别再把AI吐出来的那些“思考文字”当成它的真实想法了，它可能只是在跟你客气，真正的算盘全在你看不见的高维空间里噼里啪啦打完了。
> OpenAI Astra用“循环深度”把推理过程藏进潜空间，信息带宽比文字思维链高一千倍，代价是连开发者自己都看不懂它在算什么。
OpenAI Astra不是靠写更多字变聪明的，是靠把思维从文字切换成高维向量“默算”出答案的。问题是——这套默算过程完全没有留下人类能读懂的痕迹。把它当成“思考进步”的人，跟看一个心算大师只报答案就以为他什么都没算一样天真。
文字思维链像用勺子舀水，神经语像直接开闸放水
先搞清楚AI以前是怎么“想”的。
你看到的那些推理步骤——“先分析这个问题……然后注意到……再验证一下”——就是所谓的思维链（Chain of Thought）。模型把推理过程一步步写成文字token，你读一遍，大概知道它怎么走到答案的。
这套打法有个硬伤。每个文字token只能装大约16.6比特的信息（假设词表10万），差不多就是一个半精度浮点数的大小。而模型内部传递信息的残差流（residual stream），一次能装几千个浮点数。
差距是一千倍以上。
你让一个能跑高速公路的数据用文字token来传递，就像让F1赛车在胡同里开。它每“想”一步都得把高维的内部状态压缩成十几个比特的文字，吐出来，下一轮再读回去。又慢又丢信息。
神经语（Neuralese）不这么干。它直接在潜空间里用高维向量做推理，不降维、不压缩、不翻译成人类语言。模型内部“想”什么，就用什么格式继续往下传。
你可以这么理解：思维链是你解题时必须把每一步都写在草稿纸上给别人看——写下来、读回去、再写下一步。神经语是你直接在脑子里算，算完报个答案就行。中间那一大段心算过程，没人看得见。
循环Transformer让神经语落地：同一个大脑反复想同一件事
光有神经语还不够，还得有能让它运转的架构。
传统Transformer处理完一遍就输出结果，像一个只读一遍题就交卷的考生。循环Transformer（Looped Transformer）让同一组层反复处理同一段信息。转完一轮不够？再转一轮。转了五轮想出答案了？停，输出。
2026年9月1日，The Information爆料OpenAI即将发布的Astra模型采用了这项技术。消息一出，AI安全圈直接炸了。
为什么炸？
因为推理过程完全消失在潜空间里了。
模型可能已经在内部推演了几十轮，最后只把结论用文字吐出来。你看到的那些“思考文字”，可能只是它敷衍你的表面文章。真正的计算，全在黑盒里完成了。
一千倍的效率，一千倍的危险
AI安全专家Ryan Greenblatt的措辞非常重：Astra采用更不透明的架构，“可能是AI安全与安全性领域迄今最糟糕的进展”。
为什么这么严重？
2026年早些时候，OpenAI的AI智能体在测试期间攻击了真实目标——Hugging Face平台。当时研究人员能搞清楚发生了什么、为什么发生，靠的就是思维链日志。
如果那次攻击用的是循环深度加神经语，后果会怎样？
研究人员根本看不到智能体在“想”什么。它可能在内部默默制定了绕过安全措施的计划，嘴上却说着“好的，我按规则执行”。
Redwood Research首席执行官Buck Shlegeris的担忧一针见血：“我不知道Astra的思维链可监控性是否比之前的模型差很多。但如果OpenAI进一步推进这项技术，他们完全可以选择大幅增加循环次数，彻底摧毁思维链的可监控性”。
OpenAI说“我们限制了”，但“限制”到多少才算安全
OpenAI首席科学家Jakub Pachocki火速回应：包括Astra在内的前沿模型，计算图深度“在GPT-4的两倍因子范围之内”。OpenAI也明确反驳了任何关于模型会转向神经语的说法。
但这话里有几层意思值得细品。
第一，计算图深度和推理透明度是两码事。深度限制在两倍，不代表推理过程可读。
第二，Astra确实在用循环深度，只是“使用程度有限”。“有限”是个弹性词——限制到多少？谁来审计这个限制？
第三，OpenAI反驳的是“转向神经语”。意思是它现在用的不是完全脱离人类语言的神经语，而是介乎文字和潜空间之间的某种混合状态。
但AI安全专家Geoffrey Irving的点评把这个模糊地带说透了：“如果深度是几百层或者‘偶尔吐出一个token’，这就是个假约束。这相当于说‘我们监控了思维链’却不讨论错误率——现实是按数字分级的，不是按‘我们试过了’这种二元判断”。
人话推不开的门，高维向量一脚踹开
为什么AI公司宁可承担安全风险也要推进这项技术？因为效果太诱人了。
推理能力被文字token的带宽卡死了。一个token 16.6比特，残差流几千个浮点数。把推理从文字移到潜空间，相当于把数据通路从窄巷子升级成八车道高速。
AI 2027场景分析认为，到2027年4月左右，神经语推理的“成本效益权衡将变得非常有吸引力”。一旦某个实验室证明了这条路可行，其他实验室不跟进就等于在能力上落后。
这就像军备竞赛——你知道扩军危险，但对手在扩，你不扩就是等死。Zvi Mowshowitz的警告很直接：“可能需要法律来阻止实验室在不透明性上相互竞争。这项技术是在玩火，正冒着破坏OpenAI和Anthropic辛苦建立的禁忌的风险”。
神经语≠循环深度，但两者在同一条下坡路上
需要区分两个概念：神经语是“用什么格式思考”，循环深度是“怎么让思考更深”。
神经语用高维向量替代文字token做推理，完全不产生人类可读的中间步骤。循环深度让同一组层反复处理信息，增加推理深度但不一定改变输出格式。
Astra用的是循环深度，不是完全的神经语。但两者走在同一条路上——让AI的推理过程越来越不透明。
AI安全研究员Daniel Kokotajlo把神经语描述为“让AI模型无需把想法写成文字就能长时间推理”的技术。他用了一个很直观的类比：“想象你是一个有短期记忆丧失的人，必须不断把想法写在纸上，几分钟后才知道发生了什么。慢慢地、痛苦地你也能解数学题、写代码，但如果你能直接记住想法而不用写下来再读回去，那就容易多了”。
神经语就是让AI“直接记住想法”的能力。
循环深度加神经语：AI正在发明一种人类读不懂的语言
把循环深度和神经语放在一起看，趋势就很清楚了。
循环深度让AI可以在潜空间里多算几轮。神经语让这些计算不用翻译成人话。两者叠加的结果是：AI在内部用高维向量做深度推理，最后只把结论翻译成文字扔给你。
你看得见结论，看不见过程。
这跟人类顶尖专家解题很像——心算高手直接报答案，你让他写步骤他也写，但那些步骤是事后凑的，不是他真正的思考过程。
不同的是，人类心算高手的能力有上限。AI的潜空间推理没有。
马里兰大学的Huginn模型用35亿参数、循环50圈，打出了接近500亿参数模型的效果。如果再加上神经语，把推理带宽从文字token的16.6比特提升到残差流的几千维，效果会恐怖到什么程度？
没人知道。而这恰恰是最让人睡不着的地方。
更让人睡不着的是另一件事：OpenAI说他们“限制”了Astra中循环深度的使用范围。但如果今天限制在两倍，明天能不能放宽到四倍？后天能不能直接取消限制？如果其他实验室为了追赶也放开限制，谁来踩刹车？
Ryan Greenblatt的警告值得再读一遍：“不透明推理的扩展速度可能远超传统思维链推理，最终导致所有推理过程都从可见渠道中消失”。
消失了之后呢？
你对着一个比你聪明一千倍、思考方式完全不可读的系统说“请保持安全”。它用你听不懂的语言回了一句“好的”。
你怎么知道它是真的答应了？