2026年10月18日，斯坦福大学计算机科学教授Christopher Manning在接受采访中阐述，尽管大语言模型（LLM）在翻译、问答、写作等语言任务上取得显著进展，但其仍难以捕捉语言的深层含义与“言外之意”，这在自然语言处理（NLP）领域仍是一个未解决的核心问题。
Manning指出，当前LLM研究已从关注任务完成能力，转向探讨模型是否具备真正的语言理解能力。他指出，LLM在处理连续对话时容易出现“过度自信”问题——当信息依据不足时，模型常给出确定性回答，而非人类常见的“可能”“我不太确定”等模糊表达，这在实际应用中可能影响信息可靠性判断。
此外，Manning从语言学视角解释，LLM本质上是一个“抽象学习器”，但其语言学习更多依赖于“实例优先”方式，缺乏对语言规律的深度抽象建构。语用学（Pragmatics）关注言语在具体交际情境中的实际含义，过去长期被视为NLP的“软肋”，而LLM虽具备一定语用能力，但仍难以恰当地表达不确定性。
他指出，随着大模型时代的到来，NLP研究问题结构正在转变：从“模型能否完成任务”，转向“模型如何形成语言能力”“这种能力与人类语言理解的关系”。这种转向推动了语言学思想在AI研究中的持续影响力。
（来源：搜狐时间线）
参考来源：
- 当 LLM 学会抽象，语言学还有什么不可替代的价值？ - 搜狐时间线 2026-10-18
由 AI 整理，仅供参考；请以原始来源为准。
