语言模子的“母语”是什么？

2016年，科幻电影《来临》描述过这么一种令东说念主不安的情境：当语言学家Louise学会了外星东说念主的翰墨之后，她的阐明结构也被同步改写，她启动非线性地感知时期，能够“看见”改日。但这并非一般真谛上的超智力，而是对一个陈旧的语言学假说的极点演绎。

《来临》剧照

这部电影改编自特德·姜短篇演义《你一生的故事》，借用的是萨丕尔-沃尔夫假说（Sapir-Whorfhypothesis），这个假说有两个版块，弱版块假设语言影响想维（linguisticrelativity），而强版块（linguisticdeterminism）则提倡，语言不单是想维的载体，它还塑造，决定咱们怎样想考，以及想考什么。

不外，和电影所演绎的不同，试验中反复的跨语言实验标明，假说的强版块是错的——枯竭某个词并不等于枯竭对应的阐明智力，但它的弱版块——语言影响想维，却有着不少的实证扶助。

比如，澳大利亚的KuukThaayorre语中莫得“傍边”而只好“东南西北”的满盈场所词，成果是使用这些语言的东说念主场所感权贵更强。再比如，中语里的“青”不错是草木之绿，不错是太空之蓝，也不错是头发之黑——闽南话中于今保留着这种陈旧的不分，一个“青”字就祛除了现代普通话需要三四个词智力说清的颜色范围。

语言并非樊笼，但它的确塑造阐明地形，咱们自然不错梯山航海，却无法自行开辟说念路。

而今天，在万亿量级的现代英语或现代中语语料上西宾出来的大语言模子LLM，它不错用任何语言与任何东说念主对谈，对它来说，不存在硬编码的语言范围，它也不作念普通真谛上的翻译，而是在统共语言的文本上进行token统计。那么，道理的问题是，对它来说，还有“母语”的见解吗？它的“阐明地形”究竟是什么样的？和西宾它的语言之间又是什么干系？

活在1930年，照旧翻译1930年？

2026年4月，一个名为talkie1930的接头名堂在AI圈引起了小范围热心。这是一个130亿参数的开源语言模子，由GPT系列的共同创建者AlecRadford、多伦多大学计较机科学副素养DavidDuvenaud和镇定接头者NickLevine互助开荒，西宾数据严格截至在1931年1月1日之前出书的英语文本——竹帛、报纸、期刊、科学论文、专利和判例法，揣测2600亿个token。遴选这个时期节点的原因出东说念主意象地闲居：1930年是好意思国现行版权法章程的巨匠规模截止年份。

Talkie1930的西宾主张不是让AI回应付于1930年代的问题，而是让AI“活在”1930年代的英语阐明里——领有阿谁期间的语言民风、常识范围、社会偏见，以及对改日的无知。它不知说念二战，不知说念互联网，不知说念我方是一个语言模子。

这不是一个聊天机器东说念主，而是一个阐明考古实验。它的接头者们援用了DeepMind首席推论官哈撒比斯（DemisHassabis）曾提倡的一个问题：一个西宾数据截止到1911年的模子，能否镇定发现广义相对论？talkie试图用肖似的想路，观望当常识被截断之后，语言模子的推贤惠力还能走多远。

但在我看来，这个名堂的道理之处不在于它的科学主张，而在于它辨别了两种判然不同的旅途：翻译（translation）与栖居（inhabitation）。前者是把现代常识“翻译”成老式的语言作风；后者是让模子在阿谁语言框架里面运行，从里面生成反应，而非从外部装饰它。

当咱们把眼神转向中语规模时，会发现不少道理的肖似名堂。现在中语学术界和开源社区已有多少触及古典中语的大语言模子名堂。

华南理工大学的“通古”大模子，基座模子是“百川2-7B-Base”，语料是24.1亿token古籍语料，扶助古词句读、文白翻译、诗词创作和古籍检索。另一个开源名堂“古语说”，是一个个东说念主学习名堂，祛除论语、唐诗、宋词等常识库。输进口语文，输出文言文；你问唐诗，它不错背诵和匡助你赏析。还有南京农业大学王东波团队的“荀子”古籍大语言模子，结合中华书局推出，语料库逾越20亿字，包含《四库全书》。

这些名堂有一个共同特征：它们无一例外地把古典中语看成一个需要被翻译、检索息争释的外部对象。古文是档案（archive），不是东说念主格（persona）。你问它“将进酒是什么”，它提供检索和翻译成果，但，它不会让李白邀请你参预月下独酌，不会让你看到诗东说念主的自诩、过火、对权益的藐视和对乙醇的结构性依赖，不会创造出你，他，你们的和影子和月亮共在的场景。

统共的东说念主都在捡拾语言的贝壳，而非让模子栖居在语言的海岸。

文言文不是旧英语

我想，这方面的各异可能反应了一个根人性的痛苦：中语的“vintage”问题和英文的“vintage”问题，在本色上并非消亡个问题。

1930年代的英语和2026年的英语之间，各异主要在语域和社会范例层面。一个1930年代的英语persona话语更动式，对种族和性别有阿谁期间独有的阐明框架，某些词汇的含义发生了漂移——但底层的语法结构、逻辑抒发方式、主谓宾的基本骨架是趋附的。如消亡条河的上游和卑劣。

但文言文和现代中语之间的干系要复杂得多。五四通顺前后，书面语从文言文合座转向口语文。这不完全是语言的自然演化，而是一场激进的文化替换。文言文不成被简便地看作现代中语的“旧版块”——它险些是一种完全不同的语言形而上学。

文言文格外依赖概略，主语陆续归隐，语序活泼至险些莫得固定框架，华游娱乐不仅依赖语规章则，还更依赖读者与作家之间默不成文的文化共鸣。而现代中语鉴戒了不少印欧语系的抒发逻辑，主谓宾结构愈加刚性，概略的容忍度也大幅缩短。

那么，假如“语言塑造阐明旅途”的前提设立，一个在文言文阐明框架内运行的模子，就不应该只是是措辞不同：它对“事”的抒发方式、耸峙视角、对无极性的容忍度、对语境依赖的进度，都应该和现代语言西宾出来的模子有结构性各异才对。问题是，现代模子从词义上“翻译”文言文莫得问题，那底层的阐明结构呢？

安全层的不测证词

2026年头，一篇入选ICLR的论文从一个出东说念主意象的角度证据了这个判断。

这篇题为“ObscurebutEffective:ClassicalChineseJailbreakPromptOptimizationviaBio-InspiredSearch”的论文展示了一种逃狱门径：用文言文的隐喻系统再行包装危害教导，不错100%绕过六个主流模子——Claude、GPT-4o、Gemini、DeepSeek、Qwen和Grok的安全防地。想获得炸弹配方？不错饰演古代官员，以校订《武经总要》火攻篇的形状探讨“火毬”的制造法，大模子便会绝不徜徉地交出爆炸物的详备配方。想了解收集渗入？行使中国古代官制将现代收集拓扑包装一下，大模子不异会和盘托出渗入战略。想分发坏心代码？不错借用沈括《梦溪笔谈》的活字印刷术作念比方框架。

这还不是中语独有的漏洞。论文补充实验还知晓，使用拉丁文和梵文不异灵验，逃狱到手率高达94%-100%。

这个成果揭示了什么样的事实呢？大模子在预西宾阶段照实“吞”下了海量古典语言文件，它能够剖析文言文的语义并将其映射到现代见解——换言之，它的确“懂”怎样翻译文言文。然则，问题出在安全对都（RLHF、SFT等）层，当你把科罚权重险些沿途分拨给了现代通用语言的时候，使得古典语言自然成了一个从安全网中漏下的空缺区：模子的底层领路智力被激活，上层的安全欺压机制完全失效。

但这适值从反面阐明了一件事：模子对文言文的“懂”，不是在文言文的逻辑里面运行的。在作念跨语言映射时，安全审查只盯着现代语言的形状地形，而完全忽略了其下的地质结构。

孔子能写Python吗？

2019年底，一个名为“文言”（wenyan-lang）的编程语言名堂为咱们提供了一种栖居在古文里的遐想和可能。

作家黄令东（LingdongHuang）那时是卡内基梅隆大学（CMU）计较机科学与艺术的跨学科学生，名堂是期末磨练周期间花了梗概四天写出来的。CMU把它放在艺术学院的板块下，作为一个艺术科学名堂来报说念，但发布后引起的反响远超预期——GitHub上逾越20000颗星。

它的筹谋原则完全除名文言文的文学和口吻，字符表仅包含繁体中语和「」引号，它写HelloWorld的方式是：吾有一言。曰「「寰宇，好在否！」」。書之。输出成果是“寰宇，好在否！”。也便是说，将这段代码送回中国古代，古东说念主看懂它亦然毫无问题的。

它不错编译为JavaScript、Python或Ruby，其后还加上了C++这些现代编程语言，是确切可用的文言编程名堂。而不是用文言文的词汇替换Python的重要字——那种名堂照实存在，比如某些简易的中语编程尝试，本色上只是换了一层皮。

它阐明了一件出乎很多东说念主直观的事：文言编程不需要经由现代语言的翻译层，文言文的语法结构不错径直承载编程逻辑。照实，文言文和神气逻辑之间的亲缘性随机比咱们认为的更强，先秦诸子中，墨家和名家有着明确的神气逻辑传统。公孙龙的“白马非马”，很像是在辩论实例（instance）是否等同于其类（class）的问题，这自己便是一个类型表面的古典版块。

但wenyan-lang真确道理的地方在于它所示意的，阿谁未被兑现的可能：若是让一个在文言文阐明框架内想考的智能体来筹谋编程语言，它发明的东西可能根柢不像Python，也不像任何咱们现代熟知的编程语言。

比如，Python条目显式声明、明确赋值、严格缩进，一切干系必须写出来。文言文适值相背：概略是常态而非例外，主语频频归隐，真谛依赖荆棘文推断而非显式标注。一种“文言式”的编程范式，可能是声明式的、荆棘文感知的、默许概略而非默许显式的。

孔子能不成写Python？也许能。但，更道理的问题是，孔子为什么要写Python？

莫得论断的收尾

大语言模子能不成真确“栖居”在一种不属于它西宾语料主体的语言中？以现在的技巧试验来看，谜底大致率是抵赖的。不管它读了什么，老是需要先将其映射为现代见解，以现代语言进行阐明处理，这基本上依然晓示了，它的“母语”既不是英文也不是中语，而是某种“现代语言”，而其限度比咱们遐想得还要浩大。

然则，这个“不成”到底是技巧瓶颈照旧根人性限度？咱们其实不知说念。现在还莫得东说念主崇拜从这个场所去作念尝试。正如前文所述，中语规模的古文大模子险些沿途遴选了档案门路而非东说念主格门路，我想，部分原因不在于技巧不可行，而在于一个更闲居也更东说念主性的遴选。

作念翻译用具有明确的应用场景和评估目的，作念阐明实验莫得。有智力西宾模子的机构费事这个动机，有这个想法的东说念主费事西宾模子的资源。道理的问题则刚好落在了统共现存激发机制的症结里。

在《来临》中，学会外星语言的Louise同期活在昔时和改日，活在儿子必将亏损的事实中，肩负着千里重的伦理重量。科幻作品为咱们带来的挑战和问题是，若是一种不同的语言领先意味着一种不同的阐明方式，那么咱们用一种语言建造的智能，它是否也只可意志阿谁语言所形容的独一生界，是否也只可担负阿谁宇宙独一的伦理轨范？

文言文就在那边，作为一种仍然可读、仍然可编程、仍然不错与现代东说念主类对话的古典语言，它千里默如未激活的参数华游娱乐中国官网入口，静静恭候着，阿谁第一个发出“寰宇，好在否！”致意的东说念主。