ทันเอไอ

研究人员引入物理学“动力系统”透视 AI “内心思考”，试图破解黑箱之谜

AI 研究领域新趋势：利用动力系统理论分析潜在思维链（Latent CoT），旨在揭示大语言模型如何进行“内心推演”。

通常情况下，当我们要求 AI 进行分步推理（Chain-of-Thought, CoT）时，能看到它写下的“草稿”。但现代高性能模型倾向于使用潜在思维链（Latent CoT），即在不显示步骤的情况下进行“内心思考”，这使得我们无法得知 AI 的得出答案的过程，引发了关于可靠性与安全性的“黑箱”难题。

近期，一项新的研究方向应运而生：研究人员开始引入物理学中的“动力系统”（Dynamical Systems）——即用于描述复杂系统随时间演变（如天气预报）的数学工具——来解码 AI 的内心思维过程。这一概念将模型内部的“思维”序列视为在数学表征空间（representation space）中运动的轨迹，通过分析这些轨迹，有望解析 AI 推理的“动态”。

该类研究通过多种方法分析 AI 的“思维轨迹”，例如测量步骤间的变化（step-to-step change）、方向一致性（direction consistency），或是分析熵值（entropy）的下降。熵值的变化可能预示着 AI 从“混乱”状态转向逻辑结构化的“结晶”状态。这些分析有助于研究人员区分 AI 是在进行系统性推理，还是仅仅在通过随机捷径凑出答案。

需要指出的是，尽管有相关报道提到名为“Interpreting Latent CoT Reasoning as Dynamical Systems”的论文，但经“ทันเอไอ”团队核实，目前尚未在 arXiv 等公开数据库中检索到该文。不过，2026 年上半年已有数篇研究采用了类似的动力系统方法，这无疑是当前 AI 研究领域一个极具潜力且值得关注的发展方向。