A Categorical Analysis of Large Language Models and Why LLMs Circumvent the Symbol Grounding Problem

本文提出了一种形式化的范畴论框架，用于分析人类与大语言模型（LLM）如何将内容转化为关于可能世界状态空间W的可进行真值判断的命题，借此论证大语言模型并非解决了符号接地问题，而是绕过了该问题。

论文试图解决或探讨的问题是：大型语言模型（LLMs）是否真正解决了人工智能中的符号接地（symbol grounding）问题，即符号与现实世界语义之间的连接。作者假设LLMs并非真正实现语义理解，而是绕过了这一根本问题。这虽然是一个经典哲学与认知科学问题，但在LLM时代被重新激活，具有新的现实意义。

论文提出一个形式化的范畴论框架，用于建模人类与LLMs如何将内容转化为关于可能世界状态空间W的、可真值判断的命题。关键思想是：人类通过感知与行动实现符号的‘接地’，而LLMs仅在形式符号系统内操作，缺乏与外部世界的因果互动，因此只是‘绕过’而非‘解决’符号接地问题。这一思路从数学结构层面区分了理解与模拟，为批判性评估LLM的认知能力提供了新工具。

论文的亮点在于引入范畴论作为分析语言与意义关系的元框架，具有高度抽象性和理论深度。虽然未涉及传统实验或数据集，但其形式化建模方式为AI基础理论研究提供了新路径。未提及开源代码，主要贡献在理论层面。值得深入的方向包括：将该框架扩展至具身AI或多模态模型，以检验接地机制的实际演化。

1. 'Grounding Symbols in Perception and Action: A Cognitive Robotics Perspective' (Roy, 2005) 2. 'The Symbol Grounding Problem' (Harnad, 1990) 3. 'Language Models are Few-Shot Learners' (Brown et al., 2020) 4. 'Emergent Communication in Artificial Agents' (Lowe et al., 2020) 5. 'Towards a Formal Theory of Language Understanding' (Boltuc & Boltuc, 2023)