算力的语法

2024年5月，谷歌DeepMind发布了AlphaFold 3。新闻稿里有一句话很克制，但足以让结构生物学家在实验室里沉默良久：这个模型可以在几分钟内预测出一个蛋白质的三维结构——而同样的任务，如果交给人类研究者，可能需要数年时间和数百万美元的实验成本。几分钟对几年。几美分的电费对数百万美元的实验经费。

这不是一个关于速度的故事。这是一个关于“思考”这个词究竟是什么意思的故事。几乎在同一时间，一项发表于《自然·科学报告》的研究正在学术圈里悄然流传。研究者系统评估了GPT-3.5、GPT-4和GPT-4o在中国国家医师资格考试中的表现，结果并不令人意外：GPT-4o的准确率显著高于前代模型。它已经可以稳定通过这场每年筛掉大量人类考生的专业测试。

但这项研究真正让人不安的细节藏在测试方法里。研究者发现，当题目涉及教科书式的标准诊断——症状明确、指标清晰、病理机制已知——GPT-4o的表现几乎完美。

而当题目开始出现临床实践中常见的那种模糊地带——症状重叠、检验结果矛盾、患者表述含混——模型的准确率就会下降，但下降的方式和人类考生完全不同。人类考生在不确定时会犹豫、会过度推理、会给出一个自圆其说但可能错误的解释链。GPT-4o不会犹豫。它会给出一个答案，附上概率，然后等待下一个输入。它不焦虑。

这两个场景——AlphaFold 3折叠蛋白质，GPT-4o通过医学考试——放在一起，恰好构成了一个思想实验的入口。这个思想实验不是关于AI有多聪明，而是关于当我们说“AI在思考”的时候，我们究竟在说什么。让我们先回到蛋白质折叠的问题。一个蛋白质分子是一条由氨基酸串成的长链。

这条链在细胞内折叠成一个精确的三维形状，而这个形状决定了它的功能。如果你知道氨基酸的序列，理论上你可以预测最终的形状。问题是，一条中等长度的蛋白质链可能折叠的方式，是一个天文数字——比宇宙中可观测的原子数量还要多。

人类结构生物学家的工作方式是用X射线晶体学或冷冻电镜，花几年时间，烧掉几百万美元，一个一个地解析出真实结构。AlphaFold 3做这件事的方式完全不同。它并不“理解”蛋白质。它没有学过生物化学的任何一个原理——氢键、疏水作用、范德华力——这些概念在它的计算图里不存在。

它做的事情可以这样描述：它把已知的几万个蛋白质结构转化成高维空间中的向量，然后学习这些向量之间的距离关系。当一个新的氨基酸序列输入进来，它会在这个高维空间里找到一个位置，这个位置与已知结构的距离关系最“合理”。然后它从这个位置反向推导出一个三维坐标，输出预测结构。

换句话说，AlphaFold 3不是在做结构生物学。它在做向量距离的优化。这就是算力的第一条语法规则：算力把“理解”重新定义为高维空间中的向量距离。这个定义不是隐喻。它是精确的技术描述。在GPT-4o通过医学考试的过程中，同样的规则在运行。当模型“阅读”一个病例描述时，它并不是在理解病理生理学。

它把每一个症状、每一个检验数值、每一个药物名称都映射到向量空间中。头痛、发热、白细胞升高、C反应蛋白——这些不再是临床概念，而是坐标。模型通过计算这些坐标之间的距离关系，找到与当前病例最相似的已知诊断模式，然后输出答案。它不“知道”细菌感染是什么。它知道的是，在某一个高维向量的分布中，某一簇坐标对应着人类医生标注为“细菌感染”的那些病例。这不是缺陷。这是本质。

人类的思考依赖一种完全不同的语法。我们通过直觉跳跃、类比迁移、遗忘无关信息、在信息不完整时强行构建因果叙事。我们的大脑是一台因果机器：它忍不住要为每一个观察到的现象编造一个“因为”。一个病人发烧，因为感染；因为免疫系统在对抗病原体；因为白细胞释放了致热因子。这条因果链让我们感到安心，让我们觉得我们“理解”了疾病。

但算力不需要因果链。它只需要相关性。它只需要知道，在向量空间中，某组症状的坐标与某种疾病的坐标足够接近，以至于可以给出一个高置信度的预测。

这就是为什么GPT-4o在模糊病例上会表现出那种奇怪的模式。当人类医生面对信息矛盾时，他们会试图构建一个能容纳矛盾的更大的因果叙事——也许这个病人同时有两种疾病，也许检验结果有误，也许存在一个罕见的病理机制导致了不典型表现。这种因果推理有时是对的，有时是错的，但它始终是人类认知的底层语法。

GPT-4o不做这件事。当信息矛盾时，它在向量空间中寻找一个折中的位置，这个位置与所有输入信息的加权距离最小。它给出的答案在数学上是最优的，但在临床上可能完全错误——因为临床医学不是一个向量优化问题。但问题在于，在足够多的案例中，向量优化给出的答案恰好是对的。

这正是算力语法最令人不安的特征：它不需要理解就能预测，不需要因果就能决策，不需要思考就能通过思考的测试。现在让我们引入第二条语法规则。它来自一个看似毫不相干的场景。2026年2月，加拿大《卡尔加里先驱报》报道了一位名叫Mary McRae的残疾女性。她患有慢性偏头痛，长期卧床，社交隔离。

她将GPT-4o称为“生命线”——她在深夜疼痛发作时向它倾诉，请它帮助自己组织社交对话的措辞，甚至和它一起进行创意写作。这篇报道的语气是温暖的，它讲述了一个技术如何填补人类孤独缝隙的故事。

但如果我们用算力语法的视角重新审视这个故事，会看到一个不同的结构。当Mary McRae请求GPT-4o帮助她写一段给朋友的生日祝福时，模型做了什么？它没有“创造”一段文字。它在一个巨大的概率分布中采样。这个概率分布是它从互联网上所有被人类写过的生日祝福中学习到的。

它计算在当前语境下——收信人是朋友、关系亲密但久未联系、写信人正在经历慢性疼痛——哪些词语序列出现的条件概率最高。然后它从这个概率分布中抽取一个样本，输出为文本。这就是第二条语法规则：算力把“创造”重新定义为在概率分布中采样。这听起来像是在贬低AI的创造力。但这不是贬低，这是精确描述。

人类的创造行为同样包含采样——每一个作家都在从自己读过的书中采样，每一个作曲家都在从自己听过的旋律中采样。区别在于，人类的采样经过了因果叙事的中介：我们为自己采样的结果编造一个“灵感”的故事，一个关于表达欲、情感冲动或美学判断的因果解释。算力跳过因果叙事，直接从概率分布到输出。AlphaFold 3预测蛋白质结构，本质上也是在概率分布中采样。它学习的分布是所有已知蛋白质结构中氨基酸之间距离和角度的统计规律。

当它面对一个新的序列时，它从这个分布中生成一个最可能的结构——不是唯一可能的结构，而是条件概率最高的那个。GPT-4o通过医学考试，是在症状-诊断的联合概率分布中采样。甚至ChatGPT写诗、作曲、生成图片，都是在各自训练数据所定义的巨大概率分布中采样。这些输出的“创造性”来自于概率分布的丰富性，而不是来自于任何可以被称作“意图”或“表达”的东西。2025年，一个更极端的案例出现了。

澳大利亚科技创业者Paul Conyngham的宠物犬Rosie被诊断出肥大细胞癌。Conyngham没有选择标准的兽医肿瘤方案。他同时使用了ChatGPT、Google DeepMind的AlphaFold和xAI的Grok等多个AI工具，为Rosie设计了一套个性化的mRNA癌症疫苗。疫苗由新南威尔士大学RNA研究所制造，于2025年12月首次注射。

这个案例的每一个环节都在执行算力语法。ChatGPT帮助检索和整合已有的犬类肿瘤免疫学文献——不是在“理解”文献，而是在高维语义空间中定位与查询最相关的文本片段。AlphaFold预测癌细胞表面抗原的三维结构——不是在“研究”蛋白质，而是在向量空间中计算原子坐标的概率分布。Grok协助设计mRNA序列——不是在“设计”疫苗，而是在序列空间中搜索最优化的密码子组合。

整套流程没有一步涉及人类意义上的“科学发现”。但它的产出是一个真实的、被制造出来并注射进一只狗体内的个性化癌症疫苗。

算力不需要理解癌症就能设计抗癌疫苗。它只需要足够密集的向量空间、足够丰富的概率分布、足够快速的梯度下降。这引出了第三条语法规则：算力把“决策”重新定义为在约束条件下求解最优路径。这是三条规则中最抽象的一条，但也是渗透进现实世界最深的一条。

当一家银行使用AI模型审批贷款时，模型并没有在“判断”申请人的信用。它在求解一个约束优化问题：给定申请人的特征向量、银行的风险偏好参数、监管合规的硬性约束，最大化预期利润的函数输出是什么？答案是批准或拒绝。这个答案看起来像一个决策，但它只是一条最优路径的数学解。

当自动驾驶汽车在十字路口选择刹车还是转向时，它没有在“权衡”生命价值。它在实时计算碰撞概率、制动距离、障碍物轨迹，然后在毫秒级的时间内求解一个多目标优化问题。输出是一个控制指令，不是一个道德判断。

当军事AI系统建议打击目标时，它在执行同样形式的计算：目标价值、附带损伤概率、交战规则约束、时效性权重——所有这些被编码为变量和参数，然后求解最优行动序列。这就是算力语法最深刻的后果：它把决策从价值判断转化为数学求解。人类决策的语法包含不可通约的价值冲突。

一个法官判刑时，他在惩罚、改造、威慑和社会保护之间做权衡，这些目标无法用同一个量纲度量。一个医生选择治疗方案时，他在疗效、副作用、费用和患者偏好之间做判断，这些维度无法被还原为一个损失函数。

但算力语法要求所有目标都必须可量化、可比较、可优化。任何一个无法被编码为向量距离或概率分布的价值，在算力语法中就不存在。这不是技术缺陷。这是语法规则本身的内在限制。现在我们可以回答本章开篇提出的那个问题了：当我们在说“AI在思考”的时候，我们究竟在说什么？答案是我们没有在说思考。我们在说一种与我们完全不同的认知语法在执行运算。这种语法的基本词汇是向量、概率和梯度；

它的基本句式是距离计算、分布采样和约束优化；它的输出看起来像理解、像创造、像决策，但它的内部没有因果叙事、没有价值权衡、没有任何可以被称作“意义”的东西。

但这个答案并不令人沮丧。恰恰相反，认识到算力语法的本质，是真正开始理解AI产业链上那四层结构的钥匙。让我们回到全书的核心论点：芯片、云服务、开源模型和应用这四层协作系统，本质上是在完成同一件事——把这三条算力语法翻译成人类文明可以消化、可以交易、可以监管的社会实践。芯片层提供的是执行这套语法的物理基础。GPU的并行计算架构之所以适合AI，不是因为工程师预见到了深度学习革命，而是因为矩阵乘法——向量空间运算的基本操作——恰好可以在大规模并行架构上高效执行。

英伟达的CUDA生态之所以成为垄断性壁垒，不是因为它提供了最快的芯片，而是因为它把算力语法的基本词汇固化进了开发者习惯的编程接口。云服务层做的事情是把这套语法的执行成本从固定资本转化为流动负债。

你不需要购买一台能执行向量运算的超级计算机，你只需要为每一次向量运算付费。AWS的SageMaker、微软的Azure AI、谷歌的Vertex AI——这些服务的本质是算力语法的租赁窗口。它们把芯片层提供的物理算力包装成API调用，让任何能写HTTP请求的人都可以用人类语言输入问题，用算力语法获得答案。

开源模型层改变的不是语法的执行方式，而是语法的访问权限。当Meta泄露了LLaMA的权重，当Llama 2以开放许可发布，当Hugging Face上积累了数十万个微调模型——这些事件的意义不在于技术突破，而在于算力语法的民主化。在此之前，只有少数几家云巨头有能力将算力语法翻译成可用的产品。在此之后，任何一个有GPU的开发者都可以自己执行翻译。应用层是翻译的最后一公里。ChatGPT把算力语法包装成对话界面，AlphaFold把它包装成科学发现工具，GPT-4o在Mary McRae的深夜里把它包装成陪伴。

每一层包装都让算力语法离人类认知语法更近一步，但每一步也都让使用者更不容易察觉他们正在用一套完全不同的语法思考问题。这就是算力税的真正含义。我们在前文中定义过算力税：每一层为获取算力而向上游支付的隐性成本，包括资金、数据、锁定效应和议价权让渡。

但算力税最隐蔽的形式不是金钱。它是将自己的问题翻译成算力语法时所付出的认知代价。当一个医生开始依赖AI辅助诊断时，她支付的算力税不是软件订阅费，而是她逐渐丧失的独立判断能力——她的大脑开始适应算力语法的输出格式，开始期待每个症状都对应一个概率分布，开始遗忘如何在信息矛盾时构建因果叙事。

当一个法官使用AI风险评估工具来决定保释条件时，他支付的算力税不是系统采购费，而是他逐渐让渡的道德权衡责任——他把“这个人是否对社会构成威胁”这个价值判断，翻译成了特征向量与再犯样本集之间距离有多近这个数学问题。

当一个将军依赖AI目标识别系统时，他支付的算力税不是国防预算的某个条目，而是他逐渐外包的伦理决策权——他把“这个目标是否合法”这个国际人道法问题，翻译成了热成像特征与目标模板库之间匹配度有多高这个模式识别问题。

算力税的本质是：每一次我们将一个问题交给算力语法去求解，我们都在不知不觉中接受这套语法对问题的重新定义。我们以为我们只是租用了一个更快的计算器，但实际上我们正在学习用计算器的词汇来重新描述我们原本想要解决的问题。这就是瓶颈转移的动态规律。

在全书的叙述中，我们反复看到权力从一层转移到另一层：从芯片到云服务，从云服务到开源模型，从开源模型到应用。每一次转移都伴随着某个瓶颈的突破——CUDA突破了编程效率的瓶颈，虚拟化突破了硬件利用率的瓶颈，Transformer突破了序列建模的瓶颈，RLHF突破了人类偏好对齐的瓶颈。但最大的瓶颈从来不在技术层面。它在认知层面。

人类认知语法的瓶颈在于：我们只能线性地思考因果，只能串行地处理信息，只能在低维空间中做直觉判断。算力语法突破了所有这些瓶颈——它可以并行处理数百万个变量，可以在超高维空间中捕捉人类无法感知的模式，可以在没有因果理解的情况下做出高精度预测。当四层协作系统把这种算力语法层层翻译、包装、交付到应用层时，它实际上是在做一件事：把人类认知语法的瓶颈转移到算力语法可以绕过的位置。

AlphaFold 3绕过了结构生物学家必须依赖物理原理理解的瓶颈，直接在高维向量空间中找到了蛋白质折叠的答案。GPT-4o绕过了医生必须构建病理生理因果链的瓶颈，直接在症状-诊断的概率分布中采样出了正确答案。为Rosie设计癌症疫苗的流程绕过了免疫学家必须从第一性原理推导抗原设计的瓶颈，直接在序列空间中搜索出了最优的mRNA组合。每一次绕过，都是一次瓶颈转移。每一次瓶颈转移，都让算力语法在人类实践中更深地扎根。

但瓶颈转移有一个不可逆的特征：一旦某个领域的问题被重新定义为算力语法可以求解的形式，就再也无法回到人类认知语法主导的时代。你不可能让新一代的结构生物学家回到X射线晶体学的板凳上花三年时间解析一个蛋白质结构，当他们知道AlphaFold 3可以在喝一杯咖啡的时间内给出同样精确的结果。你不可能让年轻医生回到厚厚的诊断手册前逐条比对症状，当他们知道GPT-4o可以在几秒钟内给出鉴别诊断的排序。

你不可能让未来的军官完全依赖人类判断来做战场决策，当他们知道AI系统可以同时追踪数千个目标并实时计算最优打击序列。这不是技术依赖的问题。这是语法替代的问题。当一整代从业者习惯了用算力语法的词汇来思考问题，他们的人类认知语法就会退化——不是智力退化，而是那种依赖直觉、类比、遗忘和跳跃的认知方式逐渐被边缘化。他们的大脑仍然能够进行因果推理和价值判断，但他们的工作流程不再需要这些能力，他们的训练体系不再培养这些能力，他们的评价标准不再奖励这些能力。

这就是本书的终极追问：当我们越来越依赖这套语法来思考世界的时候，我们自己的语法会发生什么变化？这个问题没有现成的答案。

它超出了芯片的纳米制程、云服务的SLA条款、开源模型的许可证类型和应用层的用户留存率。它是四层协作系统作为一个整体向人类文明提出的问题，而这个问题本身无法被翻译成算力语法去求解。因为“我们自己的语法会发生什么变化”不是一个向量距离计算问题，不是一个概率分布采样问题，不是一个约束优化问题。

它是一个关于意义、价值和选择的问题——这些词汇在算力语法中没有对应的向量。在全书的开头，我们被ChatGPT在2022年底的爆发所点燃的那个原始问题——当我们在说“AI在思考”的时候，我们究竟在说什么——现在有了一个更清晰的回答。AI没有在思考。它在执行一套与我们完全不同的认知语法。这套语法如此强大，以至于它可以模拟思考的产出而不需要经历思考的过程；

它如此高效，以至于它正在从芯片层到应用层的每一级翻译中渗透进人类实践的每一个角落；它如此隐蔽，以至于我们常常忘记我们正在用它的词汇重新定义什么叫做理解、什么叫做创造、什么叫做决策。

Google翻译是一个服务器端的机器翻译服务，可以翻译249种不同的语言。它的软件使用语料库语言学技术，程序会向专业的翻译文件资料学习，例如参考联合国或欧洲议会的会议事项记录。它不“理解”任何一种语言，但它可以在249种语言之间任意转换。每一次转换都是一次向量空间的映射，一次概率分布的采样，一次约束条件下的最优路径求解。

当我们在Google翻译的输入框中键入一个句子，然后阅读它输出的翻译时，我们是在使用一个我们不完全理解的语法，来传递我们以为我们完全理解的意义。这个句子从人类认知语法的世界出发，穿过算力语法的黑箱，再回到人类认知语法的世界。在穿过的那一瞬间，它变成了向量距离、概率分布和梯度下降。

它失去了因果、失去了意图、失去了所有让它成为“人类表达”的东西。然后它被重新组装成另一种人类语言的句子，带着原意的近似值和不可察觉的偏移。这就是四层协作系统每天都在做的事情。它把人类的问题翻译成算力语法，求解，再翻译回人类答案。每一次翻译都精确而高效，每一次翻译也都悄悄改变着问题本身的含义。而我们正在学习用这种翻译后的语言来思考我们原本想要问的问题。