一项新的研究表明，大型语言模型虽然在语言任务上表现优异，但在现实世界中的应用可能受到限制。研究人员发现，常见生成式 AI 模型在纽约市提供近乎完美的逐步驾驶路线，实际上并未形成精确的城市地图。在实际应用中，研究人员关闭了一些街道并添加了绕行路线后，模型表现迅速下降。研究发现，这可能是由于模型隐含生成的纽约地图包含大量不存在的街道。这对生成式 AI 模型在现实世界中的应用可能产生严重影响。研究人员指出，弄清模型是否正在学习连贯的世界模型是至关重要的。
：
随着科技的进步和人工智能的发展，大型语言模型在各种场景下表现出色，包括但不限于回答问题、提供建议、生成代码等。然而，在现实世界的应用中，这种模型可能会面临一些限制。
例如，一项新的研究表明，大型语言模型虽然在语言任务上表现优异，但在现实世界中的应用可能受到限制。研究人员发现，常见生成式 AI 模型在纽约市提供近乎完美的逐步驾驶路线，但实际上并未形成精确的城市地图。在实际应用中，研究人员关闭了一些街道并添加了绕行路线后，模型表现迅速下降。
研究者解释说，这是因为生成式 AI 模型的训练数据往往来自于已知的地图或者历史数据，这些数据往往只包含了城市的基本信息，缺乏对特定街道的存在与否的信息。当模型遇到没有标注街道的情况时，它就无法判断出这是真实存在的街道还是虚构的街道。
此外，这还可能是由于模型隐含生成的纽约地图包含大量不存在的街道。这种情况下，模型在实际应用中往往会忽视或误判某些街道的存在性，导致模型的表现出现偏差。
这种现象对我们理解和使用生成式 AI 在现实世界中的应用具有重要意义。我们需要更加深入地了解和研究模型的学习过程，以便更好地理解其行为机制，从而更准确地预测和处理复杂的问题。
总的来说，尽管大型语言模型在许多方面都表现优秀，但是在现实世界的应用中，我们仍然需要进一步探索和研究如何有效地利用这些模型来解决现实生活中的问题。只有这样，我们才能充分利用这些强大的工具，推动社会的进步和发展。