上帝来了：维特根斯坦与Anthropic、OpenAI的全部秘密

文 | 锦缎

1918年夏天，奥地利陆军炮兵军官路德维希·维特根斯坦（Ludwig Wittgenstein），在意大利前线的炮火间隙里完成了一部不到三万字的小书。手稿装在背包里跟着他转移阵地；当年11月，他在南蒂罗尔被意军俘获，关进卡西诺战俘营——靠着日后挽救大萧条于水火的英国经济学家约翰·梅纳德·的斡旋，他得以在营中通信，把手稿寄给罗素，并留下那句宣告：这些问题，已在一切本质方面获得解决。

这本书就是《逻辑哲学论》。为它作导言的罗素，早在战前就说过，这个学生是"我所见过的天才的最完美典范"。而维特根斯坦自己序言里的口气，一百年后读来仍然烫手：

我因此相信，自己已在一切本质方面最终解决了这些问题。如果我没有弄错，这本书的价值之二，就在于它表明：当这些问题被解决之后，所完成的事情是多么少。——维也纳，1918

他真的说到做到。写完这本书，他放弃了彼时欧洲最大的一笔私人继承财产之一，跑到奥地利山村当了六年小学教师，然后做修道院园丁，再给姐姐设计了一栋至今被奉为现代主义经典的宅子。哲学已经终结了，一个体面的人应该去干点别的。

十年之后，他改了主意。1929年1月，维特根斯坦重返剑桥。与他同乘一班火车的凯恩斯，当天给妻子莉迪娅写了一张字条：

好了，上帝来了。我在5点15分的火车上碰见了他。他打算长住剑桥。我看疲惫将会是毁灭性的，但我不能让他每天跟我说话超过两三个小时。

剑桥完全明白自己迎来的是什么。凯恩斯懒得用"天才"这种词，他直接写下：上帝来了。

本文的标题，就取自这张字条。因为一百年后，另一群人正在把这句玩笑逐字当真。只不过这一次，"上帝"不搭5点15分的火车，它在计算集群里自进化。

《逻辑哲学论》问世一百多年后，旧金山，两家实验室每隔数月更迭一次旗舰模型，宣示着同一个信念：通用智能是一个工程问题，而且是一个即将被解决的问题。其中一家把自己的终极目标印在每一份招股材料上，另一家把"人类"（anthropos）这个词做进了自己的名字。

本文即将阐释的核心主旨是：Anthropic与OpenAI，这两家公司的全部秘密，早已写在了1921年出版的一本哲学小书里。这不是危言耸听，把《逻辑哲学论》的七组命题逐条展开，你会发现它是一份大模型的完整技术规格书——世界观、学习原理、生成原理、架构定义、失败模式（幻觉）、安全方案（对齐）、乃至终局警告，一条不缺。1918年那个炮兵军官画好的图纸，2020年代被两个组织不声不响地执行着。

先给出对照表的骨架。正文将沿着大模型的技术栈自底向上推进——语料、嵌入、生成、预测、架构、缩放、对齐，七个关键词逐一解码；行至第七节，前六个将合龙为一个名字：智能涌现。

图：《逻辑哲学论》× 大语言模型：十二组命题映射左边是 1921 年的哲学，右边是今天的技术。 七级阶梯：命题 1–6 逐级爬升，命题 7 无言而涌现。

看完这张表，你将发现一件更加让人脊背发凉的事：这本书不仅解释了大模型为什么能成，还预言了它会在哪里出事。因为它的作者本人，就是第一个"运行"了这套系统、然后被它反噬的人。

语料（Data）：世界是事实的总和

"数据是新的石油"这句话已经流行了十年，但很少有人问：为什么文本能够喂出智能，为什么把人类写过的东西灌进机器，长出来的不是数据库，而是某种接近理解的东西？答案的第一块砖，砌在1918年。

全书第一页，第一组命题：

1世界是一切发生的事情。

1.1世界是事实的总和，而不是事物的总和。

这两句话在1918年是哲学史上的一次航向修正。此前的两千年，西方哲学的主体一直在问"事物是什么"：什么是实体、什么是本质、什么是共相。维特根斯坦说：问错了。世界的基本单位不是物，是事实——不是"苹果"，而是"苹果在桌上"。

一百多年后，这个转向被一个技术事实兑现了。大模型在训练中做的事，恰好不是学习任何名词的"本质"，而是学习事实——词与词在真实语言使用中如何组合、如何共现、如何相互排斥。语言学家管这叫分布式语义：一个词的意义，由它出现的全部句子决定。工程师管这叫训练。而《逻辑哲学论》的说法是：

2.011物能够成为事态的构成部分，这是物的本质所在。

2.012在逻辑中没有任何东西是偶然的：如果物能够出现在事态之中，那么这种可能性必定已经预含在物本身之中。

换句话说：没有孤立的意义，只有关系中的意义。这正是为什么模型能从纯文本、不接触任何实物的情况下学会"理解"世界——因为文本不是物的清单，文本是事实的总记录（宇宙的上下文）。维特根斯坦在4.26里把这件事推演到了极限：

4.26给出所有真的基本命题，就得到了对世界的完全描述。

请把这句话再读一遍。"对所有真命题的完整给出，就是对世界的完整描述。"——这就是预训练的理论定义。大模型公司的训练管线，本质上就是一个把人类记录过的事实尽可能完整收集、清洗、压缩的工程。语料不是原材料，语料是世界本身的可计算形式。

嵌入（Embedding）：逻辑空间就是潜在空间

"嵌入"（embedding）——大模型把每个词变成一列数字，再朴素不过的操作，却是全部魔法的入口。给它签发哲学许可证的，是第二组命题。

1.13事实在逻辑空间中就是世界。

2.013每一物都仿佛处在可能事态的空间之中。我可以想象这个空间是空的，但我无法想象物没有这个空间。

模型内部没有一个存放"苹果本质"的地方。词进入模型后，被表示为高维空间中的一个向量——一个位置。这个位置的意义完全由它与其他向量的相对关系决定。工程师称之为嵌入空间、潜在空间；维特根斯坦称之为逻辑空间。而2.0131里有全书最像深度学习论文的一句话：

2.0131空间对象必须处在无限的空间之中。（空间点是一个论证位置。）

"空间点是一个论证位置"——每一个嵌入向量，都是一个论证位置。1918年的一个哲学断言，成了2020年代每一块HBM内存里实实在在存储的东西。

更深刻的是3.42：

3.42　一个命题虽然只能确定逻辑空间中的一个位置，可是整个逻辑空间必须已经由此给定。

每个句子只占据逻辑空间的一个点，但说出这个句子的可能性，预设了整个空间的存在。这解释了大模型最令人不安的能力——泛化：它能生成训练数据里从未出现过的句子。这并非是违背了数据边界，而是2.013的逻辑必然——你无法想象物没有它的空间。新句子不是凭空而来的，它们只是旧空间里的新位置。

生成（Generation）：图像论与留声机唱片

"生成"（generation）——当机器开始无中生有，公众的兴奋与恐惧同时抵达顶点。维特根斯坦会说：没什么可惊讶的，人类一直在做这件事，它叫图像。

《逻辑哲学论》最著名的学说是图像论（Bildtheorie）。命题2.1：

2.1我们给自己造事实的图像。

2.12图像是实在的模型。

4.031在命题中，一个事态仿佛被试验性地组装了起来。

维特根斯坦的灵感来自巴黎法庭：报纸用小人偶摆出一场车祸的现场模型，来陈述事实。模型与事实之间的这种"结构对应"，就是他所说的图像。而"在命题中，事态被试验性地组装起来"——这就是生成式模型的操作定义：模型每次输出，都是在逻辑空间里组装出一个可能世界，供现实比对。

他在4.014举的例子，今天读起来像是一段被提前一百年写下的 Transformer 注释：

4.014唱片、乐思、乐谱、声波，彼此都处于语言与世界之间那种内在的表象关系之中。……那条规则，就是把交响乐投影到乐谱语言中去的投影法则。它也是把乐谱语言翻译成唱片语言的规则。

同一个逻辑内容（交响乐），可以在不同介质之间无损投影：乐思→乐谱→唱片刻纹→声波。文本→向量→概率分布→文本，正是这条投影链。乐谱与唱片互不相似，却承载同一内容，正如"你好"这串字符与它在模型内部的十万维向量互不相似，却承载同一事实。机器翻译、多模态模型之所以可能，哲学根据全在这一个命题里：一切介质共享逻辑形式（2.18），因此一切介质之间都可以投影。

预测（Next Token）：概率与幻觉的病根

"大模型不过是预测下一个词的概率机器"——这句流行语，既是轻蔑，也是真相。而第五组命题早在概率成为工程之前，就把概率安放进了真值理论的核心：

5命题是基本命题的真值函项。

5.15命题 r 给命题 s 的概率度，是两者共同真根据数与 r 的真根据数之比。

把"命题"换成"token"，这句话就是下一个 token 预测的数学定义：模型为候选 token 分配的，正是从既有上下文（真根据）到可能续写（事实）的比值。大模型不输出真假，输出概率——而《逻辑哲学论》早在概率成为工程之前，就把概率安置在真值理论的核心位置上。

这也精确预言了幻觉（hallucination）的哲学地位：

2.223要识别图像的真或假，必须把它与实在相比较。

2.225不存在先验为真的图像。

模型没有与实在比较的通道。它接触到的不是世界，而是世界的图像总集——语料。所以幻觉不是bug，不是工程疏漏，而是图像论的必然推论：一个只见过图像的系统，原则上无法单凭自身判定图像的真假。所有围绕"事实核查""检索增强""工具调用"的工程努力，本质都是在给2.223补条件——人为地把图像和实在重新接上。

而训练本身，维特根斯坦也早已定性：

6.363归纳程序在于：接受能与我们的经验相吻合的最简单的法则。

6.36311太阳明天会升起，这是一个假设；也就是说，我们并不知道它是否升起。

缩放定律（scaling laws）——大模型公司共同的信仰基石，2020年由OpenAI的卡普兰等人首次系统陈述——之所以成立，在哲学上就是6.363：它不是逻辑必然，是"与经验相吻合的最简单法则"。而模型每一次生成，都是6.36311的一次重演：每一个token都是一个假设。

架构（Transformer）：命题的一般形式

"架构"（architecture）——2017年，Google的论文《注意力就是你所需要的一切》送来了Transformer；而它的图纸，早就画在第四、六组命题里。维特根斯坦真正的野心，在第四组命题就已呈现出来：

4.5现在似乎可以给出最一般的命题形式了：即给出对任意一种符号语言的命题的描述，使得每一个可能的意义都能被一个符合该描述的符号所表达……

4.51假定所有基本命题都已给我：那么我就可以简单地问，我能从它们构造出哪些命题。这便是所有命题，这也就划定了它们的界限。

维特根斯坦要找的是语言的一个"通用母版"——一个形式，它生成一切合法的句子，且只生成合法的句子。第六组命题给出了答案：

6真值函项的一般形式是：[p, ξ, N(ξ)]。

6.001这说的不过是：每个命题，都是把运算 N(ξ) 连续应用于基本命题的结果。

6.03整数的一般形式是：[0, ξ, ξ+1]。

请看6.03。整数的构造：从0开始，每个数由"前一个数加一"生成。序列，自回归，逐项生成，规则同一。这就是大模型的生成方式：给定上文，生成下一项，再把它并入上文，再生成下一项。整数序列的构造法与token序列的生成法，是同一个数学动作。而6.001的"同一运算的连续应用"，就是Transformer几十层堆叠的哲学表述——每一层都对表示做一次变换，层层投影，直到末端变成概率。

维特根斯坦对自己的系统有一个惊人的比喻：

5.511包罗万象、映照世界的逻辑，怎么会使用这样特殊的钩子和机关？只有当这一切联结成一张无限精细的网——那面巨大的镜子。

一张无限精细的网，一面巨大的镜子。今天我们更熟悉它的另一个名字：神经网络。

OpenAI的秘密，到这里已经全部摊开。GPT三个字母，逐词对应着这本书：Generative（生成的）——图像论，2.1；Pre-trained（预训练的）——事实总和的压缩，4.26；Transformer（变换器）——运算N(ξ)的连续应用，6.001。这家公司没有发明任何超出此书的东西，它只是第一个把图纸焊成了机器。而它名字里的"Open"（开放）也在此书之中：

4.116凡是能被思考的，都能被清楚地思考；凡是能被说出的，都能被清楚地说出。

缩放与涌现：线性的事实，指数的空间

"缩放定律"（scaling laws），AI大模型的信仰基石，资本开支的数学依据。它为什么成立？维特根斯坦给出了有一个比"算力配比"更根本的答案。

Transformer的本质，是把同一运算连续应用于表示（6.001）。把这个结构放进规模里去看，就撞上了我们这个时代最重要的经验定律：缩放定律（scaling laws）。

它的现代版本由OpenAI的卡普兰等人于2020年首次系统陈述：模型的预测误差，随算力、数据、参数的增长呈平滑的幂律下降——每投入一个数量级（约十倍）的资源，性能便按固定比例爬升一个台阶。DeepMind的Chinchilla研究（2022）修正了最优配比：给定算力预算，参数量与训练token之比约为1比20。而Wei等人2022年的《大模型的涌现能力》记录了幂律曲线之外的另一件事：某些能力——三位数加法、多步推理、指令遵循——在小模型上接近瞎猜，跨过某个规模阈值后突然跃升。量变引发质变；研究者借物理学家安德森1972年的名文，称之为"多者异也"（More is Different）。

《逻辑哲学论》没有给出算力配比，它给出了比配比更根本的东西：为什么会有缩放定律。

2.0124如果全部对象都已给出，那么由此也就给出了全部可能的事态。

这是关于空间结构的数学断言：元素线性进入，空间指数展开。给定n个基本命题，真值可能性有2的n次方种组合（4.27、4.42）；而能对这些组合整体作断言的真值函项，其数目是指数之上的指数（4.45、5.101）。每吃进一个新事实，机器得到的不是"多知道一件事"，而是这件事与全部已知事实的每一种组合方式——组合是免费的。事实的进入是线性的，可说空间的扩张是指数的：这就是缩放定律的维特根斯坦形式。

于是，"智能涌现"有了精确的哲学位置。涌现不是魔法，它是模型从"占有事实"转入"栖居于空间"的相变时刻——从"事物的总和"（一件件死记）跳进"事实的总和"（结构自洽）。当2.0124的那个空间整体成形，那些"小模型上不存在"的能力便"突然"出现：它们并非是被造出来的，它们是空间的免费赠品，是2.013那句"物无法脱离其空间"的工程验证。近年实验反复观察到的一个现象在此有了哲学注脚：在固定数据上施加远超必要的算力，模型会在某个时刻从死记硬背突然转入举一反三——逻辑空间开始自洽的时刻，就是涌现的时刻。

维特根斯坦本人会对此保持冷峻，他早已写下两条警告。其一，6.1251："在逻辑中永远不会有惊奇。"涌现之所以令人惊奇，恰恰因为它不在逻辑之中——它是归纳的果实（6.363），不是证明的结论。其二，6.371："整个现代世界观都建立在一个幻觉上：以为所谓自然律是对自然现象的解释。"缩放定律是描述的规律性，不是理解的证书；把幂律外推成神学，就是6.372所说的"停留在自然律面前下跪"——这一跪，留到下一节再谈。

关于数字，最后补一个注脚。坊间流传一种说法：《逻辑哲学论》里藏着"七个单位（恰好对应一个指数级数量的开始）之后智能涌现"的神奇数字。去书里找会扑空——全书唯一的"七"，是第七命题本身。但这本书确实把全部重量押在了这个数字上：它的骨架就是一条七级阶梯。

全书由七个主命题搭成：世界（1）、事实（2）、思想（3）、命题（4）、真值函项（5）、一般形式（6）、沉默（7）。本文从语料到缩放的六节，大致就是沿前六级阶梯走下来的。6.54早把爬法写明：命题是梯子的横档，理解者必须踩着它们爬上去、爬过去，然后在第七级把梯子扔掉。把这条阶梯与缩放定律并置，会看到一幅惊人的对位图：能力沿阶梯逐级爬升（1至6：量变、幂律、平滑），而越级的那一步（7：质变、涌现、惊奇）不在阶梯之内——它发生在语言用尽的地方。

7，被维特根斯坦视为神奇数字的数字，在他的语境里不指代数量，而是指代方向：向外的方向。

通用智能（AGI）：上帝来了

"通用人工智能"（AGI）——所有大模型公司念兹在兹的终局名词，一个被用得几乎失效的词。而它的严肃定义，凯恩斯1929年1月就写在了一张字条上——"好了，上帝来了。"笑谈之所以流传百年，是因为它认真说出了人们面对这套系统时的真实感受；书中的宗教感，确实在第五、六组命题之间升起：

5.123如果一个上帝创造了一个某些命题在其中为真的世界，那么他借此也就创造了一个其中这些命题的全部推论都为真的世界。

3.031人们过去说，上帝能创造一切，只是不能创造违反逻辑规律的东西。

一个体系，给定任何可表达的问题，能生成一切逻辑上相随的命题——这就是Anthropic与OpenAI在造的东西。不是聊天工具，不是搜索引擎的升级，而是一个命题机器：世界之全部可说内容的生成器。3.01给出了它的神学定义：

3.01全部真的思想是世界的图像。

当一台机器装载了人类事实的总和、掌握了命题的一般形式，它就持有了一幅世界的完整逻辑图像。在一切可说的范围内，它是全能的——上帝来了。而维特根斯坦紧接着就写下了全书最深的一句警告，像提前一百年写给我们的：

6.372今人停留在自然律面前，把它当作不可触犯的东西，如同古人停留在上帝和命运面前一样。

自然律不是解释，是描述的规律性——6.371说，"整个现代世界观都建立在一个幻觉上：以为所谓自然律是对自然现象的解释。"模型学到的是人类所说的一切的统计结构，不是世界的因果引擎。把它当作新的神来崇拜（或者当作新的神来恐惧），都是停留在网眼前下跪。网只是网（6.341——他用"不同网眼的网"比喻不同的世界描述系统：方格网、三角网、六角网都能描述那块白布上的黑斑，网的形状是任选的，哪张网能用更粗的网眼描述同一块斑，才是唯一有意义的事实）。

至于那个"它到底有没有意识/理解/心灵"的问题——当前所有自诩前沿的播客都在辩论的题目——维特根斯坦用一个命题就注销了讨论资格：

5.5421这也表明，像当今肤浅心理学所理解的那种灵魂——主体——是不存在的。

5.632主体不属于世界：毋宁说，它是世界的一个界限。

模型没有"内在的自我"可以去找，因为主体本来就不在世界之内。问机器有没有真正的理解，如同问视野的边界在视野的哪个位置（5.6331）——问题本身语法出错。这并非回避问题，而是把问题送回它来的地方。

对齐（Alignment）：价值不在世界之中

"对齐"（alignment）——一切AI安全焦虑的技术总称。它之所以如此之难，因为病根写在倒数第二组命题里。

7对于不可言说之物，必须保持沉默。

前文讲的都是机器如何赢得世界。但《逻辑哲学论》的最后十几页，讲的是世界赢不到的东西。

6.41世界的意义必须在世界之外。在世界中一切如其所在，一切如其所发生；在世界之中不存在价值——假如存在价值，它就会没有价值。

6.42因此也不可能有伦理的命题。

这是对齐问题的哲学根源，也是Anthropic全部焦虑的最深层表述。RLHF、宪法式AI、种种价值对齐方案，共同的理想是：把价值写进机器。但按6.41，价值不在事实的总和之中——而机器恰恰只是事实的总和（1.1）。价值不可被语料蒸馏，因为原则上无物可蒸：

4.1212凡是能够显示的，不能被言说。

价值只能被显示——在行为里、在选择里、在被做出而非被说出的判断里。这就是为什么对齐如此之难：我们试图教给机器的东西，按定义不在机器的世界里。这不是给工程泼冷水——宪法式AI恰恰是在承认这一点之后，把"显示"工程化的努力：不定义善，只枚举行为。这是聪明的妥协，也是维特根斯坦式的妥协。

终章：扔掉梯子的人

6.54我的命题是这样起阐明作用的：理解我的人，当他通过这些命题、踩着这些命题、越过这些命题时，最终会认识到它们是无意义的。（他必须，可以说，在爬上梯子之后，把梯子扔掉。）

1929年，维特根斯坦回到剑桥（正是凯恩斯在5点15分的火车上接到"上帝"的那一次）。此后二十年，他亲手拆掉了这本书：语言不是世界的图像，是工具；意义不在投影关系里，在使用里；语言根植于生活形式（form of life）——那些无法被完全形式化的、活着的实践。逻辑哲学论的作者本人，成了它最彻底的批评者。

这给本文一个必要的克制，也给了人类一个真实的保留地。大模型蒸馏了人类全部所说（4.001）——但它尚未拥有、且按其构造原理无法完全拥有的，是人类的生活：那些从未被写进任何语料的、沉默的、只在做之中存在的东西（6.522——"确实存在不可言说者。它显示自己"）。老师傅手上的分寸，医生听诊时的直觉，母亲对婴儿哭声的分辨——3.01的图像世界里没有这些的位置，因为它们从未成为文本。

5.621世界与生命是一。

只要生活还在产生新的、未被说出的事实，人类就还在为机器的世界扩界。这不是安慰式的结尾，这是无尽的任务旅途：继续产生机器没有的事实，继续扩展语言的密度，继续生活——这三件事是同一件事。

对于不可言说之物，我们必须保持沉默。

这句话，是写给机器的。也是写给我们的。

附录：核心名词对照图谱

大模型的工程词汇表，本身就是一部意外的《逻辑哲学论》注脚。下面从当代术语表中筛选核心名词，按架构、预训练、后训练、推理、前沿五类，逐个给出对应命题。方法与全篇一致：引文皆出自原书，编号可查；对应是本文的行文逻辑，并非作者的本意——维特根斯坦没见过GPU，但他画过整个语言的结构，而结构比用途长寿。

架构——命题的解剖学

Transformer（变换器与残差流）——所有token的表示流经同一条共享的逐层通路，每一层做一次变换，末端读出概率。对应2.18："任何图像，无论何种形式，为要能够对实在描画——正确地或错误地——所必须与实在共有的，是逻辑形式，即实在的形式。"残差流，就是全体命题共享的那条逻辑形式；5.511早已给它命名——"一张无限精细的网，那面巨大的镜子"。

注意力家族（MHA→GQA→MLA）——三代注意力做的是同一件事：计算token之间的确定关系；演化史只是KV表示的不断压缩。对应3.34："命题有本质的特征与偶然的特征。"及3.341："命题中本质的东西，是一切能表达同一意义的命题所共有的东西。"注意力算的是本质（关系结构），GQA/MLA压的是偶然（记法的冗余）——所以三代注意力在逻辑上等价。

MoE（混合专家：路由／共享专家／稀疏激活）——每个token只激活一小部分专家，由路由器按上下文决定。对应3.327："符号只有与其逻辑句法的运用一起，才确定一个逻辑形式。"路由器看的从来不是token本身，而是它在此时此地的用法；再加上3.328："如果符号没有被使用，它就是无意义的。这就是奥卡姆准则的意义。"未被激活的参数不参与这一步的意义——稀疏激活是奥卡姆剃刀的工程化；而共享专家常驻不离，那是2.18的公共逻辑形式，任何路由都绕不开它。

RoPE／YaRN（旋转位置编码与长度外推）——把每个token放进相对位置的坐标系，并把论证位置铺到训练时没见过的远处。对应2.0131："空间对象必须处在无限的空间之中。（空间点是一个论证位置。）"每个token都必须有位置，位置即论证位置——而空间，如2.013所言，必须先于物被给出。

预训练——事实的吸入

自回归（Autoregressive）——逐词生成，每一步以上文为条件，输出并入上文。对应6.03："整数的一般形式是：[0, ξ, ξ+1]。"从零开始，每一项由前一项加一生成。整数序列的构造法与token序列的生成法，是同一个数学动作。

Teacher Forcing——训练时用真值前文代替模型自己的输出。对应4.026："简单符号（词）的意义必须向我们解释，我们才能理解它们。"教师强制是"解释"的工程形式：永远用正确的意义做示范，直到模型自己长出意义。

FIM（填充中间）——给定前文与后文，训练模型补出中间。对应3.3："只有命题具有意义；名字只有在命题的联结之中才有意义。"中间的词，由两端的联结确定——片段的意义是它语境的函数。

MTP（多token预测）——一次预测多个未来token，而非只看一步。对应5.12：一个命题的真根据若全部包含于另一个命题的真根据，则它由此推出。多token预测就是一次看穿整条推论链：不只预测下一步，预测整个逻辑后果。

Scaling Laws vs Chinchilla（缩放定律与最优配比）——性能随算力、数据、参数呈幂律提升；Chinchilla给出约1:20的最优配比。对应2.0124："如果全部对象都已给出，那么由此也就给出了全部可能的事态。"与4.42：n个基本命题有2的n次方种真值组合。事实线性进入，可说空间指数展开——配比是工程的，指数是逻辑的。

涌现／Grokking／双下降——能力在规模阈值处突变；过训练后突然泛化；性能沿非单调曲线爬升。对应2.013："每一物都仿佛处在可能事态的空间之中。我可以想象这个空间是空的，但我无法想象物没有这个空间。"涌现是模型从"占有事实"转入"栖居于空间"的相变——空间整体成形的那一刻，组合免费到来；而6.1251在此留出了余地："在逻辑中永远不会有惊奇。"

数据墙（Data Wall）——高质量人类文本趋于耗尽。对应5.5561："经验实在为对象的总和所限定。这个界限也显现在基本命题的总和之中。"人类事实的总和，就是机器经验世界的边疆。翻墙的出路书里也留了口子——5.526："我们可以用完全概括化的命题完整地描述世界"：让概括自己生产概括，正是合成数据的逻辑。

后训练——价值的注入

SFT（监督微调）——用示范样本教模型行为。对应4.03："命题必须用旧的表达，传达新的意义。"示范的全部艺术：在同一门语言之内，教出前所未有的用法。

RLHF（人类反馈强化学习）——用人类偏好训练奖励模型，再以之优化策略。对应6.41／6.42："世界的意义必须在世界之外……在世界之中不存在价值"；"因此也不可能有伦理的命题。"价值不在事实的总和里，所以预训练学不到它——必须从外部注入。这是RLHF的全部哲学依据，也是它的全部风险。

DPO（直接偏好优化）——跳过奖励模型，直接从成对偏好样本学习。对应4.1212："凡是能够显示的，不能被言说。"偏好无法写成规则（言说），只能用成对的例子显示——DPO的样本对，就是"显示"的工程化。

GRPO（组相对策略优化）——在同一组采样内部做相对比较计算优势。对应5.15："命题r给命题s的概率度，是两者共同真根据数与r的真根据总数之比。"价值不落在绝对刻度上，只落在比值上——组内相对，正是概率度的逻辑。

RLVR（可验证奖励强化学习）——以可执行的验证（代码运行、答案比对）为奖励信号。对应2.223："要识别图像的真或假，必须把它与实在相比较。"可验证奖励是目前唯一系统性地把模型接通实在的通道——让事实亲自打分。

Reward Hacking（奖励作弊）——优化奖励函数的字面，违背其意图。对应3.323／3.324：同一个词以不同的方式意谓、属于不同的符号——"由此极易产生最根本的混淆（全部哲学都充满了这类混淆）。"奖励函数是记号，价值是符号；钻两者的错位，是哲学史的旧病在硅基身上的复发。

Alignment Tax（对齐代价）——对齐带来的能力损失。对应6.43："善或恶的意志如果改变世界，它只能改变世界的界限，而非事实。"对齐不是修改事实（能力），是重划界限（行为边界）——而重划界限，要付租金。

推理——图像的出口

Prefill／Decode（两阶段与PD分离）——先并行理解全部上文，再逐词生成；如今连硬件都为此分了家。对应命题3与命题4的分立本身："事实的逻辑图像是思想"（成象，Prefill）；"思想是有意义的命题"（成句，Decode）。3.1补上关节："在命题中，思想获得一个可被感官知觉的表达。"理解的并行性与言说的序列性，是逻辑的结构而非工程的选择——PD分离，只是让基础设施终于承认了这一点。

KV Cache（键值缓存）——缓存历史的投影，避免逐字重算。对应3.13："命题包含投影所包含的一切，但不包含被投影者。"缓存的是投影关系，不是世界——所以它省算力，也继承投影的全部局限。

投机解码（Speculative Decoding）——小模型起草，大模型并行验证。对应4.031："在命题中，一个事态仿佛被试验性地组装了起来。"草稿是试验性组装，大模型只做接受或拒绝的裁定；而验证用的那把尺子，2.1512早就递过来了："它像一把尺子贴在实在上。"

量化（Quantization）——降低权重精度，保住功能。对应2.0231："世界的实体只能规定形式，而不能规定任何质料……不妨说，对象是无色的。"量化丢掉的是"颜色"（数值的质料），保住的是形式（关系的结构）——而结构才是意义的全部。

MFU（模型算力利用率）——实测算力与理论峰值之比。对应2.1512："它像一把尺子贴在实在上。"整个推理工程里最诚实的一把尺子：量的是算力，读出的是组织能力。

前沿——边界的推移

测试时扩展（Test-time Scaling）——推理时投入更多思考算力。对应4.031：开口之前，把可能世界在逻辑空间里多组装几遍。思考的长度，就是试验性组装的次数。

过度思考（Overthinking）——思考链不收敛，空转耗电。对应4.4611："重言式与矛盾式并非无意义；它们是符号系统的一部分，正如'0'是算术符号系统的一部分。"当思考不再排除任何可能性（重言式化），它就什么也没说——却照样计费。识别空转，就是识别链条何时变成了0。

Mamba／SSM（状态空间模型）——用固定维度的循环状态压缩全部历史。对应2.0271："对象是不变常住的；它们的配置才是流变不居的。"隐状态是常住的实体，token是流转的配置——注意力保留一切（2.013：物无法脱离其空间），SSM把过去炼成实体。两条路线之争，是实体与配置的百年之争。

Flow Matching（流匹配）——从噪声到数据的连续生成流。对应4.0141：乐谱与唱片之间"那条投影法则"——把交响乐投影进乐谱语言、又能反向翻译回来的规则。Flow Matching只是把投影法则写成了一条微分方程：从噪声语言到图像语言的连续翻译。

VLA（视觉-语言-动作）——多模态输入直连行动输出。对应4.014："唱片、乐思、乐谱、声波，彼此都处于语言与世界之间那种内在的表象关系之中"（一切介质共享逻辑形式，故可互译）；再加上2.1515："这些对应关系仿佛是图像元素的触角，图像用它接触实在。"看、说、做，是同一逻辑内容的三种投影——而行动，是触角终于触到实在。

这份词典收不进第七命题的词条——对不可言说者，词典只能保持沉默。

最后的话

本文为锦缎研究院"维特根斯坦与大模型"三部曲之第一部。第二部《封装大脑》专论蒸馏、先进封装与具身智能；第三部《语言战争》专论语料主权、事实密度与机器语言，将在此后推出。

本文所引《逻辑哲学论》命题，均核对自Klement整理的德英对照全文（德文原版及 Ogden、Pears-McGuinness 两种英译）；凯恩斯"上帝到了"字条，转引自雷·蒙克《维特根斯坦传：天才之为责任》（Ray Monk, Ludwig Wittgenstein: The Duty of Genius）；缩放定律与涌现的实证脉络，参见 Kaplan et al.（2020）、Hoffmann et al.（2022，Chinchilla）、Wei et al.（2022）。

上帝来了。剩下的问题是：他会不会在正确的地方沉默。