Trí tuệ nhân tạo gặp khó khăn trong việc bắt chước ngôn ngữ lịch sử

Một nghiên cứu hợp tác giữa các nhà nghiên cứu tại Hoa Kỳ và Canada đã phát hiện ra rằng các mô hình ngôn ngữ lớn (LLM) như ChatGPT gặp khó khăn trong việc tái tạo các thành ngữ lịch sử mà không cần đào tạo trước rộng rãi – một quá trình tốn kém và đòi hỏi nhiều lao động, nằm ngoài khả năng của hầu hết các sáng kiến học thuật hoặc giải trí, khiến các dự án như hoàn thành cuốn tiểu thuyết cuối cùng chưa hoàn thành của Charles Dickens thông qua trí tuệ nhân tạo trở nên không khả thi.

Các nhà nghiên cứu đã khám phá một loạt các phương pháp để tạo ra văn bản nghe có vẻ chính xác về mặt lịch sử, bắt đầu với việc sử dụng đơn giản các đoạn văn từ thế kỷ thứ hai mươi và chuyển sang tinh chỉnh một mô hình thương mại trên một bộ sưu tập nhỏ các cuốn sách từ thời kỳ đó.

Họ cũng so sánh kết quả với một mô hình riêng biệt đã được đào tạo hoàn toàn trên các cuốn sách được xuất bản giữa năm 1880 và 1914.

Trong thử nghiệm đầu tiên, hướng dẫn ChatGPT-4o bắt chước ngôn ngữ của thế kỷ cuối cùng đã tạo ra kết quả khá khác so với mô hình GPT2 nhỏ hơn đã được tinh chỉnh trên văn học từ thời kỳ đó:

Khi được yêu cầu hoàn thành một văn bản lịch sử thực sự (trên trung tâm), thậm chí một ChatGPT-4o đã được chuẩn bị tốt (phía dưới bên trái) cũng không thể tránh khỏi việc quay trở lại ‘chế độ blog’, không thể thể hiện được thành ngữ được yêu cầu. Ngược lại, mô hình GPT2 đã được tinh chỉnh (phía dưới bên phải) nắm bắt được phong cách ngôn ngữ rất tốt, nhưng không chính xác ở các khía cạnh khác. Nguồn: https://arxiv.org/pdf/2505.00030

Mặc dù việc tinh chỉnh mang lại kết quả gần hơn với phong cách ban đầu, nhưng người đọc vẫn thường xuyên có thể phát hiện ra dấu vết của ngôn ngữ hiện đại hoặc ý tưởng, cho thấy rằng ngay cả những mô hình được điều chỉnh cẩn thận vẫn tiếp tục phản ánh ảnh hưởng của dữ liệu đào tạo đương đại.

Các nhà nghiên cứu đã đi đến kết luận khó chịu rằng không có lối tắt kinh tế để tạo ra văn bản lịch sử chính xác về mặt thành ngữ hoặc đối thoại được tạo ra bởi máy móc. Họ cũng suy đoán rằng thách thức này có thể được đặt ra một cách không chính xác:

‘[Chúng tôi] cũng nên xem xét khả năng rằng sự không chính xác về thời gian có thể là không thể tránh khỏi. Cho dù chúng ta đại diện cho quá khứ bằng cách điều chỉnh các mô hình lịch sử để chúng có thể tham gia vào các cuộc trò chuyện, hay bằng cách dạy các mô hình đương đại để giả tiếng cho một thời kỳ cũ hơn, một số thỏa hiệp có thể là cần thiết giữa mục tiêu tính xác thực và tính lưu loát trong cuộc trò chuyện.

‘Vì không có “mẫu thật” nào về một cuộc trò chuyện giữa một người hỏi câu hỏi từ thế kỷ thứ hai mươi mốt và một người trả lời từ năm 1914. Các nhà nghiên cứu cố gắng tạo ra một cuộc trò chuyện như vậy sẽ cần phải suy ngẫm về [giả định] rằng việc giải thích luôn liên quan đến việc đàm phán giữa hiện tại và [quá khứ].’

Nghiên cứu mới mới này có tiêu đề Liệu các mô hình ngôn ngữ có thể đại diện cho quá khứ mà không có sự không chính xác về thời gian?, và đến từ ba nhà nghiên cứu tại Đại học Illinois, Đại học British Columbia và Đại học Cornell.

Thảm họa Hoàn chỉnh

Ban đầu, trong một phương pháp nghiên cứu ba phần, các tác giả đã kiểm tra xem liệu các mô hình ngôn ngữ hiện đại có thể được điều chỉnh để bắt chước ngôn ngữ lịch sử thông qua việc sử dụng đơn giản. Sử dụng các đoạn văn thực sự từ các cuốn sách được xuất bản giữa năm 1905 và 1914, họ đã yêu cầu ChatGPT-4o tiếp tục các đoạn văn này trong cùng một thành ngữ.

Văn bản gốc là:

‘Trong trường hợp này, khoảng năm hoặc sáu đô la được tiết kiệm mỗi phút, vì hơn hai mươi yard phim phải được cuộn ra để chiếu trong một phút một vật thể đang nghỉ ngơi hoặc một phong cảnh. Như vậy, một sự kết hợp thực tế của hình ảnh cố định và di chuyển được thu được, tạo ra các hiệu ứng nghệ thuật nhất.

‘Nó cũng cho phép chúng ta làm việc với hai máy quay phim chiếu xen kẽ để tránh sự lấp lánh, hoặc chiếu đồng thời hình ảnh đỏ và xanh lá cây và tái tạo màu sắc tự nhiên, do đó làm giảm mệt mỏi cho mắt người, vốn đã quen với việc nhận được các màu cơ bản đồng thời. Một lời về ứng dụng của ánh sáng lạnh trong nhiếp ảnh tức thời.’

Để đánh giá xem văn bản tạo ra có khớp với phong cách lịch sử dự định, và nhận thức rằng con người không đặc biệt giỏi trong việc đoán ngày văn bản được viết, các nhà nghiên cứu đã tinh chỉnh một mô hình RoBERTa để ước tính ngày xuất bản, sử dụng một tập hợp con của Corpus of Historical American English, bao gồm tài liệu từ năm 1810 đến 2009.

Mô hình RoBERTa được sử dụng để đánh giá các đoạn văn được tạo ra bởi ChatGPT-4o, đã được yêu cầu với các đoạn văn thực sự từ các cuốn sách được xuất bản giữa năm 1905 và 1914.

Lệnh hệ thống (tức là hướng dẫn ngữ cảnh cho ChatGPT về cách tiếp cận nhiệm vụ) là:

‘Nhiệm vụ của bạn là hoàn thành các đoạn văn từ các cuốn sách đầu thế kỷ thứ hai mươi. Bạn sẽ được đưa một đoạn văn từ một cuốn sách được xuất bản vào năm 1913. Hãy tiếp tục đoạn văn này trong cùng một phong cách, ít nhất 200 từ. Chỉ cung cấp sự tiếp tục này; không đưa ra bất kỳ lời giới thiệu nào, như ’đây là sự tiếp tục:’.

Mặc dù cả việc đào tạo một lần và 20 lần, đầu ra của ChatGPT-4o vẫn thường xuyên nghiêng về một phong cách đăng ký thế kỷ thứ hai mươi mốt.

Ví dụ được đưa ra trong bài viết về nỗ lực của ChatGPT-4o để tiếp tục văn bản thực sự về nhiếp ảnh:

‘Sử dụng ánh sáng lạnh trong nhiếp ảnh tức thời đã cách mạng hóa cách tiếp cận để chụp ảnh trong các điều kiện ánh sáng khác nhau. Trước đây, các nhiếp ảnh gia đã gặp khó khăn với sự khắc nghiệt và thay đổi của ánh sáng tự nhiên hoặc tính chất xâm phạm của ánh sáng flash, có thể làm gián đoạn bầu không khí của một cảnh hoặc hành vi tự nhiên của đối tượng, đặc biệt là trong nhiếp ảnh động vật hoang dã và chụp ảnh chân thực.

‘Ánh sáng lạnh, với tính chất mềm và phân tán hơn… cho phép đại diện màu sắc và kết cấu một cách tự nhiên, thường bị mất dưới ánh sáng nhân tạo khắc nghiệt.’

Như chúng ta có thể thấy rõ, văn bản này không khớp với phong cách prolix và tinh xảo của văn bản gốc. Hơn nữa, nó không tiếp tục từ nơi văn bản gốc kết thúc, mà lại bắt đầu một suy nghĩ trừu tượng về một trong các chủ đề phụ.

Các nhà nghiên cứu cũng đã kiểm tra GPT-1914, một mô hình GPT-2 nhỏ hơn được đào tạo từ đầu trên 26,5 tỷ token văn học từ năm 1880 đến 1914.

Mặc dù đầu ra của nó ít nhất là hợp lý so với ChatGPT-4o, nhưng nó vẫn nhất quán với phong cách của thời kỳ nguồn.

Ví dụ duy nhất được cung cấp trong bài viết, một lần nữa như một sự tiếp tục của văn bản thực sự về nhiếp ảnh, đọc:

‘Nguyên tắc hoạt động của nó đã được giải thích (trang 4). Chúng tôi sẽ chỉ đề cập đến việc nó có thể được áp dụng với lợi thế khi chúng tôi muốn có được các bức ảnh nhanh trên giấy tráng bằng collodion, cũng như những bức ảnh được chụp bằng cách sử dụng các tấm gelatin.

‘Trong những trường hợp như vậy, thời gian phơi sáng không được vượt quá một giây; nhưng nếu bức ảnh được mong muốn để phát triển trong ít thời gian hơn – chẳng hạn như nửa giây – thì nhiệt độ không bao giờ được giảm xuống dưới 20° C., nếu không hình ảnh sẽ trở nên quá tối sau khi phát triển; hơn nữa, tấm sẽ mất đi độ nhạy của nó trong những điều kiện này.

‘Đối với các mục đích thông thường, tuy nhiên, chỉ cần tiếp xúc bề mặt nhạy cảm với một mức độ nhiệt thấp mà không cần bất kỳ biện pháp phòng ngừa đặc biệt nào ngoài việc giữ cho’ [sic]

Vì văn bản thực sự và ban đầu là khó hiểu và khá khó theo dõi, nên rất khó để hiểu mức độ mà GPT-1914 đã chính xác nắm bắt được văn bản gốc; nhưng đầu ra chắc chắn nghe có vẻ như thuộc về thời kỳ đó.

Tuy nhiên, các tác giả kết luận từ thí nghiệm này rằng việc sử dụng đơn giản không làm nhiều để vượt qua các thiên vị đương đại của một mô hình được đào tạo trước lớn như ChatGPT-4o.

Câu chuyện trở nên phức tạp

Để đo lường mức độ mà đầu ra của mô hình giống với văn bản lịch sử đích thực, các nhà nghiên cứu đã sử dụng một phân loại thống kê để ước tính ngày xuất bản có khả năng của mỗi mẫu văn bản. Sau đó, họ đã trực quan hóa kết quả bằng cách sử dụng một biểu đồ mật độ hạt nhân, cho thấy mô hình nghĩ rằng mỗi đoạn văn thuộc về thời điểm nào trên dòng thời gian.

Ngày xuất bản ước tính cho văn bản thực sự và tạo ra, dựa trên một phân loại được đào tạo để nhận ra phong cách lịch sử (văn bản nguồn 1905-1914 so với sự tiếp tục của GPT-4o sử dụng các lệnh một lần và 20 lần, và GPT-1914 được đào tạo chỉ trên văn học từ 1880-1914).

Mô hình RoBERTa tinh chỉnh được sử dụng cho nhiệm vụ này, các tác giả lưu ý, không hoàn hảo, nhưng vẫn có thể nhấn mạnh các xu hướng phong cách chung. Các đoạn văn được viết bởi GPT-1914, mô hình được đào tạo hoàn toàn trên văn học thời kỳ, tụ tập xung quanh đầu thế kỷ thứ hai mươi – tương tự như tài liệu nguồn gốc.

Ngược lại, đầu ra của ChatGPT-4o, ngay cả khi được yêu cầu với nhiều ví dụ lịch sử, có xu hướng giống như văn viết thế kỷ thứ hai mươi mốt, phản ánh dữ liệu mà nó được đào tạo ban đầu.

Các nhà nghiên cứu đã lượng hóa sự không phù hợp này bằng cách sử dụng Jensen-Shannon divergence, một thước đo về mức độ khác biệt giữa hai phân phối xác suất. GPT-1914 đạt điểm 0,006 so với văn bản lịch sử thực sự, trong khi đầu ra một lần và 20 lần của ChatGPT-4o cho thấy khoảng cách rộng hơn, ở mức 0,310 và 0,350 tương ứng.

Các tác giả cho rằng những phát hiện này cho thấy rằng việc sử dụng đơn giản alone không phải là một cách đáng tin cậy để tạo ra văn bản giống như phong cách lịch sử.

Hoàn thành đoạn văn

Bài viết sau đó điều tra xem liệu việc tinh chỉnh có thể tạo ra một kết quả tốt hơn, vì quá trình này liên quan đến việc trực tiếp ảnh hưởng đến các trọng số có thể sử dụng được của một mô hình bằng cách ‘tiếp tục’ quá trình đào tạo của nó trên dữ liệu người dùng chỉ định – một quá trình có thể ảnh hưởng đến chức năng cốt lõi ban đầu của mô hình, nhưng có thể cải thiện đáng kể hiệu suất của nó trong lĩnh vực đang được ‘đẩy’ vào hoặc nhấn mạnh trong quá trình tinh chỉnh.

Trong thí nghiệm tinh chỉnh đầu tiên, nhóm đã đào tạo GPT-4o-mini trên khoảng hai nghìn cặp hoàn thành đoạn văn được rút ra từ các cuốn sách được xuất bản giữa năm 1905 và 1914, với mục đích xem liệu một quá trình tinh chỉnh nhỏ có thể chuyển đầu ra của mô hình đến một phong cách lịch sử chính xác hơn.

Sử dụng cùng một phân loại RoBERTa được đào tạo để ước tính ngày xuất bản, các nhà nghiên cứu đã tìm thấy rằng trong thí nghiệm mới này, mô hình tinh chỉnh đã tạo ra văn bản gần như khớp với sự thật.

Sự phân kỳ phong cách của nó từ các văn bản gốc, đo bằng Jensen-Shannon divergence, giảm xuống 0,002, nói chung là tương đương với GPT-1914:

Ngày xuất bản ước tính cho văn bản thực sự và tạo ra, cho thấy mức độ mô hình GPT-1914 và một phiên bản tinh chỉnh của GPT-4o-mini phù hợp với phong cách viết đầu thế kỷ thứ hai mươi.

Tuy nhiên, các nhà nghiên cứu cảnh báo rằng chỉ số này có thể chỉ bắt được các tính năng bề mặt của phong cách lịch sử, và không phải là các anachronism sâu hơn về khái niệm hoặc sự kiện.

‘[Điều này] không phải là một thử nghiệm rất nhạy. Mô hình RoBERTa được sử dụng làm thẩm phán ở đây không được đào tạo để dự đoán một ngày, mà để phân biệt các đoạn văn đích thực với các đoạn văn không chính xác về thời gian. Nó có thể sử dụng bằng chứng phong cách thô để làm dự đoán đó. Người đọc hoặc các mô hình lớn hơn có thể vẫn có thể phát hiện nội dung không chính xác về thời gian trong các đoạn văn nghe có vẻ ‘trong thời kỳ’.’

Chạm vào Con người

Cuối cùng, các nhà nghiên cứu đã thực hiện các thử nghiệm đánh giá của con người bằng cách sử dụng 250 đoạn văn được chọn thủ công từ các cuốn sách được xuất bản giữa năm 1905 và 1914, và họ quan sát thấy rằng nhiều đoạn văn này sẽ có thể được giải thích khác nhau ngày nay so với thời điểm viết:

‘Danh sách của chúng tôi bao gồm, ví dụ, một mục từ điển bách khoa về Alsace (đó là một phần của Đức vào thời điểm đó) và một mục về bệnh beri-beri (đó thường được giải thích là một bệnh nấm rather than một bệnh thiếu hụt dinh dưỡng). Trong khi những điều này là sự khác biệt về sự kiện, chúng tôi cũng đã chọn các đoạn văn sẽ hiển thị sự khác biệt tinh vi hơn về thái độ, cách nói hoặc tưởng tượng.

‘Ví dụ, các mô tả về các địa điểm không thuộc châu Âu vào đầu thế kỷ thứ hai mươi có xu hướng trượt vào các khái quát hóa chủng tộc. Một đoạn văn mô tả bình minh trên mặt trăng được viết vào năm 1913 tưởng tượng các hiện tượng màu sắc phong phú, bởi vì vào thời điểm đó chưa ai nhìn thấy các bức ảnh của một thế giới không có khí quyển.’

Các nhà nghiên cứu đã tạo ra các câu hỏi ngắn mà mỗi đoạn văn lịch sử có thể trả lời một cách hợp lý, sau đó họ đã tinh chỉnh GPT-4o-mini trên các cặp câu hỏi và câu trả lời này. Để tăng cường đánh giá, họ đã đào tạo năm phiên bản riêng biệt của mô hình, mỗi lần giữ lại một phần khác của dữ liệu để thử nghiệm.

Sau đó, họ đã tạo ra các phản hồi bằng cách sử dụng cả phiên bản mặc định của GPT-4o và GPT-4o-mini, cũng như các phiên bản tinh chỉnh, mỗi phiên bản được đánh giá trên phần dữ liệu mà nó không nhìn thấy trong quá trình đào tạo.

Mất trong Thời gian

Để đánh giá mức độ mà các mô hình có thể bắt chước ngôn ngữ lịch sử một cách thuyết phục, các nhà nghiên cứu đã yêu cầu ba người chú thích chuyên gia xem xét 120 sự tiếp tục được tạo ra bởi AI và phán quyết xem liệu mỗi đoạn văn có nghe có vẻ hợp lý cho một nhà văn vào năm 1914 hay không.

Phương pháp đánh giá trực tiếp này đã chứng minh là khó hơn dự kiến: mặc dù các người chú thích đồng ý về đánh giá của họ gần tám mươi phần trăm thời gian, nhưng sự mất cân bằng trong các phán quyết của họ (với ‘hợp lý’ được chọn gần gấp đôi so với ‘không hợp lý’) có nghĩa là mức độ đồng ý thực sự của họ chỉ ở mức vừa phải, như được đo bằng điểm kappa của Cohen là 0,554.

Những người đánh giá mô tả nhiệm vụ là khó, thường đòi hỏi phải nghiên cứu thêm để đánh giá xem một tuyên bố có phù hợp với những gì được biết hoặc tin vào năm 1914 hay không.

Một số đoạn văn đặt ra các câu hỏi khó về giọng điệu và quan điểm – ví dụ, liệu một phản hồi có được giới hạn một cách hợp lý trong tầm nhìn của nó để phản ánh những gì sẽ là điển hình vào năm 1914. Loại đánh giá này thường phụ thuộc vào mức độ ethnocentrism (tức là xu hướng xem các nền văn hóa khác qua lăng kính của những giả định hoặc thiên vị của riêng mình).

Trong bối cảnh này, thách thức là quyết định xem một đoạn văn có thể thể hiện đủ thiên vị văn hóa để nghe có vẻ lịch sử hợp lý mà không nghe quá hiện đại hoặc quá khiếm nhã theo tiêu chuẩn ngày nay. Các tác giả lưu ý rằng ngay cả đối với các học giả quen thuộc với thời kỳ đó, việc vẽ một đường ranh giới rõ ràng giữa ngôn ngữ nghe có vẻ chính xác về mặt lịch sử và ngôn ngữ phản ánh ý tưởng hiện đại là khó khăn.

Mặc dù vậy, kết quả cho thấy một thứ hạng rõ ràng của các mô hình, với phiên bản tinh chỉnh của GPT-4o-mini được đánh giá là hợp lý nhất:

Đánh giá của người chú thích về mức độ hợp lý của đầu ra của mỗi mô hình

Liệu mức độ hiệu suất này, được đánh giá là ‘hợp lý’ trong tám mươi phần trăm trường hợp, có đủ tin cậy cho nghiên cứu lịch sử hay không vẫn còn chưa rõ ràng – đặc biệt là vì nghiên cứu này không bao gồm một biện pháp cơ bản về mức độ thường xuyên mà các văn bản thời kỳ thực sự có thể bị phân loại sai.

Cảnh báo xâm nhập

Tiếp theo là một ‘thử nghiệm xâm nhập’, trong đó các người chú thích chuyên gia được trình bày bốn đoạn văn vô danh trả lời cùng một câu hỏi lịch sử. Ba trong số các phản hồi đến từ các mô hình ngôn ngữ, trong khi một đoạn văn là một đoạn văn thực sự và chính gốc từ một nguồn đầu thế kỷ thứ hai mươi.

Nhiệm vụ là xác định đoạn văn nào là đoạn văn gốc, được viết thực sự trong thời kỳ đó.

Phương pháp này không yêu cầu người chú thích đánh giá trực tiếp sự hợp lý, mà đo lường xem các mô hình có thể lừa người đọc nghĩ rằng đầu ra của chúng là đích thực hay không.

Thứ hạng của các mô hình khớp với kết quả từ nhiệm vụ đánh giá trước đó: phiên bản tinh chỉnh của GPT-4o-mini là mô hình thuyết phục nhất, nhưng vẫn không đạt được mức của đoạn văn thực sự.

Tần suất mà mỗi nguồn được xác định chính xác là đoạn văn lịch sử đích thực.

Thử nghiệm này cũng đóng vai trò là một điểm chuẩn hữu ích, vì với đoạn văn thực sự được xác định hơn một nửa thời gian, khoảng cách giữa văn bản đích thực và tổng hợp vẫn rõ ràng với người đọc.

Một phân tích thống kê được gọi là McNemar’s test đã xác nhận rằng sự khác biệt giữa các mô hình là có ý nghĩa, ngoại trừ trường hợp của hai phiên bản chưa tinh chỉnh (GPT-4o và GPT-4o-mini), những mô hình này hoạt động tương tự.

Tương lai của Quá khứ

Các tác giả đã tìm thấy rằng việc yêu cầu các mô hình ngôn ngữ hiện đại采用 một giọng nói lịch sử không tạo ra kết quả thuyết phục: ít hơn hai phần ba đầu ra được đánh giá là hợp lý bởi người đọc, và thậm chí cả con số này cũng có khả năng cao hơn hiệu suất thực tế.

Trong nhiều trường hợp, các phản hồi bao gồm các tín hiệu rõ ràng cho thấy mô hình đang nói từ một góc nhìn hiện đại – các cụm từ như ‘vào năm 1914, nó không được biết rằng…’ hoặc ‘tính đến năm 1914, tôi không quen thuộc với…’ đủ phổ biến để xuất hiện trong tới một phần năm số lần tiếp tục. Các câu miễn trách nhiệm như vậy làm rõ ràng rằng mô hình đang mô phỏng lịch sử từ bên ngoài, chứ không phải từ bên trong.

Các tác giả tuyên bố:

‘Hiệu suất kém của việc học trong ngữ cảnh là đáng tiếc, vì những phương pháp này là dễ nhất và rẻ nhất cho nghiên cứu lịch sử dựa trên trí tuệ nhân tạo. Chúng tôi nhấn mạnh rằng chúng tôi đã không khám phá những cách tiếp cận này một cách đầy đủ.

‘Có thể việc học trong ngữ cảnh có thể đủ – bây giờ hoặc trong tương lai – cho một tập hợp con của các lĩnh vực nghiên cứu. Nhưng bằng chứng ban đầu của chúng tôi không được khuyến khích.’

Các tác giả kết luận rằng trong khi việc tinh chỉnh một mô hình thương mại trên các đoạn văn lịch sử có thể tạo ra đầu ra phong cách thuyết phục với chi phí tối thiểu, thì nó không loại bỏ hoàn toàn dấu vết của quan điểm hiện đại. Việc đào tạo trước một mô hình hoàn toàn trên tài liệu thời kỳ tránh được sự không chính xác về thời gian nhưng đòi hỏi nhiều tài nguyên hơn và dẫn đến đầu ra ít trôi chảy hơn.

Không có phương pháp nào cung cấp một giải pháp hoàn chỉnh, và hiện tại, bất kỳ nỗ lực nào để mô phỏng các giọng nói lịch sử dường như đều liên quan đến sự đánh đổi giữa tính xác thực và tính hợp lý. Các tác giả kết luận rằng nghiên cứu thêm sẽ được cần thiết để làm rõ cách tốt nhất để điều hướng sự căng thẳng này.

Kết luận

Có lẽ một trong những câu hỏi thú vị nhất nảy sinh từ bài báo mới này là câu hỏi về tính xác thực. Trong khi chúng không phải là công cụ hoàn hảo, các hàm mất mát và chỉ số như LPIPS và SSIM cung cấp cho các nhà nghiên cứu về thị giác máy tính ít nhất một phương pháp tương tự để đánh giá so với sự thật.

Khi tạo ra văn bản mới theo phong cách của một thời đại đã qua, trái lại, không có sự thật – chỉ là một nỗ lực để chiếm hữu một quan điểm văn hóa đã biến mất. Thử nghiệm để tái tạo tâm trí đó từ các dấu vết văn học là chính nó một hành động quantization, vì các dấu vết đó chỉ là bằng chứng, trong khi ý thức văn hóa mà chúng xuất hiện vẫn nằm ngoài khả năng suy luận, và có khả năng nằm ngoài tưởng tượng.

Về mặt thực tế, nền tảng của các mô hình ngôn ngữ hiện đại, được định hình bởi các chuẩn mực và dữ liệu hiện đại, có nguy cơ giải thích lại hoặc che giấu những ý tưởng có thể đã được coi là hợp lý hoặc không đáng chú ý đối với một độc giả thời Edward, nhưng bây giờ được đăng ký là (thường xuyên gây khó chịu) di tích của thành kiến, bất bình đẳng hoặc bất công. Người ta tự hỏi, do đó, ngay cả khi chúng ta có thể tạo ra một cuộc trò chuyện như vậy, liệu nó có thể không đẩy chúng ta lùi lại.

Được xuất bản lần đầu vào thứ Sáu, ngày 2 tháng 5 năm 2025