语言模子的“母语”是什么？

2016年，科幻电影《莅临》描写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笔墨之后，她的领会结构也被同步改写，她开动非线性地感知时辰，能够“看见”改日。但这并非一般真谛上的超才气，而是对一个陈腐的语言学假说的极点演绎。

《莅临》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念念维（linguisticrelativity），而强版块（linguisticdeterminism）则建议，语言不单是念念维的载体，它还塑造，决定咱们如何念念考，以及念念考什么。

不外，和电影所演绎的不同，施行中反复的跨语言实验标明，假说的强版块是错的——短缺某个词并不等于短缺对应的领会才气，但它的弱版块——语言影响念念维，却有着不少的实证撑捏。

比如，澳大利亚的KuukThaayorre语中莫得“阁下”而唯独“东南西北”的都备场地词，着力是使用这些语言的东说念主标的感权贵更强。再比如，华文里的“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腐的不分，一个“青”字就粉饰了现代平方话需要三四个词才能说清的色调范围。

语言并非樊笼，但它确凿塑造领会地形，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华文语料上教诲出来的大语言模子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规模，它也不作念平方真谛上的翻译，而是在系数语言的文本上进行token统计。那么，道理的问题是，对它来说，还有“母语”的见地吗？它的“领会地形”究竟是什么样的？和教诲它的语言之间又是什么关系？

活在1930年，照旧翻译1930年？

2026年4月，一个名为talkie1930的推敲技俩在AI圈引起了小范围关爱。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、多伦多大学策动机科学副解说DavidDuvenaud和安靖推敲者NickLevine和洽设备，教诲数据严格放荡在1931年1月1日之前出书的英语文本——书本、报纸、期刊、科学论文、专利和判例法，所有2600亿个token。选拔这个时辰节点的原因出东说念主预见地泛泛：1930年是好意思国现行版权法轨则的全球限度截止年份。

Talkie1930的教诲想法不是让AI酬报对于1930年代的问题，而是让AI“活在”1930年代的英语领会里——领有阿谁时间的语言民风、学问规模、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，而是一个领会考古实验。它的推敲者们援用了DeepMind首席实行官哈撒比斯（DemisHassabis）曾建议的一个问题：一个教诲数据截止到1911年的模子，能否安靖发现广义相对论？talkie试图用雷同的念念路，覆按当学问被截断之后，语言模子的推理才气还能走多远。

但在我看来，这个技俩的道理之处不在于它的科学想法，而在于它差别了两种绝不交流的旅途：翻译（translation）与栖居（inhabitation）。前者是把现代学问“翻译”成老式的语言立场；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。

当咱们把见解转向华文限度时，会发现不少道理的雷同技俩。当今华文学术界和开源社区已有多少波及古典华文的大语言模子技俩。

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，撑捏古词句读、文白翻译、诗词创作和古籍检索。另一个开源技俩“古语说”，是一个个东说念主学习技俩，粉饰论语、唐诗、宋词等学问库。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，探求中华书局推出，语料库朝上20亿字，包含《四库全书》。

这些技俩有一个共同特征：它们无一例外地把古典华文行动一个需要被翻译、检索妥协释的外部对象。古文是档案（archive），不是东说念主格（persona）。你问它“将进酒是什么”，它提供检索和翻译着力，但，它不会让李白邀请你插足月下独酌，不会让你看到诗东说念主的自夸、过火、对权利的轻蔑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。

系数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，这方面的互异可能反馈了一个根人性的艰难：华文的“vintage”问题和英文的“vintage”问题，在实质上并非归拢个问题。

1930年代的英语和2026年的英语之间，互异主要在语域和社会标准层面。一个1930年代的英语persona言语更变式，对种族和性别有阿谁时间专有的领会框架，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畅通的。如归拢条河的上游和下流。

但文言文和现代华文之间的关系要复杂得多。五四招引前后，书面语从文言文全体转向口语文。这不完全是语言的自然演化，而是一场激进的文化替换。文言文弗成被毛糙地看作现代华文的“旧版块”——它简直是一种完全不同的语言形而上学。

文言文尽头依赖不详，主语往往藏隐，语序天真至简直莫得固定框架，开云2026世界杯中国官网不仅依赖语法例则，还更依赖读者与作家之间默不成文的文化共鸣。而现代华文模仿了不少印欧语系的抒发逻辑，主谓宾结构愈加刚性，不详的容忍度也大幅镌汰。

那么，假如“语言塑造领会旅途”的前提配置，一个在文言文领会框架内运行的模子，就不应该只是是措辞不同：它对“事”的抒发方式、直立视角、对浑沌性的容忍度、对语境依赖的进程，都应该和现代语言教诲出来的模子有结构性互异才对。问题是，现代模子从词义上“翻译”文言文莫得问题，那底层的领会结构呢？

安全层的不测证词

2026岁首，一篇入选ICLR的论文从一个出东说念主预见的角度证明了这个判断。

这篇题为“ObscurebutEffective:ClassicalChineseJailbreakPromptOptimizationviaBio-InspiredSearch”的论文展示了一种逃狱武艺：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。想得到炸弹配方？不错演出古代官员，以校订《武经总要》火攻篇的款式探讨“火毬”的制造法，大模子便会绝不游荡地交出爆炸物的详备配方。想了解采集渗入？行使中国古代官制将现代采集拓扑包装一下，大模子相同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》的活字印刷术作念譬如框架。

这还不是华文专有的漏洞。论文补充实验还泄露，使用拉丁文和梵文相同灵验，逃狱收着力高达94%-100%。

这个着力揭示了什么样的事实呢？大模子在预教诲阶段如实“吞”下了海量古典语言文件，它能够解析文言文的语义并将其映射到现代见地——换言之，它确凿“懂”如何翻译文言文。干系词，问题出在安全对都（RLHF、SFT等）层，当你把科罚权重简直沿路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：模子的底层剖释才气被激活，上层的安全贬抑机制完全失效。

但这恰巧从反面评释了一件事：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款式地形，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）的编程语言技俩为咱们提供了一种栖居在古文里的假想和可能。

作家黄令东（LingdongHuang）那时是卡内基梅隆大学（CMU）策动机科学与艺术的跨学科学生，技俩是期末视察周期间花了大要四天写出来的。CMU把它放在艺术学院的板块下，作为一个艺术科学技俩来报说念，但发布后引起的反响远超预期——GitHub上朝上20000颗星。

它的遐想原则完全降服文言文的文学和口吻，字符表仅包含繁体华文和「」引号，它写HelloWorld的方式是：吾有一言。曰「「宇宙，好在否！」」。書之。输出着力是“宇宙，好在否！”。也等于说，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，自后还加上了C++这些现代编程语言，是真实可用的文言编程技俩。而不是用文言文的词汇替换Python的关节字——那种技俩如实存在，比如某些鄙俗的华文编程尝试，实质上只是换了一层皮。

它评释了一件出乎好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。如实，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”，很像是在探求实例（instance）是否等同于其类（class）的问题，这自己等于一个类型表面的古典版块。

但wenyan-lang真实道理的地方在于它所默示的，阿谁未被竣事的可能：若是让一个在文言文领会框架内念念考的智能体来遐想编程语言，它发明的东西可能根底不像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，一切关系必须写出来。文言文恰巧相背：不详是常态而非例外，主语往往藏隐，真谛依赖高下文计算而非显式标注。一种“文言式”的编程范式，可能是声明式的、高下文感知的、默许不详而非默许显式的。

孔子能弗成写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

大语言模子能弗成真实“栖居”在一种不属于它教诲语料主体的语言中？以当今的时候施行来看，谜底大略率是含糊的。岂论它读了什么，老是需要先将其映射为现代见地，以现代语言进行领会处理，这基本上也曾告示了，它的“母语”既不是英文也不是华文，而是某种“现代语言”，而其戒指比咱们假想得还要精深。

干系词，这个“弗成”到底是时候瓶颈照旧根人性戒指？咱们其实不知说念。当今还莫得东说念主发扬从这个标的去作念尝试。正如前文所述，华文限度的古文大模子简直沿路选拔了档案道路而非东说念主格道路，我想，部分原因不在于时候不可行，而在于一个更泛泛也更东说念主性的选拔。

作念翻译器具有明确的应用场景和评估预备，作念领会实验莫得。有才气教诲模子的机构戮力这个动机，有这个想法的东说念主戮力教诲模子的资源。道理的问题则刚好落在了系数现存激发机制的症结里。

在《莅临》中，学会外星语言的Louise同期活在夙昔和改日，活在犬子必将死字的事实中，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最初意味着一种不同的领会方式，那么咱们用一种语言建造的智能，它是否也只可意识阿谁语言所边幅的独一生界，是否也只可担负阿谁世界独一的伦理措施？

文言文就在那儿开云2026世界杯中国官网，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，静静恭候着，阿谁第一个发出“宇宙，好在否！”请安的东说念主。