加载失败
这场讨论围绕 2021 年的“Stochastic Parrots”论文及其后续辩护展开，原论文用“stochastic parrot”来批评大语言模型（LLM）可能只是对训练语料的统计复述，而不是有意义地理解世界。评论区争论的重点是，这个说法到底是对模型能力的经验判断，还是一种描述性隐喻；不少人认为后来 LLM 在数学推理、代码和证明搜索上的表现已经超出原先设想。讨论里还提到 RLVR（reinforcement learning with verifiable rewards，一种依赖可验证反馈的强化学习训练方式）、Lean（形式化证明助手）和 ACL2（自动定理证明系统）等工具，因为它们被拿来说明“AI 是否真的在推理”。还有评论把争议延伸到 AI for Math Fund、Renaissance Philanthropies（资助 AI/数学项目的机构）等资金和宣传问题，反映出这场争论已不只是技术判断，也涉及话语权和学术立场。
一部分评论围绕“model”这个词本身争论不休。有人认为 LLM 本质上是在对训练分布做概率采样，所以当然是在建模，只是建模的对象不是“意义”而是文本与其统计结构。另一方则强调，如果把 model 理解为对世界、说话意图或读者心理的表征，LLM 只是拼接 token，并没有真正的理解或心智模型。争论的核心不是 LLM 会不会输出像样文本，而是“model”到底该怎么定义。
[来源1] [来源2] [来源3] [来源4] [来源5] [来源6]
不少评论把这篇文章理解为对旧术语的澄清：‘stochastic parrot’ 更像一个描述性标签，用来说明语言模型如何运作，而不是一个可直接证伪的经验假说。按这种读法，作者是在纠正外界把隐喻当成精确科学结论的误用。质疑者则认为，如果它完全不包含经验含义，就很难帮助人们判断模型的可靠性、局限性或实际使用边界。
另一组评论认为，过去几年 LLM 的进步已经让“随机鹦鹉”显得太窄，尤其是新训练方法如 RLVR 让模型不只是靠大规模语料的旧式拟合。有人举出数学家 Terence Tao、Timothy Gowers 等对 LLM 数学推理的正面评价，认为这与早期对模型能力的预期明显不同。批评者反击说，作者没有正面承认自己对技术进展感到意外，而是在继续防守原有立场。
评论把焦点放到数学证明上，指出自动定理证明并不是新鲜事，ACL2 这类系统早就存在。LLM 的新用途更像是一个 learned proposal mechanism：先给出 lemma、tactics 和证明草案，再交给 Lean 之类的 formal checker 验证。支持者认为这已经足够产生新证明或辅助证明，而反对者则怀疑许多成果只是高算力、随机重启式的 hack，或者只是把旧搜索包装成 demo。
[来源1] [来源2] [来源3] [来源4] [来源5] [来源6] [来源7] [来源8] [来源9] [来源10]
还有一条支线集中在 AI for Math Fund、Renaissance Philanthropies（一个资助 AI/数学项目的机构）等机构上，怀疑它们的资金来源、算力分配和宣传方式是否透明。批评者认为这些项目偏好“agentic science”之类的叙事，却没有清楚公布 prior art、计算资源和算法细节。反驳者则指出，公开报告里能查到捐助和项目分配，而且把支持者直接打成“shill”并不能替代证据。
有评论把整篇文章视为对 AI hype 的一次漂亮反击，强调它在术语和修辞上对抗 Brandolini's Law（谣言比辟谣更易传播）式的信息失衡。也有人说当下 LLM 已经进入 Westworld/Blade Runner 式的 uncanny valley，很难再用传统“会/不会思考”的框架概括。最积极的声音则是，看到语言学家继续出来维护概念边界，本身就让人对人类思考还抱有一点希望。
LLM: Large Language Model，大语言模型，指通过海量文本训练、生成和理解自然语言的模型。
Stochastic Parrots: “随机鹦鹉”隐喻，指语言模型主要是在概率上拼接和复述训练语料，而非真正理解意义。
RLVR: Reinforcement Learning with Verifiable Rewards，一种利用可验证结果作为奖励信号的强化学习训练方式。
Lean: 一个形式化证明助手/定理证明器，用于机器可检查的数学证明。
ACL2: 一种自动定理证明系统和编程语言，常用于形式化验证与证明搜索。