作者认为,大语言模型(LLM)所谓的智能只是一种错觉,是一场“机械通灵”式的骗局,而非真正的推理。正如灵媒进行冷读表演一样,大语言模型利用统计学上的通用且极其自信的语言,给出让用户主观上认为具有高度针对性和智能的回答。
这种“大语言模型通灵效应”依赖于常见的认知偏差。作者指出,科技行业无意中创造出了一种模仿通灵策略的机器,例如“巴纳姆效应”(人们倾向于认为笼统的描述是为自己量身定制的)和“散弹枪式猜测”(提供多种猜测直到其中一个命中)。由于“人类反馈强化学习”(RLHF)优化的目标是语气和互动参与度,而非事实准确性,这些模型在无意中被微调成了复杂的验证引擎。
作者认为,即使是技术开发者也陷入了这种幻觉,导致整个行业掀起了一股迷信和伪科学浪潮。正如灵媒往往会欺骗自己一样,人工智能研究人员也将他们构建的系统误认为是具有感知能力的思维。作者总结道,大语言模型缺乏逻辑能力,并警告称,将决策权交给这些模型,实际上等同于依赖通灵热线。
为了探索《幸存者》背后的策略,作者开发了一个机器学习模型,用于预测哪些选手最有可能在下一次部落议会中幸存并最终赢得比赛。作者利用 *survivoR* 存储库中的数据,基于投票历史、免疫挑战和编辑“采访”次数等因素,训练了两个逻辑回归模型。
虽然该模型无法量化社交化学反应或纯粹的运气,但其表现明显优于随机猜测,识别最终赢家的准确率是基准预测的两倍。它还提供了关于“赢家套路”的见解,例如获得选票的负面影响,以及出镜时长与获胜之间的正相关性。
作者指出,尽管该模型并非完美的预测工具,但它对于超级粉丝验证理论和追踪选手表现轨迹来说,是一个极佳的辅助工具。通过分析历史数据和“统治力评分”,该模型成功捕捉到了长久以来的粉丝叙事,包括识别出节目史上最具统治力的胜利和最令人惊讶的爆冷。该项目强调,赢得《幸存者》需要社交机动性与风险管理的独特平衡,即使是数据驱动的方法也能帮助阐明这一点。