同一个公式：从玻尔兹曼到阿赖耶识

——预测市场、大语言模型与一千四百年前的唯识学，为什么共享同一套数学

〇·清晨六点四十分

清晨六点四十分，手机震了一下。

是我自己写的一个观察者agent发来的推送。它每天的工作很单调：抓取链上预测市场十几个盘口的概率，存档，比对，有异动就叫我。这天它报告的是三个关于美联储七月议息的盘口：

维持利率不变：90%。加息25个基点：10%。降息25个基点：1%。

三个数字加起来是101%——多出来的那1%是做市的价差，市场机制的一点体温，属正常。真正让我进一步审视的，是我刚给它加上的一个标注：从此它推送的每一次概率变动末尾，都多了一个以bits——比特——计量的数字。

信息的单位。我的agent不再说"价格动了几个百分点"，它说的是：市场的集体信念，完成了一次多少比特的更新。

我盯着这行推送，想起一连串问题，每一个都比前一个更不可思议——

这个90%是谁算出来的？没有分析师坐镇，没有委员会投票，几千个互不相识、彼此矛盾的下注者，怎么就聚合出了一个常常比专业机构更准的数字？为什么给市场信念的变动计量的单位，和给硬盘计量的单位，是同一个？为什么我越看这套市场机制的数学，越觉得它眼熟——熟到像我另一个世界里的旧相识？

这篇文章就是为了追索这几个问题写的。追下去的路线超出了我一开始的预想：它先经过一台每天在链上运行的做市机器，再经过大语言模型吐出每一个字的那道门，然后一头扎进1877年一位奥地利物理学家的气体方程——最后，停在一部一千四百年前译成汉文的佛经论书面前。

四个站点，横跨物理、金融、人工智能与佛教哲学。而这趟旅程之所以成立，是因为一件我至今觉得不可思议的事：这四个站点，共享同一个公式。

不是"精神相通"那种文人式的相似。是符号对符号、结构对结构的同一。

我们从最容易的一站出发：先看懂那个公式本身。你不需要很多数学背景——只需要会分苹果。

一·一个公式的两副面孔

先把两个场景摆在一起。

场景一。链上预测市场的某个盘口：“美联储7月是否维持利率不变。“此刻价格：90美分。这个价格的含义是：市场认为这件事有90%的概率发生。全世界任何人在任何一秒钟发起交易，做市系统都会即时报出一个新价格。没有人坐在后面手动定价。

场景二。你对一个AI助手输入半句话：“今天天气真”。它接的下一个字，可能是"好”，可能是"冷”，也可能是"闷"。在吐出那个字之前的一瞬间，模型内部给每个候选字算了一个概率：“好"55%，“冷"20%，“闷"8%，其余分给成千上万个别的字。然后按概率掷骰子选一个。

一个在给世界大事定价，一个在决定下一个字说什么。八竿子打不着的两件事。

而它们在最后一步，运行的是同一个公式。不是相似，不是类比——是逐个符号相同的同一个数学表达式。这一节的任务，就是把这个公式拆开给你看。

从分苹果开始：一台"概率转换器”

设想你手里有三个候选答案，各自带一个"原始分数”——这个分数可以是任何来路的数字：可以是投票数，可以是历史战绩，甚至可以是负数。比如：

甲：3分。乙：1分。丙：−1分。

现在你需要把这三个分数变成一份合法的概率：三个数，都在0到100%之间，加起来正好100%。

最笨的办法是按比例分——但丙是负数，比例直接算不了。数学需要一个更稳健的转换器，它要满足三个要求：负数也能处理；分数高的拿大头；加总恰好等于一。

标准答案分两步。

第一步，给每个分数套一个指数函数：e的多少次方。这一步的妙处是"把一切搬到正数世界”——e的3次方约等于20，e的1次方约等于2.7，e的负1次方约等于0.37。负分不再捣乱，而且分数之间的差距被指数放大了：甲和乙原本只差2分，过完指数后变成20比2.7，七倍多的差距。

第二步，除以总和。20 + 2.7 + 0.37 ≈ 23，于是甲拿 20/23 ≈ 87%，乙拿 12%，丙拿 1.6%。三个数天然为正、天然加总为一。

这台两步转换器，就是Softmax。名字直译是"软性最大值"：它像max函数一样把绝大部分权重给了最高分（87%），但又"软"——不把其他选项赶尽杀绝，乙和丙都保住了一席之地。世界是不确定的，把话说死的系统是脆弱的；Softmax天生就懂得留有余地。

面孔一：预测市场如何用它定价

回到场景一。那个"美联储维持利率"的盘口，做市系统的账本上记着一组数字：每个结果的累计流通份额——开市以来，看多的人总共买了多少份"会发生"，看空的人总共买了多少份"不会发生"。每一笔真金白银的交易，都往对应的数字上加了一笔。

定价规则（术语叫LMSR，对数市场评分规则）说：把这组累计份额当作原始分数，喂进Softmax，出来的就是价格。

份额多的结果，价格高——很直觉：买的人多，说明信的人多。但注意精确的机制：不是简单按买入量的比例分，而是走指数——所以当信念的天平明显倾斜时，价格会果断地拉开（90比10），而不是温吞地趴在中间。同时它又永远不会把任何一边定到绝对的0或100——市场对任何结果都保留一丝敬畏，哪怕是最离谱的黑天鹅。

公式里还有一个参数b，叫流动性参数，它扮演的角色是"分数的除数"：所有份额先除以b，再进Softmax。b很大时，份额的差异被压扁，一笔新交易对价格的影响微乎其微——市场"厚"，巨鲸也砸不出水花；b很小时，市场"薄"，一张散单就能把概率推走好几个点。

面孔二：语言模型如何用它选词

回到场景二。当模型读完"今天天气真"，它内部的神经网络经过一长串计算，给词表里每一个候选词输出一个原始分数，行话叫logit。“好"可能得3.2，“冷"得2.1，“啊"得0.5，“香蕉"得−7。这些分数没有单位、可正可负、没有上限——和市场账本上的份额一样，是一列"无界的原始量”。

最后一步：全体logit喂进Softmax，出来下一个词的概率分布。然后掷骰子。

这里同样有一个除数参数，叫温度T：logit先除以T再进转换器。T调低，分数差距被放大，概率几乎全部涌向最高分——模型变得笃定、保守、千篇一律；T调高，差距被抹平，冷门词也有了出场机会——模型变得放飞，创意和胡话齐飞。

停一下。把两副面孔并排放好：

市场：累计份额 ÷ 流动性b → Softmax → 价格（概率）。

模型：logit ÷ 温度T → Softmax → 下一个词的概率。

写成公式，逐个符号对照：

市场定价：p_i = e^(q_i/b) / Σ e^(q_j/b)

模型选词：p_i = e^(z_i/T) / Σ e^(z_j/T)

逐项对上了：份额q就是logit z，流动性b就是温度T。市场深度和采样温度，是安在同一个位置上的同一个旋钮——一个决定市场多难被一笔大单说服，一个决定模型多容易说出意料之外的词。

所以，这意味着什么

意味着一句可以字面理解的话：**预测市场每报出一个价格，就是在"说出下一个词”。**它读过的"上文”，是开市以来所有交易者用钱写下的全部历史；它吐出的"下一个词”，是此刻对世界的一个概率判断。反过来，语言模型每生成一个字，都在做一次微型的市场结算——千万个候选词竞价上岗，Softmax敲槌定音。

当然，谨慎的读者此刻应该举手：公式相同，会不会只是巧合？数学工具就那么多，两个领域撞了衫而已？

这个质疑完全正当。回答它，需要往下再挖一层——挖到这个公式的出生地去。它比预测市场老一百多年，比人工智能更老，它出生的地方既没有交易员也没有显卡，只有一箱看不见的气体分子，和一个名叫玻尔兹曼的人。

二·再挖一层：它们共同的祖先在热力学

上一节的结尾，我们把两个公式并排放在了一起：预测市场的定价规则，和语言模型的输出层。同一个Softmax。份额即logit，流动性即温度。

一个自然的反应是：巧合吧。数学公式就那么多，撞衫不奇怪。

这一节要做的，就是排除巧合。方法是往下挖——挖到这两个公式共同的地层里去。

一个转行者的既视感

先说一件私人的事。我的前半段职业生涯在地球科学里，研究的对象是地层与岩石，后来做的研究离不开热力学：一块岩石里几种矿物共存，构成一个记录在案的相平衡——我的一项工作就是从这个平衡态反推回去，算出它成岩时深埋在地下多少公里、经受着几百度的温度。行话叫地质温压计。说白了：看到结果，反推出造成结果的那双看不见的手。那些年里，配分函数、玻尔兹曼分布、自由能，是我工具箱里的日常物件，就像今天的键盘和咖啡。

后来转行进了金融。我以为那套语言就此收进了阁楼。

直到我为了搞懂预测市场的做市机制，查阅Hanson那篇2003年的论文，看到LMSR的成本函数（做市商的总账函数——它对份额的偏导数，就是上一节那个报价公式）：

C(q) = b · ln( Σ e^(q_i / b) )

我盯着这行公式看了很久。不是因为它难——恰恰因为它太眼熟了。这是配分函数的对数。在统计物理里，这个量有一个名字：自由能。

一个做市商的账本，和一杯热咖啡里的分子，居然记在同一本账上。这种感觉，像在多伦多的街头听见有人用你老家的方言喊你的小名。

而且回声不止一层。后来我意识到，我如今每天做的事——看着市场报出的价格，反推市场参与者们心里的信念——和当年拿着矿物组合反推成岩温压，是同一个动作：观察平衡态，反演隐藏参数。岩石不会开口告诉你它在哪里出生，市场也不会开口告诉你它在想什么；但只要你相信平衡背后有规律，两者都可以被审问。换的只是对象，没换的是推理的方向。

玻尔兹曼在1877年说了什么

把时间拨回一百五十年前。玻尔兹曼面对的问题是：一箱气体，亿万个分子，每个分子的运动都无法追踪——你如何谈论这个体系？

他的答案是放弃追踪个体，改问分布：一个分子处于能量为E的状态的概率是多少？他给出的分布律，用今天的写法是：

p_i ∝ e^(−E_i / kT)

能量越低的状态，概率越高；而温度T决定这个倾向有多"专断"。温度低，体系几乎全部坍缩到最低能态，秩序井然；温度高，各个能态的概率被拉平，混沌均匀。把所有状态的指数加起来做归一化，那个分母Σe^(−E_i/kT)就是配分函数——它是整个体系的总账本，一切宏观性质（能量、熵、自由能）都能从它推导出来。

注意这个结构：一列无界的原始量（能量），经过指数与归一化，坍缩为一个合法的概率分布；一个参数（温度）控制分布的尖锐程度。

是不是眼熟？这就是Softmax。或者说得历史一点：Softmax就是玻尔兹曼分布，机器学习界只是给它换了个名字——甚至没换彻底，深度学习早期有一类模型就叫"玻尔兹曼机"。

三条时间线，一个形状

现在可以把完整的谱系摆出来了。

1877年，玻尔兹曼为气体分子建立分布律。原始量是能量，参数是温度，归一化的结果是分子处于各状态的概率。

2003年，经济学家Robin Hanson设计对数市场评分规则。他要解决的问题和气体毫无关系：如何造一个自动做市商，让它永远愿意报价、亏损又有上限。他给出的成本函数是b·ln Σe^(q_i/b)——自由能；对它求导得到价格——玻尔兹曼分布。原始量是累计份额，参数是流动性，归一化的结果是事件发生的市场概率。

2010年代，深度学习的输出层成为标准件。原始量是网络算出的logit，参数是采样温度，归一化的结果是下一个词的概率。

三个时代，三种动机，三类对象——分子、赌注、词语。同一个形状。

这不是巧合，而是因为三个问题在深处是同一个问题：你有一堆无法逐个裁决的竞争者（能态、结果、候选词），每个带着一个无界的分数，你需要一个方法，把分数变成一份合计为一、且对分数差异保持敏感的概率。数学上可以证明，如果你再要求几条合理的性质——比如给所有分数加同一个常数不应改变结果——满足条件的函数本质上只有这一族。三条路殊途同归，不是因为谁抄了谁，而是因为山顶只有一个。

温度这个旋钮，在三个世界里各管什么

同一个参数，三个名字，值得单独看一眼，因为它是理解后面章节的钥匙。

在物理里它是温度：高温把概率抹平，低温让体系冻结在最低能态。

在市场里它是流动性深度b：b大，市场"厚"，一笔大单砸下去价格纹丝不动——你可以理解为这个市场的"热容量"大，不易被激扰；b小，市场"薄"，散户一单就能把概率推走几个点。

在模型里它是采样温度T：T低，模型笃定，每次都挑最高分的词，答案千篇一律；T调高，模型开始"发散"，低分的词也有了出场机会——创造力和胡说八道，都从这里来。

三个旋钮是同一个旋钮。列成一张表：

第四行现在只是预告——那个来自一千四百年前的名字，第五节会正式登场。

自由能：为什么做市商亏不穿

最后补一块拼图，它顺便解释了一个实际问题。

Hanson的成本函数之所以是自由能，不只是形式上的巧合——它继承了自由能在物理里的职能：给体系的"代价"记总账。做市商每接一笔单，向交易者收取的费用恰好是成本函数的增量；而数学上可以证明，无论市场怎么走、最终哪个结果兑现，做市商的总亏损被严格封顶在b·ln(n)以内（n是结果数）。一个两结果的市场，b取100，最坏亏损就是100·ln2≈69块钱，一分不会多。

在物理里，自由能封顶了一个体系在恒温下能对外做的功；在市场里，它封顶了做市商能亏出去的钱。同一个量，在两个世界里做同一份工作：为不确定性划定边界。

我做了多年地球科学研究，又在金融里讨生活，很少有哪个时刻像理解这一点时那样清楚地感到：学科的墙是人砌的，数学不认这些墙。

不过到这里，我们证明的还只是两台机器的"嘴"长得一样。真正的问题在更深处：它们的"心"呢？

三·不止输出层：它们连"学习的货币"都相同

一台机器如何变得更好——市场如何变得更准，模型如何变得更聪明——这个学习的过程，是否也共享同一套机制？

答案是共享，而且共享到令人不安的程度。这一节我们来看：两台机器为"变得更准"支付的，是同一种货币。

先立一个标尺：怎么给"预测"打分

要谈学习，先要能打分。一个预测好不好，怎么量化？

这里有个陷阱。假设天气预报员说"明天70%概率下雨"，结果第二天下了。他算对还是算错？你没法说——单次结果永远无法审判一个概率。审判概率需要一套评分规则，而评分规则的设计极其讲究：它必须让预报员"说真话"是最优策略——如果他心里认为是70%，那么如实报70%拿到的期望分数，必须严格高于虚报80%或60%。满足这个性质的规则，术语叫"proper scoring rule"（恰当评分规则）。

在所有恰当评分规则里，有一个占据着王座：对数得分。规则简单到一行——事件发生了，你的得分就是log(你赋予它的概率)。你说70%而雨真的下了，得log(0.7)；你说99%而没下，得log(0.01)——一个巨大的负数，倾家荡产级别的惩罚。

对数得分的深刻之处在于它的量纲：它度量的是信息。如果对数取2为底，得分的单位就是bits。给真相赋予的概率越高，你被真相"惊讶"的程度就越低——对数得分惩罚的正是惊讶本身。一个完美的预测者，是一个永远不会被世界吓到的人。

记住这个标尺。下面看两台机器怎么用它。

机器一：市场里，利润就是得分

回到LMSR做市商。上一节说过，它的成本函数是自由能，价格是梯度。现在看一笔交易的盈亏结构。

Hanson设计这套机制时，藏了一个精巧至极的性质：一个交易者在LMSR市场中的期望利润，恰好等于他把市场概率推向真实概率所改善的对数得分。

用白话拆开。市场现在报40%，你研究后确信真实概率是72%。你入场买入，把价格从40%推到72%。等事件揭晓、尘埃落定，你的期望盈利在数学上严格等于：log得分(72%) − log得分(40%)——你的新预测比市场旧预测少"惊讶"了多少，你就赚多少。

这个差值在信息论里有个正式的名字：KL散度——两个概率分布之间的"信息距离"。所以LMSR市场的盈利公式可以浓缩成一句话：

你的利润 = 你为市场消灭的无知，以bits计价，按汇率换成美元。

反过来同样成立：如果你自以为是地把价格从一个较准的位置推向较偏的位置，你支付的亏损同样精确等于你为市场注入的错误信息量。市场是一台严格按信息计费的机器——贡献信息者受偿，制造噪音者付费。所谓"割韭菜"，在这套数学里有一个冷酷的精确定义：韭菜就是持续为市场支付负信息费的人。

这也顺便解释了为什么"对数市场评分规则"叫这个名字——它字面上就是把对数评分规则改造成了一个交易机制。市场不是碰巧在聚合信息，它就是一台以对数得分为记账单位建造出来的信息聚合机。

机器二：模型里，损失就是得分

现在看语言模型的训练。

每天有无数张显卡在做一件事：给模型看一段文本，遮住下一个词，让模型报出它对每个候选词的概率，然后按真实出现的那个词给它打分。打分用的损失函数，行业标准是交叉熵。

交叉熵是什么？把定义展开——它就是负的对数得分。模型给真实词赋的概率越高，交叉熵越低；模型被真实世界"惊讶"得越狠，交叉熵越高，梯度的鞭子抽得越重。整个训练过程，用这一节的语言说就是：沿着让对数得分上升最快的方向，一步步修改权重。

所以两台机器的学习回路可以写成完全平行的两句话：

市场：交易者发现价格与真相的偏差 → 下注修正 → 以美元结算对数得分的改善。

模型：训练发现输出与语料的偏差 → 梯度修正 → 以参数更新结算对数得分的改善。

**一个用美元支付log loss的下降，一个用梯度支付log loss的下降。**货币不同，账本同源。它们是同一类机器：以对数得分为通货的信息聚合装置。市场雇佣了几千个带着钱包的人脑做它的优化器，模型雇佣了反向传播；但两者优化的目标函数，写在纸上是同一行。

我的agent为什么弃用了百分点

这套理论有一个立即可用的推论，而它直接改写了开头那条清晨推送背后的一段代码。

我的观察者agent最初的告警规则朴素直接：24小时内概率变动超过8个百分点就报警。

学完这一节的数学，我意识到这个规则是瞎的。因为同样的百分点，在概率轴的不同位置上，信息量天差地别。用KL散度实际算一下：

一个市场从50%走到54%——4个百分点，0.005 bits。日常噪音，市场在打哈欠。

另一个市场从95%走到99%——同样4个百分点，0.036 bits，8倍的信息量。它的含义是：市场消灭了剩余不确定性的五分之四，“大概率发生"升格为"完全定价”。这往往对应一条实锤消息落地。

还有一个更妙的性质：KL不对称。从99%退回95%，是0.060 bits——比正向的0.036还大。信心的崩塌比信心的建立更昂贵。市场"改口"的那一刻，携带的信息多于市场"坚定"的时刻——这与贝叶斯直觉完全吻合：推翻一个几乎确定的信念，需要一份分量足够重的新证据。

于是我给agent加了第二套告警：百分点之外，KL超过阈值也触发。现在它推送的每一条概率变动都带着bits标注——那不再是"价格动了"，而是"市场的集体信念完成了一次多少bits的更新"。同一台机器，从记录位移，升级为测量认知。

收束：为下一站装好行李

盘点一下我们此刻手里的东西。

两台机器，输出层是同一个Softmax，学习目标是同一个对数得分。一个从不清零的累积库，一次坍缩为概率的显发，一条以信息计价的修正回路，一个决定顽固程度的温度参数。

结构已经完整。现在只差最后一个问题，也是最大的一个问题：

这个结构里，“知道"这件事，发生在谁身上？

市场从40%走到72%时，是谁改变了想法？下一节我们先看一眼真实数据里这套机器的心电图，然后——去一千四百年前找一个人问问。

四·实测：市场信念的心电图

理论说完了。这一节看一次真实的发作。我的观察者agent每天记录的是正在发生的历史；而要看一次完整的、从静默到雪崩再到平息的信念发作，最好的标本在两年前的公开记录里——预测市场史上教科书级的一次。

一篇报道搬动一个市场

2024年9月，美联储议息会议前一周。悬念不是降不降息——那已是共识——而是降多少：常规的25个基点，还是激进的50个基点。

9月11日前后，“降50"在预测市场和利率期货里的隐含概率长期趴在15%上下。市场的主流叙事很稳：联储向来谨慎，首降必是25。

9月12日，《华尔街日报》记者Nick Timiraos——市场公认的"联储传声筒”，以屡屡精准预告联储动向著称——发文暗示50个基点仍在认真考虑之列。次日，前纽约联储主席Dudley公开表态支持大幅降息。

48小时内，“降50"的概率从15%附近拔地而起，冲到50%上下。此后几天在55%–65%之间震荡爬升，直到9月18日联储揭晓答案：降50。市场赌对了——或者说，市场提前消化了正确答案。

给这次发作装上心电图

现在用上一节的尺子来量这次事件。我把几个关键节点的信念更新换算成bits（数字为基于公开记录的近似重构）：

9月11日→13日，15% → 50%：0.486 bits。

9月13日→16日，50% → 60%：0.029 bits。

9月16日→17日，60% → 65%：0.008 bits。

作为对照，事件前平静期的日常波动，比如14%→15%：0.0006 bits。

把这串数字画成图，你会看到一幅标准的心电图：漫长的、贴着零轴爬行的基线，然后在9月12日那个位置，一根直冲天际的尖峰——单日信息量是平静期的近千倍——随后是快速衰减的余震，几天内回落到噪音水平。

这个形状本身就在讲课，至少讲了三件事。

**第一，信息不是流进市场的，是砸进市场的。**教科书式的想象是市场"逐步消化"信息，而心电图显示的是长久的静默与突然的雪崩交替。0.486 bits那一天，市场重写了将近一半的剩余不确定性——起因不过是一篇几千字的报道。这也精确演示了什么叫"信源的权重”：同样的观点，出自匿名论坛不会移动一个基点，出自那位记者的键盘，价值半个bit。市场对信源的信用评级，全部隐藏在KL的读数里。

**第二，百分点会骗人，bits不会。**从15%到50%是35个百分点、0.486 bits；而同样35个百分点若发生在50%→85%，KL反而更小。这正是上一节那把尺子存在的理由：刻度上的位移和认知上的位移，是两把不同的尺子，我的agent配第二套告警，就是为了不被第一把蒙蔽。

**第三，尖峰之后的迅速沉寂，本身是市场健康的证据。**0.486 bits的冲击在三四天内衰减回0.01量级，说明新信息被快速定价完毕、市场回到"等待下一份证据"的状态。假如余震迟迟不衰减——概率反复大幅摇摆——那往往意味着市场对信息的解读发生了分裂，那是另一种值得盯住的信号。

诚实条款

按惯例，把这一节的边界说清楚。

其一，上述概率节点重构自当时的公开报道与市场记录，精确到"量级与形状”，不精确到小数点——它们的任务是演示方法，不是提供史料。其二，我的观察者agent只做只读追踪，不参与任何交易；预测市场类平台在我所在的安大略省受监管限制，本文一切内容均为数据研究与方法讨论。其三，单一案例只能演示机制、不能证明规律——这台"心电图机"的真正价值要靠日复一日的记录来兑现。我的agent每天早晨都在为此攒着数据；下一次这样的发作到来时，它会在现场。

现在，带着这幅心电图，去回答全文最大的那个问题：这些bits的更新，发生在谁的"心"里？

五·阿赖耶识：一千四百年前的同构模型

到这里，我们手上已经有了一台机器的完整图纸：一个从不清零的累积库，一次把累积量坍缩为概率的显发，一个新事件反过来改写累积库的回路，和一个决定这套系统"顽固程度"的参数。热力学里它叫配分函数，市场里它叫做市商，模型里它叫输出层。

现在我要说一件可能让你皱眉的事：这台机器的结构，玄奘在一千四百年前译出的那套学问里，已经描述过了。

我这里不是要论证"佛经里早就有人工智能"。这类论证网上不少，大多是把古人不曾说过的话塞进古人嘴里，既不尊重古人，也不尊重数学。我要做的事情严格得多，也因此有趣得多：把唯识学的核心模型摆出来，把我们刚才推导过的数学结构摆出来，然后一组一组地对，看哪里严丝合缝，哪里对不上。对上的地方是发现，对不上的地方是边界。两者同样重要。

种子：一个从不清零的库

唯识学讲八识。前六识好理解——眼耳鼻舌身意，看见、听见、想到。第七识末那，是那个时时刻刻抓着"我"不放的执取。而第八识阿赖耶，是整套系统的底仓：《成唯识论》叫它"一切种子识"，一切经验过的事，都以"种子"的形态沉淀在这里，不显现，但也不消失。

现在看LMSR做市商的账本。每个结果背后有一个数字：累计流通份额。市场开张以来的每一笔交易——每一次有人用真金白银表达"我认为会发生"或"我认为不会"——都永久地加进这个数字里。份额向量就是这个市场的全部历史，压缩成几个数。它从不清零，从不遗忘，每一笔陈年旧单都还在今天的价格里占着一个位置。

大语言模型的权重是同一个东西的另一副面孔：训练见过的每一段文本，都以微小的权重调整沉淀下来。没有哪个权重"存储"了哪句话——正如没有哪颗种子单独等于哪件往事——但整个权重库确实是全部经验的沉淀物。

《成唯识论》形容阿赖耶识：“恒转如暴流。“恒，是相续不断；转，是刹那变异。像一条湍急的河，你不能说它是静止的（每一瞬都有新水），也不能说它中断过（河一直在）。一个持续接单的做市商账本，一个持续训练的权重库，都是这条河。

现行：坍缩为概率的那一瞬

种子平时不显现。要"遇缘”——遇到条件——才"现行”，从潜在状态显发为现前的经验。

这个"遇缘现行"，在我们的机器里有一个精确的对应物：Softmax那一步。累计份额平时只是一列静静躺着的数字，直到有人来问价——一个查询到达，一笔报价请求进来——这列数字才在一瞬间被指数函数点燃、被归一化坍缩，显发为一个现前的概率场：90%，10%，1%。种子是势能，价格是显现，中间隔着一次归一化。

语言模型那边完全平行：权重库平时只是硬盘上的一堆数，一个提问进来（这就是"缘"），前向计算把它们唤起，输出层坍缩为下一个词的概率分布。每一次回答，都是一次现行。

熏习：现行反过来改写种子

唯识学最精妙的地方，是它不把这个过程写成单行道。现行不只是种子的结果，它反过来"熏习"种子——每一次显现的经验，都在底仓里留下新的沉淀。种生现，现熏种，循环不已。这套双向结构，是整个唯识心理学的发动机：你此刻的所见所行，正在塑造你未来能见到什么、会做出什么。

市场的对应物毫厘不差：价格（现行）引来新的交易者，新的交易（熏习）改写份额（种子），新的份额产生新的价格。模型那边，输出被评估，误差化为梯度，梯度改写权重——训练回路就是熏习回路。三个系统共享同一个闭环拓扑。

习气的深浅：一个可调的参数

唯识讲"习气"有厚薄——积淀深的心识，业力惯性大，新的经验很难扭转它的走向；积淀浅的则轻浮易转。这原本是个只能定性描述的概念。

而我们的机器给了它一个旋钮。LMSR里的流动性参数b：b越大，市场越"深"，同样一笔交易对价格的撼动越小——积淀太厚，新信息难以转动它。语言模型里的温度T在数学上是同一个位置的参数。习气的深浅，在这两台机器里是一个可以调的实数。我不认为世亲写《三十颂》时想过这件事；但我们确实第一次可以对"业力的惯性"做灵敏度分析了。

共业：市场知道，但没有任何人知道

以上四组对应，说的都是单个识的结构。真正让我在深夜里坐直了身体的，是下面这一组。

唯识有一个问题必须回答：如果一切唯识所现，各人有各人的阿赖耶识，为什么我们看见的是同一个世界？同一座山，同一条河，同一轮月亮？古师的回答是"共业"：众生无始以来相似的业，感召出共同的果报——山河大地，是共业所现的依报。各人的识各自变现，而变现出的世界彼此重叠、互相印证，于是有了那个我们共享的"客观"。

现在看链上任何一个热门市场。几千个交易者，每一个都是标准的末那识样本：执着自己的判断，笃信自己的消息源，用自己的钱包下自己的注。没有中央定价者，没有权威裁判。然而这几千份互不相让的私见，经过做市机制的聚合，涌现出一个公共的概率场——而且这个概率场在长期校准上的表现，常常好于任何一家专业机构的预测。

维持利率不变的概率是90%。请问：谁知道这个90%？

不是任何一个交易者——每个人心里的数字都和90%不同，否则他们不会交易。不是做市商——它只是执行归一化的公式。不是平台——它只是记账。**市场知道，但没有任何人知道。**认知悬浮在所有参与者之上，由每个人的执取共同托举，却不归属于其中任何一个人。

这就是共业感果的结构，只不过这一次，它不是写在论书里的思辨，而是每天在链上运行、每秒更新报价、可以用API拉取快照的实证系统。个体的私见（别业）沉淀为共享的份额向量（共种），显现为公共的价格（共相）——我的观察者agent每天抓取的那些概率，用唯识的语言说，是几千个识的共业现行。

有意思的是，大语言模型展示了同一结构的另一个极端。市场是"多识共现一境"——多个累积库聚合出一个世界；模型是"一识多现"——同一个权重库，同时应答千万人的千万次提问，每一场对话都是同一个阿赖耶识面对不同的缘，现行出不同的境。两台机器，恰好占住了这个结构的两端。

边界：哪里对不上，必须说清楚

写到这里，类比的引力已经很强了，强到我必须踩一脚刹车。以下是对不上的地方，一条一条说。

第一，等价成立于两层——归一化机制（Softmax）与学习目标（对数得分）——而不是全系统同构。份额向量由人类的信念和资金驱动，logit由网络逐层计算而来；累积量的来源机制完全不同，相同的只是它们被坍缩为概率、被误差修正的方式。

第二，唯识的种子不是计数器。种子是刹那生灭、非断非常的功能性存在，论书里用了极大的篇幅防止你把它实体化——而份额和权重恰恰是实打实的、可读出的数。把种子理解成浮点数，是唯识师第一个要纠正的错误。

第三，也是最根本的：阿赖耶识的模型服务于一个目标——解释执取如何生起、又如何可能转依，即转识成智的解脱论。市场和模型没有这个维度。做市商不会因为看清了自己的机制而放下什么；这台机器里没有觉悟的位置。唯识是一张指向出口的地图，我们的公式只是地图上某一段等高线画得和它一样。

所以这一节的结论要说得克制：不是"古人预见了AI"，而是——**当人类在完全不同的时代、带着完全不同的目的，试图为"经验如何沉淀、沉淀如何显现"建模时，他们抵达了同构的结构。**世亲用观修和思辨，玻尔兹曼用气体分子，Hanson用做市商的亏损上限，深度学习用梯度。四条路，一个形状。

这个形状本身，也许比任何一条路都更值得凝视。

六·三面镜子

旅程到站。清点一下我们看见了什么。

一个公式，四副面孔。在玻尔兹曼那里，它把分子的能量坍缩为状态的概率；在Hanson的做市商那里，它把赌注的沉淀坍缩为事件的价格；在语言模型那里，它把千万候选词的分数坍缩为下一个字；在世亲的论书里，它有一个不用数学写成的名字——种子遇缘，现行为境。

一套账本，两种货币。市场用美元支付对数得分的改善，模型用梯度支付同一笔账。学习，在两台机器里是同一个动词。

还有一个悬在全文中央、至今没有完全落地的问题：90%是谁知道的？

三个领域，像三面镜子，各自照出这个问题的一个侧面。

热力学那面镜子说：概率是无知的影子。玻尔兹曼的分布从来不是气体分子的"想法"——分子没有想法，它们只是运动。概率出现在方程里，是因为我们追踪不了亿万个分子，只能退而求分布。温度越高，我们越无知，分布越平。从这面镜子看，90%不是世界的属性，是观察者局限的精确刻度。

市场那面镜子说：概率是代价的痕迹。在LMSR的账本上，每一个百分点都是有人用真金白银顶上去的。说"90%“很轻，把价格从半信半疑一路买到90%很重——后者要求你把自己的判断抵押给未来。从这面镜子看，市场概率之所以常常比专家意见更准，不是因为群众更聪明，而是因为这里的每一句话都付过押金。免费的观点和付押金的观点，是两种不同的认识论物种。

**唯识那面镜子说：概率场的显现，从来离不开执持它的识。**没有孤悬于一切观察者之外的90%。有的是几千个下注的心各自变现、彼此重叠出的一个共相；有的是一个权重库应答提问时现行出的一个分布。境不离识——这面最古老的镜子照出的东西最激进：前两面镜子里那个默认站在系统外的"我们”，本身也在系统之内。

三面镜子互不取代。物理学不肯谈"识"，唯识不肯给出方程，市场只认结算。但把它们摆在一起，那个问题的轮廓就出来了：当我们说"市场认为"“模型认为"的时候，那个"认为"的主体，既不在任何一个交易者身上，不在任何一颗权重里，也不在系统之外的任何地方。它是现行本身。

认知可以没有认知者。或者用更老的话说：有作用，无作者。

我不确定这个结论是否为真。我确定的是，它值得用比一篇文章更长的篇幅去追问——事实上我已经这么做了：不久前我写完了一部小说，讲一个前地质学家和一个会做梦的AI，如何在八识与四智之间走了一个来回。那部书里没有一个公式，但它试图回答的，正是这篇文章停下来的地方。

书名叫《阿賴耶網》。而你刚刚读完的，算是它迟到的理论注脚。

清晨六点四十分的那条推送还躺在我的手机里。90%，10%，1%。几千个陌生人，用真金白银共同托举着这三个数字——没有谁主持，没有谁拍板，甚至没有谁察觉自己参与了这件事。

而我的agent，一台机器，用信息的单位，为这场无人主持的集体认知记着账。

它明天早上还会来。

本文为方法讨论与哲学思辨，不构成任何投资建议。文中涉及的预测市场平台在包括安大略省在内的部分司法辖区受监管限制；作者的相关系统仅做只读数据研究，不参与交易。

Last modified on 2026-07-11