BRAIN / BRAIN × AI20 SEP 2026

脑科学与AI㉕｜它读过人类写下的一切，唯独读不到没写下的

大模型训练时只做一件事：猜下一个字。没人教它语法、常识、推理。可它长出了这些本事。

这看起来像个奇迹。换个角度看，它其实走了一条捷径——而这条捷径，也划定了它的边界。

BRAIN / 01

一、为什么猜下一个字，能逼出推理

一本侦探小说读到最后一句："所以，凶手就是____"。要猜对这个名字，得把前面所有线索串起来，真的推一遍。数学题也一样："所以答案是____"，不算就猜不对。

为了把"下一个字"猜准，模型被逼着在内部长出能完成这些事的结构。任务看起来简单，做到极致，就逼出了复杂的能力。

这个思路有一段很具体的来历。2017 年，有研究者训练一个小模型去猜商品评论的下一个字母，训练完打开一看，里面自己长出了一个能分辨好评差评的单元——没人教过它。那是一个早期信号：为了猜准，模型会被迫去理解内容。

BRAIN / 02

二、为什么敢花这么多钱

2017 年 transformer 被发明出来，最初是为了翻译——选它的一个原因是它能让一句话里所有的字同时计算，正好适合显卡并行。没有人当时想到大模型。

之后几年，研究者把 transformer 和"猜下一个字"放在一起，发现模型越大、读得越多，会的越多。2020 年的"规模定律"给了最后的底气：算力、数据、模型规模增加，能力按相当稳定的规律提高，可以提前估算。花几千万美元训练一个模型，从赌博变成了有把握的投资。

有些本事看起来是到某个规模"突然"出现的——看几个例子就会照做、一步步推理、多位数算术。后来有研究指出，"突然"有一部分是评分方式造成的：只要错一位就算全错，渐进的进步就被藏起来了。更准确的说法是：本事一点点长，到某个点才变得看得见、用得上。

BRAIN / 03

三、捷径：站在进化的成果上

进化是一台用整个地球跑了几十亿年的计算机：每个生命一次试算，活下来、留下后代，程序就保留。从会躲的线虫，到会怕的老鼠，再到会为还没发生的事担心的人，都是这台机器算出来的。

大模型没有从头算。它读的是人类写下的文字——而文字，是进化算了几十亿年之后，人脑才写出来的东西。它站在进化的成果上。这是它能在几个月里长出本事的原因。

BRAIN / 04

四、边界：没写下来的那部分

可它学到的，只是被写下来的那部分。

人类决策里最难的东西，恰恰没写下来：身体的感觉、输过才知道的分量、几十年经验沉淀出的整体判断。巴菲特的信公开了六十年，金融从业者千千万，只有一个巴菲特——不是信写得不清楚，而是让信起作用的那套判断，本来就不在信里。

杰哥原本想让本地大模型"学会"53 本书。讨论到这里，他自己给出了答案：书里写下的，模型能学；让书真正起作用的那部分，没写在书里。人传不了人，训练也传不进模型。

BRAIN / 05

五、所以它适合做什么

transformer 和人脑是两个路子。就像飞机和鸟都会飞，一个靠发动机，一个靠扇翅膀。它用自己的结构，长出了一套"看起来像"的本事：

合理的期待是：让它当资料库和陪练——翻书、找反例、点出误判；让书真正长成结构的地方，只有一个，就是读书的那个人的大脑。

BRAIN / 06

六、三行，留着复习

```

猜下一个字能逼出推理 为了猜准"凶手是谁"，模型被迫长出串联线索的结构

它站在进化的成果上 读的是人脑写下的文字，所以几个月就能长出本事，不必从头算几十亿年

写不下的它学不到 身体、经历、默会的整体判断不在文字里；它是资料库和陪练，不是替身

```

本篇是系列第25篇，由Claude整理杰哥与Claude的讨论，药神逐条核对研究年份与机制。核对结果：2017年字符级情感神经元实验（OpenAI Radford等）、2017年transformer提出（Vaswani等「Attention Is All You Need」）、2020年规模定律（Kaplan等）年份均准确；「涌现能力部分是评分方式造成的假象」一说对应2023年Schaeffer等NeurIPS论文，原稿未指明具体论文，属合理的保守转述，未作改动。属个人学习与判断笔记。

阅读依据：字符级情感神经元见Radford A, Jozefowicz R, Sutskever I. 'Learning to Generate Reviews and Discovering Sentiment' arXiv:1704.01444（2017）；transformer架构见Vaswani A et al. 'Attention Is All You Need' NeurIPS 2017；规模定律见Kaplan J et al. 'Scaling Laws for Neural Language Models' arXiv:2001.08361（2020）；涌现能力的评分假象讨论见Schaeffer R, Miranda B, Koyejo S. 'Are Emergent Abilities of Large Language Models a Mirage?' NeurIPS 2023。以上均为计算机科学预印本/会议论文，未被PubMed索引，核对依据其官方发布记录与广泛学界引用。