Fil de Y11 (@seclink)

Essayons de comprendre les grands modèles de langage (LLM) d'un point de vue différent : plutôt que de les considérer comme des « individus » dotés de pensées indépendantes, considérons-les comme un puissant « outil de simulation ». Par exemple, lorsque nous voulons explorer un sujet en profondeur, au lieu de demander directement « Que pensez-vous de XYZ ? », nous pouvons essayer de demander : « Si nous devions étudier XYZ, quel type d'équipe serait idéal ? Quels différents points de vue pourraient-ils avoir ? » La principale capacité du LLM réside dans son aptitude à simuler et à intégrer de multiples perspectives, plutôt que de posséder une conscience « pensante par elle-même » comme les humains. Elle n'a pas mené de recherches à long terme sur XYZ pour en tirer des conclusions uniques, mais a plutôt maîtrisé les connaissances et les modèles d'expression issus de différents domaines et perspectives en apprenant à partir d'une quantité massive de données. Lorsque nous posons une question en utilisant « vous », LLM associe automatiquement une certaine « caractéristique personnalisée » implicite dans les données d'entraînement et simule le ton d'un « penseur » pour répondre. Cette approche n'est pas mauvaise en soi, mais il faut comprendre que sa « réponse » consiste essentiellement en une réorganisation des modèles de données, plutôt qu'en une « pensée indépendante » au sens propre du terme. Plutôt que de considérer les résultats du LLM comme une sorte de « sagesse mystérieuse », il est préférable de les percevoir comme un outil efficace d'intégration de l'information. Une fois ce principe compris, nous pourrons l'utiliser de manière plus rationnelle, en l'orientant vers la simulation de perspectives issues de différents rôles et domaines, ce qui nous aidera à élargir notre réflexion et à susciter l'inspiration, plutôt que d'attendre d'elle des « réponses standard ». Cette compréhension pourrait rendre nos interactions avec l'IA plus claires et plus pertinentes.