【作者声明】
本文作者未接受过严格的哲学与符号学系统训练，文中对索绪尔、拉康等理论的援引与解读，仅为跨学科思考的个人笔记，恐有疏漏、简化甚至误读。所有错漏均由作者自负，权当一块引玉的粗砖。
大语言模型有一个很值得追问的地方。它主要从文本中学习，却获得了写作、翻译、编程、概括、分类和推理等能力。它没有以人的方式生活过，也没有亲自经历文本中描述的大部分事情，却能够处理大量关于世界的问题。
一种常见解释是，大语言模型的训练目标本身只是预测下一个词。通过在海量文本中不断学习“在什么上下文之后更可能出现什么词”，模型逐渐掌握了语言内部的统计关系。而这些关系并不仅仅是语法层面的，它们同时编码了概念之间的联系、事件之间的结构以及人类表达世界的方式。这能解释一部分能力，却还没有回答更基本的问题：为什么学习语言之间的关系，可以获得如此多看起来属于“理解”的能力？
符号学提供了一个入口。
我们通过什么理解世界
先看一个最简单的语言符号。
当我们说出“树”，至少可以区分三个东西。
第一个是声音“shù”或者纸上的汉字“树”。索绪尔把符号可以被感知的这一面称为“能指”。
第二个是我们理解的“树”这个概念。它包含一组大致稳定的特征，使我们知道什么通常可以被称为树，什么不能。索绪尔把符号所唤起的概念称为“所指”。
第三个才是窗外那棵具体的树。
因此：
和下面这个关系并不相同：
这个区别决定了后面的整个问题。
如果语言只是给现实对象贴标签，那么学习语言的理想形式应该是一张越来越大的对应表：
可是很多词根本找不到这样的单一对象。
“国家”在哪里？“公平”长什么样？“责任”对应世界中的哪一个物体？
就连“父亲”也不能仅靠一个人的身体特征确定。一个男人只有进入父母、子女、婚姻、血缘、法律等关系以后，才可能占据“父亲”这个位置。
所以，一个符号的意义不能只靠它与某个现实对象的对应关系解释。它还取决于这个符号在整个系统中处于什么位置。
这正是索绪尔特别重视“差异”的原因。
“父亲”之所以有意义，与“母亲”“孩子”“丈夫”“儿子”等符号之间的关系有关。“猫”的意义也受到“狗”“老虎”“动物”“宠物”等词的共同限定。我们知道一个词是什么意思，同时意味着我们知道它在什么情况下能够使用，它和哪些词不同，可以进入哪些关系。
符号因此组成了一个关系系统。
结构主义后来把这一点推向了更广泛的领域。列维斯特劳斯研究神话时，关心的就不只是某个民族讲了什么故事。他会比较不同神话中的人物位置、对立关系和转换方式。具体人物可以变化，故事情节可以变化，但某些关系会反复出现。结构主义者试图从这种变化中找出相对稳定的结构。
这个思想可以用一个简单的排列来理解。
假设我们只有五个符号：
我们可以排列成：
也可以排列成：
或者：
使用的元素没有变化，但元素之间的位置关系变了，整个组合产生的意义也会改变。
因此，结构主义关心的核心问题逐渐变成：一个元素的意义如何由它和其他元素的关系产生。
这里已经出现了一个对我们讨论人工智能很重要的结论。
意义不需要完全来自符号之外。符号之间的结构本身就能够生产意义。
符号为什么是一种中介
符号学真正带来的麻烦还在后面。
假设一个人说：“我现在感到悲伤。”
我们很容易认为，这句话只是把他内部已经完整存在的“悲伤体验”表达了出来。体验在前，语言在后。语言只是负责运输。但只要继续追问，就会发现事情没有这么简单。
他为什么把这种感受称为“悲伤”，而不是“失落”“羞耻”“疲倦”或者“愤怒”？
这些词之间已经形成了一套分类。一个人学习这套分类以后，也会反过来用它辨认自己的经验。
语言因此参与决定我们如何把连续、复杂的经验划分成可以识别和思考的对象。
汽车的仪表盘可以提供一个更简单的例子。
假设油量表只能显示四种状态：
分别表示油量充足、正常、偏低和即将耗尽。
油箱内部的物理状态远比四种状态复杂，但驾驶者通过这套仪表系统获得信息时，首先得到的是已经被四种符号划分过的结果。这套系统规定了哪些差异能够直接显现。
如果油箱发生了一种仪表盘设计时从未考虑过的异常，系统不会自动产生第五个符号。异常可能表现为错误读数、几个指示灯同时亮起，也可能根本无法通过现有界面被识别。
这个例子说明的是一条更一般的原则：
一个符号系统只有通过自己的差异和规则，才能让某些状态变得可辨认。
语言也是如此。
我们无法先完全退出语言，得到一个未经任何概念划分的世界，再回来检查语言是否准确复制了它。因为“对象”“原因”“性质”“变化”“存在”这些用来检查世界的概念，本身已经属于某种符号系统。
这就是符号的中介性。
我们思考世界时，需要借助符号。我们思考自己的经验时，同样需要借助符号。甚至当我们开始批判某套语言的时候，批判本身仍然需要另一组符号。
因此，语言对思想的限制并不只是“词汇量不够”。我们能够提出什么问题，能够识别什么差异，能够把什么东西理解为一个对象，都已经受到符号结构的影响。
从所指到能指链
拉康继承了结构主义对语言的重视，又进一步提高了能指的位置。
我们平时容易把语言理解成这样的过程：
词语负责把一个稳定意义叫出来，意义出现之后，解释就结束了。
但实际的语言活动经常没有这样的终点。
假如有人问：“什么是自由？”
你可以回答：“能够按照自己的意愿行动。”
接下来他还可以问：“什么叫自己的意愿？”
于是你需要继续使用“欲望”“选择”“强迫”“责任”等词解释。
其中任何一个词都还能继续被追问。
于是，意义的解释表现为：
这里的 (S) 表示能指。
我们用一个能指解释另一个能指，再用新的能指解释刚刚出现的能指。
这就是拉康强调能指链的原因。
一个词的意义并没有永远固定在词的背后。“成功”在考试语境中可能指成绩，在职业语境中可能指职位和收入，在另一个人的生活中又可能指自由或者家庭。新的语境改变了它与其他能指之间的关系，也改变了它暂时获得的意义。
拉康因此强调能指的优先性。
这句话不需要理解成“意义不存在”。它指的是，意义无法作为一个独立于符号系统的稳定实体，永远给每一个能指提供最终解释。意义是在能指之间的关系中形成的，又会随着关系发生变化。
这也是“无意识像语言一样被结构起来”这句话的背景。
在精神分析中，口误、梦、症状、重复行为之所以值得分析，是因为它们表现出主体的意识解释之外还有另一套关系在起作用。一个词被另一个词替代，一个形象反复出现，一种行为在不同场景中重复。精神分析试图寻找这些替代和重复的结构。
于是，主体本身也不再是一个站在语言之外、自由使用符号的中心。
一个人的名字、家庭位置、性别称谓、社会身份以及别人对他的称呼，都在他能够主动选择之前就已经存在。他之后理解自己，也不得不借助这些已经存在的符号。
主体在一定程度上也是符号结构运行产生的结果。
大语言模型为什么可能成功
到了这里，大语言模型的成功就没有最初那么神秘了。
语言模型面对的恰恰是能指之间的关系。
给定前面的符号，它学习：
也就是在已有上下文中，下一个符号出现的条件概率。
生成出的符号随后进入新的上下文，再参与决定后面的生成。
形式上，它一直在处理：
当然，现代语言模型内部远比这条公式复杂。模型会形成高维表示，会编码句法、实体关系、概念关联以及大量可以用于推理的结构。但这些能力的训练来源仍然主要是符号在不同语境中的关系。
而人类已经把大量世界知识写进了这些关系。“医生”与“病人”“医院”“诊断”“治疗”长期共同出现。“法院”“证据”“被告”“判决”组成另一套关系。
我们写下因果判断，记录历史事件，描述社会规则，争论抽象概念，也用语言保存科学理论。
一个模型学习海量语言关系时，也就同时学习了沉积在这些关系中的结构。
所以，大语言模型的成功至少支持了一个判断：
人类相当一部分高级认知，可以通过符号关系实现。
模型不需要首先获得一个与人完全相同的生活经验，才能学会某些抽象关系。只要这些关系已经稳定地进入语言，它就有可能通过学习语言重新获得它们。
这并不证明所有智能都可以还原成语言。它证明的是一个更有限也更重要的事实：符号结构本身能够承担比过去很多人预想中更多的认知工作。但同一个机制马上产生另一个问题。
连贯为什么不等于真实
假设有人要求语言模型：
“介绍一下 Smith 在 2021 年提出的 XYZ 方法。”
而现实中根本不存在这篇论文。
从事实角度看，这里的正确状态很简单：没有足够依据给出介绍。
但从语言模型的角度看，后续符号依然非常丰富。
“Smith 等人提出……”
“该方法旨在解决……”
“实验分别在三个数据集上进行……”
这些句子都符合大量学术文本中的统计结构。
于是，一个不存在的作者可以和一个合理的机构结合，一个不存在的方法可以对应一个合理的问题，再配上合理的数据集和实验结果。
最终文本可能非常连贯。
问题也因此变得明确：
和
是两个不同条件。
幻觉就发生在这两个条件分离的时候。
模型仍然能够高置信度地找到后续符号，但这些符号没有足够的事实依据。
因此，仅仅把幻觉归因于“模型知识不足”并不充分。
知识不足当然会增加幻觉，但知识不足本身并不会直接导致一段虚假文本。真正关键的是，认识上的未知没有自动变成生成上的停止。
系统可以在未知的位置继续产生语言：
语言上的连续性覆盖了认识上的未确定。
RAG 为什么不能结束这个问题
RAG 可以给模型提供外部文本。如果模型原本不知道某篇论文的发表时间，检索到论文原文以后，它就拥有了更多可靠证据。这当然能够减少很多事实错误。
但检索得到的论文、网页和数据库记录已经是符号化的信息。模型仍然需要读取这些符号，判断哪些相关，处理来源之间的关系，再生成新的符号。
所以 RAG 仍然可能出现几类问题。模型可能误解检索内容。多个来源可能相互冲突。检索结果可能没有真正覆盖问题。模型也可能在证据结束的地方继续推断，并把推断写得和有证据支持的内容一样确定。
这些问题说明，RAG 可以增加证据，却无法让“所有问题都有充分证据”。
更大的知识库也不会改变这一点。未来事件尚未发生。某些事实暂时没有记录。不同来源可能给出冲突结论。有的问题缺少必要条件。有的命题在当前条件下无法验证。
开放世界始终包含尚未进入现有符号系统的情况。
真正的问题因此不是如何消灭所有未知，而是：
一个智能系统如何处理未知。
实在界出现在哪里
这里才需要拉康的实在界。
实在界很容易被误解成“真实世界”。按照这种理解，人类接触现实，所以拥有人类版的 Real；语言模型只接触文本，所以缺少 Real。
这个理解会立刻遇到问题。数据库是现实的一部分吗？摄像头图像算不算？机器人装上传感器之后，实在界是不是就进入模型了？
这些问题之所以越来越难回答，是因为一开始就把 Real 当成了一类对象或者信息源。
拉康的实在界更适合从符号化的限度理解。任何经验一旦能够被我们说出、分类、解释，它就已经进入了符号关系。而符号化不能保证自己最终形成一个没有剩余的完整系统。
这里有一个看起来矛盾的问题。如果实在界无法被完整符号化，我们为什么能够说出“实在界”？
因为这个词并没有让我们获得一个叫作 Real 的对象。它标记的是符号化失败的位置。
我们可以知道一个解释失败，却不因此掌握解释之外的完整答案。
一个理论可以和实验结果冲突。我们由此知道理论存在问题，却不会立刻知道正确理论是什么。
一个人可以为自己的重复行为提供很多解释，但行为仍然以类似形式出现。精神分析会因此继续研究这些解释没有处理掉的结构，而不是把某一个新的解释直接当成最后答案。
所以，Real 在这里意味着：
符号系统无法通过增加更多符号保证自身最终闭合。
这个定义也解释了它为什么不能被 RAG 解决。RAG 可以提供更多符号材料。
实在界讨论的是，增加符号材料本身不能保证符号系统完成自己。
两者属于不同层次的问题。
幻觉是一种什么样的症状
这样看，大语言模型的幻觉和实在界之间的关系也需要重新表述。
不能简单说：“LLM 没有实在界，所以会幻觉。”
幻觉更适合作为符号系统内部的一种症状来分析。
症状在这里有一个明确含义：系统的两个要求发生了不一致，并通过异常结果表现出来。
语言模型需要产生一个符合上下文的后续序列。我们又希望这个序列在涉及事实时有可靠根据。
大部分训练文本中，这两个目标经常重合。语言关系之所以具有信息，就是因为人类的语言使用与世界存在大量稳定联系。但这种联系并不是逻辑上的必然关系。
于是可以出现：
同时：
幻觉把这两个条件之间的差异暴露了出来。
在这个意义上，幻觉值得从实在界讨论，不是因为虚假答案就是 Real，也不是因为模型缺少一种名叫 Real 的输入。幻觉说明，符号系统能够维持自身的连贯，却不能凭这种连贯保证与事实重合。
符号化继续进行，无法消除符号化自身的边界。
“我不知道”为什么还不够
一种直接的工程解决方法是训练模型在不确定时说：“我不知道。”
这当然有用。但它还留下一个更困难的问题。
“我不知道”本身也是一串符号。
一个语言模型完全可能只是学会：
这和真正识别自己的知识边界不是同一件事。真正的认知边界至少包含几种不同情况：
“这个命题是假的。”
“目前没有足够信息判断。”
“现有证据互相冲突。”
“这个问题缺少必要条件。”
“这个命题当前无法验证。”
“这个问题可能没有唯一答案。”
这些状态不能只对应六种回答模板。
如果模型能够区分这些状态，这种区分就不应只表现为不同的回答措辞，还应改变后续的符号操作。证据不足时继续寻找证据，来源冲突时保留冲突，条件缺失时不继续推出确定结论，无法验证时保留判断。
这里重要的不是让模型获得一个符号系统之外的判断位置，而是让符号系统能够表示自己的未确定。未知、证据不足、相互矛盾都可以成为符号界内部的状态，并进一步约束后续生成。所谓“维持未确定”，指的就是不急于把这些状态重新组织成一个确定而完整的回答。
但这种能力仍然不能消除符号系统本身的限度。模型可以判断“现有证据不足”，也可以继续解释为什么不足，但这些判断仍然由新的符号完成。它们能够减少无根据的确定性，却不能提供一个位于符号系统之外的最终标准，保证自身对真值的判断永远正确。
从生成意义到认识边界
到这里，大语言模型的成功和幻觉可以放在同一条逻辑里理解。
符号之间存在复杂结构，因此仅仅学习这些关系，就足以产生大量我们称为智能的能力。
同样因为符号之间的关系足够丰富，即使事实依据不足，模型仍然可以产生结构完整、语义连贯的回答。
大语言模型的能力和它的幻觉都建立在符号系统强大的生成能力上。
前者说明，意义可以从关系中产生。
后者说明，意义能够产生，并不意味着真值也由同一套关系保证。
符号学首先让我们看到语言的中介性。我们通过符号划分经验，也通过符号思考符号本身。结构主义进一步指出，意义来自符号之间的关系。拉康则把问题推进到符号系统自身无法完成的地方：能指可以继续连接，解释可以继续产生，但不存在一种仅凭能指链自身就能保证最终闭合的机制。
而大语言模型把这组哲学问题变成了一个可以直接观察的技术现象。
沿着这条路思考，说不定能想到一些有意思的idea…