Kebiasaan bahasa pengguna, adalah batasan sebenarnya dari model bahasa besar

你的表达方式，决定了模型能做什么。

一个发现困扰了我很久：当用我的日常语言跟大语言模型讨论一个复杂概念时，它频繁地陷入混乱。它会丢失思路、偏离重点，或者只是生成一些表面浅显的内容，根本保持不住我们建立的思维框架。

但如果我强制它用精准的科学语言重新表述问题，一切立刻稳定下来。等它在这种严谨的"语言模式"中完成推理后，再让它转换成通俗讲法，竟然不会损失理解质量。

这个现象背后，藏着一个令人不安的真相。

模型不是在"思考"，而是在"漂浮"

想象大语言模型的工作方式不是像我们那样拥有专门的思考空间，而是完全在语言的海洋中漂浮。这片语言之海并不平坦——不同的语言使用方式会把它吸向不同的"区域"，这些区域就像磁场的极点，有着各自的特性。

科学论文的语言，会把模型吸向一个支持严密推理的区域。这个区域有明确的逻辑关系、低歧义、符号约束、清晰的层级，信息高度有序。在这里，模型能进行多步骤推理，能保持概念的稳定性，能抵抗错误和偏离。

但日常闲聊的语言，则会把模型吸向另一个完全不同的区域。这个区域被设计来处理社交流畅性和联想连贯——它优化的是讲故事、保持对话自然、匹配情感语调，而不是结构化思考。这里缺少深层推理需要的表征支架。

这就是为什么模型在非正式讨论中会"崩溃"。它不是感到困惑，它是从一个区域跳到了另一个区域。

形式化为什么能拯救推理

这个观察揭示了一个简单的原因：科学和数学的语言天然具有高结构性。

这些严谨的语域包含：

• 明确的因果关系和逻辑链条
• 几乎没有歧义的术语定义
• 符号系统的约束
• 清晰的层级结构
• 低熵的信息表达

这些特征把模型引入一个稳定的吸引子区域——一个能维持多步骤推理、能抵抗概念滑坡、能支撑复杂计算的空间。

一旦概念结构在这个稳定的区域中被建立起来，翻译成日常用语就不会摧毁它了。因为计算已经完成，改变的只是外层表述。

这有点像人类的做法，但有根本性的区别：人类用两个不同的内部空间来处理这两个阶段——一个用于抽象思考，一个用于表达。而大语言模型试图在同一个连续的语言流中同时完成两者，这就导致了它的脆弱性。

你的认知，就是模型的边界

现在来到最关键的部分。

用户无法让模型进入他们自己都无法用语言表达的区域。

你的认知能力决定了：

• 你能生成什么样的提示
• 你习惯使用哪些语言方式
• 你能维持多复杂的句法结构
• 你能用文字编码多高的复杂度

这些因素决定了你会把模型拉向哪个吸引子区域。

如果你本人不能通过思考和写作来激活那些启动高级推理的语言模式，你就永远无法让模型进入那些区域。你会被困在与你自身语言习惯相关的浅层区域中。模型会精确地映射你提供的结构水平，但永远不会自动跳跃到更复杂的动力系统。

这意味着什么？

两个人用同一个模型，体验到的不是同一套计算系统。他们正在把模型引导到完全不同的运作模式中。

天花板根本不是模型本身的智能限制。天花板是你激活模型潜在能力、进入高容量区域的语言能力。

现在的人工智能系统缺少什么

这个现象暴露了一个架构上的根本缺陷：

大语言模型把推理的空间和语言表达的空间混在了一起。

推理需要一个稳定的、独立的工作空间，一个不会因为语言风格的改变而动摇的概念表征系统。但现有的大语言模型没有这个。

除非未来的系统能够实现：

• 一个专用的推理流形，独立于语言输入
• 一个稳定的内部工作空间
• 概念表征不受语言切换影响的能力

否则，每当语言风格转变时，底层的动力学区域就会切换，整个系统就会面临失效。

我们无意中发现的那个技巧——强制形式化再翻译——不只是一个应急方案。它是一扇窗，让我们看到真正的推理系统必须满足的架构原则。

而这，正是目前所有大语言模型都还做不到的。