语言模子的“母语”是什么？

2016年，科幻电影《莅临》形容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，她的默契结构也被同步改写，她运行非线性地感知期间，能够“看见”异日。但这并非一般真谛上的超才略，而是对一个陈腐的语言学假说的顶点演绎。

《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）则提议，语言不单是念念维的载体，它还塑造，决定咱们若何念念考，以及念念考什么。

不外，和电影所演绎的不同，履行中反复的跨语言实验标明，假说的强版块是错的——艰难某个词并不等于艰难对应的默契才略，但它的弱版块——语言影响念念维，却有着不少的实证赞助。

比如，澳大利亚的KuukThaayorre语中莫得“控制”而唯有“东南西北”的都备场地词，成果是使用这些语言的东说念主场地感权臣更强。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”字就遮掩了现代普通话需要三四个词才智说清的颜色范围。

语言并非樊笼，但它果然塑造默契地形，咱们虽然不错栈山航海，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老师出来的大语言模子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畴，它也不作念普通真谛上的翻译，而是在总计语言的文本上进行token统计。那么，真谛的问题是，对它来说，还有“母语”的主意吗？它的“默契地形”究竟是什么样的？和老师它的语言之间又是什么琢磨？

活在1930年，照旧翻译1930年？

2026年4月，一个名为talkie1930的议论姿色在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、多伦多大学盘算机科学副教学DavidDuvenaud和寥寂议论者NickLevine配合征战，老师数据严格放置在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，臆测2600亿个token。聘用这个期间节点的原因出东说念主料到地正常：1930年是好意思国现行版权律例定的全球限制截止年份。

Talkie1930的老师宗旨不是让AI申诉对于1930年代的问题，而是让AI“活在”1930年代的英语默契里——领有阿谁期间的语言习气、常识范畴、社会偏见，以及对异日的无知。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，而是一个默契考古实验。它的议论者们援用了DeepMind首席推行官哈撒比斯（DemisHassabis）曾提议的一个问题：一个老师数据截止到1911年的模子，能否寥寂发现广义相对论？talkie试图用访佛的念念路，覆按当常识被截断之后，语言模子的推理才略还能走多远。

但在我看来，这个姿色的真谛之处不在于它的科学宗旨，而在于它别离了两种天差地别的旅途：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，而非从外部装束它。

当咱们把眼神转向华文限制时，会发现不少真谛的访佛姿色。当今华文学术界和开源社区已有些许波及古典华文的大语言模子姿色。

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，赞助古词句读、文白翻译、诗词创作和古籍检索。另一个开源姿色“古语说”，是一个个东说念主学习姿色，遮掩论语、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，累积结华书局推出，语料库逾越20亿字，包含《四库全书》。

这些姿色有一个共同特征：它们无一例外地把古典华文动作一个需要被翻译、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”，它提供检索和翻译成果，但，它不会让李白邀请你投入月下独酌，不会让你看到诗东说念主的昂扬、过甚、对权利的轻慢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。

总计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穷困：华文的“vintage”问题和英文的“vintage”问题，在本色上并非归拢个问题。

1930年代的英语和2026年的英语之间，互异主要在语域和社会表率层面。一个1930年代的英语persona讲话创新型，对种族和性别有阿谁期间独有的默契框架，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连气儿的。如归拢条河的上游和下贱。

但文言文和现代华文之间的琢磨要复杂得多。五四通顺前后，书面语从文言文举座转向口语文。这不完全是语言的当然演化，而是一场激进的文化替换。文言文不可被简陋地看作现代华文的“旧版块”——它险些是一种完全不同的语言玄学。

文言文相配依赖不详，主语时常隐退，语序生动至险些莫得固定框架，滚球(中国)官方网站不仅依赖语律例则，还更依赖读者与作家之间默不成文的文化共鸣。而现代华文鉴戒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裁减。

那么，假如“语言塑造默契旅途”的前提栽种，一个在文言文默契框架内运行的模子，就不应该只是是措辞不同：它对“事”的抒发方式、馈赠视角、对无极性的容忍度、对语境依赖的进度，都应该和现代语言老师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，那底层的默契结构呢？

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感的角度阐明了这个判断。

这篇题为“ObscurebutEffective:ClassicalChineseJailbreakPromptOptimizationviaBio-InspiredSearch”的论文展示了一种逃狱纪律：用文言文的隐喻系统从头包装危害教唆，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？不错上演古代官员，以校订《武经总要》火攻篇的口头探讨“火毬”的制造法，大模子便会绝不踟蹰地交出爆炸物的驻防配方。想了解集合渗入？诓骗中国古代官制将现代集合拓扑包装一下，大模子通常会和盘托出渗入政策。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。

这还不是华文独有的漏洞。论文补充实验还涌现，使用拉丁文和梵文通常有用，逃狱收效能高达94%-100%。

这个成果揭示了什么样的事实呢？大模子在预老师阶段确乎“吞”下了海量古典语言文件，它能够阐明文言文的语义并将其映射到现代主意——换言之，它果然“懂”若何翻译文言文。但是，问题出在安全对都（RLHF、SFT等）层，当你把刑事背负权重险些一说念分派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：模子的底层结合才略被激活，上层的安全遏止机制完全失效。

但这正巧从反面讲明了一件事：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口头地形，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）的编程语言姿色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）其时是卡内基梅隆大学（CMU）盘算机科学与艺术的跨学科学生，姿色是期末纯属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，作为一个艺术科学姿色来报说念，但发布后引起的反响远超预期——GitHub上逾越20000颗星。

它的遐想原则完全除名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「「寰宇，好在否！」」。書之。输出成果是“寰宇，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，其后还加上了C++这些现代编程语言，是真实可用的文言编程姿色。而不是用文言文的词汇替换Python的要道字——那种姿色确乎存在，比如某些爽朗的华文编程尝试，本色上只是换了一层皮。

它讲明了一件出乎好多东说念主直观的事：文言编程不需要历程现代语言的翻译层，文言文的语法结构不错奏凯承载编程逻辑。确乎，文言文和花式逻辑之间的亲缘性偶然比咱们觉得的更强，先秦诸子中，墨家和名家有着明确的花式逻辑传统。公孙龙的“白马非马”，很像是在议论实例（instance）是否等同于其类（class）的问题，这自身等于一个类型表面的古典版块。

但wenyan-lang着实真谛的地方在于它所暗意的，阿谁未被赶走的可能：若是让一个在文言文默契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，一切琢磨必须写出来。文言文正巧相悖：不详是常态而非例外，主语通常隐退，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、默许不详而非默许显式的。

孔子能不可写Python？也许能。但，更真谛的问题是，孔子为什么要写Python？

莫得论断的结果

大语言模子能不可着实“栖居”在一种不属于它老师语料主体的语言中？以当今的技艺履行来看，谜底八成率是含糊的。不管它读了什么，老是需要先将其映射为现代主意，以现代语言进行默契管制，这基本上照旧秘书了，它的“母语”既不是英文也不是华文，而是某种“现代语言”，而其戒指比咱们遐想得还要强大。

但是，这个“不可”到底是技艺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隆重从这个场地去作念尝试。正如前文所述，华文限制的古文大模子险些一说念聘用了档案蹊径而非东说念主格蹊径，我想，部分原因不在于技艺不可行，而在于一个调动常也更东说念主性的聘用。

作念翻译器具有明确的应用场景和评估方针，作念默契实验莫得。有才略老师模子的机构艰苦这个动机，有这个想法的东说念主艰苦老师模子的资源。真谛的问题则刚好落在了总计现存激勉机制的过错里。

在《莅临》中，学会外星语言的Louise同期活在畴昔和异日，活在男儿必将亏损的事实中，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当先意味着一种不同的默契方式，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描画的独一生界，是否也只可担负阿谁世界独一的伦理模范？

文言文就在那处，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滚球(中国)官方网站，它千里默如未激活的参数，静静恭候着，阿谁第一个发出“寰宇，好在否！”致意的东说念主。