在人工智能领域，鲜有一个比喻能像“随机鹦鹉”（Stochastic Parrots）这样引发如此广泛的讨论与争议。近日，该术语的联合提出者、华盛顿大学语言学教授Emily Bender在多个学术场合发表讲话，澄清这一概念的真正含义，纠正了外界对其的误读。
术语的诞生与误解
2021年，Emily Bender与Timnit Gebru、Angelina McMillan-Major及Margaret Mitchell联合发表了一篇题为《论随机鹦鹉的危险》的论文。文中首次提出“随机鹦鹉”这一概念，用以描述大型语言模型的语言生成机制——这些模型本质上是通过海量数据学习统计规律，再根据概率随机组合词汇生成文本，它们并不真正理解自己在“说”什么。
然而，这一术语在过去三年中逐渐被简化为对AI的全面否定或嘲弄。Bender在最近的演讲中指出：“许多人以为‘随机鹦鹉’是在说AI只是无脑复读机，但这完全误解了我们的本意。我们强调的是，这些模型生成的语言看似合理，实则缺乏对世界的真实理解。”
两种常见的错误解读
Bender具体指出了两种广泛的误解。第一种是将“随机鹦鹉”等同于低效的抄写工具。实际上，现代大型语言模型的生成机制远比简单复制复杂得多——它们能够组合不同的信息片段，产生看似新颖的表述，甚至能够通过上下文学习完成特定任务。但这种“理解”只是表面现象。
第二种误解认为“随机鹦鹉”否定了AI的一切价值。Bender澄清道：“我们从未说过这些模型毫无用处。恰恰相反，它们在某些特定任务上表现出色。我们需要警惕的是过度夸大它们的能力，尤其是当它们在医疗、法律、教育等关乎人类福祉的领域被盲目应用时。”
语言与理解的本质区别
作为语言学专家，Bender强调了语言生成与真正理解之间的关键区别。她解释道，人类在使用语言时，能够将词汇与实际世界中的经验、感知和情感相联系。当我们说“苹果”时，我们想到的是其颜色、味道、触感，甚至是咬一口时的声音和记忆。
而大型语言模型仅处理文本本身——它们从未见过真实的苹果，从未体验过温暖或寒冷，从未感受过快乐或悲伤。模型生成的“我觉得温暖”只是从训练数据中学到的一个合法字符串组合，而非真实的感受表达。
警示而非否定
Bender在演讲尾声再次强调了合作论文的核心观点：我们应当关注大型语言模型带来的潜在危害，包括环境成本、偏见放大、错误信息传播以及对语言多样性的侵蚀。
“我们不能因为模型能通过某些测试就认为它们具备了人类水平的智能，”Bender总结道，“承认局限性才能真正推动技术进步。我们应该问的不是‘模型有多智能’，而是‘我们应如何负责任地使用这些工具’。”
这场“随机鹦鹉”的澄清不仅仅是术语定义之争。它反映了当前AI讨论中的深层问题：技术崇拜与批判性思考之间的张力。在AI狂潮席卷各行各业的今天，Bender的发言无疑是一剂必要的清醒剂，提醒我们既不要盲目推崇AI的能力，也不要全盘否定其价值，而是需要保持理性、审慎的态度。
正如一位与会者所言：“理解‘随机鹦鹉’的真正含义，或许是我们与AI建立健康关系的第一步。”