人类的语言空间正在收敛

2025 年 7 月，Cloudflare 公布了对 6 月 19—26 日数据的统计：AI 平台从网站抓取内容、再向网站回送访问的比例正在失衡。以 Anthropic 为例，按照 Cloudflare 能够观测到的网页访问计算，它每向内容网站带回 1 次访问，就抓取了约 7 万个页面¹。一年后，Cloudflare 又在其网络中观察到，非人类请求首次超过一半，爬虫请求中有 52% 用于 AI 训练²。

另一边，人类主动贡献知识的速度却在下降。根据 Stack Exchange 的公开 API³，Stack Overflow 在 ChatGPT 发布当月还有 109,294 个新问题；到了 2026 年 7 月，只剩 1,437 个，下降了 98.7%。教会语言模型回答编程问题的那个知识社区，正在被它教出来的模型替代。

这两个趋势引出了本文的问题：AI 时代，人类的语言空间将发生怎样的变化？本文从「语言即智能」出发，先定义语言空间的存量与流量，再给出作者对此问题的思考。

一、语言即智能

1950 年，图灵在《计算机器与智能》中试图回答「机器能不能思考」⁴。但他很快意识到，「思考」本身无法被严格定义，于是绕开这个问题，换成了一个可以操作的判据：让一个人隔着纯文本，同时和一台机器与一个真人对话；如果他无法分辨哪一个是机器，就承认机器表现出了智能。

这一步替换的关键之处在于，图灵把「是否具有智能」这个难以定义的问题，换成了「能否通过语言表现出智能」这个可以判定的问题。 本文沿用这一操作性定义：我们不讨论智能在意识层面究竟是什么，只讨论它能否被表达、传播和观察。

在计算机中，这个替换尤其优雅。计算机中一切内容，文字、图像、音频、视频，都可以用二进制表示，而二进制本身就是一种广义上的语言（虽然你不能指望我通过看一串0和1来刷短视频）。但通过确定的符号集和组合规则，它确实可以被还原为各种模态，因此计算机中的任何多模态信息，都可以被表示成语言的一种。

至于记忆、意识等说不清道不明的部分，它们要么已经通过某种形式被表达，要么从未进入公共语言。正如维特根斯坦在《逻辑哲学论》中所说：「对于不能言说的东西，必须保持沉默。」那些无法被表达的部分不参与传播、积累和训练，因此不在本文的讨论范围内。

于是在本文框架下，语言即可以被表达和传播的智能。

二、语言空间

语言有界

除了上文提及的名言外，维特根斯坦在《逻辑哲学论》中还有一句同样出名的话：我的语言的界限，意味着我的世界的界限。

在我们的框架下，我们只讨论能够被表达和传播的智能。既然语言有边界，那么对应的，这部分智能也是有边界的；而智能的边界，就可以用语言的边界来代替，从而讨论其范围、大小。

为了更好地建立这个模型，我们先给出一个并不严格、但便于讨论的语言空间模型。

一切能够被表达的内容构成一个高维空间，我们称为全体语言空间。每个实体——比如人或语言模型——能够表达的内容，则构成其中一个语言子空间。按照上一节的定义，这个子空间的边界也就是该实体能够表现出来的智能边界。

为了描述人类已经认识并表达了多大范围，我们定义子空间大小 $C(t)$：

$$ C(t)=\left|\Omega(t)\right|,\qquad \Omega(t)=\bigcup_{i=1}^{N(t)}R(i) $$

其中，$\Omega(t)$ 表示截至时刻 $t$ 已经进入公共表达的人类语言子空间，$R(i)$ 表示第 $i$ 个人类实体占据的语言子空间，$N(t)$ 表示这些实体的数量；$C(t)$ 就是人类已知语言子空间的大小。在后面的二维投影中，它对应所有子空间共同形成的二维投影面积。

不同实体的语言边界并不相同。举一个通俗的例子，资深教授通常比幼童拥有更多见识，因此占据的语言子空间更大；但两者仍然共享母语、生活经验等大量内容，所以子空间也会重叠。类似地，更强的语言模型通常比更弱的模型占据更大的子空间。

了解了上述概念，为了方便理解与可视化，我们可以把这个模型投影到二维空间中：

上图中的圆形表示语言子空间在二维平面上的投影。左边是几百个大小各异、彼此重叠的人类语言子空间，边缘孤点对应少数人掌握的「冷知识」；右边只有四个语言模型子空间，但由于每个模型都经过大规模训练，单个二维投影面积很大。

这形成了一个显著的对比，人类依靠大量小子空间形成长尾，语言模型则依靠少量大子空间覆盖常见知识。

由于语言模型之间使用了大量相同的互联网语料（甚至是同一家数据供应商）或经过彼此蒸馏，子空间之间还会高度重叠。因此，模型数量的增加因此不等于语言空间按同样比例拓展。

作为硬币的另一面，语言模型可以对自身语言子空间中的部分知识形成很高的掌握程度。换言之，在它熟悉的语言子空间里，它给出的答案往往比这个子空间里的大多数人都准确。

我们把刚才的二维投影加上一条 $z$ 轴，用高度表示某个实体对该位置的掌握程度，就得到如下的三维地形图：

上图中的虚线圈出子空间的边界，高度则表示掌握程度。为了比较两者的差异，图中将二维投影面积画成相同大小。左边是一个人：在多个领域各有一些积累，因此形成若干不高的小峰，中间夹有平地和低谷；右边是一个语言模型：其熟悉的子空间内存在一座极高、极陡的主峰，越过这一范围后高度迅速下降。

因此，这里始终有两个概念需要区分：边界围出的是二维投影面积，地形的高度表示该位置的掌握程度。 语言模型可以在既有子空间内形成很高的掌握程度，但这并不等于子空间大小随之增加。

语言的存量与流量

有了子空间大小之后，就可以回到最初的问题：互联网上的内容究竟是在收敛，还是在发散？

事实上，互联网内容的数量持续增长，与人类已知语言子空间大小停止增长可以同时成立，因为前者统计的是点的数量，后者观察的是这些点共同占据的范围。

$C(t)$ 随时间变化，于是可以进一步区分两个量：

• 存量是 $C(t)$ 本身，也就是人类已知语言子空间的大小。
• 流量是子空间大小的增速 $F(t)=C^{\prime}(t)$，也就是单位时间内新拓展的、此前没有任何实体到达过的语言空间。

于是，语言空间是否收敛应由 $C(t)$ 是否存在有限极限来判定：

$$ \text{收敛} \iff \exists\, C_{\mathrm{max}} \lt \infty,\quad \lim_{t \to \infty} C(t) = C_{\mathrm{max}} $$

也就是说，如果 $C(t)$ 最终趋近一个有限值，人类已知语言空间就发生收敛。在本文使用的平滑模型中，此时流量 $F(t)$ 也会逐步趋近于零。反过来，流量趋近于零本身还不足以保证收敛；本文的预测还包含一个前提：未来各期新增的语言空间之和有限。

这里要特别说明一点：收敛不等于归零。 $C(t)$ 是累积量，它只会停止增长，不会退回原点。

由于总流量来自三部分——人类实体、语言模型与 Agent——下面分别讨论它们如何影响人类已知语言空间。

$$ F(t)=F_{\mathrm{human}}(t)+F_{\mathrm{LM}}(t)+F_{\mathrm{Agent}}(t) $$

这里的三项按照新知识的来源划分；语言模型或 Agent 的输出只有经过确认并进入公共表达之后，才会计入 $\Omega(t)$。

三、语言模型与 Agent呈现出两种不同的流量

模型接触的是现实世界的投影

本文所说的语言模型，指的是不调用工具、不接收外部环境反馈，只根据已有上下文预测后续 token 的模型。它通过拟合人类知识产物进行训练，接触到的不是现实世界本身，而是现实世界在人类语言上的投影。

因此，语言模型可以在既有子空间内部组合和插值，生成训练集中从未出现过的句子；但字面上从未出现，不代表语义上走出了人类已知语言空间。

在本文的核心前提成立时，三者的包含关系可以写成：

$$ \mathcal{L}_{\mathrm{LM}}(t) \subseteq \mathcal{L}_{\mathrm{human}}(t) \subseteq \mathcal{L}_{\mathrm{all}} $$

公式中的三项依次表示语言模型子空间、人类已知语言空间与全体语言空间。语言模型可以增加既有范围内的内容，却近似不改变人类已知语言空间的边界。

由此需要区分两个概念：

• 语言模型可以在既有子空间内具有更高的掌握程度——同一类问题被理解得更充分、回答得更准确。

• 人类已知语言空间也可以得到拓展——边界之外的内容第一次被认识并表达出来。

而目前的语言模型主要做的是前者。

上图中的深色部分表示新增内容。左图中，子空间的边界保持不变，新增内容全部落在既有范围内部，因此只增加了内容数量；右图中，新增内容出现在原边界之外，从而拓展了人类已知语言空间。两者都可以被称为「生成了新内容」，但只有后者增加了子空间大小。

子空间大小的趋势

在区分存量与流量，并说明语言模型主要在既有子空间内部增加内容之后，就可以把本文预估的趋势画出来：

上图的纵轴为人类已知语言子空间大小 $C(t)$，横轴为时间。圆点表示曲线由加速增长转向减速增长，虚线则表示增长不发生转向时的趋势。

这是一张趋势示意图，而非历史数据的统计拟合。史前时代缺少稳定的文字载体，表达难以跨代沉淀；古代社会开始积累知识，但速度受到识字人口与复制成本限制；印刷术、工业革命与信息时代则扩大了表达者数量和传播速度，使子空间大小进入加速增长阶段。

在未来，当语言模型加入后（再次强调，不是Tool-use Agent），如果人类贡献的流量持续下降，而 Agent 又未能补足这部分下降，就会进入第四阶段：子空间大小从加速增长转为减速增长，人类已知语言空间从加速拓展转向逐步收敛。

人类与 Agent 如何贡献流量

人类已知语言空间之所以能够不断拓展，依靠的是与现实世界的交互。

事实上，风靡一时的强化学习模仿的正是这一过程：人类在环境中执行操作，现实世界与其他人类给出反馈，反馈改变认知，认知随后被外化为新的语言表达。举例而言，材料科学家在实验室中，通过一系列的失败实验获得反馈，在一次实验中，最终发现了一种全新的材料并获得了奖励。由此，人类的语言（也就是知识）边界便被拓展。

人类语言正是在这一过程中持续演化。相比之下，如果语言模型只对既有人类知识产物做统计拟合，那么它所占据的子空间就很难突破训练数据已经划定的边界；这正是本文所讨论的泛化边界。

这里也说明了语言模型与 Agent 的根本差异：语言模型只能处理已经进入上下文的内容，而 Agent 可以调用工具、执行动作并接收环境反馈，因此有机会获得既有人类知识产物中不存在的新观测。

还是以实验场景为例，假设一个 Agent 控制实验设备，自动改变实验条件，并观察到一种此前未知的现象；如果这一现象能够被复现实验验证，再被 Agent 或人类表达为新的概念，那么它就和科学家的实验发现具有相同结构：现实世界提供新反馈，反馈形成新知识，新知识进一步拓展人类已知语言空间。因此，语言模型难以贡献流量，并不等于 Agent 也无法贡献流量。

上图将这条反馈链画成了一个实验现场：已有文献提供起点，现实环境给出新的反馈，经过验证的结果最终又被表达为新的知识。

即使 Agent 只在数字沙盒中行动，沙盒也不构成绝对约束。比如，虽然围棋规则由人类制定，但 AlphaGo 产生过此前没人走过的棋路；Conway 设计了生命游戏的规则，却没有预见其中的滑翔机和图灵完备性。沙盒约束的是公理，并不是全部推论。

Agent 能否拓展的边界，取决于环境与奖励

Agent 能否真正贡献流量，取决于环境能否提供新信息，以及奖励能否区分「新发现」与「错误」。如果 Agent 只是在已有网页中搜索，它仍然主要重组人类知识产物；如果它能够获得新观测，并以实验复现、程序验证或物理结果作为奖励，就可能拓展人类已知语言空间。

对于语言模型和只使用人类偏好奖励的 Agent，原来的限制仍然存在：什么样的回答更好，最终需要由人类或拟合人类偏好的奖励模型判定。一个真正落在人类已知语言空间之外的输出，对于既有评价体系而言，往往和错误无法区分：两者都表现为陌生、低概率，并且难以获得正向评价。

换言之：

如果奖励只来自人类偏好，那么要求系统走出人类已经占据的语言空间，与要求它严格对齐人类偏好，在目标上存在内在张力。

由此得到更进一步推论：在当前训练范式下，语言模型可以对既有子空间中的知识形成很高的掌握程度，却很难稳定拓展人类已知语言空间，因此其语言空间流量近似为零；能够接触真实世界、获得新观测并接受客观验证的 Agent，则贡献非零流量。

四、人类贡献的流量在趋零

虽然 Agent 可能成为新的流量来源，但现阶段，人类与现实世界的交互仍然是拓展语言空间的主要方式。人类贡献的流量却在下降，原因有二：强语言模型改变了人类创作的意愿，也削弱了记录的必要性。除此之外，语言模型的产量还改变了人类原创内容的占比。

意愿：知识变得廉价

本文所说的强语言模型，是指生成质量已经超过大多数人类的语言模型。在它们出现之前，人类写一篇有洞见的长文需要查资料、解决问题，并形成自己的判断。

然而，强语言模型同时降低了所有人的写作成本。 一篇结构完整、术语准确、逻辑通顺的文章，已经很难证明作者究竟是钻研多年的从业者，还是刚接触这个领域的初学者（比如本文，但事实上，本文由作者本人撰写）。

以我所在的领域为例，很多程序员过去常撰写博客，一方面是为了展示自己的技术积累、与同行交换观点，另一方面也是为了总结工作过程。当文章无法继续证明这些内容确实来自作者本人时，创作者通过文章展示个性、独特观点与解决方案的意愿自然会降低。

上图是一张概念示意图。深色曲线表示真正理解该领域的作者，浅色曲线表示缺少相关积累的作者。过去，两类作者的文章质量相距较远，文章可以传递作者水平的信号；引入强语言模型后，两种分布高度重叠，文章仍然流畅，但信号的区分度下降。

面对此情景，在创作者有两种方向相反的选择：

1. 一部分人会涌入。 当产出成本已经下降、评价体系却尚未完成调整时，时间差就构成了套利空间。具体而言，论文曾经能够带来经济与声望收益，而语言模型又显著降低了写作门槛，因此创作者会倾向于在评价体系修正之前增加论文产量。
2. 另一部分人会退出。 对于原本希望借助论文、博客展示技术积累的人而言，既然文章无法继续证明内容来自本人，继续公开写作的收益就会下降。比如，罗福莉就曾公开坦言，她已经很少看学术论文了。

第二个机制是记录的必要性正在减弱。

过去，很多人愿意公开文章，是因为自己在查阅大量资料、反复尝试之后才解决了一个问题，因此希望记录过程并总结结论。写作在这里是理解的副产品：作者必须先真正理解问题，才能把它表达出来。现在，越来越多的问题可以通过一次提问直接获得答案；当解决过程不再要求使用者深入理解时，记录与分享这一过程的必要性也会下降。

这就好比一个人如果解开一道世纪数学难题，当然会发表论文公布解决方案；但如果只是完成一道小学算术题，就没有必要为此专门撰文。语言模型与检索型 Agent 的作用之一，就是把大量原本需要专门记录的问题，通过自主搜索变成可以被直接回答的问题。

产能：人类正在被产量淹没

无论激励如何变化，始终有人愿意创作。因此，还需要考察一个不依赖心理动机的因素：人类与语言模型之间悬殊的内容生成速率。这种差距也不限于文字，语言模型生成的图像、音频和视频同样在增加既有子空间中的内容数量。

不仅如此，这种内容生成能力正在从数据中心下沉到每一台终端设备。

目前，部分 7B–32B 模型已经在若干公开基准上超过早期的 GPT-3.5 Turbo。随着模型压缩与训练效率提升，语言模型会进一步下沉到手机、个人电脑和嵌入式设备；一旦这些设备持续生成内容并回流互联网，总体内容生成速率将远超人类创作。

这里还有一个容易被忽略的细节：模型小型化通常依赖蒸馏，即让小模型学习大模型的输出分布。因此，小模型并不是一个完全独立的语言实体，其子空间在很大程度上受教师模型约束。

回到前文的二维投影：小型化通常不会自然产生一个独立的新子空间，而是把已有子空间复制到数十亿台设备上。人类已知语言子空间的大小变化有限，内容数量却会快速增长。

由此还会带来两个后果。

其一，内容生成的最后一道速率限制将被取消。 过去，大规模生成依赖数据中心，既存在算力成本，也只有少数几家可追责的组织；当生成发生在每一台终端上时，总体产量就不再受单一服务商限制。

其二，内容来源将变得更难追溯。 对 AI 内容添加水印依赖生成方主动配合，而在开放权重与本地部署的条件下，任何人都可以移除标记或使用不附带标记的模型。因此，仅依靠模型侧水印很难形成可执行的统一标准。

人类原创内容本身正在变成长尾

这里所说的长尾，不再指小语种、边缘学科或非主流技术栈，而是指未来互联网内容的来源分布。由于语言模型的内容生成速率远高于人类，模型生成内容会占据数量上的头部，人类原创内容则会逐步退到尾部。

如果把某一时期新增的互联网内容按照来源与数量画成散点分布，大致可以得到如下形状：

上图中的每个点表示一份新增内容。数量庞大的模型生成内容形成密集的头部，数量较少的人类原创内容则形成稀疏、细长的尾部。这里的长尾只描述两类内容在数量上的相对占比。

如今在互联网上看到人类的原创内容，读者常常会有他乡遇故知的感慨。

五、加速度的拐点

综上，Agent 虽然可以贡献流量，但至少在可见的未来，仍不足以抵消人类流量的下降，也没有形成能够长期维持的稳定新增量。原因有两点：

1. 真正与现实环境交互、而非只在网页中检索的 Agent 数量很少，每次运行能够产生并通过验证的新知识也很有限；
2. Agent 的现实交互需要工具、环境、时间与资本，运行成本远高于一次普通生成。

在这一前提下，本文仍然预估：人类语言空间的总流量将趋近于零，未来新增流量之和有限，存量 $C(t)$ 则逐步逼近一条水平渐近线。 Agent 目前只能减缓这一过程，还不能逆转它。

如果把前文子空间大小曲线的导数单独画出，这一变化会更加直观：

上图中的流量 $F(t)=C^{\prime}(t)$ 表示单位时间内新增的语言子空间，是子空间大小曲线 $C(t)$ 的导数。工业革命之前，流量维持在较低水平；工业革命之后快速上升并达到峰值；未来则逐步回落。流量趋于零不代表既有子空间缩小，只表示人类已知语言空间不再拓展。

流量下降不代表互联网内容变少。恰恰相反，内容还会越来越多，只是其中绝大多数来自对既有人类知识产物的提取、重组与重新发布。数量在增长，边界却没有按同样的速度拓展。

换言之，当前大多数语言模型和检索型 Agent 都在消费人类过去积累的知识产物，却没有以相应速度拓展语言空间的边界。网页、论文和图像并不会因此消失，但已有知识被反复加工，边界之外的新知识却没有以相同速度产生。

物理学中的热寂可以类比这种终局：能量依然存在，但因为没有温差，再也无法做功。语言空间也是如此，存量仍在、内容更多，只是边界不再拓展。Agent 在理论上提供了出口，但以目前的使用规模、知识产量与运行成本，还不足以改变结局。

上图中，填满房间的书架和终端代表仍然丰富的存量，通往现实世界的门则代表人类与 Agent 仍可能带回的新观测。

六、未来的三个推论

推论一：个体受益与集体停滞

强语言模型当然对个人有价值：过去需要学习数年才能建立的知识框架，现在通过几小时的对话就能获得；写文章、查资料和整理思路也都变得更快。

但个人普遍受益，与人类语言空间停止拓展并不矛盾。平均水平的提高并不等于边界拓展；只有当内容落在既有边界之外时，子空间大小才会增加。强语言模型抬高了每个人的下限，却也把更多人拉向相近的答案；均值提高了，边界未必移动。

推论二：稀缺性重新回到人本身

当一种生产要素变得廉价，价值就会转移到仍然稀缺的互补要素上。知识获取变得廉价之后，稀缺的东西至少还有四种：信任、分发与注意力、品味，以及责任。 语言模型能给出答案，却不能替代人决定什么问题值得回答，也不能为后果负责。人与人的连接因此会变得更重要。

推论三：效率重新分层

在同一个群体内部，熟练使用 Agent 的人彼此之间的工作效率会迅速接近；与此同时，使用 Agent 与不使用 Agent 的群体之间，效率差距却会显著扩大。

上图的纵轴表示工作效率。左图中，五个人分布在三个层级，相邻层级之间的差距大致相同；右图中，使用 Agent 的三个人被整体抬升并相互靠近，而未使用 Agent 的两个人保持原位。结果是组内差距缩小，组间差距扩大。

七、结语：从解释到作证

如果人类语言空间的流量来自与现实世界的交互，那么个人写作最重要的价值，就不再是重复解释已有知识，而是记录只有你在场才能获得的信息。

强语言模型可以把教程写得更清楚，也可以把综述整理得更全面；但它不知道那次线上事故从告警到定位的完整现场，不知道那个只在你机器上复现的缺陷，也不知道一组实验为何连续失败了十七次。这些事实还没有被表达，因此也不在语言模型的训练世界里。

Agent 提供了另一种可能。只会搜索网页的 Agent 仍然停留在既有知识里；真正接触传感器、实验设备和现实环境的 Agent，则可能像人一样把新的事实带回语言空间。

然而，Agent 运行一次还需要大量时间、资本和环境成本，因而产生的可验证新知识还很少。与此同时，语言模型几乎可以零成本地批量生成内容，使内容数量与边界拓展进一步脱钩。Agent 可以拓展边界，却还无法改变语言空间走向收敛的趋势。

综上，作者认为人类的语言空间正在收敛。