最近几个月，朋友圈里聊得最多的，是"具身智能要来了"、“语言模型要到头了”、“下一波技术革命已经脱离文本了”。

身在业务，我其实不太关心学术圈今天又发了什么论文，也不是要跟谁在显卡密度上比拼。

可是语言模型在企业业务里的表现，确实慢慢露出了"天花板的影子"：越做越多的微调，越堆越大的提示词，越复杂越难的 RAG 管线……效果提升变得极慢，成本却蹭蹭往上走。

今年行业里被戏称为 Agent 元年，民间甚至流传一句话：“工程优化没啥用了，不如等模型升级。“但体感上发现，模型升级仍在发生，但惊艳越来越少，阶跃式提升愈发罕见。

就在这种时候，我想起了尼采。这个喜欢把哲学写成炸药包的人，曾经无数次提醒我们：语言不是世界本身，语言只是世界的影子。我们越相信语言，就越容易忘记这一点。

于是我想试图用尼采的视角，做一个思维实验：语言模型的边界，是不是语言本身的边界？而当前 AI 的新的探索方向，又是不是在突破语言的围墙？

尼采在《论真理与谎言》里说过一句特别好的可以用来解释 LLM 的话：人类在语言里生活得太久，以至于忘了语言只是隐喻，而不是现实本身。这句话如果搬到今天，就是：大语言模型并不是"理解”，它只是在影子里跳舞。

当然，影子跳得很漂亮，跳得像是理解。但只要你让它做一点跨影子操作——比如把语言映射进真实动作、真实环境、真实物理——它立刻开始露馅。

这不是模型不够聪明，而是语言本身的结构在限制它。语言只能描述那些"已经被分类过的经验”。而世界运转的方式，往往没那么干净利落——摩擦力、偶然性、模糊性、不可描述的感受、没有名字的现象……语言压根没法完全描述。模型再强，它也是在语言的维度里做插值。这一层楼建得再华丽，楼下那片更大的地基——真实世界——依旧没有被触碰。

做业务落地的人都知道一个残酷事实：LLM 很能写，但不太能干。它能生成报告，但不能保证数据精准。它能给你方案，但不能确保流程可执行。它能聊天，但不能对现场复杂性做反应。在结构化、可控、可验证的任务上——模型越大，不一定越稳定。我们像是在用一张"语言滤镜"去看业务流程。很多时候，它能让流程更顺滑；但有些时候，这个滤镜本身就遮住了问题。

尼采会提醒我们：“你把语言当做真理，本身就是最大的误解。“反过来讲：如果语言不是全部，那基于语言的智能，也就不可能是全部。

有人马上会举手：不是早就让大模型"动手"了吗？ReAct、Function Call、Tool-use、ChatGPT 插件商店，甚至 AutoGPT，都在把"说"翻译成"做”。给模型一个搜索 API，它能自己查资料；给它一个下单接口，它真能帮你买机票。

看起来语言模型已经长出胳膊了。但仔细观察，这些"行动"都绕不开两步：第一步，先把工具抽象成一段文本说明书——函数名、参数、返回值，全是语言；第二步，模型依旧只在语言空间里做"下一步该调用哪个函数"的概率选择，真正去拧螺丝、点鼠标、走物理流程的，是外面那层被封装好的小工蜂。

换句话说，模型还是站在玻璃后面，用"语言手柄"遥控世界；手柄再长，玻璃还在。

世界给出的实时摩擦力、阻尼、意外误差，被 API 的返回值阉割成了几行 JSON，再回传给模型。误差被阉割，反馈就失真，下一轮决策就继续飘在语言层。只要系统里出现 API 没覆盖的异常——快递延迟、网络丢包、机械臂打滑——整条链就断给你看。

所以 ReAct 们解决的是"把语言模型连到数字世界的插座”，而不是"让模型长出自己的皮肤去蹭真实世界的粗糙"。插座再多，也替代不了肉身。

这就回到尼采那句老话：语言只是隐喻。API 也是隐喻，而且是更狡猾的隐喻——它让开发者误以为"已经接地"，其实接的是一层薄薄的语义锡箔，一戳就破。

真正难的是下一步：让模型的参数里直接编码"我把杯子摔到地上会碎"的因果，而不是"读到过很多句子说杯子会碎"。前者需要持续的动作–感官–后果闭环，后者只需要文本统计。文本统计再膨胀，也统计不出玻璃碴子的锋利温度。

Yann LeCun 已决定近期离职 Meta，计划创业主攻世界模型。这不是更大的语言模型，而是带因果、带时间、带物理、带行动反馈的智能系统——脱离"语言影子"的智能。

谷歌的 Genie 3、腾讯 HunyuanWorld-Voyager 与伯克利 LWM 等最新发布，也都在尝试实时交互、环境感知和因果推演，可见业界正形成共识：语言模型的极限，就是语言本身的极限；继续堆大模型，功效比会急剧下降。相比之下，如果让模型去"做"，而不是去"说"，它突然获得了一个全新的坐标系：反馈、试错、物理约束、环境复杂性。这是语言模型永远无法从文本中学到的东西。

如果把尼采搬到今天，他很可能会说：“语言模型的伟大，在于它把语言榨干了。”

“语言模型的限制，在于它只能榨语言。“这句话其实能给研发和产品团队一个很务实的启发——把 LLM 当作语言系统，而不是世界系统。

它在抽象思考、文本结构化、文本生成、推理的线性组织、把混乱的信息变得清晰这些地方特别强。但它在面对真实世界的连续反馈、操作性的物理任务、动态、非语言式的信息、完全未知领域的探索这些地方天然弱。

当我们给它布置任务时，如果方式是"给我解释"“给我总结"“给我判断”，它表现得像个天才；但只要任务变成"给我行动"“给我试错"“给我反馈循环”，它立刻掉线。这不是模型的问题，是语言的天花板。

如果说大语言模型是语言智能的珠峰，那下一座山应该叫"世界智能”。

世界模型大概会有几个核心要素：不再只靠文本——开始大量引入感知、动作、物理控制的数据；不再只做概率预测——开始建立因果模型，能够解释、预判、修正；不再只在词和词之间运算——会在"行为和后果"之间运算；不再只输出句子——会直接输出行动策略。

这听起来像科幻，但实际上已经开始发生。未来的模型不是能把论文写得更好，而是能把机器人动作做得更稳；不是更会讲道理，而是更能在真实世界的混沌里生存。

这也意味着另一种边界正在浮现：语言模型不会消失，但会变成"智能系统中的一个模块”，就像嘴巴永远还在，但人类并不是靠嘴巴生存。

尼采的批判提醒我们，语言的力量很大，但它从来不是全部。大语言模型已经把"语言这个维度"极限地挖掘了一遍，我们看到了它的光辉，也看到了它的尽头。接下来要发生的，是"从语言走向世界"的跳跃——具身、因果、行动、反馈、真实物理世界的不可预测性。这是语言描述不了的，但智能必须面对。

在商业世界里，这意味着：语言模型不再是业务全部的解决方案，而是一个高效的子系统。它解决认知层的问题，但执行层、决策层、模型驱动层，必须有新的东西补上。语言像是一束光，照亮了我们理解世界的方式；但世界本身比这束光更辽阔。

如果说 LLM 是语言的极限，那下一步，就是开始重新面对世界本身