Μιλάμε στα LLMs σαν να είναι άνθρωποι — και αυτό έχει συνέπειες

Τα μεγάλα γλωσσικά μοντέλα (LLMs) παραμένουν ένα αμφιλεγόμενο θέμα. Μεταξύ αυτών που τα αντιμετωπίζουν με υπερβολικό ενθουσιασμό και εκείνων που τα απορρίπτουν εξ ολοκλήρου, υπάρχει μια διάσταση που συχνά περνά απαρατήρητη: η γλώσσα που χρησιμοποιούμε για να τα περιγράψουμε.

Η ανθρωπομορφοποίηση κρύβεται στις λέξεις

Οι ερευνήτριες Emily M. Bender και Nanna Inie έχουν εξετάσει συστηματικά τον τρόπο με τον οποίο οι άνθρωποι μιλούν για τα LLMs και έχουν εντοπίσει ένα επαναλαμβανόμενο μοτίβο: η γλώσσα που χρησιμοποιούμε αποδίδει ασυνείδητα νοητικές και γνωστικές ιδιότητες σε αυτά τα συστήματα, παρόλο που πρόκειται απλώς για λογισμικό.

Ένα χαρακτηριστικό παράδειγμα: γιατί ένα LLM «αναγνωρίζει» κάτι όταν εκτελεί «αναγνώριση ομιλίας»; Η λέξη «αναγνωρίζει» παραπέμπει σε νοητική διεργασία, ενώ η αντίστοιχη τεχνική πραγματικότητα είναι απλά μια υπολογιστική μετατροπή ήχου σε κείμενο. Οι Bender και Inie προτείνουν τον όρο «αυτόματη μεταγραφή» ως πιο ακριβή εναλλακτική.

Το «hallucination» και άλλοι προβληματικοί όροι

Ιδιαίτερα ενδιαφέρουσα είναι η κριτική τους στον όρο «hallucination», ο οποίος χρησιμοποιείται ευρέως για να περιγράψει τις περιπτώσεις όπου ένα LLM παράγει εσφαλμένες ή επινοημένες πληροφορίες. Η λέξη «hallucination» (παραίσθηση) εμπεριέχει την έννοια της συνείδησης και της αντίληψης — ιδιότητες που προφανώς δεν υπάρχουν σε ένα γλωσσικό μοντέλο. Οι ίδιες οι ερευνήτριες παραδέχονται ότι η πρότασή τους για «ανεπιθύμητη έξοδο» (undesirable output) δεν είναι απολύτως ικανοποιητική, αλλά παραμένει πιο ουδέτερη και τεχνικά ακριβής.

Σε πιο σταθερό έδαφος κινούνται με την πρόταση να χρησιμοποιούμε τους όρους «είσοδος» (input) και «έξοδος» (output) αντί για «prompt» και «response». Το «response» (απάντηση) παραπέμπει σε επικοινωνία μεταξύ έλλογων υποκειμένων, ενώ η «έξοδος» περιγράφει με ακρίβεια αυτό που πραγματικά συμβαίνει: ένα σύστημα παράγει ένα αποτέλεσμα βάσει μιας εισόδου.

Γιατί έχει σημασία η γλώσσα

Το ζήτημα δεν είναι απλώς ακαδημαϊκό. Η γλώσσα διαμορφώνει αντιλήψεις. Όταν μιλάμε για ένα LLM σαν να «σκέφτεται», «καταλαβαίνει» ή «απαντά», δημιουργούμε νοητικά μοντέλα που μπορεί να οδηγήσουν σε παρανοήσεις για τις πραγματικές δυνατότητες και τα όρια αυτών των συστημάτων. Αυτό με τη σειρά του επηρεάζει τον τρόπο που τα χρησιμοποιούμε, τις προσδοκίες που σχηματίζουμε και τις αποφάσεις που παίρνουμε βάσει των αποτελεσμάτων τους.

Τα LLMs αναμφίβολα θα παραμείνουν παρόντα στην τεχνολογική πραγματικότητα για το προβλέψιμο μέλλον. Η γλώσσα γύρω τους, ωστόσο, είναι ικανή να εξελιχθεί — και μερικές από τις προτάσεις των Bender και Inie αξίζει να ληφθούν υπόψη από όσους γράφουν, διδάσκουν ή απλώς συνομιλούν για αυτά τα συστήματα.

Πηγές

• Hackaday — How To Talk To A Machine Without Anthropomorphising It (Jenny List, 7 Σεπτεμβρίου 2026)