Les modèles de langage ne comprennent pas le temps, mais en parlent

Un modèle de langage génère une réponse en deux secondes, mais affirme avec confiance : « Cette tâche prendra deux semaines. » Derrière cette étrange contradiction se cache quelque chose de plus fondamental qu'un simple écho des données d'entraînement — les modèles de langage n'ont simplement pas ce que nous appelons le temps.

Comment les LLM voient le temps

Les modèles de langage fonctionnent token par token, en prédisant le mot suivant dans une séquence. Ils n'ont pas d'horloge interne, ne perçoivent pas le passé et l'avenir comme un continuum. Pour eux, le temps n'est simplement que des mots qui apparaissent dans les données d'entraînement à côté d'autres mots. Quand un modèle dit « deux semaines », il n'évalue pas la durée réelle d'une tâche. Il produit une réponse statistiquement probable basée sur la fréquence à laquelle la phrase « deux semaines » apparaissait dans des contextes similaires au contexte actuel. C'est comme se souvenir d'une phrase qu'on a entendue une fois, mais oublier dans quel contexte elle a été prononcée.

Le paradoxe de la vitesse et des estimations

Voici l'essence du problème : le modèle génère une réponse plus rapidement que n'importe quel humain ne peut écrire une réponse complète à une question complexe. Pourtant, il affirme avec confiance des délais qui ne correspondent pas du tout à sa propre vitesse. Ce n'est pas une simple erreur. C'est une caractéristique structurelle de la façon dont les modèles de langage fonctionnent. Ils ne modélisent pas le processus de résolution d'une tâche dans le temps — ils prédisent simplement quels mots doivent venir ensuite. Un système fondé sur ce principe ne peut physiquement pas « comprendre » le temps comme le font les humains.

Pourquoi c'est important

Cela révèle plusieurs problèmes clés dans l'utilisation des LLMs :

• Un modèle ne peut pas évaluer honnêtement la complexité d'une tâche, seulement deviner en fonction des statistiques
• Ses réponses sur les délais ne sont pas des prévisions, mais des hallucinations, des modèles probables
• Lors de la planification de projets avec l'IA, vous devez tenir compte du fait que le modèle ne peut physiquement pas calculer le temps réel
• Pour les évaluations critiques, une révision humaine est nécessaire, pas seulement des prédictions de modèle

«

Un modèle de langage n'a pas ce que nous appelons le temps, » — soulignant l'écart fondamental entre la façon dont les modèles fonctionnent et la façon dont les gens les pensent.

Ce que cela signifie

Ceci est le premier article d'une série sur la pensée collaborative entre les humains et les LLMs. La conclusion est simple : les modèles de langage ne sont pas des mini-humains avec un processeur rapide. C'est un système complètement différent fonctionnant selon des règles différentes. Les utiliser sans comprendre ces particularités signifie s'attendre à des erreurs.