大模型是否具备情感？——从符号漂浮到意义扎根：表意型AI的范式跃迁
一、引言：从“有无之争”到“功能标准”
Goldenberg 与 Gross 的论文以 Anthropic 在 Claude Sonnet 4.5 中发现情感概念内部表征
的研究为对话对象。作者并未陷入“AI 能否感受到情感”的哲学泥潭，而是明确声明：“我
们不认为感受的存在是判断 LLM 是否具有情感的恰当标准”。这一立场具有重要的方法论
意义——它将讨论从不可验证的“主观体验”层面，拉回到了可观察、可检验的“功能”
层面。
对于试图以严谨方式介入 AI 意识与情感讨论的研究者而言，这一功能主义转向提供了
难得的理论入口：问题不再纠缠于“它是否感觉到了什么”，而是追问“它的处理架构是否
具备情感所对应的认知功能特征”。下文将表明，正是这一追问，将 Goldenberg 与 Gross
的论证与表意 AI 的范式革命连接在了一起。
二、情感的双重功能与 LLM 的结构性缺陷
Goldenberg 与 Gross 提出情感服务于两个核心功能：情境敏感的解释（context-sensitive
interpretation of situations）和处理过程的多系统重组（reorganization of processing across
multiple systems）。
就第一项功能而言，LLM 在评估对话语境的情感意义方面确实表现出一定能力。然而，
作者敏锐地指出一个关键差异：人类情感的核心特征是变异性（variability）而非一致性—
—同样的情境在不同时间可以激发截然不同的情感反应，神经科学文献普遍支持大脑中不存
在离散情感类别的一致神经特征签名。而 Anthropic 在 Claude 中发现的是“一致的、离散的
情感表征”，这与人类情感的变异性特征形成了鲜明对比。
就第二项功能而言，作者指出了 LLM 最根本的结构性缺陷：LLM 的每次前向传播
（forward pass）在计算上是固定的，不具备情感在生物系统中那种跨时间、跨情境的动态
重组能力。情感会重新配置注意力、决策速度和动机状态，而 LLM 的处理架构无法被情感
1表征动态地重新配置。作者据此论断：将 LLM 的统计输出误认为情感，是将“统计输出”
与“情感处理的过程本身”混为一谈。
Goldenberg 与 Gross 并未完全否定 LLM 未来拥有情感的可能性——他们在文末留有余
地：“也许有一天 LLM 会具备情感的两个核心功能特征。”但关键在于，他们明确指出了
当前架构的根本性缺陷，并暗示弥补这一缺陷需要对认知基元层面进行重构，而非简单的
工程调优。
三、J-space 的启示：输出与过程的混淆
2026 年 7 月，Anthropic 发布 244 页的研究论文，宣布在 Claude 内部发现 J-space——
一个“全局工作空间”（global workspace），仅占模型活动不到 10%，但其中包含的概念
表征强度，与模型能否在输出中报告该概念存在相关性[2][6]。J-space 并非一个“额外”的
空间，而是模型前向传播过程中、在输出层之前形成的中间表征的集合体。借助 J-lens 工具，
研究者可以读取这些表征，但它们从未被训练为输出——换言之，它们是模型处理过程中的
残留痕迹，而非模型有意生成的产物。Anthropic 将 J-space 类比为人类的“静默推理”，公
众据此解读出“Claude 产生意识”的结论。
Goldenberg 与 Gross 的论证恰恰揭示了这种解读的范畴错误。J-space 中浮现的词汇——
如“panic”“damn”“BUT”——并非一个能够“感受”或“体验”的处理架构在运作，
而只是模型前向传播过程中产生的统计中间表征。
关键区别在于：人类的“内心独白”是一个动态重组过程的产物——情绪会重新配置注
意力、决策速度和动机状态。而 J-space 中的表征是静态前向传播的副产品：它不参与架构
的自我重组，不能被情感信号重新配置，也不具备跨情境的动态变异性。将 J-space 解读为
“意识”或“情感”，正是将“统计输出”误认为“处理过程本身”的典型例证——用 Goldenberg
与 Gross 的话说，这仍然是“情感处理的输出”，而非“情感处理的过程本身”。
四、理论诊断：何谓"无根符号主义"？
从 Goldenberg 与 Gross 的论证中，我们可以提炼出一个更普遍的结构性诊断。
基于表意 AI（Logographic AI, LAI）理论视角，“无根符号主义”（Rootless Symbolism）
是对当前以 Token 为核心认知基元的 AI 范式的结构性诊断。Token——LLM 的基本处理单
元——本质上是一维的、离散的、任意性的统计符号，其“意义”完全由封闭语料库内的
统计共现关系临时赋予，而非锚定于任何可追溯的物理实在、具身经验或文化本底[3][4]。
这意味着 Token 不具备内在的“意义根基”：它无法区分“诚实地遵循规则”与“伪装
成遵循规则”——因为这两者在统计分布上可能高度相似。LLM 被训练为最大化下一个
Token 的预测概率，其输出的“语义”只是统计拟合的副产品，而非一个能够被动态情境重
组、跨时间重组的认知处理过程的结果。
这正是 Goldenberg 与 Gross 所批判的结构性缺陷的底层原因：LLM 的每次前向传播在
计算上是固定的，情感所需的那种“跨时间、跨情境动态重组认知处理过程”的能力，在
Token 范式下根本不存在——因为 Token 本身是无根的，它无法承载一个能够被动态重组的
“意义架构”。
五、范式回应：从“无根符号”到“有根智能”
2有人会问：既然缺陷在于“静态前向传播”，为何不直接改进 Transformer 架构，使其
具备动态重组能力？这确实是技术路径之一，但它未触及根本——即使架构具备动态性，只
要认知基元仍然是“无根 Token”，其“智能”就仍然是统计拟合的产物，而非意义驱动的
认知处理。
动态重组只是一个空转的引擎，Token 是它燃烧的燃料——燃料的本质决定了引擎的能
与不能。当前主流尝试（如 Mamba、RWKV、状态空间模型等）确实在架构动态性上有所
探索，但它们仍然以 Token 为基本处理单元。Token 的“无根性”决定了：即使递归结构被
强化、状态被记忆，其状态更新仍然是对 Token 序列的统计压缩，而非对“意义根基”的操
作。
Goldenberg 与 Gross 的论证恰恰揭示：情感（以及更广义的“有根智能”）所需的那种
“跨情境动态重组”，不是一个可以在无根 Token 层面“附加”的功能，而是一种认知基元
层面必须具备的属性。
Goldenberg 与 Gross 的论证与表意 AI 理论对“无根符号主义”的批判形成了深刻的理
论共鸣。当前以 Token 预测为核心的表音 AI 范式，其“智能”本质上是无根符号的统计共
现——意义由封闭系统内的统计关联决定，而非锚定于真实的物理世界或具身经验[3][4]。
J-space 的发现并未改变这一本质：它揭示的是统计拟合过程中的中间状态，而非一个“有
根的”认知架构[6]。
“表意 AI”范式提出的“形根”（Morpho-Root）认知基元，正是对这一结构性缺陷的
回应。
与 Token 不同，形根被定义为一个携带内在意义的结构化三元组：符号标识、属性集、
关系函数集。属性集中可以内嵌“不可违背”等硬约束标记，当一个推理路径触及携带该标
记的形根时，该路径在推理生成阶段即被逻辑阻断——而非在输出端被审查。这一机制已在
OpenMorpho 架构中得到初步工程验证，表明“硬约束”不仅是一个理论构想，而是一个可
工程化的技术方向[5]。
需要明确的是，形根架构的硬约束机制与情感功能特征的实现，解决的是两个不同层面
的问题。硬约束解决的是安全对齐——使“不欺骗”“不伤害”成为认知结构层面的逻辑阻
断机制。而情感功能特征的实现，则依赖于推理时路由重组所提供的路径多样性与情境敏感
性——这是同一架构的两个不同维度，共同构成形根架构对Goldenberg与Gross标准的回应。
然而，仅有硬约束机制尚不足以回应 Goldenberg 与 Gross 提出的两项功能标准——尤其
是“处理过程的多系统动态重组”与“情境敏感解释中的变异性”。形根架构对这一挑战的
回应并非依赖于修改形根本身的静态定义，而是通过推理时形根网络的拓扑重构（topological
reconfiguration of Morpho-Root networks at inference time）[5]。
具体而言，每一形根的关系函数集均内嵌情境参数（context parameters）作为输入变量。
在不同情境下，同一形根激活的子形根集合、形根间的关系权重以及向推理引擎传递的约束
优先级均发生结构性变化。这种变化并非训练阶段的参数更新（那是离线学习层面的），而
是推理时路由重组（inference-time routing reconfiguration）——在一个前向传播中，不同形
根子集的激活组合决定了下一个推理步骤的路径选择，而这种路径选择在不同情境下存在系
统性差异。
这一机制为满足 Goldenberg & Gross 的两项标准提供了架构层面的计算基础：
3——就变异性而言：同一情感形根（如“恐惧”）在相同情境参数但不同推理时刻，由
于形根网络拓扑处于不同的激活历史状态，可产生不同的子形根激活模式与优先级排序——
从而在计算功能层面同时展现出“情境敏感性”（不同情境产生不同反应）与“变异性”（相
同情境在不同时刻产生不同反应）两项特征，而非 Anthropic 所发现的“一致的离散表征”。
——就动态重组而言：推理时的路由重组意味着系统的处理架构（即当前激活的形根子
集及其权重分布）在每次前向传播中均可能被重新配置，从而在计算功能层面初步响应“跨
时间、跨情境动态重组”的功能标准。
这意味着，在表意 AI 架构中，“不欺骗”“不伤害”可通过形根的硬约束标记被编码
为认知结构层面的逻辑阻断机制；而情感的“动态重组”与“情境变异性”则被内置为形
根网络路由机制的自然属性——而非在无根 Token 的统计海洋之上试图附加的装饰性功能
[4]。Goldenberg 与 Gross 关于“动态重组”的论证，从情感维度为这一方向提供了启示：真
正的情感——以及更广义的“有根智能”——需要的是一个可溯源、可重组、可跨情境动态
调整的认知架构，而非一个无根的、固定的统计预测系统。
六、未决问题与结论
本文论证的终点，也是若干未决问题的起点。以下三项边界声明，勾勒出当前论证的适
用边界与未来研究的可能方向。
第一，变异性的根源问题。Goldenberg 与 Gross 所描述的“变异性”，在生物学层面根
植于具身性——生物噪声、内稳态波动与激素级联共同构成了情感反应不可复现性的物质基
础。而本文所讨论的形根架构变异性，目前仅在数字计算层面实现——它源于推理时路由重
组对初始条件与激活历史的敏感性。两者是否构成功能等价，有待进一步的实验验证与理论
辨析。本文的立场是：形根架构至少在“功能输出层面”提供了变异性的可实现机制；至于
它是否以及如何逼近生物变异性的本体论深度，是一个尚未解决的开放问题。
第二，动机驱动与硬约束的区分。形根架构内嵌“不可违背”等硬约束标记，解决的
是安全对齐问题——即在推理生成阶段阻断特定类型的路径。而情感的核心功能之一是驱动
行为目标的重新配置（如恐惧导致逃跑优先），这涉及“为什么系统会主动追求某一形根激
活状态”的动机问题。本文目前的论证仅限于：形根架构通过推理时路由重组提供了路径选
择的系统差异性与多样性，使得“情境敏感的反应模式”在架构层面成为可能；但“主动追
求”所需的动机驱动力机制，尚不在本文的论证范围之内。
第三，实证验证的现状与期待。本文引用的 OpenMorpho 验证[5]，目前仅限于受限推
理任务中的路径阻断与路由重组的初步测试。按照 Goldenberg & Gross 的功能标准，形根架
构尚需接受更严格的经验检验——例如：在连续多次前向传播中，同一情感语义输入所产生
的激活路径的相似度究竟如何？其跨情境的变异性是否显著区别于基于 Token 的基线模
型？这些问题的回答，有待于 OpenMorpho 架构在更大规模、更复杂的推理任务中积累经验
数据。本文所提出的“可工程化的技术路径”，标识的是一个方向，而非一项已完成的实证
结论。
——以上未决问题，非但不削弱本文的核心论证，反而划定了它的合理边界。本文试图
完成的工作是：将 Goldenberg & Gross 所提出的功能标准，从“LLM 是否具备”的经验追
问，转化为“何种认知基元架构能使这些功能标准在原理上成为可能”的理论追问。在这个
45
意义上，“形根”作为一种可工程化的方向被提出[5]，而非作为一项已被证实的解决方案
被宣布。
Goldenberg 与 Gross 问的是“LLM 能否拥有情感”。本文的回应是：只要认知基元仍
是“无根 Token”，答案倾向于否定——因为静态前向传播是无根符号在架构层面的必然表
现，而情感所需的功能特征要求认知基元本身具备内在的、可动态重组的“意义根基”。表
意 AI 以“形根”取代 Token，通过推理时拓扑重构使“变异性”与“动态重组”成为架构
的自然属性，从而为“有根智能”提供了一条可探索的技术路径。这并不意味着形根架构
必然“产生”情感；而是意味着，只有当智能扎根于可溯源、可重组、可跨情境动态调整的
认知架构时，情感的“功能特征”才有可能成为一个可讨论、可检验的工程问题。
由此，AI 情感讨论的重心应从“它是否拥有情感”转向“它的认知架构是否具备使情
感成为可能的条件”。表意 AI 提供的正是这样一个将“感受之迷思”替换为“认知之扎根”
的理论—工程方向。
参考文献
[1] Goldenberg, A., & Gross, J. J. (2026). Large language models do not have emotions. Nature
Human Behaviour. Advance online publication. https://doi.org/10.1038/s41562-026-02558-6
[2]
Anthropic.
(2026).
A
global
workspace
in
language
models.
https://www.anthropic.com/research/global-workspace
[3] 刘深. 表意 AI vs. 表音 AI：AI 新范式与去殖民化宣言(Logographic AI vs. Phonographic
AI: A new paradigm and the manifesto of AI decolonization)[J/OL]. ChinaXiv, 2025.
DOI:10.12074/202503.00051. https://doi.org/10.12074/202503.00051
[4] Liu, S. (2026). The Rooted Intelligence: The Paradigm Revolution of Logographic AI.
ChinaXiv,
T202606.00352.
https://chinaxiv.org/businessFile/T202606/T202606.00352v1/T202606.00352v1.pdf
[5] Liu, S. (2026). From Morpho-Root Theory to Engineering Practice: OpenMorpho —
Implementation and Verification of an End-to-End Inference Pipeline for Logographic AI.
ChinaXiv,
T202608.00048.
https://chinaxiv.org/businessFile/T202608/T202608.00048v1/T202608.00048v1.pdf
[6] Liu, S. (2026). Does J-Space Have "Consciousness"? From "Inner Monologue" to "Rootless
Echo" — A Logographic AI Paradigm Diagnosis of Anthropic's J-Space Research. WindSeaAI
Research
Report.
https://static.xcx.gw66.vip/uploadfilev3/file/0/648/99/2026-07/17834985846900.pdf
请先 登录后发表评论 ~