AI 风云录 2 — 中文 vs. 英文
作者：微信文章如果翻过九十年代的中国初中代数书，再去看美国的代数教材，会有一种奇妙的感觉。中文课本薄薄一本，定义、定理、例题……干净利落，像是把知识拆成了最简元的模块。而美国课本往往厚得像一本砖头，前言叙述、概念铺垫、动机展开、生活化案例，再加几页彩色插图，讲同一个“因式分解”，能绕半天，很多学生在阅读中会变得稀里糊涂。
到了大学，感觉又不同。如果你把 Ross 的《Introduction to Probability Models》和同济大学的《概率论与数理统计》放在一起看，会感到一种语言层面的反差——前者娓娓道来，像教授坐在你对面慢慢讲逻辑；后者则像把框架搭好，剩下的路得靠你自己填。有人喜欢英文教材的耐心，有人偏爱中文教材的锋利，但两者之间的落差，其实来自语言本身。
简单说：对初等数学的学习来说，中文更有优势——因为学生不需要阅读大量文字，而是直接从代数表达中学习。对以理解动机与概念为核心的大学数学来说，英文更占优势。
中文经过两千年的锤炼，像一柄旧剑，在极短篇幅里承载复杂关系；英文则像一根雕刻刀，对概念要求逐层展开，用精准叙述抵达严格逻辑。这种差异放在传统教育上还能互相欣赏，但放进 AI 的训练体系里，就开始产生微妙的后果了。
毕竟，模型之间交流的基本单位是 token。当你让 AI 表达“”，中文可能就是十二三个字，而英文要变成：
中文：三角形两边之和大于第三边。（中文14 个 token）
英文：The sum of any two sides of a triangle is greater than the length of the remaining side. （英文超过20 个）
中文：奇变偶不变，符号看象限。
英文：#@！#%￥#！%！（此处省略70+英文单词）
对用 token 来“计算语言逻辑”的机器来说，这不是小差别，而是一种结构性优势——中文表达密度更高，概念打包更紧凑，让模型以更少的 token 接触到更完整的抽象结构。
但当要求深入推理时，英文却往往提供了更清晰的拆分路径。例如在证明、动机解释、展开逻辑链条时，英文的“啰嗦”反而变成了“显式结构”，让模型更容易跟踪每一个步骤、每一个因果。
于是，各家公司在训练中开始利用不同语言的特长。
例 1：先中文再英文——先压缩结构，再补逻辑细节（以阿里通义的做法为例）
阿里在通义千问早期版本中使用了大量中文百科、教材式内容作为初轮训练材料，目的不是让模型“解释得好”，而是让它先建立基本概念的抽象框架。中文表达密度高，使得模型能在同样的计算预算中“扫过”更多概念。
随后，在推理专项强化阶段，他们加入了英文数学推理数据集（如 GSM8K、MATH），以及大量英文逻辑链条式 QA 数据，用来补齐模型在细节推理上的稳定性。
这是一种“先求快，再求细节”的路径：框架靠中文快速建立，逻辑靠英文慢慢补。
例 2：先英文再中文——先搭逻辑骨架，再训练高密度表达（以 Meta 的 LLaMA 训练策略为例）
LLaMA 系列的预训练语料英文比例很高（约七成以上），因为 Meta 的目标是构造一个推理链条清晰的基础模型，让它理解概念的展开方式、论证范式以及自然科学文献的结构。
但在微调阶段，Meta 又加入了大规模中文指令数据（来自公开开源中文指令集与社区贡献），原因很简单：中文在指令中能以更少 token 表达更多信息，使模型在有限上下文里保留更多内容。例如，一个 32k context 的对话，在中文里可以塞入更多事实与背景。
这种顺序像是：骨架用英文搭，肌肉用中文加塞更多。
例 3：混合指令微调——中英交替，用于不同目标（以微软的多语言指令集为例）
微软在对 Phi 系列和开源合作模型进行指令微调时，采用的是混合策略：
中文指令用于训练“回答效率”与“摘要能力”，因为中文信息密度更高，模型更容易学习如何在有限篇幅中完成任务。
英文指令用于训练“分步骤解释”与“可验证推理”，因为英文能自然形成 step-by-step 的结构，让模型在输出推理链条时更稳定。
多轮对话中故意穿插两种语言，以测试模型能否在“高密度表达”与“显式逻辑”之间切换。
这是一种利用语言本身“功能差异”的训练方法，而不是简单的“多语言兼容”。
语言开始不再只是符号，而是不同的“训练策略”。语言在AI的眼中纯粹成为了路径，AI在走向目的路上各取所需。
行到水穷处，坐看云起时。
When I reach the end of the stream, I sit and watch the rising clouds.
页:
[1]