当前，大模型解决数学推导、规划决策与复杂问答等任务时，通常采用“思维链”式的逐步文本生成方法：模型需要将推理过程逐句输出为自然语言，再基于这些中间结果推进下一步；这种方式虽然能提升可解释性和可控性，但也存在明显局限：随着推理复杂度增加——生成的中间文本会变得冗长——导致时间和算力成本上升；同时，许多连接词和格式性描述对最终结论贡献有限，却消耗了大量计算资源。更关键的是，逐词生成具有强烈的“路径依赖”特性——一旦早期步骤出现偏差，后续推理容易沿着错误方向延伸，纠错成本较高。 研究人员指出，这个问题的根源在于推理过程被强制语言化：模型必须将中间状态转化为离散的词元序列，再通过这些词元引导下一步状态更新。由于词元是离散的，生成过程倾向于局部最优的贪心选择，难以同时保留多种备选方案。此外，复杂推理往往需要在关键节点进行全局规划，但在逐词生成框架下，关键节点与普通词元的计算权重相近，导致资源分配不够高效。脑科学研究也表明，人类推理时语言加工区域并非持续活跃，推理与表达存在一定分离，这为“先推理、后表达”的技术路径提供了启示。 针对这一问题，Meta研究团队与加州大学圣地亚哥分校联合提出“连续思维链”（Coconut）方法。其核心思想是让模型在连续的隐藏空间中进行多步内部状态演化，以向量形式完成中间推理，仅在需要输出结果时才将关键信息映射为可读文本。这一机制有望带来三上改进：一是减少冗余文本生成，降低推理延迟和算力消耗；二是允许模型在内部保留更多候选推理路径，提升复杂问题的探索能力和容错性；三是增强长链路推理的稳定性，为规划、工具调用等场景提供更高效的推断能力。 业内人士认为，要推动这一技术走向实际应用，还需在工程与治理层面完善以下工作：首先，建立统一的评测体系，综合考量任务准确率、推理成本、时延和能耗等指标；其次，设计可控性方案，通过关键节点摘要、置信度标注等方式确保可追溯性；最后，优化训练策略和部署架构，如渐进式训练、分层推理预算分配等，形成可规模化的解决方案。 随着大模型从对话向规划与执行演进，推理效率将成为应用竞争的关键因素。连续隐藏空间推理实现了“少说多思”的可能性：在相同算力下提升任务质量，或保持质量的同时降低成本。未来，该技术可能与长上下文建模、智能体编排等趋势结合，推动推理从“文本堆叠”转向“结构化计算”。同时，新的研究议题也将涌现，例如如何平衡内部推理与外部表达、如何确保效率与透明度的兼顾等。
当人工智能逐渐突破语言的束缚，我们或许正见证机器认知革命的真正开端。这项突破不仅提升了效率，更引发了对智能本质的重新思考——真正的智慧可能隐藏于那些未被符号化的思维暗流中。正如人类文明因文字而传承——又因超越文字而进步——人工智能的发展也将在突破表达形式的限制后，迎来更广阔的未来。