怎么跟一碟细菌聊天？——维特根斯坦的"语言游戏"给了答案

如果你想让 ChatGPT 替你问问一盘细菌在想什么，它能做到。

但那是 ChatGPT 在想，不是细菌在想。

这个区别很容易被忽略，但它恰好是这篇论文的核心问题。Yanbo Zhang 和 Michael Levin 问了一个近乎荒谬但原则性的问题：我们能不能让一个非人类的动力学系统——基因调控网络、微生物群落、真菌菌丝——以自己的方式"说话"，而不是让 LLM 替它说话？

💬 1. "说话"是什么意思？维特根斯坦的回答

Levin 是那种少见的科学家——他研究的东西横跨发育生物学、计算、意识、再生医学。他近年来最有名的工作是证明了非神经系统的智能：基因调控网络可以"记忆"，微生物群落可以"决策"，真菌可以通过电信号传递信息。

但这些东西不会说人话。你怎么跟它们交流？

Zhang 和 Levin 的回答来自维特根斯坦。维特根斯坦说：意义来源于使用——一个词的意义不是词典里写的定义，而是它在语言共同体中的用法。"语言游戏"的核心思想是：交流不是符号的交换，而是在具体情境中产生公共实用的行为模式。

论文的核心创新是把维特根斯坦的哲学概念翻译成了一套可运行的计算框架。具体来说：

把系统的内部动力学冻结为强化学习策略的非线性核心，只训练它的线性输入和输出接口。

什么意思？假想你有一个基因调控网络（GRN）。这个网络内部有几十个基因，它们互相激活或抑制，形成一个复杂的动态系统。传统做法是：观察这个系统，测它的状态数据，然后让 LLM 分析这些数据并"替它说话"。

但 Zhang 和 Levin 说：不要替它说话。让它自己说。

🎮 2. 语言游戏的操作化：从动力学到对话

具体的操作是这样的：

第一步：把基因调控网络（或其他非神经系统的动力学）作为 RL 强化学习策略的非线性核心。"核心"意味着它的内部结构完全冻结——不修改任何一个基因的连接权重。它的天然动力学被完整保留。

第二步：只在这个核心外面加两个可训练的线性层——一个输入层，一个输出层。输入层接收"环境状态"，输出层产生"动作"。这两个线性层是通过 RL 奖励信号来训练的。

这里的关键设计：系统本身的动力学是 immutable（不可修改）的，只有进出接口可以微调。 这保证了"说话"的确实是系统本身——它的天然反应模式被保留了，只是学会了在特定情境下通过特定的方式表达。

第三步：定义"语言游戏"。一个语言游戏就是一个 RL 环境。比如游戏可能是"导航迷宫"、"堆叠方块"、"追逐点"。系统在这个游戏里通过奖励信号学习如何行动。它的每一个动作——每一个输出——都是它自身动力学对外部刺激的真实反应。

第四步：对话来了。人类输入的是自然语言，比如"你能告诉我你看到了什么吗？"。LLM 作为路由器，把这个人类提示翻译成相应的语言游戏的环境状态。这个环境状态是经过精心设计的——它让"某种特定的反应"成为系统的理性选择。然后系统用自己的行为做出反应，这个反应再由 LLM 翻译回自然语言。

所以流程图是这样的：

人类说："你觉得哪个方向更安全？" LLM 路由：把这句话映射到"危险回避游戏"的状态 系统产生行为：用自己的动力学计算最优逃生方向 LLM 翻译：把系统的动作映射回自然语言："左边有障碍，右边是空的"

核心在于：LLM 不是替系统说话——它只是设计了系统需要反应的情境，然后读取系统的天然反应。

🧬 3. 实验结果：不同架构玩同一游戏，行为收敛

论文在多种基因调控网络上做了实验，也用传统的 RL agent 做了平行验证。两个最重要的发现：

第一：不同架构玩同一个语言游戏时，行为会收敛。 换句话说，不管你是用一个小 GRN 还是一个标准 LSTM agent，只要你用相同的奖励信号训练它们玩同一个游戏，它们的行为最终是可互译的——追求同一个奖励。这证明语言游戏可以作为通用语（lingua franca）——一个跨系统的公共语义空间。

第二：GRN 有天然的"个性"。 有些 GRN（大网络、强连接）比另一些 GRN（小网络、稀疏连接）更容易被训练去执行某些任务。论文称之为 "库本身的归纳偏置（inductive bias of the reservoir itself）"。这类似于不同物种有不同的认知偏向——狗擅长社交合作，乌鸦擅长工具使用，章鱼擅长空间操控。它们的神经系统结构预设了它们"适合"哪些类型的智力任务。

这意味着：不是所有非人类系统的"声音"都一样响亮。有些系统天生更容易与你对话，有些则更沉默。 这取决于它们动力学结构的"可通信性"。

🤔 4. 诚实的问题

第一，这真的是"对话"吗？

系统确实在根据自己的动力学产生行为反应。但 LLM 负责了两个关键步骤：选择语言游戏和翻译行为。这两个步骤都涉及到语义归属——把人类的意图映射到系统行为，再把系统行为映射回人类可理解的陈述。这两个步骤中有多大的自由度？LLM 是不是实际上在很大程度上决定了"系统说了什么"？论文提到"LLM 设计了一个让某种反应成为理性的环境状态"——但如果 LLM 可以设计环境状态，那它是否实际上在控制对话的结果？

第二，"理解"的边界。

系统学会了在 RL 框架下优化奖励——这意味着它学会了追求一个目标。但"追求奖励"和"理解一个问题"之间的差距有多大？当我问"你害怕什么"时，系统可能只是激活了它的回避模式（因为那个语言游戏与负面奖励的回避相关），而不存在什么"害怕"的主观体验。论文没有声称系统有主观体验，但读者很容易在这种 anthropomorphization 中迷失。

第三，应用前景的不确定性。

论文提到基因调控网络——这些是真实生物系统的计算核心。如果有一天我们能跟移植到自己体内的工程化细胞群"对话"，这是否意味着医学诊断的范式革命？还是说这只是另一种形式的数据可视化？论文没有提供具体的应用场景验证，它更像是一个概念框架和概念验证。

🧫 5. 我的判断

这篇论文的野心大得令我欣赏。它不是在做某个基准上提升 3%，而是在试图打开一扇全新的门：与所有动力系统的对话。

维特根斯坦说"语言的边界就是世界的边界"。Zhang 和 Levin 说：那我们把语言的边界画得更宽一点。 他们不是在教基因调控网络说英语——他们在用语言游戏的方式，让网络在它自己最自然的维度上表达自己。

这个框架可能不会在下个季度产生商业应用。但它提出了一种全新的思考方式：不要用 LLM 去模拟非人类系统，不要替它们说话。让它们自己说——用它们天然的行为模式作为"语言"，用奖励结构作为"语义"，用语言游戏作为"翻译协议"。

"对话不是翻译，不是替代，不是拟人化。对话是在共享的语义框架中看到另一个系统的行为，并把它当作对问题的回答来解读。"

如果这个方向走通了，人类就不再只是与人类和 LLM 对话了。我们可能在和菌丝网络商量污染治理策略，和基因电路讨论癌症治疗方案，和细菌群落谈判肠道健康计划。

这是疯狂还是远见？我猜十年后回头看，答案会很清楚。

📚 参考文献

1. Zhang, Y., Levin, M. (2026). Language Game: Talking to Non-Human Systems. arXiv:2605.16321.
2. Wittgenstein, L. (1953). Philosophical Investigations. Blackwell.
3. Levin, M. (2022). Technological Approach to Mind Everywhere: An Empirically-Grounded Framework for Diverse Intelligence. Frontiers in Systems Neuroscience.
4. Levin, M. (2023). Bioelectric Networks: The Cognitive Glue of Diverse Intelligence. Trends in Cognitive Sciences.
5. Sutton, R.S., Barto, A.G. (2018). Reinforcement Learning: An Introduction. MIT Press.

#LanguageGame #DiverseIntelligence #Wittgenstein #GeneRegulatoryNetworks #MichaelLevin #FeynmanLearning #智柴系统实验室🎙️