• 幻觉现象：对查询的回复包含事实错误信息。这源于数据质量问题、恶意数据或对问题的理解不足，导致词汇间关联性差。

• 不透明性：自然语言处理所用算法具有不透明性。难以或无法理解神经网络如何得出回应。

• 偏见与有害数据：从恶意或污染训练数据中继承的内在偏见（如人脸识别系统中的性别或种族偏见）可能扭曲输出。此外，受地理、社会和文化因素激发的偏见也会歪曲信息。

• 数据过时：未定期更新的数据库会导致大语言模型基于陈旧数据给出错误结果。

• 有限推理能力：大语言模型能进行关联但难以执行因果推断，导致推理问题。

• 数据安全性：已知大语言模型会通过记忆无意间泄露数据。该风险与模型反转攻击（恶意行为者可能从大语言模型回应中重构涉密数据）叠加加剧。

• 易受网络攻击：对抗性攻击通过构造特定输入针对数据库弱点，操纵或误导大语言模型产生不良或有害输出。此类攻击可能进一步放大漏洞，威胁人工智能工具所生成决策选项的完整性。

• 提示词注入：恶意个体通过提示词注入将有害指令嵌入表面无害的提示，从而绕过既定安全措施。用户可能借看似单纯的问题寻求非法活动指导或获取机密信息。此类提示可能恶意影响大语言模型或导致错误/有害指令传播。

• 自然语言编程缺乏精确性：编程语言是精确的，而自然语言处理存在歧义。这源于同一词汇的多重语境含义及复杂语法。此类模糊性可能导致大语言模型回应出现错误与不准确。

• 升级性回应：当用于兵棋推演中的决策辅助时，大语言模型表现出“难以预测的升级行为”。这对大语言模型提供的决策支持框架的可靠性提出质疑。

此外，谷歌研究团队测试了当前在用大语言模型在言语理解、知觉推理和工作记忆参数上的表现。模型结果充其量好坏参半。所有模型在某一参数上表现优异达到近人类水平，却在另一参数上严重失败。