一句话定义：随机鹦鹉（Stochastic Parrot）是对大语言模型的一种批评性比喻——它能把词接得像人话，但只是在按概率拼接，并不理解自己在说什么。
名字是怎么来的
这个说法来自一篇由多位研究者合写的论文，核心意思是：语言模型看起来"会说"，是因为它读过的文本足够多，而不是因为它"知道"。
今天的大语言模型（LLM）训练目标其实很朴素：预测下一个词。给它"今晚吃"，它算出词表里每个词接在后面的概率——"什么""火锅""了没"各占多少——挑一个，再把新句子接上继续算。重复成千上万次，就成了一段通顺的回答。
"随机"指的是这种抽样过程，"鹦鹉"指的是学舌：鹦鹉能字正腔圆地说"你好"，但它不是在打招呼，只是在模仿声音。模型也一样，它能写出"被烫到会疼"这样的句子，但它没有皮肤。
更贴近日常的类比是手机输入法的联想词，只不过规模被放大到读了海量文本。输入法不懂你饿不饿，它只是见过太多人这么打。
和相邻概念的区别
| 概念 | 说的是什么 | 关键差异 |
|---|---|---|
| 随机鹦鹉 | 机制层面：输出靠概率，不锚定真实世界 | 质疑的是"理解"本身 |
| 幻觉（AI 词典：Hallucination">Hallucination） | 结果层面：输出与事实不符 | 是这套机制可能导致的后果之一 |
| 图灵测试（Turing Test） | 评判层面：对话能否骗过人 | 测的是"像不像人"，不是"懂不懂" |
一句话：鹦鹉可以答对，但它答对的理由和你的理由不是一回事。换一个它没见过的问法，就可能露馅。
对从业者意味着什么
把"流畅"和"正确"当成两个独立维度来评测。模型很擅长前者，不保证后者。所以需要事实核查、检索增强、外部工具调用，以及能说清依据的引用机制。评测集上答对，不等于真实场景里可靠——真实场景里那些口语化的、上下文残缺的、带错别字的句子，可能恰好是训练数据里少见的。
对普通职场人意味着什么
把它当成一个读了很多书、很会写、但不对真实性负责的实习生：起草、翻译、改写、头脑风暴、出初稿，都很好用；涉及数字、法规、医疗、合同条款、自家业务细节，一定要自己核验；涉及规则和价格的，以官方页面为准。
一点平衡
这个比喻本身有争议，有人认为大规模模型的某些表现已经难以用"学舌"概括。但它作为一句提醒仍然成立：说得流利，不等于知道自己在说什么。区分这两件事，是用好它的前提。