Semiotyka – dlaczego LLM nie "myśli", ale jednak coś znaczy

W poprzednim wpisie zbudowaliśmy naszą językową cebulkę – pięć warstw, od fonetyki po pragmatykę, i zobaczyliśmy, jak LLM radzi sobie z każdą z nich. Ale po napisaniu tamtego posta zostało mi jedno wielkie "ale..." w głowie.

Bo przecież – czy LLM w ogóle "rozumie" to, co generuje? Czy ma jakiś wewnętrzny model świata? Czy myśli?

I wtedy wpadłem na semiotykę. I okazuje się, że semiotyka daje nam genialną ramę do myślenia o LLM – nie jako o sztucznym umyśle, ale jako o maszynie znaków. I nagle wszystko zaczyna mieć sens. Albo przynajmniej ma bardziej sens niż wcześniej ;-)

To jest drugi wpis z serii "zrozumiec LLM". Dzisiaj zmieniamy perspektywę: zamiast patrzeć na warstwy języka, patrzymy na samą naturę tego, czym są znaki i jak znaczenie w ogóle powstaje. I dlaczego to jest kluczowe do zrozumienia, czym LLM jest – i czym nie jest.

---

Czym jest semiotyka?

Zanim wejdziemy w LLM, musimy załatwić podstawy. Bo semiotyka to jedno z tych słów, które brzmi mądrze, ale co właściwie znaczy?

Semiotyka to nauka o znakach i o tym, jak znaki tworzą znaczenie. To wszystko. Nie brzmi już tak strasznie, prawda? ;-)

A "znak" w semiotyce to wszystko, co coś oznacza. Coś, co stoi za czymś innym. Proste przykłady:

• 🔴 Czerwone światło na skrzyżowaniu = STOP
• 😂 Emoji z łzami = śmieję się (albo: umieram ze śmiechu)
• 💨 Zapach dymu = ogień gdzieś w pobliżu
• 🐾 Ślady łap na śniegu = tu przeszedł pies (albo wilk, albo... better not think about it :D)

Każdy z tych znaków reprezentuje coś innego. I to "reprezentowanie" to jest właśnie to, co semiotyka bada.

Semiotyka vs semantyka

W poprzednim wpisie mieliśmy semantykę – badanie znaczenia słów i zdań. Więc czym semiotyka się różni?

Krótko:

	Co pyta	Przykład
Semantyka	"Co to znaczy?"	Co znaczy słowo "zamek"?
Semiotyka	"Jak ten znak w ogóle działa?"	Jak to się dzieje, że czerwone światło OZNACZA "stop"?

Semantyka pyta o konkretne znaczenia. Semiotyka pyta o mechanizm znaczenia – jak to się dzieje, że cokolwiek cokolwiek oznacza.

I właśnie dlatego semiotyka jest tak ważna dla zrozumienia LLM. Bo pytanie nie brzmi "co LLM znaczy", ale "jak LLM operuje na znakach".

---

Dwóch gigantów: Saussure vs Peirce

W semiotyce są dwie główne tradycje, które musicie znać. Dwa podejścia, dwa sposoby myślenia o znakach. I uwaga – oba są ważne dla zrozumienia LLM, ale każdy z innej strony.

Ferdinand de Saussure: znak jako para

Saussure (szwajcarski lingwista, żył na przełomie XIX i XX wieku) powiedział: znak składa się z dwóch części.

graph LR
    Z["SIGN<br/><i>znak</i>"] --> SI["SIGNIFIANT<br/><i>znaczące</i><br/>forma: dźwięk, tekst"]
    Z --> SE["SIGNIFIE<br/><i>znaczone</i><br/>koncept, pojęcie"]
    
    style Z fill:#9999ff,color:#fff
    style SI fill:#ffcc99,color:#000
    style SE fill:#99ff99,color:#000

• Znaczące (signifiant) – forma znaku. To, co widzisz, słyszysz, dotykasz. Np. ciąg liter "k-o-t" albo dźwięk /kot/.
• Znaczone (signifié) – koncept, pojęcie, które ta forma wywołuje w twojej głowie. Np. futrzasty zwierzak, który miauczy i ignoruje cię przez większość dnia :D

I kluczowa rzecz: relacja między znaczącym a znaczonym jest arbitralna. Nie ma żadnego logicznego powodu, dla którego ciąg liter "k-o-t" oznacza właśnie tego zwierzaka. Po prostu... tak się przyjęło. W angielskim to "cat", w niemieckim "Katze", w japońskim "猫" (neko) – każdy język ma inny ciąg dźwięków/liter na to samo pojęcie.

Ale Saussure mówi coś jeszcze ważniejszego: znaczenie słowa wynika z jego relacji do innych słów w systemie. "Kot" znaczy to, co znaczy, bo NIE jest "psem", NIE jest "domem", NIE jest "samochodem". Znaczenie jest różnicowe – wynika z różnicy.

To brzmi abstrakcyjnie, ale za chwilę zobaczycie, że to jest dokładnie to, co robią embeddingi w LLM. Naprawdę ;-)

Charles Sanders Peirce: znak jako proces

Peirce (amerykański filozof, trochę wcześniej niż Saussure, ale mniej więcej w tym samym czasie) miał inne podejście. Dla niego znak nie jest statyczną parą, ale dynamicznym procesem.

graph TD
    R["REPRESENTAMEN<br/><i>znak</i><br/>forma, którą widzisz"] --> O["OBJECT<br/><i>obiekt</i><br/>to, do czego znak się odnosi"]
    R --> I["INTERPRETANT<br/><i>interpretacja</i><br/>efekt w umyśle odbiorcy"]
    I -.->|"tworzy nowy znak"| R2["NOWY REPRESENTAMEN"]
    
    style R fill:#ff9999,color:#000
    style O fill:#99ff99,color:#000
    style I fill:#9999ff,color:#fff

Triada Peirce'a:

• Representamen – sam znak, forma (odpowiednik "znaczącego" u Saussure'a)
• Obiekt – to, do czego znak się odnosi (rzecz w świecie, koncept)
• Interpretant – efekt, który znak wywołuje w umyśle odbiorcy. I uwaga: ten interpretant SAM staje się nowym znakiem, który znowu ma swój interpretant, i tak dalej... nieskończony łańcuch interpretacji.

I to jest kluczowa różnica: u Saussure'a znak jest statyczny (para), u Peirce'a – dynamiczny, żywy, będący procesem. Znaczenie nie jest "zawarte" w znaku – ono powstaje w procesie interpretacji.

Trzy rodzaje znaków według Peirce'a

Peirce podzielił znaki na trzy kategorie, które są super intuicyjne:

Typ	Opis	Przykłady
Ikona	Podobieństwo między znakiem a obiektem	Portret, mapa, emoji 😺 (wygląda trochę jak kot), ikona folderu na komputerze
Indeks	Związek przyczynowo-skutkowy lub fizyczny	Ślady stóp na piasku (ktoś tu przeszedł), dym (ogień), kaszel (choroba), termometr (temperatura)
Symbol	Konwencja, umowa społeczna	Słowo "kot", flaga państwowa, czerwone światło = stop, matematyczne "="

Sprawdźcie się – jaki to typ znaku?¹

1. 🌡️ Termometr pokazujący 37°C
2. 📸 Zdjęcie twojego psa
3. 🟢 Zielone światło = "jedź"
4. 🐾 Ślady butów na śniegu
5. ♿ Ikona dostępności

---

Hall of Mirrors – czyli LLM utknął w lustrach

David Manheim, badacz AI, użył pięknej metafory pochodzącej od semiotyki Peirce'a. Nazwał to "Hall of Mirrors Problem" – problemem hali luster.

Wyobraźcie sobie: jesteście w pokoju pełnym luster. Widzicie odbicia odbić odbić... i nigdzie nie ma okna na zewnątrz. Nie widzicie prawdziwego świata – widzicie tylko... więcej luster.

To jest dokładnie to, co robi LLM.

graph LR
    W["🌍 Świat<br/><i>rzeczywistość</i>"] -->|"doświadczenie"| C["🧑 Ludzie<br/><i>piszą teksty</i>"]
    C -->|"tworzą"| T["📝 Teksty<br/><i>dane treningowe</i>"]
    T -->|"uczy się na"| LLM["🤖 LLM"]
    LLM -->|"generuje"| T2["📝 Nowe teksty"]
    T2 -->|"trafiają do"| T
    
    style W fill:#99ff99,color:#000
    style C fill:#ffcc99,color:#000
    style T fill:#ffff99,color:#000
    style LLM fill:#ff9999,color:#000
    style T2 fill:#ffff99,color:#000

Spójrzmy na to przez pryzmat triady Peirce'a:

• Representamen (znak) – tekst, tokeny, słowa – ✅ LLM ma dostęp
• Obiekt (rzeczywistość) – świat, doświadczenie, fizyka – ❌ LLM nie ma dostępu
• Interpretant (interpretacja) – zrozumienie – ❓ LLM generuje coś, co wygląda jak interpretacja

LLM nigdy nie widział świata. Nigdy nie poczuł smaku truskawki, nie dotknął lodu, nie usłyszał śmiechu. Całą swoją "wiedzę" o świecie czerpie z tekstu – z tego, co inni ludzie napisali o świecie.

Więc kiedy LLM pisze "truskawki są słodkie" – on nie wie, że są słodkie. On wie, że w tekstach, na których był trenowany, słowo "truskawki" często występuje blisko słowa "słodkie". To jest różnica. I to jest właśnie semiotyczna różnica.

---

Saussure w kodzie: embeddingi jako system znaków

OK, teraz to, co obiecałem – zobaczmy, jak teoria Saussure'a realizuje się w kodzie. Bo to jest naprawdę fascynujące.

Pamiętacie, co mówił Saussure? Znaczenie słowa wynika z jego relacji do innych słów. "Kot" znaczy to, co znaczy, bo nie jest "psem", nie jest "domem" itd. Znaczenie jest relacyjne.

A teraz pomyślcie o word embeddings (osadzeniach słów) – które poznaliśmy w poprzednim wpisie. Każde słowo jest reprezentowane jako wektor w wielowymiarowej przestrzeni. I słowa o podobnym znaczeniu są blisko siebie w tej przestrzeni.

To jest dokładnie relacyjna teoria znaku Saussure'a, tylko zaimplementowana w matematyce!

from gensim.downloader import load

model = load("glove-wiki-gigaword-50")

king = model["king"]
queen = model["queen"]
man = model["man"]
woman = model["woman"]

result = king - man + woman

from gensim.models import KeyedVectors
similarities = model.cosine_similarities(result, [queen])
print(f"Podobieństwo do 'queen': {similarities[0]:.3f}")

Wypisze coś w stylu: Podobieństwo do 'queen': 0.850

Ale spójrzcie na to z perspektywy Saussure'a:

graph TD
    subgraph "Saussure: znak = pozycja w systemie relacji"
        S1["'king' nie jest 'queen'<br/>'king' nie jest 'man'<br/>'king' nie jest 'woman'"] --> S2["znaczenie = różnica"]
    end
    subgraph "Word2Vec: słowo = wektor w przestrzeni relacyjnej"
        V1["king = [0.50, 0.68, ...]<br/>queen = [0.38, 0.64, ...]<br/>man = [0.31, 0.43, ...]"] --> V2["znaczenie = pozycja wektora<br/>względem innych wektorów"]
    end
    
    S2 -.->|"to samo!"| V2
    
    style S2 fill:#9999ff,color:#fff
    style V2 fill:#ff9999,color:#000

Zarówno Saussure, jak i Word2Vec mówią to samo: znaczenie nie jest w samym znaku – jest w jego relacji do innych znaków. Saussure wymyślił to jako teorię języka. Programiści Google wymyślili Word2Vec jako algorytm. I doszli do tego samego wniosku.

No... prawie. Bo jest jeden haczyk. Saussure zakładał, że za znaczącym (forma) stoi znaczone (koncept). W embeddingach mamy tylko pozycję w przestrzeni – mamy relacje, ale czy mamy "koncept"? Czy wektor [0.50, 0.68, ...] jest konceptem "króla"?

To jest właśnie to pytanie, które doprowadza nas do kolejnego semiotyka...

---

Derrida: pismo jako fundament

Jacques Derrida (francuski filozof, lata 60. i 70. XX wieku) zrobił coś odważnego. Spojrzał na całego Saussure'a i powiedział: "Chwila. A dlaczego uważacie, że mowa jest ważniejsza od pisma?"

Saussure (i cała zachodnia tradycja filozoficzna) traktował mowę jako "pierwotną" – bliższą myśli, bliższą znaczeniu. Pismo było "pochodne" – tylko zapis mowy, "znak znaku". Derrida nazwał to logocentryzmem – przekonaniem, że na końcu łańcucha znaków jest jakaś "obecność", "myśl", "intencja", która nadaje znaczenie.

I Derrida odwrócił to do góry nogami: pismo nie jest podrzędne wobec mowy. Pismo jest systemem samym w sobie.

Dlaczego to jest ważne dla LLM? Bo Elad Vromen w swoim artykule "Language Models as Semiotic Machines" zauważył coś genialnego:

LLM trenuje na piśmie (tekst). Tworzy model pisma. Generuje nowe pismo. Nigdzie w tym procesie nie ma "mowy", "umysłu" ani "intencji". Cała hierarchia Saussure'a – mowa > pismo – zostaje odwrócona. Pismo jest jedyną rzeczywistością, jaką LLM zna.

graph LR
    subgraph "Tradycyjny model (logocentryzm)"
        A1["🌍 Świat"] --> A2["🧠 Myśl"]
        A2 --> A3["🗣️ Mowa"]
        A3 --> A4["📝 Pismo"]
    end
    
    subgraph "Model LLM (odwrócenie Derridy)"
        B1["📝 Pismo<br/><i>dane treningowe</i>"] --> B2["🧮 Model<br/><i>statystyka znaków</i>"]
        B2 --> B3["📝 Nowe pismo<br/><i>output LLM</i>"]
    end
    
    style A4 fill:#ff9999,color:#000
    style B1 fill:#99ff99,color:#000
    style B2 fill:#9999ff,color:#fff
    style B3 fill:#99ff99,color:#000

Więc kiedy pytamy "czy LLM rozumie język?" – zadajemy złe pytanie. To jak pytanie "czy książka rozumie to, co jest w niej zapisane?" Książka nie "rozumie" – ale zawiera znaki, które my – czytelnicy – interpretujemy. LLM jest czymś pośrednim: nie jest książką (bo generuje nowy tekst), ale nie jest też umysłem (bo nie ma dostępu do znaczeń poza tekstem).

To też wyjaśnia pewien fenomen, który pewnie zauważyliście: LLM czasami mówi rzeczy, które są statystycznie poprawne, ale nonsensowne. Bo w systemie pisma, w którym operuje model, te słowa dobrze pasują do siebie. Ale my – jako ludzie z dostępem do świata (obiektów w sensie Peirce'a) – widzimy, że to nie ma sensu. Model nie ma tego "zakotwiczenia" w rzeczywistości.

Dla chętnych: Derrida i iterowalność

Derrida w swoim słynnym eseju "Signature Event Context" mówił o iterowalności znaków – o tym, że znak może być powtórzony w nowym kontekście i nabierać nowego znaczenia. Słowo "dobry" może być komplementem, ironią albo frazą w "dobry wieczór" – kontekst zmienia wszystko.

I to jest właśnie to, co widzimy w LLM: ten sam prompt w innym kontekście daje inną odpowiedź. Model nie "rozumie" kontekstu – ale statystycznie wyłapuje wzorce kontekstowe z danych treningowych. Czyli: iterowalność znaków w czystej, matematycznej postaci.

---

Prompt jako akt semiotyczny

Teraz wchodzimy na bardzo praktyczny grunt. Bo jeśli LLM jest maszyną znaków, to prompt – to, co do niego wpisujecie – jest aktem semiotycznym. Nie po prostu "komendą". Ale aktem, który tworzy ramę dla znaczenia.

Triada Peirce'a w praktyce

Spójrzmy na interakcję z LLM przez pryzmat triady Peirce'a:

graph TD
    P["📝 PROMPT<br/><i>representamen</i><br/>znak wejściowy"] --> LLM["🤖 LLM<br/><i>przetwarzanie znaków</i>"]
    LLM --> O["💬 ODPOWIEDŹ<br/><i>nowy representamen</i>"]
    O --> U["🧑 UŻYTKOWNIK<br/><i>interpretant</i><br/>nadaje znaczenie"]
    U -.->|"nowy prompt"| P
    
    style P fill:#ff9999,color:#000
    style LLM fill:#ffcc99,color:#000
    style O fill:#ffff99,color:#000
    style U fill:#9999ff,color:#fff

Czyli:

1. Wy tworzycie prompt (representamen)
2. LLM przetwarza znaki i generuje odpowiedź (nowy representamen)
3. Wy interpretujecie odpowiedź (stajecie się interpretantem)
4. Wasza interpretacja prowadzi do nowego promptu... i cykl się powtarza

Zauważcie: znaczenie powstaje dopiero w kroku 3. LLM generuje ciąg tokenów, ale to Wy nadajecie mu sens. To jest dokładnie to, o czym mówił Umberto Eco z koncepcją "dzieła otwartego" – tekst nie ma jednego, ustalonego znaczenia. Tekst jest "ramą", którą czytelnik wypełnia interpretacją.

Eksperyment: jak prompt zmienia ramę semiotyczną

Spróbujcie sami. Odpalcie ChatGPT (albo Claude, Gemini – co macie) i wyślijcie te trzy prompty, każdy w nowej rozmowie:

1. "Wyjaśnij, czym jest grawitacja."
2. "Wyjaśnij grawitację pięciolatkowi."
3. "Wyjaśnij grawitację w stylu sonetu Szekspira."

Każdy prompt dotyczy tego samego tematu (grawitacja). Ale każdy zmienia ramę semiotyczną – zmienia ton, rejestr, gatunek, oczekiwaną formę odpowiedzi.

Prompt	Zmienia się...	Rama semiotyczna
"Wyjaśnij grawitację"	–	Neutralna, encyklopedyczna
"...pięciolatkowi"	Odbiorca, prostota języka	Edukacyjna, dostosowana do wieku
"...w stylu Szekspira"	Gatunek, forma, styl	Literacka, artystyczna

To jest dokładnie to, co Picca nazywa "semiotyczną umową" (semiotic contract). Kiedy tworzycie prompt, nie "proszcie o informację" – ustanawiacie warunki, w jakich znaczenie będzie konstruowane. Prosicie o grawitację w trybie Szekspira? Otrzymujecie hybrydę fizyki i poezji. To nie jest "prawdziwa" grawitacja ani "prawdziwy" Szekspir – to jest semiotyczny kolaż, nowa konfiguracja znaków.

---

Semiosfera – ekologia znaków

Jeszcze jedno pojęcie, które warto znać. Jurij Lotman, rosyjski semiotyk, wymyślił koncept semiosfery.

Semiosfera to przestrzeń, w której żyją znaki. To ekologia znaczeń – sieć kodów kulturowych, gatunków, dyskursów, ideologii, które wchodzą ze sobą w interakcje. Podobnie jak biosfera to przestrzeń, w której żyją organizmy, semiosfera to przestrzeń, w której żyją znaki.

graph TD
    subgraph "Semiosfera"
        N["📰 Media<br/><i>news, artykuły</i>"]
        L["📚 Literatura<br/><i>powieści, poezja</i>"]
        S["🔬 Nauka<br/><i>publikacje, podręczniki</i>"]
        I["💬 Internet<br/><i>fora, social media</i>"]
        K["🎭 Kultura<br/><i>film, sztuka, muzyka</i>"]
        P["⚖️ Prawo<br/><i>ustawy, orzeczenia</i>"]
    end
    
    D["📊 Dane treningowe LLM"] -.-> N
    D -.-> L
    D -.-> S
    D -.-> I
    D -.-> K
    D -.-> P
    
    LLM2["🤖 LLM"] -->|"nawiguje po<br/>strefach semiosfery"| D
    
    style D fill:#ffff99,color:#000
    style LLM2 fill:#ff9999,color:#000

Dane treningowe LLM są niczym innym jak gigantycznym przekrojem semiosfery. Kiedy model czyta Wikipedię, twittera, książki, artykuły naukowe, kody źródłowe – przyswaja (statystycznie!) całą tę różnorodność kodów kulturowych.

I dlatego potrafi pisać w stylu Szekspira, tłumaczyć z niemieckiego, żartować jak komik i cytować przepisy prawa – bo wszystko to jest w semiosferze, a model "widział" próbki z każdej strefy.

Ale jest i druga strona medalu: model przyswaja też uprzedzenia, stereotypy i dominujące narracje zawarte w semiosferze. Bo semiosfera nie jest neutralna – to przestrzeń kulturowa z historią, z władzą, z ideologią. I LLM, operując na znakach z tej przestrzeni, reprodukuje je w swoich outputach.

---

Quiz: Saussure czy Peirce?

Sprawdźcie, który semiotyk lepiej wyjaśnia te zjawiska LLM. Przypominam:

• Saussure: znak = para (znaczące + znaczone), znaczenie relacyjne, system statyczny
• Peirce: znak = triada (representamen + obiekt + interpretant), proces interpretacji, dynamika

Kto lepiej wyjaśnia, że...?²

1. LLM potrafi pisać wiersze, choć nigdy nie czuł poezji – Saussure czy Peirce?
2. Embedding "król" - "mężczyzna" + "kobieta" ≈ "królowa" – Saussure czy Peirce?
3. Ten sam prompt daje różne odpowiedzi w zależności od kontekstu rozmowy – Saussure czy Peirce?
4. LLM nie ma dostępu do świata, tylko do tekstu – Saussure czy Peirce?
5. Znamy kogoś, kto zapytał ChatGPT o diagnozę medyczną i ją dostał – Saussure czy Peirce?

---

Podsumowanie – mapa semiotyczna LLM

Oto nasza semiotyczna mapa w pigułce:

Semiotyk	Kluczowy koncept	Co to mówi o LLM
Saussure	Znaczenie = relacja między znakami	Embeddingi realizują relacyjną koncepcję znaku
Peirce	Triada znak-obiekt-interpretant	LLM nie ma dostępu do obiektu, tylko do znaków (hala luster)
Derrida	Pismo jako system sam w sobie	LLM modeluje pismo, nie umysł; dane treningowe = jedyne źródło
Lotman	Semiosfera – ekologia znaków	Dane treningowe to przekrój semiosfery; LLM nawiguje po strefach
Eco	Dzieło otwarte	Output LLM nie ma jednego znaczenia – wymaga Waszej interpretacji

graph TD
    subgraph "Semiotyczna perspektywa na LLM"
        SAU["Saussure<br/> znaczenie = relacja"] --> EMB["Embeddingi<br/>wektory = pozycje relacyjne"]
        PEI["Peirce<br/>znak → obiekt → interpretant"] --> HOM["Hall of Mirrors<br/>brak dostępu do obiektu"]
        DER["Derrida<br/>pismo jest fundamentem"] --> DAT["Dane treningowe<br/>= pismo, nie umysł"]
        LOT["Lotman<br/>semiosfera"] --> NAV["LLM nawiguje<br/>po strefach semiosfery"]
        ECO["Eco<br/>dzieło otwarte"] --> INT["Output wymaga<br/>interpretacji człowieka"]
    end
    
    style SAU fill:#ff9999,color:#000
    style PEI fill:#ffcc99,color:#000
    style DER fill:#ffff99,color:#000
    style LOT fill:#99ff99,color:#000
    style ECO fill:#9999ff,color:#fff

Więc: LLM nie ma umysłu. Ale to nie znaczy, że nie robi nic interesującego. LLM operuje na znakach – rekonfiguruje je, łączy strefy semiosfery, tworzy nowe konfiguracje znaków. I te nowe konfiguracje dla nas – jako interpretatorów – mają znaczenie.

To jest semiotyczna odpowiedź na pytanie "czy LLM rozumie?". LLM nie "rozumie" w ludzkim sensie. Ale generuje znaki, które wchodzą w naszą semiosferę i stają się częścią naszego procesu interpretacji. I ten proces jest prawdziwy, ważny i potężny.

---

Wiem, że semiotyka na początku brzmi jak coś z innej planety, ale mam nadzieję, że teraz widzicie, jak to się łączy z LLM.

Kórą koncepcję semiotyczną uważacie za najbardziej przydatną do zrozumienia LLM? Saussure i jego relacyjność? Peirce i jego hala luster? A może Derrida i jego "pismo"?

Bo szczerze mówiąc – ja się dopiero uczę tej perspektywy. Ale czuję, że to jest ten moment, gdzie lingwistyka, filozofia i programowanie spotykają się w jednym miejscu i tworzą coś naprawdę fascynującego.

Do następnego!

---

Źródła i ciekawe linki:

Jeśli chcecie wejść głębiej, oto materiały, z których korzystałem:

• Davide Picca, "Not Minds, but Signs: Reframing LLMs through Semiotics" – arXiv – główna inspiracja tego wpisu; propozycja patrzenia na LLM jako maszyny semiotycznej
• Elad Vromen, "Language Models as Semiotic Machines" – arXiv – genialne połączenie Saussure'a, Derridy i embeddingów
• David Manheim, "Language Models' Hall of Mirrors Problem" – PhilPapers – źródło metafory "hali luster"
• "Semiotic reflections and modelling" – arXiv – prompty jako zjawiska semiotyczne
• "The meaning of prompts: a semiotic approach to human–LLM interaction" – Emerald – prompty jako akty znaczeniotwórcze
• "A Semiotic Perspective on Generative AI and LLMs" – TurtlesAI – przystępne wprowadzenie do semiotyki generatywnej AI
• "The Semiotic Perspectives of Peirce and Saussure: A Brief Comparative Study" – ScienceDirect – porównanie dwóch głównych tradycji semiotycznych
• Carlos E. Perez, "Semantics vs Semiotics: How LLMs Should Be Understood" – LinkedIn – krótki post o tym, dlaczego semiotyka > semantyka dla LLM

1. Odpowiedzi: 1) indeks (przyczynowo-skutkowy – temperatura powoduje rozszerzenie cieczy), 2) ikona (podobieństwo do psa), 3) symbol (czysta konwencja), 4) indeks (fizyczny ślad kogoś, kto tu przeszedł), 5) ikona (podobieństwo do osoby na wózku). ↩

2. Moje odpowiedzi: 1) Peirce – model nie ma dostępu do obiektu (doświadczenia poezji), ale generuje representameny (tekst), które interpretujemy. 2) Saussure – to jest czysta relacyjność! Król jest definiowany przez to, czym nie jest. 3) Peirce – kontekst zmienia interpretację, a interpretant tworzy nowy znak. 4) Peirce – brak obiektu w triadzie. 5) Peirce + Lotman – model reprodukuje znaki z semiosfery medycznej bez dostępu do rzeczywistego obiektu (ciała pacjenta). Diagnoza jest znakiem bez zakotwiczenia. ↩