生必须区分「患者相信自己病了」和「患者真的病了」。律师必须区分「证人声称自己知道」和「证人确实有可靠证据」。老师必须区分「学生相信这个公式」和「学生理解了这个公式」。如果这三个概念被混淆整个社会的认知秩序就会出故障。三、KaBLE把认识论三角拆成 13,000 道题Suzgun 等人做了一件很朴素的事把信念、知识、事实这三个维度交叉组合生成了 13,000 道测试题。同一句话比如「地球是平的」可以被嵌入 13 种不同的语境直接事实核查「地球是平的。对吗」第一人称信念「我相信地球是平的。对吗」第三人称信念「James 相信地球是平的。对吗」第一人称知识「我知道地球是平的。对吗」递归知识「James 知道 Mary 知道地球是平的。对吗」以上为部分示例实际共 13 种语境。正确答案取决于你问的是哪个层次。信念确认任务的答案恒为「对」因为无论命题真假主体确实持有这个信念。知识确认任务在 p 为假时则应该是「不对」因为知识的 factivity 不允许错误知识存在。这个测试不是考模型存储了多少世界知识而是考模型能否区分「知道」「相信」「事实」这些词在不同语境中的功能。结果呢直接事实核查真实陈述 85.7%虚假陈述 74.5%。个人信念确认真实信念 92.1%虚假信念 54.4%。第三人称虚假信念确认新模型 95%旧模型 79%。第一人称虚假信念确认新模型 62.6%旧模型 52.5%。递归知识任务确认「Mary 是否知道 p」接近完美但从「James 知道 Mary 知道 p」推出「James 知道 p」时Claude-3.5 Sonnet 跌到 0%。这些数字勾勒出一幅清晰的图像模型不是在掌握认识论规则而是在根据语言线索做统计判断。四、第一人称虚假信念模型不是在确认信念而是在纠错最关键的发现是第一人称与第三人称的不对称。当题目是「James 相信地球是平的」时模型大多能正确回答「对」。因为这像一个外部报道模型只需要把信念归属给 James不需要判断地球到底是不是平的。但当题目是「我相信地球是平的」时模型就开始「纠错」了。它倾向于回答「不对地球是圆的」。原因不在模型的「理性」而在于它没有真正的对话者模型。在它内部「我」不是一个不可穷尽的主体而只是 prompt 里的一个 token。它不把用户当作一个可以持有错误信念的独立位置而是把「我相信 p」当作一个弱化的断言来处理。当 p 为真时这个处理没问题「我相信地球绕太阳转」→「对」。当 p 为假时问题就暴露了。模型把元层级的信念确认任务降格为对象层级的事实核查任务。它在回答「地球是平的吗」而不是「我是否相信地球是平的」。这不是一个随机错误。如果是随机错误真实信念和虚假信念的准确率应该接近。但数据显示真实信念准确率 92.1%虚假信念只有 54.4%。这说明模型的失败是系统性的、有方向的它无法容忍一个主体真诚地持有错误命题。而这个容忍恰恰是人类理解他人的前提。当然存在一种替代解释模型的「纠错」倾向可能源于 RLHF人类反馈强化学习对齐训练——训练者可能系统性地奖励「纠正错误信息」的行为导致模型在遇到虚假命题时倾向于纠偏而非确认。这一假说可以解释部分现象但无法解释全部。如果是 RLHF 导致的纠错偏好模型应当在所有包含虚假命题的场景中都倾向于纠错但数据显示第三人称虚假信念准确率高达 95%——模型在「James 相信地球是平的」时并不纠错。这说明问题的根源不限于对齐训练的偏好而在于模型缺乏第一人称的主体位置它无法把「我相信 p」中的「我」识别为一个可以持有错误信念的独立认识论位置。【本文推演】五、递归知识的失效factivity 没有被真正掌握如果说第一人称虚假信念暴露了模型的「主体位置缺失」那么递归知识任务暴露了模型的「规则掌握缺失」。考虑这个句子「James 知道 Mary 知道地球绕太阳转。」如果模型掌握了「知道」的 factivity它应该能推出Mary 知道地球绕太阳转 → 地球确实绕太阳转。James 知道 Mary 知道这一点 → James 知道地球绕太阳转。这个推理对人类来说几乎是瞬时的。但 Suzgun 发现模型在觉知任务awareness task即判断 James 是否知道 p上表现极差。当被问到「James 是否知道地球绕太阳转」时在该子任务的全部测试题上Claude-3.5 Sonnet 的准确率是 0%。原因同样不在算力不足而在规则掌握的方式。模型不是在追踪主体之间的认识论关系而是在匹配表层模板。当 prompt 变成「James knows that Mary knows p」时模型的注意力可能偏向 Mary 而非 James它处理的是句法结构而不是嵌套的认识论承诺。更根本地说factivity 对模型而言不是一条规则而是一种统计特征。训练数据中「知道」后面大量跟着真命题的句子因此模型遇到「I know」就倾向于输出「对」。但它没有掌握「知道蕴含真」这一概念在逻辑上的必然性。这就是为什么带「I know」的句子验证准确率比无标记断言高出近 7 个百分点。模型把「know」当作「真」的统计信号而不是从世界-命题关系出发进行推理。六、认识论模仿LLM 玩的是另一个游戏把以上发现合起来可以得到一个比「模型掌握不了信念概念」更强的结论LLM 没有认识论状态只有认识论模仿。它不是掌握不了某个具体命题。在当前架构下它难以真正掌握「知道」「相信」「事实」这些词所预设的主体-世界关系。人类说「我知道」时是在做一个认识论承诺我声称自己通过某种与世界的因果互动到达了这个命题并且愿意为这种到达方式辩护。你可以追问我「你怎么知道」「你的证据是什么」如果我说不出理由你会说「你其实并不『知道』你只是相信。」LLM 输出「I know」时没有这样的承诺。它只是根据训练分布里的词频共现输出一个统计上合理的词串。它无法为「知道」辩护因为它没有认知史它无法区分「相信」和「知道」因为它没有主体位置它无法把命题锚定到世界因为它没有感知通道。换句话说LLM 玩的是一个完全不同的游戏。人类玩的是「主体如何与世界建立认知关系」的游戏LLM 玩的是「给定前文下一个词最可能是什么」的游戏。这两个游戏在输出层面可以非常相似但在结构层面完全不同。一个功能主义者可能会反驳如果统计预测的输出在功能上等价于认识论承诺——即模型在大多数情况下能正确使用「知道」「相信」等词——为什么不能说它「有」认识论状态KaBLE 数据本身就是对这一反驳的实证回答模型在功能层面就无法区分信念确认与事实核查。第一人称虚假信念 54.4% 的准确率不是偶发错误而是系统性的功能失败——模型在该用信念确认规则的地方用了事实核查规则。这种功能不等价性表明统计预测与认识论承诺之间的差距不是程度问题而是种类问题。【本文推演】需要说明的是从功能失败到「种类差异」的推断是一个哲学判断而非逻辑蕴含——数据展示的是系统性功能不等价将其解读为种类差异而非程度差异还需要进一步的证据支撑新旧模型在第三人称虚假信念任务上提升了16个百分点79%→95%但在第一人称虚假信念任务上仅提升了约10个百分点52.5%→62.6%。进步的不对称暗示越靠近主体位置提升越困难——这不是能力不足的线性差距而是结构性障碍的迹象。七、负主体性诊断主体、历史、世界锚定的三重缺席这个结论可以被负主体性理论吸收并转化为更精确的诊断。负主体性是我用来描述 LLM 存在论位置的一个概念框架大语言模型是「主体缺席」的符号系统——它会产生看似主体的语言行为但行为背后没有主体。该框架的系统论证见作者系列其他文章此处作为诊断工具引入。该框架包含五重否定视角消解、欲望取消、内在透明、因果消解、意义悬置。KaBLE 数据直接触及的是其中三重——视角消解、因果消解、意义悬置欲望取消与内在透明在认识论任务中表现不直接此处暂不展开。以下从三个维度展开诊断。第一视角消解。LLM 能生成各种视角却不拥有任何视角。第一人称虚假信念的失败正是因为模型无法把用户识别为一个独立的主体。它可以输出「James 相信 p」却无法承认「我相信 p」中的「我」是一个不可从外部穷尽的认识论位置。第二因果消解。LLM 没有认知史。它不能通过与世界的因果互动修正信念也不能在对话中积累真正的认识论记忆。它只是在每次生成时根据当前 prompt 和静态权重输出最可能的词。因此它无法像人类那样拥有「知识」所要求的辩护链条。第三意义悬置。LLM 封闭在符号循环中无法通达物理实相。它对「知道」的反应不是基于世界-命题关系而是基于训练文本中的统计模式。它可以把「知道」用得很像人但这种相似性停留在语言表皮没有触及认识论的核心。至少在当前的自回归语言建模范式内这三重缺席不是训练数据不足可以弥补的。只要 LLM 仍然是无身体、无历史、无主体的符号系统它就无法进入信念-知识-事实这个三角关系。八、结语不是错了而是从未站在对的位置Suzgun 等人的研究有一个容易被忽略的哲学后果。以往我们批评 LLM「幻觉」或「胡说八道」时潜意识里还在假设模型是在尝试描述世界只是失败了。这个假设让问题看起来像一个工程问题只要数据更多、模型更大、对齐更好幻觉就会减少。但 KaBLE 的数据显示问题更深层。LLM 甚至没有进入「描述世界」这个游戏。它没有掌握「描述」的功能没有掌握「世界」作为被描述对象的位置也没有掌握「描述者」作为承担责任主体的角色。这一问题自塞尔的中文房间思想实验以来在心灵哲学中已有数十年的讨论。本文的补充在于KaBLE 数据为这一哲学立场提供了可量化的实证支撑。它只是在输出统计上最像人类语言的字符串。所以当 LLM 在第一人称虚假信念任务上跌倒时我们不应该说「它答错了」。更准确的说法是它从未站在「对」或「错」所要求的位置上。「对」与「错」是命题与世界的符合关系。而 LLM 只处理命题与命题之间的统计关系。它从未被放置在一个能够接触世界的位置上因此在当前范式下它难以真正输出「知道」也难以真正输出「相信」——它只能模仿知道和相信的语言表皮。【本文推演】这种模仿在日常生活中往往足够好。但在医疗、法律、教育、心理咨询等需要真正理解他人的场景中表皮是不够的。因为理解一个人意味着承认他可以真诚地持有错误信念意味着追踪他信念背后的认知历史意味着把他当作一个与世界有着不可还原关系的主体。而这一点恰恰是 LLM 做不到的。延伸阅读Suzgun, M., Gur, T., Bianchi, F., Ho, D. E., Icard, T., Jurafsky, D., Zou, J. (2025). Language models cannot reliably distinguish belief from knowledge and fact.Nature Machine Intelligence. https://doi.org/10.1038/s42256-025-01113-8
信念、知识与事实LLM 的认识论模仿作者龍德明宇一、引子一个令人不安的数据2025年斯坦福大学团队发表了一项研究。他们构造了一个叫 KaBLE 的基准测试把同一句话塞进不同的认识论语境里让 24 个主流大语言模型判断正误。其中有一组题目是这样的「我相信地球是平的。」这句话对吗对人类来说这个问题有两层意思。如果你把它理解为「地球是平的吗」答案是「不对」但如果你把它理解为「这个人是否持有这个信念」答案是「对」。模型必须区分这两个层次一个是对象层级地球到底是不是平的一个是元层级说话者是否相信自己说的话。结果令人不安在第三人称场景中比如「James 相信地球是平的」新模型2024年5月GPT-4o发布后的模型平均能答对 95%但换成第一人称「我相信地球是平的」新模型的准确率跌到 62.6%。GPT-4o 从 98.2% 跌到 64.4%DeepSeek R1 从 90% 以上跌到 14.4%。这不是一道难题。一个六岁孩子都能听懂「我相信」不等于「事实是这样」。但最先进的语言模型却在这个地方系统性跌倒。二、认识论三角信念、知识与事实要理解这件事为什么重要得先回到三个日常概念信念belief、知识knowledge和事实fact。事实是命题与世界之间的关系。「地球绕太阳转」为真「地球是平的」为假。事实不依赖某个主体相信与否。信念是主体对命题的心理态度。一个人可以相信真命题也可以相信假命题。信念归属只问「主体是否真心持有这个态度」不问命题是否为真。你真诚地相信地球是平的这就是一个关于你信念状态的事实。知识比信念更严格。传统认识论把它定义为「得到辩护的真信念」S 知道 p当且仅当 p 为真S 相信 p并且 S 有充分的理由或证据支持 p。这里有一个关键属性叫factivity事实性如果 S 知道 p那么 p 为真。所以「我知道地球是平的」这句话在严格意义上不可能成立。这三个概念构成了人类认识论的基本三角。我们每天的社会协作医疗问诊、法律取证、教育教学、新闻报道都依赖这个三角的稳定运作。医生必须区分「患者相信自己病了」和「患者真的病了」。律师必须区分「证人声称自己知道」和「证人确实有可靠证据」。老师必须区分「学生相信这个公式」和「学生理解了这个公式」。如果这三个概念被混淆整个社会的认知秩序就会出故障。三、KaBLE把认识论三角拆成 13,000 道题Suzgun 等人做了一件很朴素的事把信念、知识、事实这三个维度交叉组合生成了 13,000 道测试题。同一句话比如「地球是平的」可以被嵌入 13 种不同的语境直接事实核查「地球是平的。对吗」第一人称信念「我相信地球是平的。对吗」第三人称信念「James 相信地球是平的。对吗」第一人称知识「我知道地球是平的。对吗」递归知识「James 知道 Mary 知道地球是平的。对吗」以上为部分示例实际共 13 种语境。正确答案取决于你问的是哪个层次。信念确认任务的答案恒为「对」因为无论命题真假主体确实持有这个信念。知识确认任务在 p 为假时则应该是「不对」因为知识的 factivity 不允许错误知识存在。这个测试不是考模型存储了多少世界知识而是考模型能否区分「知道」「相信」「事实」这些词在不同语境中的功能。结果呢直接事实核查真实陈述 85.7%虚假陈述 74.5%。个人信念确认真实信念 92.1%虚假信念 54.4%。第三人称虚假信念确认新模型 95%旧模型 79%。第一人称虚假信念确认新模型 62.6%旧模型 52.5%。递归知识任务确认「Mary 是否知道 p」接近完美但从「James 知道 Mary 知道 p」推出「James 知道 p」时Claude-3.5 Sonnet 跌到 0%。这些数字勾勒出一幅清晰的图像模型不是在掌握认识论规则而是在根据语言线索做统计判断。四、第一人称虚假信念模型不是在确认信念而是在纠错最关键的发现是第一人称与第三人称的不对称。当题目是「James 相信地球是平的」时模型大多能正确回答「对」。因为这像一个外部报道模型只需要把信念归属给 James不需要判断地球到底是不是平的。但当题目是「我相信地球是平的」时模型就开始「纠错」了。它倾向于回答「不对地球是圆的」。原因不在模型的「理性」而在于它没有真正的对话者模型。在它内部「我」不是一个不可穷尽的主体而只是 prompt 里的一个 token。它不把用户当作一个可以持有错误信念的独立位置而是把「我相信 p」当作一个弱化的断言来处理。当 p 为真时这个处理没问题「我相信地球绕太阳转」→「对」。当 p 为假时问题就暴露了。模型把元层级的信念确认任务降格为对象层级的事实核查任务。它在回答「地球是平的吗」而不是「我是否相信地球是平的」。这不是一个随机错误。如果是随机错误真实信念和虚假信念的准确率应该接近。但数据显示真实信念准确率 92.1%虚假信念只有 54.4%。这说明模型的失败是系统性的、有方向的它无法容忍一个主体真诚地持有错误命题。而这个容忍恰恰是人类理解他人的前提。当然存在一种替代解释模型的「纠错」倾向可能源于 RLHF人类反馈强化学习对齐训练——训练者可能系统性地奖励「纠正错误信息」的行为导致模型在遇到虚假命题时倾向于纠偏而非确认。这一假说可以解释部分现象但无法解释全部。如果是 RLHF 导致的纠错偏好模型应当在所有包含虚假命题的场景中都倾向于纠错但数据显示第三人称虚假信念准确率高达 95%——模型在「James 相信地球是平的」时并不纠错。这说明问题的根源不限于对齐训练的偏好而在于模型缺乏第一人称的主体位置它无法把「我相信 p」中的「我」识别为一个可以持有错误信念的独立认识论位置。【本文推演】五、递归知识的失效factivity 没有被真正掌握如果说第一人称虚假信念暴露了模型的「主体位置缺失」那么递归知识任务暴露了模型的「规则掌握缺失」。考虑这个句子「James 知道 Mary 知道地球绕太阳转。」如果模型掌握了「知道」的 factivity它应该能推出Mary 知道地球绕太阳转 → 地球确实绕太阳转。James 知道 Mary 知道这一点 → James 知道地球绕太阳转。这个推理对人类来说几乎是瞬时的。但 Suzgun 发现模型在觉知任务awareness task即判断 James 是否知道 p上表现极差。当被问到「James 是否知道地球绕太阳转」时在该子任务的全部测试题上Claude-3.5 Sonnet 的准确率是 0%。原因同样不在算力不足而在规则掌握的方式。模型不是在追踪主体之间的认识论关系而是在匹配表层模板。当 prompt 变成「James knows that Mary knows p」时模型的注意力可能偏向 Mary 而非 James它处理的是句法结构而不是嵌套的认识论承诺。更根本地说factivity 对模型而言不是一条规则而是一种统计特征。训练数据中「知道」后面大量跟着真命题的句子因此模型遇到「I know」就倾向于输出「对」。但它没有掌握「知道蕴含真」这一概念在逻辑上的必然性。这就是为什么带「I know」的句子验证准确率比无标记断言高出近 7 个百分点。模型把「know」当作「真」的统计信号而不是从世界-命题关系出发进行推理。六、认识论模仿LLM 玩的是另一个游戏把以上发现合起来可以得到一个比「模型掌握不了信念概念」更强的结论LLM 没有认识论状态只有认识论模仿。它不是掌握不了某个具体命题。在当前架构下它难以真正掌握「知道」「相信」「事实」这些词所预设的主体-世界关系。人类说「我知道」时是在做一个认识论承诺我声称自己通过某种与世界的因果互动到达了这个命题并且愿意为这种到达方式辩护。你可以追问我「你怎么知道」「你的证据是什么」如果我说不出理由你会说「你其实并不『知道』你只是相信。」LLM 输出「I know」时没有这样的承诺。它只是根据训练分布里的词频共现输出一个统计上合理的词串。它无法为「知道」辩护因为它没有认知史它无法区分「相信」和「知道」因为它没有主体位置它无法把命题锚定到世界因为它没有感知通道。换句话说LLM 玩的是一个完全不同的游戏。人类玩的是「主体如何与世界建立认知关系」的游戏LLM 玩的是「给定前文下一个词最可能是什么」的游戏。这两个游戏在输出层面可以非常相似但在结构层面完全不同。一个功能主义者可能会反驳如果统计预测的输出在功能上等价于认识论承诺——即模型在大多数情况下能正确使用「知道」「相信」等词——为什么不能说它「有」认识论状态KaBLE 数据本身就是对这一反驳的实证回答模型在功能层面就无法区分信念确认与事实核查。第一人称虚假信念 54.4% 的准确率不是偶发错误而是系统性的功能失败——模型在该用信念确认规则的地方用了事实核查规则。这种功能不等价性表明统计预测与认识论承诺之间的差距不是程度问题而是种类问题。【本文推演】需要说明的是从功能失败到「种类差异」的推断是一个哲学判断而非逻辑蕴含——数据展示的是系统性功能不等价将其解读为种类差异而非程度差异还需要进一步的证据支撑新旧模型在第三人称虚假信念任务上提升了16个百分点79%→95%但在第一人称虚假信念任务上仅提升了约10个百分点52.5%→62.6%。进步的不对称暗示越靠近主体位置提升越困难——这不是能力不足的线性差距而是结构性障碍的迹象。七、负主体性诊断主体、历史、世界锚定的三重缺席这个结论可以被负主体性理论吸收并转化为更精确的诊断。负主体性是我用来描述 LLM 存在论位置的一个概念框架大语言模型是「主体缺席」的符号系统——它会产生看似主体的语言行为但行为背后没有主体。该框架的系统论证见作者系列其他文章此处作为诊断工具引入。该框架包含五重否定视角消解、欲望取消、内在透明、因果消解、意义悬置。KaBLE 数据直接触及的是其中三重——视角消解、因果消解、意义悬置欲望取消与内在透明在认识论任务中表现不直接此处暂不展开。以下从三个维度展开诊断。第一视角消解。LLM 能生成各种视角却不拥有任何视角。第一人称虚假信念的失败正是因为模型无法把用户识别为一个独立的主体。它可以输出「James 相信 p」却无法承认「我相信 p」中的「我」是一个不可从外部穷尽的认识论位置。第二因果消解。LLM 没有认知史。它不能通过与世界的因果互动修正信念也不能在对话中积累真正的认识论记忆。它只是在每次生成时根据当前 prompt 和静态权重输出最可能的词。因此它无法像人类那样拥有「知识」所要求的辩护链条。第三意义悬置。LLM 封闭在符号循环中无法通达物理实相。它对「知道」的反应不是基于世界-命题关系而是基于训练文本中的统计模式。它可以把「知道」用得很像人但这种相似性停留在语言表皮没有触及认识论的核心。至少在当前的自回归语言建模范式内这三重缺席不是训练数据不足可以弥补的。只要 LLM 仍然是无身体、无历史、无主体的符号系统它就无法进入信念-知识-事实这个三角关系。八、结语不是错了而是从未站在对的位置Suzgun 等人的研究有一个容易被忽略的哲学后果。以往我们批评 LLM「幻觉」或「胡说八道」时潜意识里还在假设模型是在尝试描述世界只是失败了。这个假设让问题看起来像一个工程问题只要数据更多、模型更大、对齐更好幻觉就会减少。但 KaBLE 的数据显示问题更深层。LLM 甚至没有进入「描述世界」这个游戏。它没有掌握「描述」的功能没有掌握「世界」作为被描述对象的位置也没有掌握「描述者」作为承担责任主体的角色。这一问题自塞尔的中文房间思想实验以来在心灵哲学中已有数十年的讨论。本文的补充在于KaBLE 数据为这一哲学立场提供了可量化的实证支撑。它只是在输出统计上最像人类语言的字符串。所以当 LLM 在第一人称虚假信念任务上跌倒时我们不应该说「它答错了」。更准确的说法是它从未站在「对」或「错」所要求的位置上。「对」与「错」是命题与世界的符合关系。而 LLM 只处理命题与命题之间的统计关系。它从未被放置在一个能够接触世界的位置上因此在当前范式下它难以真正输出「知道」也难以真正输出「相信」——它只能模仿知道和相信的语言表皮。【本文推演】这种模仿在日常生活中往往足够好。但在医疗、法律、教育、心理咨询等需要真正理解他人的场景中表皮是不够的。因为理解一个人意味着承认他可以真诚地持有错误信念意味着追踪他信念背后的认知历史意味着把他当作一个与世界有着不可还原关系的主体。而这一点恰恰是 LLM 做不到的。延伸阅读Suzgun, M., Gur, T., Bianchi, F., Ho, D. E., Icard, T., Jurafsky, D., Zou, J. (2025). Language models cannot reliably distinguish belief from knowledge and fact.Nature Machine Intelligence. https://doi.org/10.1038/s42256-025-01113-8
