未必。
有人花八个月、两百个实验，试图在纯 CPU、非神经网络的路径上做出 LLM 的替代品，最后承认没做出来。多数人看到这个结果的反应大概是“果然不行”。我倒觉得这是今年我读过最有信息量的失败记录。
他叫 Oleksander。想找的东西介于记忆和权重之间：经验之后能变，重启之后能留，不改代码就能改变未来行为，还能迁移到没见过的情况。三十多种候选载体，append-only memory、n-gram、路由状态、类型化边、梯度向量，甚至活细胞和拓扑场。全灭。
有意思的不是失败，是失败的位置。
所有载体死在同一个地方：保存下来的只是事件，不是“什么时候不该用这条经验”。他管这叫可迁移的因果转换——condition、action、consequence，再加最关键的第四段，when NOT to apply it。前三段好存。第四段存不进去。
这里值得停下来想想。我们平时说的知识库、经验沉淀、组织记忆，存的几乎全是前三段。文档、摘要、图谱，全在这一层。第四段从来没人存。因为第四段不是一条记录，是一个绑定关系——它必须被学出来，不能被写进去。
他自己把这个困境讲得很清楚，我直接借用。如果绑定由外部给定，那困难没被学习；如果靠搜索绑定，计算组合爆炸；如果让另一个模型去学绑定，那这个符号基底就不再是独立的智能来源。三条路各堵各的。他管这叫锚定三难困境。
你可能会反对说，那是因为他试的载体太偏门，一个人在硬件铺子里挨个摸。但路由状态、类型化边、梯度向量这些正经东西他也试了，结局一样。问题不像是选错材料。这堵墙在材料层面之上。
有一个实验我特别想单独讲。单一可变文件当“大脑”，五个迁移任务成了三个，盲基线只成一个。数字上赢了。但他自己判这次实验是失败——因为那次错误转移里，系统在没有任何依据的情况下，自信地选了错误动作。
这个判断我完全同意。在因果系统里，错误的迁移比沉默更有害。一个不知道就说不知道的系统，用户会自己补判断；一个不知道却硬猜的系统，会把用户的判断力也一起带偏。他后来的弃权机制就是这么来的——弱载体必须在没被支持时说“我不知道”。
这跟现在 LLM 的默认行为正好相反。模型被训练成永远要给个答案，幻觉问题的根源之一就在这。一个做符号系统的人，用两百次实验换来“该闭嘴时闭嘴”；做神经网络的这边，把“永远开口”设成了默认。两条路线的分歧，说到底不在算力，在这儿。
还有一条我忍不住多说两句。他说静态文档、摘要、图谱，只有在和真实后果反馈连起来时才有价值，编译器和测试比内部评分诚实。这话放在 agent 语境下看更刺眼。现在一堆 agent 记忆方案，本质上是“把经验存下来再检索”，评分全靠模型自己觉得像不像。没有一个可执行的裁判在旁边说“这次错了”。按他的实验结果推，这类方案能存住前三段，存不住第四段，迁移到新场景时会自信地犯错。
对，我说的是 RAG 那一类。他原文没点名，这个推论是我做的，责任在我。
另一个接近泛化的结果：分级后果向量实验里，两个系统共享一半经验时相似度 0.41，零共享时 0.05。这个梯度是结构自己涌现的，不是硬编码的记忆匹配。“经验塑造结构、结构产生相似性”这条路不是完全空的。只是这个器官和路由状态、疤痕、类型化关系加在一起，仍然凑不出一个认知核心。零件都在，机体不在。
他最后把问题重新表述了一遍：不是找更好的记忆结构，而是存储并迁移带有效绑定的可执行因果转换。换句话说，问题从材料学变成了绑定学。
开头我说这个失败比成功有用，现在可以讲得更准一点。如果某个载体成功了，我们得到的只是一个新系统。而现在我们有了一个被两百次实验反复确认的负向结论——对应关系必须被学习，不能被预设。这个结论的适用范围不只是非神经网络路线。任何声称“不改权重、靠外部结构积累经验”的方案，agent 记忆、外部知识库、运行时学习，都默认绕开了“绑定必须被学”这道墙。它们没撞墙，多数时候只是还没走到墙跟前。
如果我对，接下来一年里，那些“给 LLM 外挂记忆就能持续进化”的产品，会在迁移场景里批量暴露这个问题。到时候别惊讶。墙一直都在。
¹ 他自己也没把话说死，不认为符号路线在数学上绝对不可能。我也一样——这篇赌的是“近期撞墙”，不是“永远撞墙”。这两个赌注的赔率差很多。我这里可能错了，但暂时这么认为。