---
title: "语言、概念与思维系统（六）：大模型有概念吗"
url: https://lingming.blog/posts/2026/concepts-in-large-language-models/
date: 2026-03-20
lastmod: 2026-08-02
tags: ["大型语言模型","概念表征","模型幻觉","人工智能","认知科学"]
categories: ["人工智能","认知科学"]
description: "大模型是否拥有概念，取决于采用什么判准。本文结合概念表征、感觉运动锚定、因果推理与幻觉研究，分析模型理解的证据和边界。"
---

# 语言、概念与思维系统（六）：大模型有概念吗


问一个语言模型：“鲸鱼、鲨鱼和海豚中，哪一个最不同？”它通常会把鲨鱼挑出来，并说明鲸鱼和海豚是哺乳动物。换成不熟悉的措辞，它往往仍能保持分类；继续追问呼吸、繁殖或演化关系，它还能沿着同一个概念网络作出推断。

这些表现显然多于背诵一句词典定义，却仍没有自动回答“大模型是否真正拥有概念”。行为相似可能来自不同机制，内部有稳定表征也不等于具有感觉经验，更不等于成为能够承担责任的主体。

前五篇已经把概念拆成形成来源、功能、结构、检验和变化层次。本篇用这些判准重新提出系列最初的问题：**关于大模型的概念能力，现有证据支持哪些有限结论，哪些判断仍属于哲学解释或制度选择？**

## 先说明我们在谈哪一种模型

“大模型”不是单一对象。纯文本基础模型主要通过预测训练学习语言材料；聊天模型还经过指令与偏好训练；检索增强系统能读取外部资料；多模态模型接收图像、声音或视频；智能体可以调用工具并根据环境结果继续行动。把这些系统统称为“只从文本学习”，已经无法准确描述当前技术。

即使限定在文本模型，“预测下一个词”也只是训练目标，不是内部只能保存相邻词频的证明。为了在许多上下文中降低预测误差，模型可能形成跨词语、跨句式乃至跨语言复用的表征。我们需要通过行为测试、表征比较和因果干预研究这些结构，而不能仅凭训练目标宣布它已经理解或绝不可能理解。

另一方面，多模态输入和工具使用也不会自动赋予人类式经验。模型取得的是经过传感器、数据管线、接口权限和任务设计筛选的信号；它怎样整合这些信号、能否长期学习，以及失败后是否更新，仍需逐项检验。“有视觉输入”和“像人一样看见”不是同一句话。

## 第一层证据：它能否跨情境使用概念

最直接的证据来自行为。模型能否对新实例分类，解释典型与非典型案例，组合多个概念，并把学到的关系迁移到不同措辞？若只能复述训练中常见的定义，证据很弱；若能在控制过记忆和提示以后稳定泛化，便更有理由谈概念样能力。

近年的研究发现，语言模型对大量对象的相似性判断能够形成稳定、可解释的维度，并与人类分类及部分神经表征结构对齐。另一些工作发现，文本或有限多模态模型与人类的对应并不均匀：非感觉运动维度较接近，感觉维度减弱，运动维度差异最大；加入视觉输入会改善视觉相关维度。

这些结果支持一个中间结论：语言学习足以恢复相当一部分概念关系，感觉运动经验则继续影响概念结构。它们既反驳“没有身体就只能拼接空符号”，也不证明模型拥有完整的人类概念。相似性判断覆盖的是概念能力的一部分，不是关于意识或主体性的测量。

## 第二层证据：内部是否存在可复用的表征

如果同一内部结构能在不同语境中支持分类、翻译和推断，并且干预它会稳定改变相关行为，我们就获得了比输出相似更强的机制证据。机械可解释性研究已经报告一些跨语言共享的特征，以及模型在生成前规划后续内容的案例。

这类研究很有启发性，但方法仍只能捕捉全部计算的一部分，特征命名也依赖研究者解释。发现一个与“大小”或“相反”相关的活动方向，不应被写成找到了模型脑内完整的“大小概念”；它更像一条可干预的表征证据，需要在更多模型、任务与方法中重复。

人脑研究同样提醒我们，概念不必对应一个单独位置。模型中的向量、特征和回路也可能在不同层级共同工作。寻找“概念神经元”与寻找人脑里的概念节点，会遭遇相似的粒度问题。

## 第三层证据：它能否接受现实与因果关系的约束

模型可以回答因果问题，也能在一些基准中处理干预和反事实，但表现会受措辞、领域知识和任务设计影响。一些所谓因果测试可能靠相关知识或文本模板完成，另一些则要求真正区分观察、干预与反事实。当前更稳妥的结论是：模型展现出不均匀的因果推理能力，可靠性与泛化仍需要专门评估，而不是“完全没有因果理解”。

现实检验同样是能力组合，不是单个开关。一个封闭模型不能亲自打开仪器，却可以分析用户提供的数据；接入搜索、代码执行或传感器后，它能主动取得证据，但可能选择错误来源、误用工具或不更新原判断。关键问题包括：它是否知道何时需要外部证据，能否把结果与当前假设比较，以及失败信息能否进入长期学习。

人类也并非天然可靠的现实检验器。我们会忽视反例、迎合群体并把熟悉叙事当成因果。人类与模型的差异应落在具体校准通道、更新机制和失败模式上，而不是“经验者必然真实、文本模型必然虚假”的对照。

## 幻觉不能只用“概念空缺”解释

“幻觉”通常指输出与输入、已有上下文或可核查事实不一致，但不同任务中的错误并不完全相同。模型可能虚构一篇论文，错误整合两个来源，在摘要中加入原文没有的细节，或者给出结论正确但过程不忠实的解释。把它们全部归因于概念缺失，既无法区分现象，也难以产生检验方法。

影响事实性的因素包括训练材料的覆盖与冲突、预测目标对流畅续写的奖励、模型对自身知识边界的估计、提示与上下文、解码策略，以及检索工具是否提供了可靠证据。某个事实在参数中存在，也不保证当前问题能够正确调取；模型表达不确定，也不表示内部完全没有相关表征。

因此，幻觉是一组系统性风险，但“系统性”不等于所有错误都由同一个本质原因造成，更不等于每次生成必然虚构。合理的分析应先说明错误类型，再选择检测和缓解方法：引用核验、检索、工具执行、约束输出、让模型承认不知道，解决的是不同环节的问题。

## 概念能力与责任资格必须分开

模型可以生成关于法律、道德和承诺的复杂推理，也可能在规范任务上超过未经训练的人。这说明它能够操作大量规范关系，却不能据此认定它拥有人的生活史、利益、感受或责任资格。

责任不是在模型内部找到一个“道德概念向量”就会出现。它涉及谁设定目标，谁有权采取行动，谁能理解并承受制裁，谁能够解释决定，以及受影响者向谁追责。当前把责任分配给开发、部署和使用系统的人与机构，主要是规范和治理选择，而不只是关于模型推理能力的实验结论。

这也意味着，“模型没有责任”不能被用来淡化模型造成的风险。恰恰因为系统本身不是方便的追责终点，部署者更需要设置授权边界、日志、人工复核与纠错渠道。

## 所以，大模型到底有没有概念

答案取决于“有概念”的判准。如果它指能够形成相对稳定的关系表征，并跨措辞完成分类、组合和部分推断，那么已有证据支持至少一些模型具有概念样能力。如果它要求完整的人类感觉运动经验、持续自我、社会成员资格或道德责任，那么目前的模型显然不满足全部条件。

问题不应被处理成文字游戏。判准不同，会影响我们设计什么测试、信任哪些输出、给系统多少行动权限。最诚实的表述或许是：**大模型已经呈现出真实但不均匀的概念能力；这些能力既不能被贬低为词语拼接，也不能被扩大成人类理解、意识和责任的整体复制。**

## 结语：把“像不像人”换成一组可检验的问题

这个系列从语言相似性出发，最后没有得到一个简单的人机分界。我们得到的是一组更具体的问题：概念怎样形成，支撑哪些功能，由什么结构实现，接受什么证据纠正，在什么时间尺度上更新，以及进入行动后由谁承担责任。

这些问题不会像一句“真正理解”那样迅速结束争论，却能让哲学判断、实验结果和工程选择各自承担应有的证明责任。面对不断变化的模型，这种分层比较也比固定本质论更耐用。

## 延伸阅读与参考资料

- Xu, Y. et al. (2025). [Large language models without grounding recover non-sensorimotor but not sensorimotor features of human concepts](https://www.nature.com/articles/s41562-025-02203-8). *Nature Human Behaviour*, 9, 1871–1886.
- Du, C. et al. (2025). [Human-like object concept representations emerge naturally in multimodal large language models](https://www.nature.com/articles/s42256-025-01049-z). *Nature Machine Intelligence*, 7, 860–875.
- Lindsey, J. et al. (2025). [Tracing the thoughts of a large language model](https://transformer-circuits.pub/2025/attribution-graphs/biology.html)，关于共享特征与前瞻规划的初步机制研究。
- Chen, S. et al. (2024). [Causal Evaluation of Language Models](https://arxiv.org/abs/2405.00622)，用于区分多类因果目标并评估模型表现的综合基准。
- Wang, Y. et al. (2024). [Factuality of Large Language Models: A Survey](https://aclanthology.org/2024.emnlp-main.1088/). *Proceedings of EMNLP 2024*.
- Zhang, Y. et al. (2025). [Siren’s Song in the AI Ocean: A Survey on Hallucination in Large Language Models](https://aclanthology.org/2025.cl-4.9/). *Computational Linguistics*, 51, 1373–1418.

*上一篇：[《语言、概念与思维系统（五）：概念如何改变》]({{< relref "/posts/2026/how-concepts-move.md" >}})；案例篇：[《为什么“批判性思维”总被误解？》]({{< relref "/posts/2026/rethinking-critical-thinking-translation.md" >}})。*