为什么当前的AI在阿毗达磨上表现拉胯？
王路在隐身约 8 分钟两年前，我提过一个观点：汉语才是真正意义上的阿毗达磨的母语。
很多人不赞成。理解它确实不容易。能理解的前提是，精通阿毗达磨。我见过很多人，以中文为母语，因为读不懂《俱舍论》，想通过读梵本《俱舍论》、日译本、藏译本，甚至法译本、英译本来学习。那是不对头的。不对头的人经常迷信一种听来的说法：要想读懂《俱舍》，只懂中文是不行的，必须掌握梵文。这个说法是严重错误的。讲这话的人往往自己也不懂《俱舍》。学什么东西，都不能人云亦云，更不能想当然。自己学下去，搞明白，问题就涣然冰释了。这是如人饮水的事情。
我为什么说汉语是阿毗达磨真正意义上的母语呢？汉语阿毗达磨文献，主要是玄奘从梵语翻译过来的。怎么能说汉语比梵语还阿毗达磨呢？
事情是这样子的。我们看一门语言适不适合一门学科，重在看这门语言的结构和特质适不适合这个学科，而不是看这个学科是不是最早在这个语言里出现的。“金银天然不是货币，但货币天然是金银”。人类社会最早拿来充当货币的，不是金银，可能是贝壳、羽毛或者什么东西，你能说那些东西比金银更适合充当货币？看一样东西是否适合在历史上充当货币，主要看它是否具备稀缺性、易分割、便携带等特质（当然，在互联网和AI时代，货币的特质和要求也会发生巨大的变化，不聊那些），而不是看它是否最早充当货币。
那么，汉语究竟怎样适合阿毗达磨呢？举个例子（以前举过，再重复一遍）：苦法智忍、戒禁取见。——你去英译本里看看这两个术语多长，就明白了。一行写不下。所以有人说想通过英译本学《俱舍》，问我是否可行，我只能告诉他：门都没有。除非你先通过汉语或者梵语学会了《俱舍》。对汉语母语的人来说，更没有必要舍近求远了。为什么？你看看汉语里阿毗达磨术语的长度，不管是书写长度还是音节长度，和对应的术语在梵语里的长度比一比。
哪种语言更适合，一目了然。——越短的，越适合。
就像“爸爸的爸爸叫爷爷”，一种语言里如果没有“爷爷”这个词，每次指代“爷爷”，只能说“爸爸的爸爸”，那就很不适合传递“爷爷”这个概念。再极端一点，如果某种语言里连“爸爸”这个词都没有，只能用“母亲的配偶”甚至“生下你的女人的配偶”来表示“爸爸”，那么这种语言，在解释血缘关系上，蹩脚透顶了。别的语言可以直接说“爷爷”，这种语言只能说“（母亲的配偶）的（母亲的配偶）”，还必须加两个括号。——你看英文的“戒禁取见”，就知道单靠英文绝对不可能学好阿毗达磨。它就是在用“母亲的配偶”来表示“爸爸”。
玄奘大师厥功至伟的地方之一，就是他楷定了阿毗达磨的中文表述。当然，他所楷定的佛教术语远不限于阿毗达磨，但在阿毗达磨上，玄奘的楷定有如传说中龙树菩萨在佛教史上的地位。但龙树毕竟是传说，玄奘的所作是实实在在发生的。没有玄奘的话，通过汉语不是不能学阿毗达磨，而是要费劲太多倍，还学不那么好。汉语虽然适合阿毗达磨，但也要有人把架构搭起来。
再举几个例子。一个从事法律工作的人，如果他的语言里没有“合同”这个词，提到“合同”只能说“当事人为了确定各自的权利和义务而订立的各自遵守的条文”，那完蛋了。我们都说GPU，无论你是说中文还是英文，说英文的人极少说Graphics Processing Unit，说中文的人极少说“图形处理器”。你要说CERN，而不是“欧洲核子研究中心”，更不是它的英文全称。当然，签署书面文件那是另一码事。在日常应用中，一个词出现的频次越高，它自然就会变得越来越短。否则就影响交流的效率和质量。
我之前出版《红楼碧看》，序言里提到“诺奖”，被出版社强行改成“诺贝尔奖”，理由是“诺奖”不规范。这就好比把“新冠”叫“新型冠状病毒引起的肺炎”。如果它只是一个低频词，当然无关痛痒，但当它升级为高频词、超高频词的时候，如果你用中文叫，就只能叫“新冠”。如果叫“新型冠状病毒引起的肺炎”，不仅啰嗦，还不容易传递有效的信息。
术语就是这样。术语是一个个基本单位。它是凝结了诸多概念关系之后，形成的核。如果不是一个核，或者核的边界模糊不清，就很难确认它和其他事物的种种关系。在任何一个学科里，学科壁垒的建立，就是由学科术语累积而成。如果数学里没有方程，物理学里没有公式，数学和物理就永远发展不起来。中国古代有些极其聪明的数学家，记载过解多元方程的一些难题（当然不是鸡兔同笼这种），但那种题目一般人看懂都费劲，而不要说往深了发展。不是因为他们不够聪明，而是因为，他们没有先建立或者采用一套最适合深入钻研那些的语言符号体系。
我们通过自然语言来解逻辑题目，绕两三个弯，是可以在脑子里反应过来的，绕五六个弯，人脑就不行了，单靠笔头也不够，要把它转换成形式逻辑的表述，“非P且非Q”这种，推完之后，再转译成自然语言。才好保证中间不出错。
这是工具的问题。每一门学科，都有它的语言作为工具。很多学科也许没有特定的语法，但起码有特定的术语。
好了，现在终于可以解释，为什么目前的大语言模型，或者说人工智能，在阿毗达磨上的表现依然拉胯。
很重要的一个原因，是目前的大模型几乎都没有为阿毗达磨的术语建立词汇表（暂时没有任何大模型是为了解决阿毗达磨问题设计的）。以至于在提到那些概念的时候，必须通过token组合来表示。就像用“母亲的配偶”来表示“父亲”，“母亲的配偶的母亲的配偶”来表示“祖父”。
拿deepseek蒸馏的qwen2.5-3B模型来说。搞阿毗达磨的都知道【癡】这个字。这个字太重要了。“随眠诸有本”，它是本的本，也叫“无明诸有本，故别为一漏”。这么重要这么核心的词，在qwen2.5分词器里，不具备独立的ID。它的ID是【22859 94】，也就是说，要用两个token才能表示它，就像用“母亲配偶”来表示“父亲”。再比如【煩惱】，多么重要的词，它在我整理的阿毗达磨数据中是排名第10的高频词，出现次数是3381次（200万字的文本），然而，它的token非但不是1个，甚至都不是2个，而是4个，【99302 102 32465 109】。更高频的一个字【繫】（插一句，有讨论阿毗达磨的博论里，搞不清“在色界”和“色界系”的区别），出现5103次，是第4名，但它也不具备独立的token。
为什么？因为无论【煩】还是【惱】或者【繫】，还包括【豈】，AI都会把它看成极其生僻的字，生僻到不配单独作为一个词。哪怕它们对应的简体字非常常见。包括【貪】也是。qwen2.5算是非常“中文友好”的分词器了，但就是在这里面，那些高频字和高频词，都不配占据一个独立ID，已经边缘到不能再边缘。
理论上来讲，只要你的数据量足够大，token长一点也不是不能缓慢解决，只是效率低下而已。但问题在于，现存阿毗达磨的高质量数据极其有限。200万字而已。对大模型吃下去的大数据来说，真的是大海里面的一滴水。你能指望一滴水落进大海里还能保留它的味道？
学习法律，但词库里没有“合同”这个词，只能用“当事人为了确定各自的权利和义务而订立的各自遵守的条文”来表示。那它怎么可能把法律问题整明白呢？
有人会想：难道那些繁体字对应的简体字也没有独立的ID吗？绝大多数是有的。但这又引来新的问题。就是简体字的阿毗达磨内容中，充斥着错误。如果不进行专门的处理，大模型训练数据库里，低质量阿毗达磨数据与高质量阿毗达磨数据的比值，可能超过100:1甚至10000:1。
好比一个小孩在中国的八线小城的80年代长大，他想学英语，但当地所有英语老师说的都是地瓜味英语，连老师也根本没有读过任何高质量的英语读物。那么，这样的小孩，哪怕智商再高，也不可能在这种环境里学好英语。如果你去中西部的小县城，看书协展出的书法作品，现在可能会好一点，因为有互联网，在过去，是绝无可能出现高质量作品的（东部沿海地区尤其是江浙很不一样，不具有可比性）。
所以说，要想让AI擅长阿毗达磨，起码要做到两点：第一，告诉它，什么是正确的阿毗达磨数据。否则它就会把正确的阿毗达磨数据和错误的同等对待，而错误的数据又是海量的（相比正确的）。好比你想让小孩擅长奥数，肯定不能天天教他“树上有10只鸟”。有人说，把大藏经塞给AI，AI会不会成为大师？这就好比把“树上有10只鸟”掺杂着小学数学和微积分题目塞给AI。大藏经是什么？大藏经就是菜市场。每样菜来一点，可以搞一锅炖，冬天吃一锅炖也还行，但招待外宾不够讲究。
第二，要把阿毗达磨的术语告诉AI。要让AI在它的词汇表里，先建立起阿毗达磨的基本概念（这是由数据的稀缺性决定的，高质量数据就那么一点）。要让它知道讲阿毗达磨的时候，该用“瞋”而不是“嗔”，以及阿毗达磨的“磨”不是摩托车的“摩”。要引导它不把阿毗达磨的概念和日常概念搅和到一起。那么，从哪里筛选阿毗达磨概念呢？如果你去找《佛教大辞典》之类的，那就又掉坑里了。不仅很多阿毗达磨词条没有收录，就是对收录的来说，解释错的也比正确的多。你要从经典阿毗达磨文献中提取术语，通过高频筛选的方法。但也不是说高频的就是术语。比如，《婆沙》中很多“答應說而不說者當知此義有餘”，如果你自动提取三字的高频表述，它会把“答應說”等当成词汇，所以你还得想办法，去筛选出真正的术语。