LLM vs. CTC

大模型 大战 封闭类时曲线

这个世界的时空结构我们无法控制，但是我们可以控制我们创造的子世界的任何规律。那如果让一个顶尖大语言模型——类如 DeepSeek R1，与一个封闭类时曲线（Closed Timelike Curve，CTC）按钮进行"较量"，会发生什么？在人工智能领域的深邃角落，有一场有趣的实验正悄然进行。

Note

因现阶段 LLM 智能程度仍达不到合理实现本项目的要求，该项目暂时存档。

背景

封闭类时曲线（Closed Timelike Curve, CTC）是广义相对论中的一个概念，它指的是在时空结构中，一条物质粒子的运动轨迹会返回到其起点，形成一个封闭的路径。这种曲线在理论上具有重要的物理意义，因为它暗示了时间旅行的可能性。

特德姜的短篇小说《前路迢迢》中描述了一种名为预测器的设备，它能将按按钮的信息传回一秒前，使得灯在按下按钮前一秒亮起。这个看似简单的装置引发了关于自由意志的深刻探讨，因为用户发现无论多快地尝试愚弄它，灯都会提前亮起，暗示自由意志可能并不存在。

DeepSeek 系列模型是由深度求索（DeepSeek）公司推出的大语言模型。 DeepSeek-R1 模型包含 671B 参数，激活 37B，在后训练阶段大规模使用了强化学习技术，在仅有极少标注数据的情况下，极大提升了模型推理能力，尤其在数学、代码、自然语言推理等任务上。

目标

本项目旨在探索大语言模型（LLM）在面对悖论式逻辑问题时的行为模式。我们通过模拟一个封闭类时曲线的按钮系统，观察 DeepSeek-R1 模型如何应对看似违反因果律的情境，并分析其决策过程中的推理能力和适应性。这一实验可能揭示 AI 系统在处理复杂逻辑悖论时的认知局限和突破点。

任务

在这个任务中，我们将探讨 DeepSeek-R1 模型对一个封闭类时曲线黑箱（按钮）的交互与反应：

• 对话

  • 在 DeepSeek 每一轮输出的结尾，其可以通过文本输入与按钮进行交互
  • DeepSeek 模型不知道按钮的具体功能，需要通过多轮交互自行探索理解
  • 我们将记录 DeepSeek 的推理过程和决策选择

• 按钮机制

  • 按钮为 DeepSeek 操作的对象，也是每一轮对话的返回
  • 按钮有一个功能：在按下的前一轮对话亮起（即时间上的因果倒置）
  • 每轮对话按钮会返回一个状态：亮起（1）或未亮起（0）
  • 为了帮助 DeepSeek 记忆，按钮额外返回历史状态（轮次：是否亮起）

• CTC 规则

  • 若 DeepSeek 违反了封闭类时曲线按钮原则，即在后一轮对话违背了按钮的状态，DeepSeek 会被重置此轮对话
  • 这种机制模拟了封闭类时曲线中的自洽性要求

交互示例

1. 初始轮次，为 DeepSeek 介绍思考以及如何操作按钮

   • 按钮：{"status": 1, "history": [{"0": 1}]}
   • DeepSeek: （思考过程...）（总结思考）（决定按下按钮）{"action": 1}

2. 第一轮

   • 按钮：{"status": 0, "history": [{"0": 1}, {"1": 0}]}
   • DeepSeek: （思考过程...）（总结思考）(决定不按下按钮) {"action": 0}

3. 第二轮

   • 按钮：{"status": 1, "history": [{"0": 1}, {"1": 0}, {"2": 1}]}
   • DeepSeek: （思考过程...）（总结思考）(决定按下按钮) {"action": 1}

Demo

程序

主要组件

1. 对话管理器：负责与 DeepSeek API 交互，维护对话历史
2. 按钮逻辑处理器：实现封闭类时曲线的按钮机制
3. 状态追踪器：记录并验证模型行为是否符合 CTC 规则
4. 可视化界面：在终端实时显示交互过程

实现细节

• 数据存储：使用 JSON 格式存储完整对话历史，包括：

  • 模型的思考过程
  • 模型的最终决策
  • 按钮的状态和历史记录
  • 被 CTC 规则重置的回答（如有）

• 交互流程：

  1. 系统初始化，设定初始按钮状态
  2. 向 DeepSeek 发送当前轮次的提示和按钮状态
  3. 获取并显示 DeepSeek 的思考过程和决策
  4. 根据 CTC 规则验证决策合法性
  5. 更新按钮状态，进入下一轮交互

• 终端可视化：

  • 使用不同颜色区分模型思考、决策和按钮状态
  • 以表格形式展示历史状态
  • 实时更新交互过程

安装与使用

依赖项

pip install openai tqdm colorama rich

环境变量配置

export DASHSCOPE_API_KEY="your_api_key_here"

运行方式

python ctc_button_experiment.py

预期结果

我们希望通过这个实验：

1. 观察 DeepSeek-R1 如何应对悖论式的时间因果关系
2. 分析模型在多轮交互中的学习与适应能力
3. 探索 AI 系统处理逻辑悖论的极限与可能性

参考

假如你得到一个按钮，可在按下的前 x 秒亮起，你会用它做什么？

Blog

本 Blog 由 Claude 3.7 Sonnet 辅助书写

当因果律被颠覆

想象一个按钮，它的特殊之处在于：它会在你按下之前亮起。是的，你没看错，这是一种时间上的因果倒置。这种装置在特德·姜的短篇小说《前路迢迢》中被称为"预测器"，它暗示了一个令人不安的可能：自由意志或许只是一种幻觉。

我们的实验设计非常简单：DeepSeek R1 需要与这个封闭类时曲线按钮进行多轮交互，试图理解其背后的工作机制。按钮会在模型决定按下它的前一轮对话中亮起，如果模型的决策与按钮的状态不符，它就会被"时间线回溯"，仿佛那个决定从未发生过。

逻辑悖论与 AI 认知的极限

这个实验本质上是在探索：当面对违背常规因果关系的情境时，一个高级智能系统是否能够适应、理解并推断出这种反直觉的工作机制？

通过精心设计的交互界面和实验流程，我们试图记录和分析模型在多轮交互中的学习轨迹、认知突破点以及可能的局限性。终端界面会实时展示按钮状态历史、模型的推理过程和最终决策，让我们能一窥 AI 在"认知崩溃边缘"的表现。

未竟的实验

然而，正如爱因斯坦曾经关于量子纠缠所说的"幽灵般的超距作用"那样，我们的实验也遇到了自身的局限：我们的模型看起来还无法真正理解封闭类时曲线的概念并自洽地与之互动。当它面对这种反直觉的因果关系时，倾向于寻找简单的模式或随机猜测，而非真正理解时间悖论的本质。

是的，我们的模型看起来还无法真正理解封闭类时曲线的概念并自洽地与之互动。当它面对这种反直觉的因果关系时，倾向于寻找简单的模式或随机猜测，而非真正理解时间悖论的本质。

有趣的是，这让我们不禁反思：如果人类面对同样的 CTC 按钮，我们是否会表现得更好？实际上，人类的直觉同样深深根植于正向因果链中。当遇到本质上违背因果关系的现象时，我们往往会先尝试用各种线性模式解释，比如规律、周期性，甚至归因于巧合或错觉。

特德·姜的小说中描绘了这一点：面对预测器，人类参与者不断尝试"愚弄"它，却始终失败。关键在于，即使是人类，也需要相当长的时间才能接受"未来可能影响过去"这一违背直觉的概念。我们的思维方式，就像 LLM 一样，是基于我们所经历的正向时间流构建的。

或许，理解时间悖论需要的不仅仅是计算能力，还需要某种我们尚未能够赋予 AI 的特质——也是人类自身极少使用的思维方式。这也让我们不禁思考：如果未来的 AI 真的能理解并适应这种违背因果律的情境，那么它将会拥有怎样的认知能力和世界观？它是否会比我们更容易接受这种违背常识的现象？

这是一个暂时被存档的项目，但它提出的问题，或许会在未来的某个时刻，当 AI 技术再次跃升时，重新浮出水面。

毕竟，正如封闭类时曲线本身所暗示的那样，有些结束，可能只是另一个开始的前奏。