作者从工程与科学双重视角剖析链式思维（Chain of Thought）的局限性，指出语言表达式推理效率低下，真正高效推理应脱离词元空间，迈向任务专属的嵌入表征。
在柏林Jina AI办公室的一个寻常下班后，三位工程师围坐争论：今天的大型语言模型（LLM）真能“思考”吗？
其中一位——也就是本文作者——坚定认为，即便GPT们表现惊艳，我们离人类智能、更别说通用人工智能（AGI），依然遥远。他原本以为自己手握“致命一击”：让模型分别列出“大于10万的前10个数字”和“大于10万的前10个质数”，两者在模型眼中竟消耗完全相同的计算量！因为LLM本质是自回归的，靠逐个预测下一个词元（token）生成答案，输出30个词元就做30次前向传播，不管任务多复杂。
可显而易见，找质数需要大量除法运算，远比简单递增复杂得多。
这说明要么模型一直在“过度思考”（不可能），要么它根本没在思考——只是调取统计记忆。
他以为这逻辑无懈可击，却没想到同事一句话把他拉回现实：你忘了链式思维（Chain of Thought, COT）！
链式思维是什么？让AI“边说边想”的神奇技巧
链式思维，简单说就是让大模型在回答问题前，先“自言自语”一步步写出推理过程。
比如问“13乘以17等于多少”，模型不再直接蹦出“221”，而是输出：“13乘以10是130，13乘以7是91，130加91等于221。”
这种看似啰嗦的做法，竟能显著提升复杂任务的准确率。
它就像给只会背书的学生配上草稿纸，允许它把解题步骤写下来——哪怕写得慢，至少不出错。
更关键的是，COT让模型能“动态调节计算预算”：难题就多写几步，多生成词元，多做几次前向传播；简单题就少说几句。在质数例子中，模型可以先写出“判断质数的算法：对每个候选数n，从2试除到√n……”，再一步步执行这个“伪代码”，最终输出结果。
这样一来，计算量确实随任务难度增长了——作者最初的论点被巧妙化解。他不得不承认，自己低估了“仅靠下一个词元预测”这一机制，在COT加持下所能迸发的潜力。
但作者心里仍不服：语言推理，效率低到令人发指！
尽管COT有效，作者却越想越不对劲。
他开始反思：人类真是靠内心独白（inner speech）来完成所有思考的吗？如果AI必须把每一步推理都“说”出来，那它本质上是在用最慢的方式解决问题。想想看，语言本是为沟通而生，不是为思考而设。我们用嘴说话，受声带肌肉、发音速度限制；用文字记录，受限于字符线性排列。若人类智能真的只依赖语言，那我们的大脑算力岂不是被嘴巴的物理极限锁死了？这显然荒谬。
作者举出大量反例：动物没有语言，却能规划狩猎路线、使用工具；人类在打牌、编程、做饭、收拾房间甚至踢足球时，常常“不假思索”就做出精妙决策——这些过程根本不需要内心复述语法规则或完整句子。
梅西0.5秒神操作：无语言推理的巅峰证明
最震撼的例子来自足球之神梅西。
在一段视频中，他背身接球后，瞬间利用裁判作为障碍物，一个轻巧变向让防守球员撞上裁判，自己从容突破。整个过程不到半秒！
作者犀利发问：在这0.5秒内，梅西经历了多少判断？看到对手位置、评估传球选项、发现裁判在旁、预判对手反应、计算碰撞角度、决定执行动作……若靠内心语言推理，哪怕每秒能默念10个词，也仅够说出“我见他…用裁…骗他…”这种碎片。
根本不足以支撑如此复杂、创新且精准的决策链！
这铁证说明：人类高级推理中，非语言的、直觉式的、并行的神经处理才是主力，语言只是事后总结或对外沟通的“压缩包”。而COT强迫AI把每一步都“朗读”出来，就像让梅西在突破前先写一篇战术论文——荒谬又低效。
语言是世界的“有损压缩”，不是思考的天然载体
更深层看，语言本质是我们对现实世界的人为抽象与简化。
我们用“苹果”这个词指代千差万别的果实，用“悲伤”概括无数细微的情绪状态。这种抽象利于交流，却丢失了大量原始信息。而AI若只在词元空间（token space）里推理，就等于在二手、低维、离散的符号世界里打转，无法触及问题的真实结构。
作者类比Stable Diffusion图像生成：早期有人尝试直接在像素层面生成图片，效果差且慢；后来聪明人想到先压缩到低维潜在空间（latent space）操作，再解码回像素——效率飙升！
同理，高效推理也应发生在任务专属的嵌入空间（task-specific embedding space），而非统一的、高维稀疏的词元序列里。
每个问题（如数学证明、电路设计、化学合成）都该有自己最紧凑的“思考坐标系”，而不是硬塞进“主谓宾”的语言模具。
链式思维只是LLM时代的聪明“补丁”，非终极方案
因此作者结论鲜明：COT确实强大，是当前LLM落地应用的利器，能撬动商业价值；但它终究是对自回归模型缺陷的巧妙修补，是“用语言模拟思考”的权宜之计。
它暴露了LLM的根本局限——缺乏独立于语言的内部推理机制。就像人类若只能用摩尔斯电码交流，思维速度必然被嘀嗒声拖垮。
今天的AI正困在“语言摩尔斯电码”中：每个推理步骤都必须翻译成可读文本，再喂给自己下一步。这不仅慢，还易错（语言歧义、格式混乱），更无法处理需并行或连续空间操作的任务（如物理仿真、实时控制）。
作者坚信，下一代AI架构必须打破词元牢笼，在更贴近问题本质的表征空间中直接运算——那时，真正的高效推理才会降临。
未来已来？推理或将迁移到“潜思维空间”
展望未来，作者暗示一条可能路径：将推理过程与语言生成解耦。模型可先在专属潜空间（latent reasoning space）中完成复杂计算，最后才将结论“翻译”成人类语言输出。这类似于人脑的运作——大量无意识处理完成后，才用语言区域组织成可述说的答案。
如此一来，AI既能保留LLM的语言优势，又摆脱其推理枷锁。计算资源不再浪费在冗余的“思考台词”上，而是聚焦于问题核心。
或许某天，我们会看到AI在几毫秒内完成复杂科学推演，却只用一句话告诉你结果：“根据量子场论计算，该材料在低温下呈现超导性。”——背后是沉默而高效的“潜思维”，而非喋喋不休的链式自语。
结语：别被语言幻觉迷惑，真正的智能在沉默中爆发
链式思维是AI发展史上的重要里程碑，它揭示了简单机制（下一个词元预测）通过结构创新（显式推理链）所能达到的惊人高度。但我们必须清醒：语言是智能的输出接口，而非处理引擎。将推理等同于语言表达，是对人类认知的误解，也是对AI潜力的自我设限。
正如梅西的天才在无言的0.5秒中闪耀，未来真正强大的AI，或许正沉默地在其专属的思维维度中，以我们无法窥见的方式，高速运转。