两个人一大早上班，刚碰面，一个问：“你干完没有？”对方马上明白。不会反问：“哪件事？什么算干完？截止时间？验收标准？昨天下午领导交代的表，还是上午说的方案？”这句话一出口，背景全在：昨天交代的那件事，两人共同知道的场景，早上碰面这个时间点，问的是卡着的那件事，语气、眼神、关系远近都在补信息。字面七个字，桌面底下站着一整套生活。
这种“彼此知晓的背景”可以省略式的表达，是典型人类智慧、思维、表达和交流形式。是人类日常交流的普遍现象。人类就是这样大量省略、指代、靠场景补。共同经历、共同时间点、共同关系，把没说的部分撑起来。人类语言不简化信息及其交流过程，提高效率。共同具有的背景各自在头脑中补齐。
机器智能如何处理？比如有人说：“人民是历史的创造者。”泛泛情形、场合时，人类只要意会基本就可以。
机器智能会怎么做？它不知道说话人为何讲这句话，后面将如何展开，重点在何处。机器智能遇到内容提示词或提问，第一反应常是补条件：哪件事？什么标准？截止时间？验收标准？昨天还是今天？根据人设套路、规则搜索、吃下相关材料，补全背景。这里只说“人民”不全面，还有“英雄的作用、社会条件、具体情境、历史阶段，都要列出”，背景里站着，要说“英雄也有作用”，还要说明“但也要看社会条件”，再补“但不同时期情况不同”……
这不是机器笨。机器没有聪明笨拙之分。机器智能只能按设计者的设定及其一系列套路，所谓“大模型、场景”，机械地按规则按步骤进行：合同写清条款，论文界定变量，法律堵住漏洞。不把条件摆上台面，跨主体没法执行。机器智能的本事就是按训练目标、概率分布和排序指标处理这类显性信息。
问题也在这里。机器智能模拟人类思维，走的是“把世界变成可编码文本”的路：切词、标边界、统计模式。显性信息上极强，桌面上那几个字上越做越好。可人类语言和思维，大量内容不在桌面上。
中文里这种话太多。“那个弄了吗？”你知道“那个”是哪个。“老样子？”你知道老样子是哪样。“接一下。”你知道接谁、几点、在哪。“抓紧。”你知道抓哪件事，不是抓空气。“改天聚。”你知道“改天”不是明天，也不是永远。字面不完整，中国人听得懂。不靠猜谜，靠共同背景、共同场景、共同经历。话没说全，意思全在。
机器可以分析“你干完没有”的多种可能，可以识别情绪标签，可以分类意图。它很难像人一样，早上走廊一碰面，看一眼对方脸色，就知道问的是哪件事、急不急、要不要补一句“领导催了”。差别在这：机器按模型设定的概率比例、指标排序，模仿人类的意思和行为，按训练材料里的高频模式呈现东西；人类智慧知道有些东西在桌面底下撑着。机器可以把七分写成十分，不是因为它擅长写十分，而是概率和排序让它生成十分；人类知道为什么只写七分。
这里有个正在显现的要点：机器这种按概率、按相关性、按覆盖度铺开的方式，正在变成一项弱项，一种很蠢的表现。
以前的搜索引擎，你问一个问题，它把比较相关的东西列出来，一条一条，给你链接，你自己判断。现在的智能问答，你问一个问题，它给你出一篇小文章，或者特别啰嗦、特别长的东西，什么玩意儿都给你出到里边，很多内容本来你不需要。你问“这个活干完没有”，人知道是什么活，干完了就说干完了，没干完就说没干完，差多少说差多少。机器不是。它会把前前后后都给你列举出来：干完还是没干完，要干到什么程度，要分哪个角度说，要分哪个层面说，要分哪个级别说，最后是一堆没有用的材料，堆积的废物。
这不是知识少，是取舍机制不在生活里。机器能稳定做的功能，是搜索和列举：把相关文本找出来，把可能选项列出来，把条件排出来。搜索和列举是它的功能强项。但列举不是判断，覆盖不是理解，四平八稳不是分寸。查资料、列清单、排条件、写合同，这种铺开有用。需要抓要点、定主次、看轻重、判断“哪句是废话”的对话里，这种铺开就变成笨拙。信息过载时代，人最需要的是“你就说重点”，机器却常把重点铺成材料清单。你问它一个要点，它把前后左右所有排列都列出来，四平八稳，面面俱到，反而抓不住要点。这个缺陷会随着它能列的东西越来越多而更明显。不是它故意蠢，是生成机制决定的：按概率覆盖，怕漏，求稳，按训练材料里的高频模式呈现，结果就是四平八稳、面面俱到、重点不突出。
这里要把所谓“大模型”说透。它按“设定的概率比例、损失函数、排序指标，把训练材料里最高频、最相关的模式呈现出来，模仿人类的意思和行为”。这套东西，本质上是对既有经验的归纳、统计、总结。既有经验有边界，有时效性，也受各种具体情形和人类改变的影响。昨天的高频，今天可能变低频；这个领域的最优，换个领域可能很糟；训练材料里常见的说法，换到具体的人、具体的关系、具体的后果里，可能完全不合时宜。模型呈现出来的，是相对符合，是主观设定的有效性，是动态改变状态下的东西。一种情形下的“最优”，有可能是其它情形下的糟糕。它没有生活里的判断，只有设定、统计和排序。所以它能把七分铺成十分，却不知道眼前这件事该不该说、说到几分、对谁说、什么时候说。
特定情景对话，机器确实能处理一部分。客服查订单、医院导诊、订票改签、任务指令，背景封闭，目标明确，条件可显性化。机器按规则和概率快速处理显性信息，这类任务它会继续做下去。
但要说机器处理具体问题“越来越强”，不能一概而论。人处理具体问题，靠的是对背景的把握、对分寸的判断、对后果的承担。这些不在训练材料里，也不在排序指标里。人类事物本身在持续发展变化，不会趋于越来越一样。今天有效的做法，明天可能失效；这个场合最优的答案，换个场合可能很糟。机器按既有经验归纳出来的模式，追的是过去的高频，不是眼前的分寸。所以它处理封闭任务会越来越顺，处理开放的人类事物，谈不上越来越强，只能说越来越像、越来越快、越来越全，但强不强，要看具体情形，而具体情形永远在变。
文学和两个陌生人的大范围对话，机器很难解决。不是算力不够，是背景空间性质不同。而且不止文学和陌生人对话这样。基本上，人类的所有事物都是这样。买菜、看病、带孩子、跟邻居打交道、在单位里说话、处理家里的事，哪一件不是靠背景、分寸、时机、关系、后果？哪一件能靠列举和高频模式穷尽？人类事物不是一张可以列完的表，是无数具体场景里长出来的。机器能处理显性文本，进不去那个生活世界。
文学是互文。一首诗背后站着整个诗歌史，一个典故背后站着几千年，一个意象背后站着无数前人用法。中文尤其如此。“渭城朝雨浥轻尘”，字面是雨和尘，背后是送别传统，是《诗经》以来的折柳，是无数离人。中国人从小读这些东西，脑子里慢慢长出一个巨大的思维内容空间。这个空间不是数据库，是活的：连着情感、记忆、历史、审美判断。机器可以检索所有关于“渭城”“朝雨”“离愁”的文本，可以统计共现，可以生成看起来很像的句子。它没有那个从小长出来的空间。它不在这个文化里生活过，不曾在某个清晨送别过谁，不曾因为一句诗想起另一句诗。它能处理文本，处理不了文本背后的那个“场”。
陌生人对话更难。两个陌生人一开口，就在互相试探：对方什么背景？什么意图？什么情绪？什么关系？该说几分？该留几分？这些判断靠社会感知、具身经验、共同的生活世界。机器没有身体，不在社会关系里，不承担对话后果。它可以分类意图，识别情绪标签，但它不“在场”。它不在那个对话里，不承担说错话的代价，不感受对方脸色变化的分量。
中文不只是历史文学厚。农耕、制陶、瓷器、木工、烹饪、纺织、建筑、医药，这些制造器物的知识，大量不写在书上，融在生活里。烧窑看火色、听声音、摸温度；种地看天时、看土色、看苗情；做菜讲“少许”“适量”“火候到了”；木工讲“料性”“手感”。这些不是不能写，是写不全。写下来的是口诀，没写下来的是身体经验、地方气候、师徒传承、失败记忆。有人说过，我们知道的比我们能说出来的多，说的就是这个。
这些知识大量进入语言。中文无数老话、谚语、歇后语、行话，都是器物知识和农耕经验的压缩包。“看天吃饭”“三分烧七分晾”“一窑穷一窑富”“铁匠没样，边打边像”。中国人从小听这些话，脑子里长出来的不只是词，是一整套生活世界的背景。听到“火候”，想到的不只是温度，还有时机、分寸、耐心、经验。机器能检索“火候”的定义，没有在灶台边站过，没有因为火大了糊过一锅菜。
地方性知识是开放的，不是有限条目。同一个“陶瓷”，景德镇、龙泉、汝窑、建盏，土性不同、窑不同、气候不同、手法不同；同一个“农耕”，东北、江南、西北、西南，节气、作物、水土全不一样。这些知识不是一张可以列完的表，是无数具体场景里长出来的。说“范围可以说是无限的”，若理解为不可完全枚举、不可完全显性化，成立。不是数学意义上的无限，是生活世界意义上的开放。
机器能显性化一部分。传感器测温度、湿度，图像识别看火色，数据记录工艺参数。这些能把一部分默会知识变成显性数据。但“手感”“火候”“土性”“时机”“分寸”连着身体、地方、后果、师徒关系。机器可以模拟，可以逼近，但它不在那个生活里，不承担烧坏一窑的代价，不感受老师傅看一眼就摇头的分量。
中文的字词转化方式特别多。比喻、借鉴、转译，范围特别大。“吃醋”不是喝醋，“背黑锅”不是背锅，“炒鱿鱼”不是炒菜，“碰钉子”不是碰铁钉。字面一层，实际意思在另一层。中国人一听就懂，因为生活里见过、用过、感受过。“充电”从给电池充电，变成学习提升；“加油”从加燃油，变成鼓励；“出炉”从烤面包，变成新作品发布。旧词装新义，靠场景迁移。“电脑”“电话”“电邮”“电商”，用“电”这个语素，把一整套现代概念拉进中文语素系统。“逻辑”“幽默”“沙发”“克隆”，音译进来，慢慢变成中文词汇的一部分。还有引申、借代、反讽、双关、歇后语、网络新词。中文的语义空间是活的，不断在长。
机器怎么“懂”这些转化？大模型的做法是统计共现、学词向量、学上下文概率。它能算出“吃醋”和“嫉妒”在语料里经常一起出现，能生成“他吃醋了”这样的句子。但它没有吃过醋，没有在感情里酸过，没有见过别人因为一句话变脸。它学的是词和词的关系，不是词和生活的联系。
中文的比喻、借鉴、转译，根子不在文本里，在生活世界里。中国人从小在饭桌上、田里、工厂里、人情往来里，慢慢知道“火候”不只是温度，“分寸”不只是长度，“面子”不只是脸，“关系”不只是连接。这些词义靠身体经验、社会互动、共同历史撑起来。机器没有身体，不在社会关系里，不承担后果，进不去那个“场”。
说“除非变成人类”，这个说法准。不是要机器有意识那种玄学，而是要真正掌握中文的字词转化，机器得活在中文的生活世界里，得有身体、有场景、有历史、有共同记忆、有“你懂的”那层默契。大模型是离身的、文本的、统计的。它可以模拟转化，可以生成很像的句子，但它不“懂”那个转化为什么成立。
搞这行的人自己也没统一意见。工程派偏乐观，说任务级够用就行；研究认知和哲学的说，当前这条路有结构性盲区；中间派说部分能解决，完全解决没共识。很多乐观派说的“解决”，是工程够用，不是“真正理解人”。这两个不能混。
拔高一层：机器智能可以解决“有边界的情景”，解决不了“无边界的生活”。特定对话是任务，文学和陌生人对话是生活。任务可以工程化，生活不行。中文那种几千年历史文学撑起来的思维背景空间，农耕器物工艺融入生活的默会空间，恰恰是机器最难进入的地方——它不是数据，是生活世界。
这里要把话说准：机器智能说不上什么“擅长”或“不擅长”。它没有生活里的擅长，没有经验里的擅长。它做的是按大模型设定的概率比例、损失函数、排序指标，把训练材料里最高频、最相关的模式呈现出来，模仿人类的意思和行为。这套呈现，是对既有经验的归纳、统计、总结，有时效性，受具体情形和人类改变影响，是相对符合，是主观设定的有效性，是动态改变状态。一种情形下的“最优”，可能是另一种情形下的糟糕。它能稳定做的功能，是搜索和列举：把相关文本找出来，把可能选项列出来，把条件排出来。它可以把七分写成十分，不是因为它擅长写十分，而是概率和排序让它生成十分。人类智慧知道为什么只写七分，因为人活在背景里，知道分寸、时机、关系、后果。
而机器这种按概率和覆盖度铺开的方式，正在变成一项弱项，一种很蠢的表现。你问它一个要点，它把前后左右所有排列都列出来，四平八稳，面面俱到，反而抓不住要点。列举是搜索和列举功能的强项，但列举不是判断，覆盖不是理解，四平八稳不是分寸。信息过载时代，人需要的是“你就说重点”，机器却常把重点铺成材料清单。这个缺陷会随着它能列的东西越来越多而更明显。
机器智慧模拟人类思维，受自身缺陷限制，可能无法解决“理解人”的核心部分。它可以做工具，而且会越做越好；工具不等于智慧主体。把工具当成智慧总和，才是真正要警惕的事。
话说七分，背景全在。机器智能按概率和排序把七分铺成十分，人类智慧知道为什么只写七分。不是谁高谁低，是两种密度。真正要警惕的，是把一种“必须把条件写全”的说话规则，当成衡量所有表达的尺子，然后宣布另一种不成立。留白和背景不是中文独有的，是人类日常交流的普遍习惯；中文因为历史文学和工艺生活厚，把这个背景空间撑得特别大。机器能处理显性文本，进不去那个生活世界。