前言
上一篇，我們談到了 M = i × e 這個公式的誕生。
那之後，我沒有停留在公式上太久。我想驗證它。
實作出來了
實驗的早期並不順利。
當時使用的是一個只有 3B 參數的小型模型。對於小模型來說，這本來就是一場勝算不高的實驗——它的底子薄，容錯空間小，稍微偏一點輸出就崩了。果然，早期的回答經常答非所問，輸出混亂，有時候甚至讓人不確定它到底有沒有在理解問題。
我能做的就是把那些回答丟給 AI，問它哪裡出了問題，然後根據指引修正框架設計。
就這樣一版一版地疊。每一版都在上一版的問題上做修正，沒有跳躍，也沒有捷徑。
慢慢地，回答變得有條理了。幾乎每個問題都能答在點上。訓練資料不多，前前後後大概就兩三千筆，但結果比預期好。讓我有點意外的是，這個量級的資料，居然能讓一個小模型的行為產生這麼明顯的位移。
兩個問題
結果有效，但我反而開始困惑。
第一個問題是方法論的：每次看到問題、根據指引修正——這樣的過程，還算是真正的驗證嗎？我們設計了 200 道測試題，題目和訓練資料完全沒有重疊，都是模型從來沒見過的問題。但問題在於，修正的方向本身是 AI 給的。這讓整件事的邊界變得模糊：到底是框架在引導 AI，還是 AI 在引導框架？
這個問題我沒辦法乾淨地回答。
第二個問題更深，也更難甩掉：它的確變好了，但我說不清楚為什麼。
不是「大概是因為訓練資料品質好」那種說不清楚，而是更根本的——這個改善，究竟發生在哪一層？是框架設計本身在起作用，還是 LoRA 微調的參數更新剛好碰對了某個方向，還是兩件事湊在一起才有的結果？這三種解釋，我都無法排除，也無法確認。
這兩個問題方向相反，卻同時壓著我。
停在這裡
在某個時間點，我決定不再往裡面投入了。
不是放棄，是判斷投入產出比。那個「為什麼有效」的問題，想要回答它，需要的資源、算力、對照組設計，都遠超過我當時能調動的範圍。即便繼續做，頂多是多幾筆數據，問題的核心仍然會懸在那裡。死死纏著，不划算。
更現實的是：這個問題或許根本不在這個層次能被解答。
但問題本身沒有消失。它只是換了一個位置。
結論
我理解 AI 的本質是機率預測系統。LoRA 實驗告訴我行為可以被塑造，但塑造的過程仍然是黑盒子——還是在調機率分佈，只是調得比較準。
我想的是另一件事：即便 AI 的輸出來自機率，能不能讓它在機率之外，透過純數學運算自己算出判斷？
不是猜出來的，是算出來的。
這個念頭，把我帶向了更底層的方向。下一篇，我們再來談這件事。
