查看PDF摘要：针对大型语言模型（LLMs）和基于LLM的代理工作流进行了大量研究。然而，该领域的许多研究声称、归因或假设它们具普遍的人形属性（例如，道德或理解自然语言的能力）。我们的目标不是支持或反对这些属性的存在，而是指出这些结论可能是错误的。为此，我们在视频游戏《帝国时代 II》上构建并训练了一个简单的神经网络，并注意到任何在足够强大的基质中存在的实体，例如乐高或大波士顿地区，也可能具备这样的属性。因此，LLMs所声称的人形属性在经验上并非独特：尽管某些特性（例如对提示的响应）可能保持不变，但其他特性，比如对其感知行为的解释，可能会随着基质的变化而改变。因此，任何基于经验的讨论都需要明确的测量标准；否则，解释将留给表示。然后我们展示了，假设这些属性在系统中存在或不存在，无论基质如何和以何种一般化方式，都导致循环或无信息的结论，无论实验者对此主题的观点如何。最后，我们提出了一种“零”假设，即假设LLM的非独特性，而不是假设人形属性来设定实验，并给出其例子。我们还讨论了对我们工作的潜在反对，简要回顾了该领域，并证明《帝国时代 II》在功能上是图灵完备的。主题：计算与语言（cs.CL）；人工智能（cs.AI）；计算机与社会（cs.CY）引用为：arXiv:2605.31514 [cs.CL]（或arXiv:2605.31514v2 [cs.CL]用于此版本） https://doi.org/10.48550/arXiv.2605.31514 arXiv发布的DOI通过DataCite 提交历史 发件人：Adrian de Wynter [查看邮箱] [v1] 2026年5月29日星期五 16:31:31 UTC (13,704 KB) [v2] 2026年6月1日星期一 21:31:22 UTC (13,705 KB)