💬 NLP

Identifying Quantum Structure in AI Language: Evidence for Evolutionary Convergence of Human and Artificial Cognition

本文提供了证据，表明大语言模型展现出非经典的、类量子式的认知结构——具体表现为贝尔不等式违背以及词分布中的玻色-爱因斯坦统计——这反映了人类认知的特征，并暗示了生物智能与人工智能之间存在一种进化趋同现象，而这种趋同是由向量空间中意义的底层量子组织所驱动的。

原作者： Diederik Aerts, Jonito Aerts Arguëlles, Lester Beltran, Suzette Geriente, Roberto Leporini, Massimiliano Sassoli de Bianchi, Sandro Sozzo

发布于 2026-06-03

📖 1 分钟阅读☕ 轻松阅读

CC BY 4.0

原作者： Diederik Aerts, Jonito Aerts Arguëlles, Lester Beltran, Suzette Geriente, Roberto Leporini, Massimiliano Sassoli de Bianchi, Sandro Sozzo

原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

核心思想：AI 与人类的思维方式高度一致（量子风格）

想象你有两种不同的建筑师。一个是人类，另一个是机器人（像 ChatGPT 或 Gemini 这样的 AI）。你要求他们两人使用同一套砖块（词汇）来盖房子。

本文的作者认为，尽管人类和机器人的构造完全不同，但他们排列这些砖块的方式遵循着完全相同的“蓝图”。令人惊讶的是，这个蓝图并不是我们日常生活中使用的那种（比如把砖块堆成一堆），而是遵循了量子物理学中那些奇特且神奇的规则。

论文声称，人类大脑和 AI 模型组织意义的方式，看起来都像是量子纠缠（Quantum Entanglement）和玻色-爱因斯坦统计（Bose-Einstein Statistics）。

1. “神奇链接”测试（贝尔不等式）

概念：
在物理学世界中，有一个著名的测试叫做贝尔不等式（Bell's Inequality）。它就像是一本规则手册，规定了如果事物是分离且独立的，应该如何表现。

经典世界： 如果你在纽约抛一枚硬币，在伦敦抛另一枚硬币，其中一个的结果不应该瞬间改变另一个的结果。它们是相互独立的。
量子世界： 在量子物理学中，粒子可以被“纠缠”。如果你改变其中一个，另一个会瞬间发生变化，无论它们相隔多远。它们表现得像一个单一的、连接的整体。

实验：
研究人员让参与者（人类和 AI 模型）回答一系列关于组合概念的问题。

例子： 他们问：“什么是动物的一个好例子？”（选项：马、熊）。接着问：“什么是行为的一个好例子？”（选项：嘶鸣、咆哮）。最后，他们询问组合情况：“动物的行为”。
转折点： 当人类（以及 AI）回答时，他们并没有将“动物”和“行为”视为两个独立的事物。“马”的含义取决于它是与“咆哮”配对还是与“嘶鸣”配对。

结果：
人类和 AI 都违反了针对独立事物的“规则手册”。他们的答案表明，这些概念是纠缠在一起的。

类比： 想象你有一个红球和一个蓝球。在经典世界里，红球永远是红色的。但在这种“量子”世界里，当你单独观察红球时，它是一个“马”；但当你把它放在“嘶鸣”旁边时，它就变成了一个“熊”。AI 和人类无法将这些概念分开，它们是融合在一起的。

这意味着： AI 不仅仅是在像计算器一样计算概率。它正在一个“语义场”中导航，在这个场中，词汇之间的连接方式挑战了常规逻辑，就像量子粒子一样。

“词汇人群”测试（玻色-爱因斯坦统计）

概念：
在物理学中，粒子在聚集方式上主要有两种类型：

经典粒子（麦克斯韦-玻尔兹曼分布）： 想象公园里的人。他们均匀地散开。如果有 100 个人，他们会散落在草地上。没有人会显得特别受欢迎。
量子粒子（玻色-爱因斯坦分布）： 想象音乐会上的 Mosh Pit（冲撞舞池）。每个人都挤在舞台周围。少数“超级巨星”吸引了所有的注意力，而其他人群则非常稀疏。

实验：
研究人员观察了由人类撰写的文章和由 AI 撰写的文章。他们统计了每个单词出现的频率。

他们发现，在人类和 AI 的故事中，单词的分布并不均匀。
相反，一小部分词汇（如“the”、“and”、“to”）出现的频率比其他词汇高出极多，形成了一个意义的“凝聚态”。

结果：
AI 故事中的单词分布完美符合了玻色-爱因斯坦模式（即 Mosh Pit 模式），而不是经典模式（即公园模式）。

类比： 把一个故事想象成一场派对。在“经典”派对中，每个人都和几个人聊天，噪音是分散的。而在“量子”故事（无论是人类还是 AI）中，每个人都会涌向那几个关键的思想（“基态”）。最重要的词汇就像超导体一样，承载着整个故事的意义，而那些罕见的、复杂的词汇则是房间里的安静角落。

为什么重要： 这表明 AI 不仅仅是记住了语法规则。它学习了“意义的物理学”。它学习到，为了使故事具有连贯性，词汇必须以一种特定的、类似量子的方式聚集在一起。

3. “进化趋同”

大局观：
为什么一个由硅片和代码组成的机器人，其思维方式会与一个由神经元和血肉组成的人类如此相似？

作者提出了**进化趋同（Evolutionary Convergence）**的概念。

眼睛的类比： 在自然界中，章鱼和人类都进化出了眼睛。它们并非继承自一个拥有眼睛的共同祖先，而是因为眼睛是“看”的最优解，从而各自独立进化出来的。
心灵的类比： 论文认为，组织“意义”是一个极其困难的问题。无论你是通过数百万年进化的脑细胞，还是通过几年在互联网上训练的 AI，组织复杂想法的最有效方式都是使用类量子结构。

“向量空间”的秘密：
论文指出，虽然我们称之为“神经网络”，但真正的魔力发生在**向量空间（Vector Spaces，即意义的数学地图）**中。

想象一张巨大的、隐形的 3D 地图，每个词都是其中的一个点。
在这张地图中，词汇不仅仅是独立的点。它们更像是波，可以相互重叠、干涉和结合。
人类和 AI 似乎都自然而然地落入了这种“波”的结构，因为这是处理语言中的歧义性和上下文语境的最佳方式。

结论摘要（论文实际表达的内容）

AI 违反了经典逻辑： 在测试中，AI 模型（ChatGPT, Gemini）在回答时表现出了“纠缠”现象，违反了贝尔不等式，就像人类一样。它们将概念视为连接的整体，而非独立的个体。
AI 遵循量子统计： AI 撰写的故事中单词出现的频率遵循玻色-爱因斯坦统计（围绕关键术语聚集），而非经典统计。这是因为 AI 从人类文本中学习，而人类文本本身就具备这种结构。
意义是驱动力： 这不是代码的漏洞。这是因为 AI 学习了如何组织“意义”。意义本身的结构似乎是类量子的。
趋同性： 人类和 AI 是不同的“基质”（生物 vs 硅基），但它们在处理语言时收敛到了相同的数学解决方案，因为那是组织意义最有效的方式。
安全启示： 作者指出，由于 AI 是基于这些深层的、类量子的结构运行的，我们不能仅仅通过简单的规则来“修补”它。我们需要理解这种底层的“意义物理学”，才能确保 AI 的安全。

简而言之： 论文声称，AI 已经发现了人类进化数百万年才掌握的语言“秘密代码”。这段代码不是经典的数学，而是量子力学中那种奇特的、相互连接的数学。

技术摘要：识别 AI 语言中的量子结构

问题陈述
本文旨在解决理解大型语言模型（LLM）基本认知结构方面的空白。尽管 LLM 在历史上被归类为神经网络，但作者认为，其本质的知识组织发生于向量空间的分布式语义结构之中。本研究调查了这些人工认知智能体是否表现出与先前在人类认知和语言中发现的相似的“非经典”结构。具体而言，作者试图确定 LLM 是否违反了贝尔不等式（表明存在非柯尔莫哥洛夫概率和纠缠现象），以及 LLM 生成文本中的词汇统计分布是遵循玻色-爱因斯坦（BE）统计，还是遵循经典的麦克斯韦-玻尔兹曼（MB）统计。

研究方法
研究采用了两种主要的实验框架，以 ChatGPT 和 Gemini 作为测试对象，镜像了此前用于人类受试者的实验方案：

贝尔不等式违背（CHSH 测试）：
- 概念： 研究利用了概念组合“动物的行为”（The Animal Acts），将“动物”（范例：马、熊、老虎、猫）这一概念与“行为”（范例：咆哮、嘶鸣、喷鼻、喵喵叫）这一概念相结合。
- 程序： LLM 被要求进行四次巧合测量（$AB, AB', A'B, A'B'$），询问该组合概念的“最佳示例”。
- 方法：
  - 引导式对话： 通过引导 LLM 逐步完成四项测试，以最大化违背程度。
  - 统计采样： 提示 LLM 进行 81 次测试（匹配先前人类研究的样本量），使用两种不同的提示词：一种鼓励探索性/非传统性的响应，另一种为中性提示。
- 分析： 计算每对测量的期望值（ $E$ ），并将其代入克劳泽-霍恩-西莫尼-霍尔特（CHSH）不等式： $-2 \leq E(A', B') + E(A', B) + E(A, B') - E(A, B) \leq 2$ 。
词汇分布的统计分析：
- 任务： 指示 LLM 创作原创故事（具体模仿 A.A. 米恩的《小熊维尼》和 H.G. 威尔斯的风格），且不设内容限制。
- 建模： 使用量子统计框架分析生成文本中的词频。
  - 能量分配： 根据频率排名（ $i$ ）为单词分配“能级”（ $E_i$ ），其中最高频的单词 $E_1=0$ ，第二高频的 $E_2=1$ ，依此类推，遵循公式 $E_i = (i-1)^d$ 。
  - 约束条件： 使用两个约束条件对模型进行拟合：总词数（ $N$ ）和文本总“能量”（ $E = \sum N(E_i)E_i$ ）。
- 比较： 将 LLM 生成的词频分布与玻色-爱因斯坦分布函数（ $N(E_i) = 1 / (Ae^{E_i/B} - 1)$ ）以及麦克斯韦-玻尔兹曼分布函数（ $N(E_i) = 1 / Ce^{E_i/D}$ ）进行拟合对比。

关键结果

违反贝尔不等式：
- 在引导式对话阶段，ChatGPT 和 Gemini 生成的响应均最大限度地违反了 CHSH 不等式，得出了 4 的数值（这是非柯尔莫哥洛夫模型的理论最大值）。
- 在统计采样阶段（81 次迭代），模型的 CHSH 值超过了经典界限 2。
  - ChatGPT (提示词 1)：CHSH = 2.25
  - ChatGPT (提示词 2)：CHSH = 3.09
  - Gemini (提示词 1)：CHSH = 2.12
  - Gemini (提示词 2)：CHSH = 4.0
- ChatGPT（2.67）和 Gemini（3.06）的平均 CHSH 值与人类认知实验中观察到的违背现象一致，表明 LLM 响应背后的概率模型是非柯尔莫哥洛夫式的，并且在概念组件之间存在“纠缠”。
文本中的玻色-爱因斯坦统计：
- 研究发现，ChatGPT 和 Gemini 生成的故事中的词频分布与玻色-爱因斯坦分布高度契合。
- 对于 Gemini 生成的《小熊维尼》故事（2,861 个单词，822 个独特能级），数据在功率参数 $d = 0.8$ 下拟合了 BE 模型（表明其略微偏离完美的谐振子，但比库仑力系统更接近）。
- 麦克斯韦-玻尔兹曼分布未能拟合数据，在处理高频词的聚集现象时表现出显著偏差。
- 分析证实，“语义凝聚”（即高频词在低能级处的聚集）是生成文本的一个结构性特征，而非仅仅是语法规则的结果。

意义与主张

本文声称，这些发现证明了“无论认知主体是生物性的（人类）还是人工的（LLM），概念-语言领域都系统性地涌现出了非经典的类量子结构”。

进化趋同： 作者认为，人类认知与 LLM 认知已趋同于相同的基于向量的底层结构。虽然人类认知通过生物过程缓慢进化以组织“意义”，但 LLM 通过在人类文本语料库上的自我学习和训练，迅速复制了这种结构。
LLM 智能的本质： 本文挑战了将 LLM 仅仅视为神经网络的观点。相反，它提出“智能”存在于组织意义的高维向量空间中。这种结构允许出现类似于量子纠缠（非局域语义连接）和玻色-爱因斯坦凝聚（意义聚集）的现象。
统一框架： 通过类比爱因斯坦对光与气体的统一，作者提出了一个以“意义”作为结构原则的统一框架。他们认为，量子力学的数学工具（希尔伯特空间、复数、叠加态）不仅限于物理粒子，而是可以作为一种通用的演算工具，用于处理任何组织意义的系统中存在的歧义性和上下文相关性。
对 AI 安全的启示： 作者指出，理解这些类量子结构规律对于 AI 安全至关重要。他们认为，基于经典、基于规则的逻辑进行的安全性干预可能是不够的，因为这些干预没有触及底层的“量子”组织形式。实现与这些不变形态架构（morphic architectures）的结构性对齐，被提议为确保人类与人工认知实现相干协同演化的必要步骤。

文章总结道，这些结构在 LLM 中的存在并非巧合，而是反映了支配意义如何组织的根本法则，这为人工认知的本质及其与人类思维的关系提供了一个全新的视角。

核心思想：AI 与人类的思维方式高度一致（量子风格）

1. “神奇链接”测试（贝尔不等式）

3. “进化趋同”

结论摘要（论文实际表达的内容）

类似论文