这是Transformer系列的第四篇。前三篇诊断了三件事：走不到理解、验证权留不住、缺验证轴。这一篇，从“怎么修”退一步，先回答一个更基础的问题：这六个死穴，到底是不是Transformer的错？结论是：不是。它们是概率引擎的共同难题，Transformer的架构让它们更复杂、更难解，但根源不在Transformer本身。这不代表前三篇的判断被推翻。“走不到理解”是架构层面的边界判断；这六个死穴是工程层面的技术症状。两者不在一个层级，不能互相替代。
【导论】
如果你没读过前三篇，这里是一句话版本：
- 第一篇：Transformer靠概率预测，走不到真正的理解。
- 第二篇：就算加上验证机制，验证权也留不住，不能由系统自己掌握。
- 第三篇：概率引擎在做两场概率游戏——token预测和压缩——缺第三轴：验证轴。
三篇连起来，一直在拆“缺什么”。但拆完之后，有一个问题必须回答：这些缺口，是Transformer的错吗？如果是，那唯一的出路就是换架构，等下一个Transformer。如果不是，那问题就变成了：在现有概率引擎上，外面该建一套什么样的工程系统。这一篇要说的就是：Transformer作为概率引擎，没有被冤枉。它只是被要求做了它本不该独自承担的事——验证、状态管理、因果分类、停止与换纸。这些本该是外面工程系统的职责。这里要先说清楚“概率引擎”指的是什么。
不是所有概率模型。贝叶斯系统可以有显式状态，概率图模型可以有显式因果，概率规划可以有显式控制流，概率数据库可以有可审计状态。它们不是这篇文章的对象。这篇文章说的“概率引擎”，特指：以高维概率生成为核心、把状态、推理、记忆、验证都压进参数和生成过程的那一类架构。Transformer是它今天最突出的代表，但不是它唯一的载体。这里也要说清楚三个概念的区别：
- 锚点：不可被AI系统自身改写的信任根。
- 真值标尺：基于锚点形成的可操作验证标准。
- 验证权：谁有权判定、否决、作废。
三者是递进的。锚点是基础，真值标尺是从锚点长出来的，验证权是持有并使用真值标尺的权力。这里也要和第三篇说清楚关系。第三篇说“缺验证轴”，指的是概率引擎自己长不出这根轴。这一篇进一步说：这根轴本来就不该由引擎自己长。它该是外面工程系统的职责。所以问题不是“Transformer缺了一根轴”，而是“概率引擎外面，那套本该承担验证轴的工程系统，还没建起来”。这两句话不矛盾。第三篇是诊断“引擎做不到”，第四篇是归位“这件事本就不该引擎做”。是往前推了一层，不是改口。
四篇连起来看，递进是这样的：
- 第一篇：走不到理解（架构边界）
- 第二篇：验证权留不住（权力归属）
- 第三篇：缺验证轴（结构缺失）
- 第四篇：这些不是Transformer的错，是工程系统缺位（归位）
第一部分 六个死穴，同一个性质
前三篇已经讨论了三个更根本的问题：理解、验证权和验证轴。剩下这六个，看起来一个比一个棘手，但在这套理论里，它们属于工程层面的死穴，相对而言并不重要——不是因为它们容易解决，而是因为它们不是概率引擎走向理解的根本边界。不重要，不等于不难。不重要，是说它们不是最底层那道墙。它们是症状，不是病根。这六个死穴，是从第三篇提出的处理轴、存储轴框架里抽出的工程死穴。它们看起来各不相同：有的关于计算，有的关于推理，有的关于记忆，有的关于因果，有的关于验证。但它们有一个共同性质：
它们都不是Transformer独有的缺陷，而是这一类概率引擎的共同难题。Transformer的架构，让它们变得更复杂、更难解。具体来看：
死穴一：长程依赖与计算尺度。上下文窗口扩大，不等于状态变准确。这个问题所有概率系统都有。Transformer的全局注意力，让上下文里所有token的权重同时计算，没有天然的模块边界，所以状态隔离比结构化系统更难做。
死穴二：离散可验证推理的缺失。概率生成可以给出一个看起来完整的推理链，但并没有天然提供一个可审计、可逐步验证的离散中间状态。这不是Transformer独有的，但Transformer的连续概率空间，让这个缺失更加明显：程序可以留下每一步状态；概率生成往往只留下最终答案。
死穴三：停止与规划的缺失。模型的本能是“预测下一个token”，它没有内生的停止环。外挂这个环，同样面临成本高、延迟大的问题。Transformer没有显式的控制环，外挂接口和协调成本更高。
死穴四：序列位置不等于因果。Transformer有序列的位置关系，但序列的位置关系本身不是因果关系。它可以学习“先发生什么”，却不因此自动获得“为什么发生”。这不是Transformer独有的，但并行训练让这个区别更加难以被模型自己识别——它学到的“先后”，是训练数据里反复出现的时序纹路，不是物理意义上的因果不可逆。更进一步，它更容易把训练数据里的统计共现，误当成物理不可逆的因果约束。这里要说明：“因果伪造”不是一个被严格证明的机器学习性质，而是描述一种倾向——模型可能把统计上的时序关联，生成成具有因果意味的叙述。它不意味着模型没有因果理解的能力，它意味着这种理解是概率化的，不可靠的。
死穴五：灾难性遗忘。参数化存储不是天然适合持续在线更新、同时保持旧知识可验证性的状态系统。所有神经网络都有这个问题。Transformer的规模、稠密表示、无显式记忆结构，让代价更大，平衡更难找。纯参数化持续更新，天然存在新旧知识干扰问题。
死穴六：权重是不可审计的沉积岩。预训练加多轮SFT、RLHF、LoRA，全糊进同一批浮点。没有可剥离的历史层，就没有“作废”这个动作。这不是Transformer独有的设计，是所有稠密参数网络的共同特征。Transformer的规模，让这个问题更难处理。
六个死穴，一个性质：不是Transformer独有的，是它让问题更复杂、更难解。这六个是文章中最后列出的死穴。第三篇提到的幻觉空穴、奖励欺骗、自我模型缺失、OOD置信度不降等，本质上属于同一类问题——都落在“概率引擎缺少外部工程支撑”这个共同结构里，后续展开时会一并处理。
第二部分 六个死穴，三类性质
虽然都是“更难解”，但难度类型不一样。可以分成三类：
第一类：可以通过外挂状态账本隔离的。死穴一（长程依赖）和死穴六（权重不可审计），本质上是一个状态管理与不可审计问题。如果把状态从模型内部抽出来，做成外部的、可审计的账本，问题就能极大缓解。上下文不再是混在一起的token流，而是带时间戳、带状态标记的结构化输入。死穴六的“权重不可审计”特性，正是状态账本要解决的核心。这不需要改Transformer，只需要在外面加一层。
第二类：不是Transformer独有，但被它放大的成本/速度平衡问题。死穴二（离散推理）、死穴三（停止与规划）、死穴五（灾难性遗忘），本质上都是一道工程平衡题：要速度，还是要准确性？要低成本，还是要高可靠？要快速更新，还是要保住旧知识？在传统系统里，这些平衡问题都存在，但可控。在Transformer上，因为它的输出是连续概率、参数量巨大、没有显式控制环，这些平衡问题变得更加极端。解决它们，不是靠更大的模型，是靠在外面设计一套分级验证、异步检查、多级缓冲的工程系统。
第三类：源于分类处理设计的缺失。死穴四（因果伪造）最特殊。它不是算力问题，也不是速度问题，是分类处理设计的缺失。文本的先后顺序，和因果的不可逆，在Transformer里被混在同一个扁平的注意力空间里。它把“先后发生”当成“因为所以”，把“看起来像”当成“真的理解”。这不是概率引擎的错，是分类层没有把“顺序”和“因果”分开。但这里有一个最难的地方，需要说清楚。
最难的不是“分不分开”，是开放世界里“因果”本身没有先验标签。体育比赛里，计时器和计分器是两个独立字段，绝不能混。前者记录“什么时候发生”，后者记录“谁赢了”。AI缺的就是这个显式的、外挂的分类层。这句话要记住。它是五项原则的共同死穴——外挂的东西本身也可能被概率游戏同化。所有外挂工程系统的终极瓶颈，都回到这个问题。而这个风险，在今天的市面上，已经大量存在。
外壳陷阱。现在很多RAG、Agent方案，看起来做了外部系统，加了检索、加了工具调用、加了验证模块。但仔细看，那些“验证模块”本身也是调用大模型。检索回来的内容怎么判定相关？工具调用的结果怎么判断对错？还是让另一个大模型去看一眼，说“看起来对”。这不是外挂独立系统，这是换了一层壳的概率游戏。真正的外挂，必须有一个不依赖大模型的判断标准。而这个标准从哪儿来——这就是锚点问题。而这个“外挂也可能被同化”的风险，会在第五部分展开。
第三部分 锚点——没有真值标尺
这六个死穴，各自看是工程难题。合起来看，指向同一个根因：大模型没有真值标尺。自检、自我纠错、自我对齐，这套AGI叙事里最诱人的承诺，本质上是同一个概率游戏。
- 自检，是处理轴上的又一次概率采样。它问的是“下一个token听起来对不对”，不是“我当前的推理前提是否还成立”。
- 自我纠错，需要真值标尺。概率模型只能纠“统计上不合理”的错，纠不了“前提已过期”的错。
- 自我对齐，需要外部标准。如果标准本身也是概率模型训出来的，那对齐的只是内部一致性，不是外部真值。
AGI叙事里最诱人的那部分——自我改进、自我校正、自我对齐——恰恰是验证轴缺失最严重的表现。不止如此。第三篇提到的幻觉、奖励欺骗、OOD置信度不降、没有自我模型——这些看起来各不相同的问题，追溯到根上，都是同一个东西：没有真值标尺。幻觉，是因为它没有标尺来检查自己说的话是不是真的。奖励欺骗，是因为它没有标尺来分辨“拿到高分”和“做对事情”。OOD置信度不降，是因为它没有标尺来识别“我已经进入了一个我没见过的区域”。没有自我模型，是因为它没有标尺来回答“我现在站在哪里”。但要清楚：锚点缺失是共同根因之一，不是唯一根因。不能说所有问题都是因为没有锚点。有些问题有独立的结构性原因。锚点缺失是其中最根本、最普遍的那一个，但不是全部的答案。把概率游戏玩到极致，不会长出真值标尺。幻觉的根源就在这里。
这就是第四篇真正的中心词——不是“六个死穴”，是“真值标尺”。六个死穴是入口，真值标尺才是核心。
第四部分 外挂工程系统——五项原则
真值标尺缺失，具体表现在五个维度上：分类、状态、验证、更新、存储。下面五项原则，分别对应这五个维度。展开程度不一。有的我想得比较清楚，有的我还没想清楚。这不是隐藏短板，是老实说：方向知道，方案不知道。这五项原则，其实构成一个闭环：识别 → 记录 → 验证 → 作废 → 重建。
第一，外挂分类层。它解决的是识别。任务：把“顺序”和“因果”分开，把“模式”和“真值”分开。输入不再是扁平token流，而是带结构标签的输入。为什么必须外挂：分类标准不能被生成目标改写。如果分类器本身也参与梯度优化，它就会学会按“听起来合理”来分类，而不是按“事实上属于哪一类”来分类。最难的地方：开放世界的分类体系，不是事先定死的。分类体系本身可能需要生长，而生长就需要验证——这就又回到了锚点问题。
第二，外挂状态账本。它解决的是记录。任务：每一轮生成的状态，先在外部账本登记。记录来源、依赖关系、有效期。没有经过账本确认的token，不进入下一轮。为什么必须外挂：权重是不可审计的沉积岩，账本必须可审计。如果账本也在模型内部，那它同样会被梯度污染。最难的地方：账本本身也会被污染。如果模型学会生成“看起来像可指认依据”的假记录，账本如何识别？账本的可信度，依赖于一个独立于模型的写入权限。
第三，外挂硬卡口。它解决的是验证。任务：在分流后、合成前，插一个不接梯度、不接奖励信号的检查桩。它只问一句话：这一步有没有可指认依据？为什么必须外挂：这个卡口一旦进入奖励图，就会被优化绕过。RLHF不是装了验证轴，是把验证轴也做成了一层可微的存储轴。最难的地方：怎么判断“有没有可指认依据”？这个判断本身就是一个语义问题，需要一个独立于模型的裁判。而这个裁判从哪儿来？
第四，外挂换纸机制。它解决的是作废。任务：当账本显示某个前提已过期，或者硬卡口被触发，外部系统有权强制切换状态、作废旧图纸、重新推演。为什么必须外挂：换纸权不能留在系统内部。第二篇说“否决权不能留在系统内部”，第三篇说“验证轴必须独立”。换纸权是验证轴的最后一步，必须由外部持有。外部工程系统不需要掌握“绝对真理”，它只需要锚定几根核心的承重墙。一旦系统运行碰触到这些不可逾越的证伪边界，硬卡口就会触发，强制清空当前上下文的逻辑推演，完成换纸。最难的地方：谁来持有这个权力？第二篇问过同样的问题，答案是：不能是技术判断，必须是方向判断。那谁有资格做方向判断？
第五，显式与隐式的混合架构。它解决的是重建。任务：把需要精确记忆、频繁更新、严格作废的知识，放进显式的数据库/账本里。把需要泛化、模式识别、生成的能力，交给隐式的神经网络。账本精确作废，模型专注生成。为什么必须外挂：纯参数化存储，天然存在新旧知识干扰问题。只有显式存储，才能精确作废；只有隐式模型，才能泛化生成。两者必须分工。最难的地方：显式与隐式之间的接口，不只是技术问题，是信任边界问题。模型什么时候该“放手让账本接管”？账本什么时候该“把控制权还给模型”？这个切换本身需要判断——而判断又回到了那个老问题：谁持有验证权？
五项原则，方向是清楚的。方案，还没有标准答案。而这五项最难的地方，最终都指向同一个问题：验证权归谁。
也要说清楚一件事：这五项原则，不是通向理解的路径。它们是工程手段，用来缓解概率引擎的技术症状。它们可以降低幻觉、减少状态漂移、改善因果判断。但它们不能补上那个根本的缺口——概率游戏走不到理解这道墙。工程手段是打补丁，不是换地基。但这五项原则本身，也必须回答一个更底层的问题——它们的信任根在哪里？
第五部分：外挂系统本身，也需要锚点
外挂工程系统，本身也需要验证。分类层从哪里获得分类标准？状态账本如何保证自己不被污染？硬卡口如何保证自己不被绕过？换纸权的持有者，如何保证自己不被收买？如果这些问题的答案是：“再外挂一层系统来验证它”，那就等于说：验证权在外挂层的外挂层。外挂一层，不够。外挂两层，可能还不够。一直外挂下去，最终还是得回答一个问题——这个链条的尽头，锚在哪里？外挂工程系统不是终点。任何工程系统都必须回答：它的真值锚点是什么？锚点不是一个抽象概念。它可以是几种不同的东西：
- 物理事实锚点：传感器读数、时间戳、硬件安全模块。
- 制度锚点：法律、审计、多方签名、人类委员会。
- 密码学锚点：不可篡改日志、承诺方案。
- 共识锚点：多源交叉验证。
但说到底，没有绝对锚点。不存在一个不可质疑的、永恒可靠的“真值源头”。现实世界里，所有锚点都可能出错、被污染、被收买。我们真正需要的，不是“绝对锚点”，而是“对当前AI系统不可单方面改写”的信任根。它的可靠性不来自绝对真理，来自它不在AI系统的控制范围内。只要它不被AI单方面改写，它就足以构成一个可用的验证基础。如果锚点仍然来自概率模型，那么只是把概率游戏移到了系统外面。所以，真正的问题不是“Transformer换不换”。真正的问题是：AI系统最终把“不可被自身改写的事实”放在哪里？这个东西，无论它是上面哪一种，必须满足一个条件：它不能被AI系统自己改写。否则，它就不是锚点，它只是另一层外壳。
【下一步问题清单】
这套工程系统要建起来，有五个问题必须先回答：
第一，开放世界的分类标准如何生长？如果分类体系本身不是事先定死的，它怎么长？长出来的新类别，谁确认它有效？
第二，状态账本的写入权如何独立？账本不能被模型污染，那谁有写入权？这个写入权如何被监督？
第三，硬卡口如何防止被奖励优化绕过？卡口一旦能被优化，就会被绕过。怎么保证它真的“不接梯度、不接奖励”？
第四，换纸权归谁？谁拥有“承认这条路走不通、必须换纸”的权力？这个权力不能是技术判断，必须是方向判断。那谁有资格做方向判断？
第五，显隐接口的信任边界如何设计？模型什么时候该放手让账本接管？账本什么时候该把控制权还给模型？这个切换的标准从哪来？
这五个问题，我还没有答案。但我知道一件事：如果这五个问题没有一个被认真回答，外面那套工程系统就建不起来。而建不起来的后果，不是AI变笨——是它继续以“我不知道自己正依据哪张过期图纸在跑”为默认状态，跑得越来越快。如果我知道所有的边界在哪儿，我就不写文章了——直接去当OpenAI的CTO了。
【结语】
六个死穴，一个锚点。锚点是：大模型没有真值标尺，所以“自检、自纠、自对齐”这套AGI承诺，不是解决方案，是同一个问题的另一种说法。六个死穴不是Transformer的错。它们是概率引擎的共同难题，Transformer的架构让它们更复杂、更难解。真正的出路不在换架构，不在等下一个Transformer，而在外面建一套工程系统：分类层、状态账本、硬卡口、换纸机制、显隐混合架构。这套系统还没建起来。这就是AI今天真正的缺口。但必须说清楚：这六个死穴不是Transformer的错，不代表“走不到理解”这个判断也要收回。第一篇讲的是架构能不能跨过理解这道墙——那是一个更根本的判断，涉及的是概率游戏本身的边界，不是工程能补上的。这一篇讲的是六个具体技术症状能不能被工程手段缓解——那是另一个层级的问题，是概率引擎之上可以打补丁的地方。两者不在一个层次上，不冲突，也不能互相替代。外挂工程系统做得再好，也只是让概率引擎少犯工程错误。它不会让概率引擎长出理解。
【附记：关于这把量尺的边界】
写到这里，必须说清楚几件事。第一，我没有内部资料。这篇文章里对AI系统的所有分析，基于的都是公开信息。我能做的，是用三十多年写交易系统的经验，从一个系统架构师的角度，去推演另一套系统可能的结构性问题。我看不到它们的代码，但我能看到它们面临的问题类型。第二，六个死穴都不是Transformer独有的。它们是概率引擎的共同难题。Transformer的架构让它们变得更复杂、更难解，但根源不在Transformer本身。换一个架构，这些问题可能减轻，但不会消失。因为根源在“用高维概率生成为核心智能引擎”这个范式的共同特征里。第三，这六个死穴和“走不到理解”是两个层级的问题。六个死穴是工程层面的技术症状。走不到理解是架构层面的边界判断。工程手段可以缓解症状，但不能跨越边界。两者不能混为一谈。第四，真正的出路是工程，不是架构革命。对于这六个具体死穴，不是等下一个Transformer，而是在现有概率引擎外面，建一套分类、验证、状态管理、显隐混合的工程系统。这套系统还没建起来，这就是缺口。第五，这套工程系统目前没有标准答案。分类的锚点在哪、状态账本如何不被污染、硬卡口如何防止被绕过、显隐如何高效协同——这些都是未解难题，属于工程平衡问题，需要时间、实践和反复试错才能找到答案。如果哪天我找到了答案，你们会在新闻上看到我的新职位。
【附录：核心概念速查】
- Transformer：概率引擎，预测下一个token。
- 处理轴：token预测，模仿当下判断，但没有赌注。
- 存储轴：压缩，模仿状态，但没有账本。
- 验证轴：判断前提是否还成立，Transformer没有。
- 图纸：预先画好的路径预判。
- 证伪边界：一条线，触发后要重新核实。
- 承重墙：硬边界，击穿后换纸。
- 换纸：旧图纸作废，画新图。
- 锚点：不可被AI自己改写的信任根。
- 真值标尺：从锚点长出来的验证标准。
- 验证权：谁有权判定、否决、作废。
- 外壳陷阱：外挂系统仍然依赖大模型，等于换壳。
- 伪验证轴：验证轴被做成可微的存储轴，穿裁判服的选手。
提前规划好对AI技术本质的理解，能帮助我们在工程上走得更稳。
