Hier ist die längere Version unseres Nature-Artikels. Unser Argument ist einfach: Statistische Annäherung ist nicht dasselbe wie Intelligenz. Starke Benchmark-Ergebnisse sagen oft sehr wenig darüber aus, wie LLMs unter Neuheit, Unsicherheit oder sich ändernden Zielen agieren. Noch wichtiger ist, dass ähnliche Verhaltensweisen aus grundlegend unterschiedlichen Prozessen entstehen können. In einem anderen Papier haben wir sieben epistemologische Bruchlinien zwischen Menschen und LLMs identifiziert. Zum Beispiel haben LLMs keine interne Repräsentation dessen, was wahr ist. Sie erzeugen oft selbstbewusste Widersprüche, insbesondere in längeren Interaktionen, weil sie nicht verfolgen, was tatsächlich wahr ist. Ein weiteres Beispiel. Ja, LLMs haben einige offene mathematische Probleme gelöst, aber diese Fälle beinhalten typischerweise die Anwendung bekannter Methoden auf klar definierte Probleme. LLMs können nichts wirklich Neues und gleichzeitig Wahres erfinden, weil ihnen die epistemische Maschinerie fehlt, um zu bestimmen, was wahr ist. Das bedeutet nicht, dass LLMs nutzlos sind. Ganz im Gegenteil: Sie sind außergewöhnlich nützlich. Aber wir sollten vorsichtig sein, was sie sind und was sie nicht sind. Plausiblen Text zu produzieren ist nicht dasselbe wie zu verstehen. Statistische Vorhersage ist nicht dasselbe wie Intelligenz. Trotz des Hypes von den üblichen Verdächtigen wurde AGI nicht erreicht. * Papier in der ersten Antwort Gemeinsam mit @Walter4C und @GaryMarcus