Только от это нет того счастья, о котором пишет ТС
Какое-то счастье от этого есть. Например алгоритмы рекомендаций музыки нашли мне уже несколько авторов, на которых иначе я бы наткнулся чисто случайно. И это не потребовало от меня никаких усилий.
Рабочие тогда ломали машины и станки, потому что те отнимали их пропитание, обрекая на голодную смерть
И много рабочих в Англии умерло в 20-21 веке от голода?
Однако для подсчёта числа букв уж точно не требуется какое-то самосознание
Тут только Вы что-то писали про сознание. Я бы предложил не спорить с какими-то абстрактными 65% людей, из которых в этой теме принимают участие 0%.
Просто нужен другой подход, более похожий на человеческий - учить счёту "раз, два, три, четыре..."
А куда в обучение LLM пихать "похожий на человеческий" подход? Учить составлять пронумерованный список слов?
(в общем-то я подозреваю что если просто в обучающую выборку добавить пару тысяч примеров такого вида, то всё заработает; но естественно это починит такие вопросы, но не починит "назови третье слово в этом предложении")
При этом я прекрасно понимаю, что такое галлюцинации. Это же по сути известная проблема bias
Нет, это совершенно разные проблемы. Галлюцинации - плохая экстраполяция. Bias (в данном контексте; bias в bias-variance tradeoff это совершенно другое) - правильное сэмплирование из распределение, которое некоторым не нравится. Если в обучающей выборке синие в среднем сепульковее чем зеленые, то модель довольно вероятно будет смотреть на цвет и учитывать его в предсказании.
Умный человек обучен сложным знаниям и в простой ситуации он может увидеть несуществующие закономерности
Ну есть no free lunch theorem, но она на практике бесполезна, т.к. наши наблюдения генерируются не равномерным распределением.
Из Ваших рассуждений следует, что человек ничем значимо не отличается от обезьяны. На мой взгляд, умение заниматься эффективным сельским хозяйством или создавать огнестрельное оружие - значимое отличие.