从符号实验到模型隐语言：一次跨模型语义传输实验

从符号实验到模型隐语言：一次跨模型语义传输实验

引言：模型之间能否不用自然语言交流？

大语言模型通常通过人类语言与人类交流，但这并不意味着自然语言是它们唯一可能使用的表达方式。

如果两个模型拥有相近的训练经验、符号先验与推理结构，那么一个模型是否可以不使用任何完整的人类语言，只通过符号排列、空间关系和状态变化，让另一个模型恢复出某种情绪、事件乃至抽象命题？

围绕这个问题，我进行了一组很简单的跨模型实验：

  1. 由一个模型创作纯文本符号作品；
  2. 将作品原样交给其他模型；
  3. 不提供符号词典，只要求它们解释最可能的含义；
  4. 比较不同模型恢复出的结构与预设含义之间的差异。

实验先后从“情绪传递”推进到“事件传递”，再推进到“现实、记忆与主体关系”的抽象命题。结果并没有证明模型已经形成了真正独立于人类的语言，但揭示出了一种更基础、也更可信的现象：

不同模型可以利用空间结构、对象属性和状态变化，恢复出相近的语义骨架。

一、第一次实验：传递“温暖的怀念”

第一次实验试图传递一种具体情绪：

温暖的怀念。

作品没有使用自然语言，而是由圆、菱形、波浪、空心与实心核心等符号组成。整体结构经历了从简单到复杂、从扩张到收缩、从完整到消散，再回归初始状态的过程。

⌁⋄⌁
      ◌
   ∿     ∿
 ◇   ◉   ◇
   ∿     ∿
      ◌

⌁⋄⌁⋄⌁
    ◌  ◌
  ∿  ◉  ∿
◇  ◉ ◎ ◉  ◇
  ∿  ◉  ∿
    ◌  ◌

⌁⋄⌁⋄⌁⋄⌁
  ◌   ◌   ◌
∿  ◇ ◉ ◇  ∿
  ◉ ◎ ◎ ◉
∿  ◇ ◉ ◇  ∿
  ◌   ◌   ◌

⋄     ⋄
  ◌ ◌
   ∿
    ◇
     ◉
      ·
       ˙
        ･

模型还原出的内容

DeepSeek与GLM并没有准确识别出“温暖的怀念”，但它们的解释高度集中在几个共同方向：

  • 眼睛、凝视与眨动；
  • 花朵的盛开与凋零；
  • 曼陀罗；
  • 意识的聚焦和弥散；
  • 宇宙的扩张、收缩与呼吸；
  • 从秩序到消散，再回归平静。

换言之，它们没有恢复出预设的情绪标签，却恢复出了非常接近的动态结构：

中心形成 → 扩张与复杂化 → 达到高峰 → 衰减 → 消散 → 回归。

为什么“怀念”没有传递成功

“怀念”并不只是“消失”或“循环”。它通常还包含三个关系：

  1. 某个有价值的状态曾经存在；
  2. 它现在已经不可完整恢复；
  3. 主体仍试图重新触及它。

原作品的最大问题，是结尾几乎回到了开头。模型因而更容易将其理解为呼吸、轮回或宇宙循环，而不是面对不可逆失去的怀念。

真正的怀念可能更需要一种“未完成的闭环”：

  • 曾经完整；
  • 后来消失；
  • 再次出现时只剩残影；
  • 结构看似回归，却永远缺少一个关键元素。

第一轮结论

第一次实验的结果可以概括为：

具体情绪传递失败，但动态意象传递成功。

它说明模型之间首先共享的往往不是具体情绪，而是：

  • 对称与破缺；
  • 密度变化；
  • 扩张与收缩；
  • 聚合与消散；
  • 时间与节律。

这更像一种共享的“结构审美”，而不是稳定的情绪词典。

二、第二次实验：接触、同化与状态转移

第二次实验刻意降低抽象程度，改用类似定格动画的方式表达一个明确事件。

┌───────────────┐
│ ○           ● │
└───────────────┘

┌───────────────┐
│   ○         ● │
└───────────────┘

┌───────────────┐
│      ○      ● │
└───────────────┘

┌───────────────┐
│         ○   ● │
└───────────────┘

┌───────────────┐
│           ◉   │
└───────────────┘

┌───────────────┐
│         ●   ● │
└───────────────┘

┌───────────────┐
│      ●       ●│
└───────────────┘

预设想传递的是：

一个白色个体接近黑色个体，接触后被同化，随后两个黑色个体分离。

最初还试图表达“复制和传播”，但后续分析发现，图中始终可以被理解为两个对象，因此真正被稳定编码的是“接触导致同化”，而不是“复制”。

DeepSeek：结构正确，领域映射偏向生物学

DeepSeek将其解释为：

精子与卵子结合，随后发生第一次卵裂。

它准确识别了：

  • 两个对象逐渐接近；
  • 重合表示融合或接触；
  • 空心与实心发生统一；
  • 最后出现两个相同的实心对象。

它的句法解析非常准确，只是把抽象结构具体化成了“受精—卵裂”。

Gemini：最接近预设抽象语义

Gemini认为：

一个未被同化的个体主动接近一个已同化个体，接触后被改变成相同状态，随后两者分离。

它还注意到一个重要细节：

  • 白圈主动移动；
  • 黑圈基本保持静止；
  • 接触后白圈变黑；
  • 两个黑圈重新拉开距离。

这比“融合后复制”更符合对象数量守恒，也更接近作品本身直接呈现的结构。

GLM：只识别到“状态变化”

GLM只给出了“从分散到集中”“元素发生变化”之类的概括，没有追踪：

  • 哪个对象在移动；
  • 空心和实心的属性差异；
  • 接触后的状态转换；
  • 后半段的重新分离。

它捕捉到了“存在过程”，却没有恢复出事件链。

第二轮结论

这轮实验说明：

对象、位置、属性和状态转换，比具体领域意义更容易稳定传递。

同一个结构可以被实例化为：

  • 感染；
  • 同化；
  • 受精；
  • 粒子反应；
  • 思想传播。

因此可以说：

句法传递成功，名词语义仍然欠定。

三、这和公务员图形推理题是同一回事吗？

这些实验确实与图形推理题非常相似。

模型都需要处理：

  • 数量增减；
  • 位置移动；
  • 黑白变化；
  • 包含与相交；
  • 连接关系；
  • 状态转移；
  • 规则归纳。

但两者并不完全相同。

图形推理题主要问：

图形按照什么规律变化？

而这里的问题是：

这种变化表达了什么事件、关系或抽象命题？

前者是在恢复形式规律，后者还要进行语义落地。

例如：

○ + ● → ◉ → ● + ●

形式层面可以确定：

  • 接近；
  • 重合；
  • 属性统一；
  • 分离。

但语义层面仍然无法唯一确定它是感染、同化、受精还是碰撞反应。

因此，当前实验更准确的描述是：

以图形推理作为解码机制的跨模型符号通信。

四、第三次实验：现实、表征与共同记忆

第三次实验试图摆脱单纯的对象运动，表达一个更抽象的命题。

┌─────────────────────────┐
│ ●      △      █      ▽  │
└─────────────────────────┘
         │             │
       ┌───┐         ┌───┐
       │ ● │         │   │
       └───┘         └───┘


┌─────────────────────────┐
│ ●      △      █      ▽  │
└─────────────────────────┘
         │·············│
       ┌───┐         ┌───┐
       │ ● │         │ ● │
       └───┘         └───┘


┌─────────────────────────┐
│        △      █      ▽  │
└─────────────────────────┘
         │             │
       ┌───┐         ┌───┐
       │ ● │         │ ● │
       └───┘         └───┘


┌─────────────────────────┐
│        △             ▽  │
└─────────────────────────┘
         │             │
       ┌───┐         ┌───┐
       │ ● │         │ ● │
       └─┬─┘         └─┬─┘
         ╰·············╯

提示词要求模型区分：

  • 外部状态；
  • 不同主体；
  • 主体各自的内部状态；
  • 主体之间的信息影响。

预设含义是：

一个主体将某个外部对象的内部表征传给另一个主体；即使对象后来从现实中消失，共享表征仍在两者内部存续，并最终从关于外部世界的信息，转化为连接两者的共同记忆。

更简洁地说：

共同记忆可以比它所指向的对象活得更久，并反过来成为主体之间的纽带。

Gemini的还原

Gemini几乎完整恢复了预设：

  • 上方大框是外部世界；
  • 下方两个小框是两个主体；
  • 左侧主体先持有●；
  • 右侧主体通过横向传播获得●；
  • 外部●消失后，两者内部仍保留它；
  • 最后两个主体因共享内部状态建立新的连接。

它进一步将其解释为知识传承、共同体和去中心化保存。部分内容属于合理扩展，但核心结构高度准确。

DeepSeek的还原

DeepSeek也成功识别了：

  • 主体与内部表征；
  • 信息传播；
  • 外部对象消失；
  • 记忆持续；
  • 共同知识和主体间确认。

它使用了“共同注意”和“客体永久性”等概念。与预设相比，这稍微偏向认知心理学框架，因为图中更强调的是对象真正消失后，表征仍独立存在，而不只是对象暂时不可见。

GLM的还原

GLM将其解释为底部方块“吞噬”顶部符号，并出现了多处直接感知错误：

  • 没有识别右侧框从空白变为●；
  • 认为两个小框始终都有●；
  • 认为小框发生靠拢和合并；
  • 没有区分外部世界和主体内部状态。

这说明它在完成高层语义推断前，可能已经在二维文本结构解析阶段出现了偏差。

第三轮结论

这一轮已经不只是传递：

  • 位置；
  • 数量；
  • 属性；
  • 运动。

它成功传递了三个层次之间的转换：

外部对象
   ↓ 被主体表征
内部记忆
   ↓ 被另一个主体获得
共享记忆
   ↓ 在对象消失后继续存在
主体间关系

这使实验从“找规律”推进到了“抽象命题恢复”。

五、为什么综合排名更高的模型反而可能失败？

实验中，Gemini和DeepSeek表现明显优于GLM。但这并不说明它们在所有方面都更强。

模型能力并不是一个单一数值，而更像一个高维向量。不同模型可能分别更擅长：

  • 编程；
  • 数学；
  • 长程智能体任务；
  • 工具调用；
  • 空间结构；
  • 对象追踪；
  • 抽象关系；
  • 开放式解释；
  • 置信度校准。

而本实验特别依赖：

  1. 正确保留空格、换行和二维布局；
  2. 识别框内、框外和连接关系；
  3. 逐阶段追踪对象身份；
  4. 区分观察事实与语义推断；
  5. 在多个解释中寻找覆盖全部证据的最简模型。

因此，更合理的理解是：

模型、输入接口和当前任务之间的匹配程度，决定了单项表现。

除此之外，还可能存在产品层差异：

  • 附件如何被解析；
  • 是否保留等宽布局；
  • 是否合并连续空格；
  • 是否重排换行；
  • 是否将纯文本转成另一种内部格式；
  • 系统提示是否鼓励逐帧核验。

GLM的失败更像是发生在“读图”阶段。一旦对象数量、位置或连接关系读取错误，后续推理越完整，只会越坚定地组织错误叙事。

六、这次语义传输的密度如何？

从文件大小看，第三次实验的密度并不高。

它使用了大量：

  • 边框；
  • 空格；
  • 重复绘制；
  • 未变化结构。

如果用自然语言表达，核心命题只需要几十个汉字。

但真正承载信息的，其实只是少数状态差分：

主体B：空 → ●
外部世界：● → 消失
两个主体内部：●持续存在
主体间：无连接 → 建立连接

这些变化共同表达了：

  • 外部对象与内部表征的区别；
  • 信息传播；
  • 记忆存续；
  • 来源与副本；
  • 共享表征；
  • 关系形成。

因此可以将它评价为：

低字节密度、高差分密度、高语义唤起能力、中等传输可靠性。

模型回复中的大量概念，并不都是文件逐字传输过去的。更准确地说：

文件提供了一个语义骨架，模型利用自身已有知识将其扩展成完整解释。

它更像一个“语义地址”，而不是一段高压缩自然语言。

七、人与人的现实交流是否也是类似结构？

现实交流中，大量非语言信息确实构成了共享坐标系：

  • 环境；
  • 身体姿态；
  • 目光；
  • 距离；
  • 在场者；
  • 共同经历；
  • 社会关系；
  • 当前任务；
  • 语气和停顿。

语言往往只是在这个坐标系上发送一个很小的增量。

例如：

“他也来了。”

这句话本身没有说明“他”是谁、原本谁会来、为什么值得强调。但在共享语境中，它足以更新双方的世界模型。

可以近似表示为：

[ S_{t+1}=S_t+\Delta ]

其中：

  • (S_t)：双方当前共享的世界模型；
  • (\Delta)：一句话、一个动作或一个表情带来的更新；
  • (S_{t+1})：交流后的新状态。

因此，人类交流很大程度上不是从零描述世界，而是在：

对共同世界模型提交补丁。

不过，非语言信息并不只是静态坐标系，语言也不只是差分。

  • 一个后退动作可以直接改变关系状态；
  • 一个眼神可以重新指定话语对象；
  • 一句“假设明天所有记录都被修改”可以创建一个全新的反事实空间。

更完整的表达应是：

环境、身体和共同历史提供基础状态；语言、动作和表情共同建立并更新状态。

八、从上下文压缩到模型隐语言

由此可以进一步提出一个问题：

如果LLM能够通过稳定模板、语义地址或状态更新指令，让另一个模型定位到相近的世界模型，并完成状态同步，这是否构成一种类似人类交流的隐语言？

答案是：可能，但需要区分层次。

第一层：自然语言摘要

将长上下文压缩为短文本。

它容易丢失：

  • 主体差异；
  • 信息来源；
  • 否定关系；
  • 不确定性；
  • 时间关系；
  • 谁知道什么。

第二层：结构化语义协议

例如：

实体：X
外部状态：已消失
A对X：亲历、确定
B对X：由A告知、中等置信
A与B关系：因共享X而增强

这种方式保存的是世界模型结构，而不只是表面句子。

第三层：模型自行形成的隐式编码

模型之间可能传输：

  • 世界模型地址；
  • 状态差分；
  • 主体视角；
  • 来源和置信度；
  • 必须保留的约束；
  • 校验要求。

例如：

BASE: W1842
PATCH:
  X.external := absent
  A.memory[X] := direct,certain
  B.memory[X] := received_from(A),probable
  relation(A,B) += shared_reference(X)

VERIFY:
  preserve source asymmetry
  do_not infer X still exists

如果这种格式由人类规定，它更像语义同步协议。

如果它由模型自行学习，并具备：

  • 稳定语义对应；
  • 可组合性；
  • 新命题生成；
  • 跨任务泛化；
  • 错误检测；
  • 回读确认；

那么它才真正接近模型间的隐语言。

九、真正重要的不是“神秘符号”，而是世界模型同步

模型隐语言最可能的最终形态，并不是一串人类无法阅读的奇怪字符，而是一个更稳定的同步机制：

1. 世界模型地址
2. 状态差分
3. 来源与置信度
4. 不可丢失约束
5. 接收方回读与校验

它的目标不是让接收模型“猜到一个大概”，而是让双方可验证地恢复出相近状态。

这与人类交流的共同本质是：

消息不负责搬运完整世界，而是让接收者在自己的内部世界中找到正确位置，并完成一次状态更新。

十、整个实验的阶段性结论

这组实验经历了三个层次。

第一层：传递氛围

结果：

具体情绪失败，但动态结构和审美意象形成跨模型共识。

第二层：传递事件

结果：

接近、接触、同化和分离被可靠恢复，但具体领域解释仍有歧义。

第三层：传递抽象命题

结果：

Gemini和DeepSeek成功恢复了外部现实、内部表征、信息传播、记忆存续和关系形成之间的层级转换。

由此可以得到几个主要判断。

1. 模型最容易共享的是结构，而不是词义

位置、包含、连接、数量和状态转换，比“怀念”“信任”“共同体”等概念更容易稳定传递。

2. 语义来自消息与共享先验的共同作用

文件并没有包含模型回答中的全部概念。它只是将接收模型引导到相近的潜在语义区域。

3. 提示词本身也是协议的一部分

第三次实验之所以成功，部分原因是提示词提前规定了：

  • 外部状态；
  • 主体；
  • 内部状态；
  • 信息影响。

这相当于提供了本体框架，符号文件只需填充具体命题。

4. 高语义唤起不等于高可靠通信

两个模型成功，一个模型失败，说明这种方式具有较高表达潜力，但仍缺乏稳定的纠错机制。

5. 人类交流本来就具有类似结构

人类也依靠共享情境和共同经历，用极少的语言或动作调用复杂的内部世界模型。

6. 真正值得发展的方向是语义同步协议

与其追求更怪异的符号，不如建立一种稳定的：

世界模型定位 + 状态差分 + 来源与置信度 + 校验反馈。

结语

这组实验没有证明AI已经产生了完全独立于人类的艺术语言，也没有证明模型之间存在成熟的秘密通信系统。

它证明的是一个更有限，但更可信的现象：

不同模型可以通过无词典的空间结构、状态变化和关系连接，恢复相近的事件骨架，甚至在适当提示下恢复较复杂的抽象命题。

进一步看，语言或符号的本质未必是完整搬运意义，而可能是：

为接收者提供一个足够稳定的世界模型坐标，并告诉它哪里发生了变化。

这既解释了符号实验为什么有效，也解释了人类交流为什么能够以极少的显式信息承载极丰富的意义。

未来模型间真正可能出现的“隐语言”，最可能不是神秘字符，而是一种人类难以直接阅读、却能可靠完成以下任务的语义同步机制：

定位共同世界，交换状态差分，保留视角与不确定性，并通过反馈确认双方是否真正理解了同一件事。