🦞 Lobsters | 📄 原文链接 | 2026-07-27 收录

语言作为设计出的潜在空间：LLM 的能力边界与人类独特的推理方式

来源：blog.jsbarretto.com — 2026-07-25

📋 概述

作者将编程语言和自然语言概念化为「设计出的潜在空间」（designed latent spaces）——每种语言通过其语法和语义约束定义了可表达的思想空间。LLM 通过自回归预测在这个空间中导航，但它们缺乏人类所拥有的「外部地标」——物理世界、感官体验和社会实践。这篇文章解释了为什么 LLM 在某些推理任务上表现惊人而在另一些任务上却令人失望地失败：它们被困在语言的潜在空间中，无法触及语言指涉的现实。

🔑 核心要点

语言作为潜在空间：每种编程/自然语言定义了可表达思想的边界——语法即空间的维度，语义即空间的形状。
LLM 的导航方式：自回归预测是在这个潜在空间中进行路径搜索——每一步选择最可能的下一个 token。
外部地标的缺失：人类有物理世界、感官体验和社会实践作为推理的锚点——LLM 只有训练语料的统计模式。
失败模式：当问题要求「走出语言」——如物理直觉、社会常识、反事实推理——LLM 在不具备外部参照时会系统性地偏离。
语言设计的权力：选择何种语言即选择了何种潜在空间——编程语言的设计决定了你能自然地表达什么思想。

💡 金句

LLM 被封锁在语言的潜在空间中——它们可以导航任何由语言定义的路径，但永远无法触及语言试图指涉的那个世界。

← 返回 Lobsters 首页