如今，思维链（CoT）已然成为前沿模型的标配。其机制并不复杂：用户提一个问题，模型会先输出一大段内部推导过程（有时候长达几千个词），然后才给出正式答案。
然而，随着模型能力的提升，思维链也越来越长，成本也就水涨船高，越来越贵。社交网络上，我们经常能看到 AI 重度用户望账单而兴叹，悲钱包之空瘪。
Claude Fable 5 发布后，前沿模型的使用成本更是惊人，以至于让一些用户发出了感叹：「只有开赌场和搞诈骗的才用得起」。
但是，或许，这条不断提升思维能力的路可能本就走错了方向。
近日，一篇来自谷歌 DeepMind 的论文《Transformer 的拓扑麻烦》以一个看似简单的问题，撼动了整个行业的底层逻辑：Transformer 架构本身，就不擅长追踪状态；而「思维链」不过是在给这个结构性缺陷打补丁。
论文标题：The Topological Trouble With Transformers
论文地址：https://arxiv.org/abs/2604.17121
值得注意的是，这篇论文的第一作者 Michael C. Mozer 是 DeepMind 的研究科学家，也是循环神经网络领域的资深研究者。他在 1991 年就提出了处理多尺度时序结构的循环网络模型，并在整个 1990 年代深入研究过 RNN 的梯度消失问题。正是这些工作，在当年埋下了 LSTM（长短期记忆网络）诞生的伏笔。
几十年后，他重新审视这个问题。这一次，他的对手换成了主宰整个 AI 时代的 Transformer。
Transformer 为何如此强大，又有何隐患？
要理解这篇论文，先得明白 Transformer 是如何工作的。
原初 Transformer 架构
我们可以想象一座图书馆。每次有人提问，图书馆员不会「记住」之前说过什么，而是把所有对话记录摆在桌上，重新翻阅一遍，然后作答。
这就是 Transformer 的核心策略：把整个对话历史都装进「上下文窗口」，通过「注意力机制」检索过去的信息。这个策略非常有效：它绕开了早期循环神经网络（RNN）难以记住远距离信息的老问题，并由此催生了 GPT、Claude、Gemini、DeepSeek 等一系列大模型。
但这个策略有一个根本性的缺陷，论文称之为「状态追踪（State Tracking）」问题。
所谓状态追踪，是指在对话或推理过程中，模型需要维护一个不断更新的「内部状态」，比如对话进行到哪一步、当前场景里哪个人在哪里、一道逻辑题现在推理到哪个环节。
人类在思考时，这种追踪是自动完成的，往往无需刻意思考。但对于 Transformer 来说，每整合一条新信息，这个「内部状态」就必须被推送到网络更深的层次，而网络的深度是有限的，一旦耗尽，模型便无法继续可靠地追踪状态。
论文用一个直观的比喻解释了这一点：把 Transformer 想象成一栋楼，信息从底层流向顶层。每处理一个新输入，模型的「状态表示」就得搬到更高一层。楼层不是无限的，搬到顶了，就搬不动了。
「思维链」是个变通，但非解决方案
论文中，谷歌 DeepMind 的作者们用了几个令人印象深刻的例子，展示了 Transformer 的状态追踪失效有多么日常。
第一个例子，是让模型扮演「猜数字」游戏：由模型心里默想一个 1 到 100 之间的数字，用户来猜，模型只回答「更大」或「更小」。这个游戏的关键在于，模型必须始终记住自己想的那个数，并对每次猜测给出一致的反馈。然而，论文展示了 Gemini 3（Fast）的失败：
用户猜 60，模型说「更小」；用户猜 41，模型说「更小」；用户猜 70，模型却说「更大」——前后矛盾，破绽立现。
更耐人寻味的是，即便是加入了「思考」模块的 Gemini 3 Thinking，也出了岔子。模型在思考阶段明确写下「我选定了数字 42，60 比 42 大，所以应该回答更小」——但当用户猜 42 时，模型依然回答「更小」，等于忘了自己刚刚说的话。
第二个例子，则是经典的「河岸还是银行？」歧义测试。同一个英文单词「bank」，可以是河岸，也可以是银行。模型在第一轮正确判断弗雷德去的是河边，但第二轮被问到「他那里有没有 ATM 机」时，却改口说「有，大多数银行旁边都有 ATM」。前后矛盾，毫无察觉。
这不是偶发的「幻觉」，而是架构性缺陷的必然结果。论文通过神经网络可解释性工具 Patchscopes 观察到：模型对「bank」的语义消歧，发生在网络第六层（较深位置）；但当模型处理后续输入时，浅层（第 1 至 5 层）根本「看不到」这个消歧结果，只能基于粗浅的词频关联（「银行」→「ATM」）给出反应。
状态确实被更新了，但更新的结果埋得太深，后续处理无法访问。
目前主流的解决方案「思维链」的原理，是让模型把那个埋得很深的状态「打印出来」，变成可见的文字输出，再重新读入。这样，深层信息就被「搬运」到了新一轮处理的表层。
这确实有效，但代价也大：大量计算被用于输出这些「中间思考」，上下文窗口被大量占用，推理成本随之飙升。
对此，论文中表示：「对于人们自动完成、毫无意识的推断，比如判断一个词的含义，根本不需要诉诸繁复的外显思考。」
如何解决：重新拥抱「循环」
论文的核心主张是将研究重心从「外显思维链」转向「隐式激活动态」。换言之，用循环（Recurrent）架构来替代或补充当前的纯前馈（Feedforward）结构。
论文为此建立了一套分类体系，将各类「循环 Transformer」按两个维度划分：循环发生在哪个轴（深度方向还是序列方向）、每个循环步骤处理几个输入词。
在「深度方向循环」上，研究者们已探索出「循环 Transformer」（Looped Transformer）、「通用 Transformer」（Universal Transformer）等架构，允许同一组网络层被反复使用。但论文指出，深度循环依然没有解决根本问题：状态表示仍然会随着序列增长而被推向更深层，只是慢了一点。
真正能做到「无限期状态追踪」的，是沿序列方向的循环，即每处理一个新输入，都将前一步的状态向量显式传递进来。
这与传统 RNN 的做法一脉相承，但结合了现代注意力机制的优势。论文列举了 MAMBA、RWKV-7、DeltaNet 等状态空间模型（SSM）和线性注意力架构，认为它们代表了这条路线的最新进展。
特别值得关注的是 DeltaNet 的改进版本：通过将特征值范围扩展至负数，它在保留并行训练优势的同时，实现了超越标准 Transformer 的状态追踪能力，并在大规模语言建模测试中展现出竞争力。
论文还提出了几个前景看好的研究方向：在更粗粒度上引入循环（例如以句子为单位而非词元）；利用残差连接带来的表示对齐来降低循环训练成本；以及分阶段训练策略——先用标准前馈架构预训练，再引入循环机制进行微调。
下一代大模型，需要会流动的记忆
「思考」这个能力，如今已成为顶级 AI 产品的标配卖点。但论文给出了一个清醒的提醒：现在的「思考」，更像是用语言在黑板上演算，而不是真正的内心动态。
一个人读一本小说，不需要每翻一页就把前面发生的事「朗读出来」，才能记住故事线索。这种背景性的、流动的状态维护，对人类来说几乎是零成本的。
而大模型现在做不到这件事。
论文的结论认为，下一代基础模型必须超越「反复检索历史文本」的策略，转而构建「流动的、持续演化的现实表示」，横跨多个时间尺度。这不只是效率问题，而是通向真正稳定、连贯的长时认知的必由之路。
从 Transformer 的「记忆检索」到真正的「状态维护」，这条路还很长。但现在，有人已经看清了地图上那道弯。
© THE END
转载请联系本公众号获得授权
投稿或寻求报道：liyazhou@jiqizhixin.com
