数字与符号之间，周鸿祎解释大模型不识数背后的认知本质

当我们在搜索引擎中输入“127乘以836等于多少”时，几乎瞬间就能得到精确的计算结果：106172，当我们把同样的问题抛给某些大语言模型时，却可能得到令人啼笑皆非的答案，它们能够写出优美的诗歌、生成复杂的代码，却在我们幼儿园时代就掌握的基本算术上频频翻车，这种反差引发了一个深刻的问题：为什么“聪明”如大模型，却偏偏“不识数”？

360集团创始人周鸿祎对此给出了一个颇具洞察力的解释框架,在他看来，大模型的“不识数”并非能力缺陷，而是由其本质属性所决定的认知特征，这一特征揭示了人工智能与人类思维之间的根本差异。

周鸿祎指出,大语言模型的本质是一个“超级复杂的词汇接龙机器”，当它接收我们的提问时，并非理解数字背后的数学含义，而是基于训练数据中见过的大量文本模式，预测最可能跟随在问题后面的文本序列，对于大模型而言，“127”不是指127个物体，“836”也不代表836个单位，它们只是被转换为特定向量的符号标记，就像“苹果”和“快乐”一样，是需要通过上下文进行关联处理的文本元素。

这种“文本至上”的认知方式，决定了大模型在数学推理上的天生局限，一个经过数学训练的人类在进行乘法运算时，会调用特定的算法规则和计算程序，这是确定的、可重复的逻辑过程，而大模型在面对数学问题时，却在努力回忆训练数据中相似的表达模式，然后进行概率性的文本生成，周鸿祎形象地比喻道：“它就像一个从未学过数学、但翻阅了无数数学书籍的人，能够模仿数学表达的形式，却无法真正执行数学运算。”

更值得注意的是,大模型的这种特性在不同体量的模型中表现各异，规模较小的模型由于参数有限，能够记忆的文本模式较少，在遇到需要精确计算的场景时几乎必然失败，而当模型参数达到千亿级别时，情况开始出现微妙变化，它们能够间接地学习到某些算术规律，甚至会主动编写Python代码来完成计算任务——这正是如今先进模型处理数学问题的主要方式。

周鸿祎进一步解释了当前解决大模型“不识数”问题的两条路径，其一是增加模型的代码训练数据，让模型学会在遇到计算问题时自动切换到计算模式，而非依赖不精确的记忆型推理，其二是在应用层面建立复合人工智能系统，让大模型只负责理解问题意图和规划解决步骤，而将实际运算交给专门的数学引擎执行，后者正是目前诸多先进AI助手背后的工作原理。

这一解释为我们理解大模型的本质提供了重要视角,大模型不是万能的通用智能体，而是语言能力的极致延伸，它们的“不识数”恰恰提醒我们，这些工具强大而局限并存的本质——它们模拟的是人类语言表达，而非完整的人类思维过程。

在人工智能快速渗透各行各业的今天,理解大模型“不识数”的认知根源，不仅帮助我们更合理地设定技术预期，也引导我们在工程实践中找到更优的人机协作模式，或许，真正的智能化不在于创造出什么都能做的全能系统，而在于设计出知道自己能做什么、不能做什么，并懂得如何调用合适工具达成目标的系统。

正如周鸿祎所强调的,认识到大型语言模型的本质局限，不应当导致对技术的否定，而应激发更务实的技术创新，在这个意义上，大模型的“不识数”不是终点，而是通向更成熟人工智能的一个必要起点。