这些观点揭示了当前大型语言模型（LLM）面临的几个关键挑战和局限性，让我们进行深度解读并提出相应的见解与批评。

1. 语言局限性：大型语言模型仅能学习和模仿人类语言中的模式，无法超越语言本身的限制。这意味着，尽管它们在处理、生成文本方面表现卓越，但在理解或创造超出现有文本范畴的新知识或概念上存在困难。

2. 推理能力的边界：人类逻辑推理虽然复杂多样，但也有其界限。目前我们还无法定义或识别“超人类推理”能力，因此即便LLMs达到或超越这一水平，我们也可能无法从根本上认识到其变革性的进步。

3. 改进的瓶颈：尽管不断增加计算资源和数据量，但大型语言模型在最大人类语言理解度（MMLU）方面的得分并未显著提高，这表明仅靠现有技术和方法难以实现质的飞跃。

这些挑战指出了一个关键问题——目前的大型语言模型发展可能已接近其潜在上限。要想实现更高层次的认知和推理能力，可能需要寻求超越传统语言模式学习方法的全新技术和路径。

虽然上述观点合理地指出了LLMs当前面临的挑战和局限性，但也不应完全否定这些模型未来发展的可能性。科技发展历史表明，每一次技术革命往往伴随着对既有框架的突破。因此，对于LLMs而言，关键在于如何结合跨学科知识、探索新算法，并结合人工智能其他分支（如认知科学、神经科学等）的研究成果，从而打破现有边界，开拓人工智能更广阔的应用领域。

总之，尽管大型语言模型目前确实面临一系列挑战和局限性，但这正是驱动未来创新和探索新路径的动力源泉。通过跨学科合作、算法创新及对AI伦理和责任性问题的深入考量，我们有望突破现有框架，迈向AI更加先进、更具智能化的未来。