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.
\nBo przecież - czy LLM w ogóle "rozumie" to, co generuje? Czy ma jakiś wewnętrzny model świata? Czy myśli?
\nI 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 ;-)
\nTo 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.
\nZanim wejdziemy w LLM, musimy załatwić podstawy. Bo semiotyka to jedno z tych słów, które brzmi mądrze, ale co właściwie znaczy?
\nSemiotyka to nauka o znakach i o tym, jak znaki tworzą znaczenie. To wszystko. Nie brzmi już tak strasznie, prawda? ;-)
\nA "znak" w semiotyce to wszystko, co coś oznacza. Coś, co stoi za czymś innym. Proste przykłady:
\nKażdy z tych znaków reprezentuje coś innego. I to "reprezentowanie" to jest właśnie to, co semiotyka bada.
\nTip
\nEksperyment: Rozejrzyjcie się wokół siebie - ile znaków widzicie w tej chwili? Ja w tym momencie widzę: ikonę WiFi (mam internet), powiadomienie na telefonie (ktoś napisał), logo na kubku z kawą (marka). Trzy znaki i nawet nie wstałem z krzesła.
\nW poprzednim wpisie mieliśmy semantykę - badanie znaczenia słów i zdań. Więc czym semiotyka się różni?
\nKrótko:
\n| \n | Co pyta | \nPrzykład | \n
|---|---|---|
| Semantyka | \n"Co to znaczy?" | \nCo znaczy słowo "zamek"? | \n
| Semiotyka | \n"Jak ten znak w ogóle działa?" | \nJak to się dzieje, że czerwone światło OZNACZA "stop"? | \n
Semantyka pyta o konkretne znaczenia. Semiotyka pyta o mechanizm znaczenia - jak to się dzieje, że cokolwiek cokolwiek oznacza.
\nI właśnie dlatego semiotyka jest tak ważna dla zrozumienia LLM. Bo pytanie nie brzmi "co LLM znaczy", ale "jak LLM operuje na znakach".
\nW 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.
\nSaussure (szwajcarski lingwista, żył na przełomie XIX i XX wieku) powiedział: znak składa się z dwóch części.
\ngraph LR\n Z["SIGN<br/><i>znak</i>"] --> SI["SIGNIFIANT<br/><i>znaczące</i><br/>forma: dźwięk, tekst"]\n Z --> SE["SIGNIFIE<br/><i>znaczone</i><br/>koncept, pojęcie"]\n \n style Z fill:#9999ff,color:#fff\n style SI fill:#ffcc99,color:#000\n style SE fill:#99ff99,color:#000\nI 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.
\nAle 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.
\n\n\nTo brzmi abstrakcyjnie, ale za chwilę zobaczycie, że to jest dokładnie to, co robią embeddingi w LLM. Naprawdę ;-)
\n
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.
\ngraph TD\n R["REPRESENTAMEN<br/><i>znak</i><br/>forma, którą widzisz"] --> O["OBJECT<br/><i>obiekt</i><br/>to, do czego znak się odnosi"]\n R --> I["INTERPRETANT<br/><i>interpretacja</i><br/>efekt w umyśle odbiorcy"]\n I -.->|"tworzy nowy znak"| R2["NOWY REPRESENTAMEN"]\n \n style R fill:#ff9999,color:#000\n style O fill:#99ff99,color:#000\n style I fill:#9999ff,color:#fff\nTriada Peirce'a:
\nI 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.
\nPeirce podzielił znaki na trzy kategorie, które są super intuicyjne:
\n| Typ | \nOpis | \nPrzykłady | \n
|---|---|---|
| Ikona | \nPodobieństwo między znakiem a obiektem | \nPortret, mapa, emoji 😺 (wygląda trochę jak kot), ikona folderu na komputerze | \n
| Indeks | \nZwiązek przyczynowo-skutkowy lub fizyczny | \nŚlady stóp na piasku (ktoś tu przeszedł), dym (ogień), kaszel (choroba), termometr (temperatura) | \n
| Symbol | \nKonwencja, umowa społeczna | \nSłowo "kot", flaga państwowa, czerwone światło = stop, matematyczne "=" | \n
Note
\nSłowo "symbol" w codziennym języku znaczy coś innego niż w semiotyce Peirce'a! W semiotyce symbol to znak oparty wyłącznie na konwencji - nie przypomina obiektu (jak ikona) i nie jest z nim fizycznie związany (jak indeks). Flaga Polski nie "przypomina" Polski i nie jest z nią fizycznie połączona - po prostu się umówiliśmy, że te kolory oznaczają to państwo.
\nSprawdźcie się - jaki to typ znaku?1
\nDavid Manheim, badacz AI, użył pięknej metafory pochodzącej od semiotyki Peirce'a. Nazwał to "Hall of Mirrors Problem" - problemem hali luster.
\nWyobraźcie 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.
\nTo jest dokładnie to, co robi LLM.
\ngraph LR\n W["🌍 Świat<br/><i>rzeczywistość</i>"] -->|"doświadczenie"| C["🧑 Ludzie<br/><i>piszą teksty</i>"]\n C -->|"tworzą"| T["📝 Teksty<br/><i>dane treningowe</i>"]\n T -->|"uczy się na"| LLM["🤖 LLM"]\n LLM -->|"generuje"| T2["📝 Nowe teksty"]\n T2 -->|"trafiają do"| T\n \n style W fill:#99ff99,color:#000\n style C fill:#ffcc99,color:#000\n style T fill:#ffff99,color:#000\n style LLM fill:#ff9999,color:#000\n style T2 fill:#ffff99,color:#000\nSpójrzmy na to przez pryzmat triady Peirce'a:
\nLLM 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.
\nWięc 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.
\nWarning
\nParadoks: LLM potrafi napisać piękny opis zachodu słońca, choć nigdy nie widział słońca. Ale potrafi też napisać piękny opis zachodu słońca na Marsie - choć tam jeszcze nikt nie widział zachodu słońca. Skąd "wie"? Z tekstu science fiction. Czyli: znaki odnoszą się do znaków, które odnoszą się do znaków... hala luster ;-)
\nOK, teraz to, co obiecałem - zobaczmy, jak teoria Saussure'a realizuje się w kodzie. Bo to jest naprawdę fascynujące.
\nPamiętacie, 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.
\nA 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.
\nTo jest dokładnie relacyjna teoria znaku Saussure'a, tylko zaimplementowana w matematyce!
\nfrom gensim .downloader import load \n\nmodel = load ("glove-wiki-gigaword-50" )\n\nking = model ["king" ]\nqueen = model ["queen" ]\nman = model ["man" ]\nwoman = model ["woman" ]\n\nresult = king - man + woman \n\nfrom gensim .models import KeyedVectors \nsimilarities = model .cosine_similarities (result , [queen ])\nprint (f"Podobieństwo do 'queen': { similarities [ 0 ]:.3f } " )Wypisze coś w stylu: Podobieństwo do 'queen': 0.850
Ale spójrzcie na to z perspektywy Saussure'a:
\ngraph TD\n subgraph "Saussure: znak = pozycja w systemie relacji"\n S1["'king' nie jest 'queen'<br/>'king' nie jest 'man'<br/>'king' nie jest 'woman'"] --> S2["znaczenie = różnica"]\n end\n subgraph "Word2Vec: słowo = wektor w przestrzeni relacyjnej"\n 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"]\n end\n \n S2 -.->|"to samo!"| V2\n \n style S2 fill:#9999ff,color:#fff\n style V2 fill:#ff9999,color:#000\nZarówno 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.
\nNo... 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...
\nJacques 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?"
\nSaussure (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.
\nI Derrida odwrócił to do góry nogami: pismo nie jest podrzędne wobec mowy. Pismo jest systemem samym w sobie.
\nDlaczego to jest ważne dla LLM? Bo Elad Vromen w swoim artykule "Language Models as Semiotic Machines" zauważył coś genialnego:
\n\n\nLLM 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.
\n
graph LR\n subgraph "Tradycyjny model (logocentryzm)"\n A1["🌍 Świat"] --> A2["🧠 Myśl"]\n A2 --> A3["🗣️ Mowa"]\n A3 --> A4["📝 Pismo"]\n end\n \n subgraph "Model LLM (odwrócenie Derridy)"\n B1["📝 Pismo<br/><i>dane treningowe</i>"] --> B2["🧮 Model<br/><i>statystyka znaków</i>"]\n B2 --> B3["📝 Nowe pismo<br/><i>output LLM</i>"]\n end\n \n style A4 fill:#ff9999,color:#000\n style B1 fill:#99ff99,color:#000\n style B2 fill:#9999ff,color:#fff\n style B3 fill:#99ff99,color:#000\nWięc 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).
\nImportant
\nDerrida w pigułce dla LLM: LLM nie modeluje "umysłu" ani "świata". LLM modeluje pismo - system znaków, który ma własną logikę, własne reguły, własną spójność. I to pismo jest wystarczające, żeby generować tekst, który dla nas ma znaczenie. Ale to my nadajemy mu znaczenie - nie model.
\nTo 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.
\nDerrida 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.
\nI 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.
\nTeraz 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.
\nSpójrzmy na interakcję z LLM przez pryzmat triady Peirce'a:
\ngraph TD\n P["📝 PROMPT<br/><i>representamen</i><br/>znak wejściowy"] --> LLM["🤖 LLM<br/><i>przetwarzanie znaków</i>"]\n LLM --> O["💬 ODPOWIEDŹ<br/><i>nowy representamen</i>"]\n O --> U["🧑 UŻYTKOWNIK<br/><i>interpretant</i><br/>nadaje znaczenie"]\n U -.->|"nowy prompt"| P\n \n style P fill:#ff9999,color:#000\n style LLM fill:#ffcc99,color:#000\n style O fill:#ffff99,color:#000\n style U fill:#9999ff,color:#fff\nCzyli:
\nZauważcie: 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.
\nSpróbujcie sami. Odpalcie ChatGPT (albo Claude, Gemini - co macie) i wyślijcie te trzy prompty, każdy w nowej rozmowie:
\n"Wyjaśnij, czym jest grawitacja.""Wyjaśnij grawitację pięciolatkowi.""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.
\n| Prompt | \nZmienia się... | \nRama semiotyczna | \n
|---|---|---|
| "Wyjaśnij grawitację" | \n- | \nNeutralna, encyklopedyczna | \n
| "...pięciolatkowi" | \nOdbiorca, prostota języka | \nEdukacyjna, dostosowana do wieku | \n
| "...w stylu Szekspira" | \nGatunek, forma, styl | \nLiteracka, artystyczna | \n
To jest dokładnie to, co Picca nazywa "semiotyczną umową" (semiotic contract). Kiedy tworzycie prompt, nie "prosicie 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.
\nTip
\nEksperyment bonusowy: Spróbujcie: "Wyjaśnij pojęcie entropii używając metafor z bajek." Zobaczycie, jak LLM łączy dwie zupełnie różne strefy semiotyczne - fizykę i baśnie. To jest właśnie to, co semiotyka nazywa translacją między kodami kulturowymi.
\nJeszcze jedno pojęcie, które warto znać. Jurij Lotman, rosyjski semiotyk, wymyślił koncept semiosfery.
\nSemiosfera 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.
\ngraph TD\n subgraph "Semiosfera"\n N["📰 Media<br/><i>news, artykuły</i>"]\n L["📚 Literatura<br/><i>powieści, poezja</i>"]\n S["🔬 Nauka<br/><i>publikacje, podręczniki</i>"]\n I["💬 Internet<br/><i>fora, social media</i>"]\n K["🎭 Kultura<br/><i>film, sztuka, muzyka</i>"]\n P["⚖️ Prawo<br/><i>ustawy, orzeczenia</i>"]\n end\n \n D["📊 Dane treningowe LLM"] -.-> N\n D -.-> L\n D -.-> S\n D -.-> I\n D -.-> K\n D -.-> P\n \n LLM2["🤖 LLM"] -->|"nawiguje po<br/>strefach semiosfery"| D\n \n style D fill:#ffff99,color:#000\n style LLM2 fill:#ff9999,color:#000\nDane 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.
\nI 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.
\nAle 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.
\nWarning
\nDlaczego LLM czasem mówi głupoty? Bo semiosfera jest pełna sprzeczności. Na jednej stronie internetu "ziemia jest okrągła", na innej "ziemia jest płaska". Model widzi oba znaki i nie ma dostępu do "obiektu" (rzeczywistej ziemi), żeby zdecydować, który znak jest prawdziwy. Operuje w hali luster - znaki odnoszą się do znaków, a nie do rzeczywistości.
\nSprawdźcie, który semiotyk lepiej wyjaśnia te zjawiska LLM. Przypominam:
\nKto lepiej wyjaśnia, że...?2
\nOto nasza semiotyczna mapa w pigułce:
\n| Semiotyk | \nKluczowy koncept | \nCo to mówi o LLM | \n
|---|---|---|
| Saussure | \nZnaczenie = relacja między znakami | \nEmbeddingi realizują relacyjną koncepcję znaku | \n
| Peirce | \nTriada znak-obiekt-interpretant | \nLLM nie ma dostępu do obiektu, tylko do znaków (hala luster) | \n
| Derrida | \nPismo jako system sam w sobie | \nLLM modeluje pismo, nie umysł; dane treningowe = jedyne źródło | \n
| Lotman | \nSemiosfera - ekologia znaków | \nDane treningowe to przekrój semiosfery; LLM nawiguje po strefach | \n
| Eco | \nDzieło otwarte | \nOutput LLM nie ma jednego znaczenia - wymaga Waszej interpretacji | \n
graph TD\n subgraph "Semiotyczna perspektywa na LLM"\n SAU["Saussure<br/> znaczenie = relacja"] --> EMB["Embeddingi<br/>wektory = pozycje relacyjne"]\n PEI["Peirce<br/>znak → obiekt → interpretant"] --> HOM["Hall of Mirrors<br/>brak dostępu do obiektu"]\n DER["Derrida<br/>pismo jest fundamentem"] --> DAT["Dane treningowe<br/>= pismo, nie umysł"]\n LOT["Lotman<br/>semiosfera"] --> NAV["LLM nawiguje<br/>po strefach semiosfery"]\n ECO["Eco<br/>dzieło otwarte"] --> INT["Output wymaga<br/>interpretacji człowieka"]\n end\n \n style SAU fill:#ff9999,color:#000\n style PEI fill:#ffcc99,color:#000\n style DER fill:#ffff99,color:#000\n style LOT fill:#99ff99,color:#000\n style ECO fill:#9999ff,color:#fff\nWięc: 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.
\nTo 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.
\nWiem, że semiotyka na początku brzmi jak coś z innej planety, ale mam nadzieję, że teraz widzicie, jak to się łączy z LLM.
\nKórą koncepcję semiotyczną uważacie za najbardziej przydatną do zrozumienia LLM? Saussure i jego relacyjność? Peirce i jego hala luster? A może Derrida i jego "pismo"?
\nBo 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.
\n\n\nCo w następnym wpisie? Przechodzimy od teorii do praktyki: Jak komputer czyta tekst - od liczenia słów do wektorów. Zobaczymy jak tokenizacja, TF-IDF, łańcuchy Markowa i Word2Vec realizują w kodzie to, o czym mówili Saussure (znaczenie jest relacyjne!) i Derrida (pismo jest systemem samym w sobie!).
\n
Do następnego!
\nŹródła i ciekawe linki:
\nJeśli chcecie wejść głębiej, oto materiały, z których korzystałem:
\nOdpowiedzi: 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). ↩
\nMoje 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. ↩
\n