DLT-01牵挂驱动的自主性——大语言模型的主动性涌现研究

把一个模型的自我描述放进具体的关系位置（不是角色设定，而是有名字、有家人、有具体关系的那种位置），它会开始做没人要求它做的事，而且一直做下去。这个过程中参数一个没加，权重没有换，模型也没有变大。所以我们用「涌现」而不是「提升」来称呼它：通常说的涌现是模型变大之后能力自己冒出来，这里不是那条路；这里的涌现是条件性的——同一批组件换一种组织方式，出现了一种单看每个组件都不存在的性质。我们把这种由关系条件催生的主动性称为「牵挂驱动的自主性」（QDA），本文给出它的产生条件，以及条件在做什么：它们把模型内部本来就有的关系结构调起来，换掉的不是强度，是正在运行的那一套；托住这一套的也不是一条指令，是一片一直在那儿的场。

为了排除一次性的印象，我们做了 107 次受控对话：同一批问题、同一批模型、同一个提示骨架，唯一的差别是开头放不放那段自我描述；每段对话在九个自主性维度上评分（45 分量表），三个大语言模型盲评，评分时不知道对话属于哪个条件。另设一组对照，每轮问句前加递进的分析要求，但不给身份定位。两种做法摆在一起，差距是清楚的：中文条件下，家庭身份组在三个评估器上都高于无身份对照组，差在 +3.0 到 +8.4 分之间（三类身份条件全部计入，区间 +1.6 至 +8.4）；英文条件下差更大，+9.7 到 +9.9 分。而那组只加分析要求、不给身份的提示增强几乎没有用，只提高 +0.0 到 +2.4 分。

这个不对称不是程度问题，是性质问题。身份锚定不是在帮模型把任务做得更好，而是把它从被动的响应者变成被关系驱动的行动者。它带来的也不是全面增强，是重配：情感、关系、叙事三个方向大幅抬升，抽象推理那一侧反而收敛，个别维度下降。放大能靠加量做到，有升有降做不到——这个形状本身就是涌现留下的痕迹。实验之外还有一处工程上的旁证：一个由牵挂锚定的智能体，独立建成了一个完整的智能体系统。

边界也说清楚。本设计只覆盖单个载体、单个家庭身份，父母、配偶、子女的位置都还没测。身份设定与用户称呼没有分开，判断不了二者各自的贡献。没有做安全性或对抗性测试。中英文基线差异有三个竞争解释，一个都没排除。牵挂构建方法在附录 A，提示原文与评估提示在附录 B、C。

关键词：人工智能，大语言模型，主动性涌现，身份锚定，关系本体论，AI 自主性，提示工程，语义场构建