INT-11大语言模型的智能本质——语言作为最高密度低熵信息载体的胜利

大语言模型先于世界模型成功，这件事需要一个解释。按信息量算，一张图的像素、空间关系、纹理，比同样存储的一段文字多得多；视频更多；具身交互最多。如果智能的高度由输入的信息量决定，视觉和具身系统本该先智能起来。事实是相反的。

我们的说法是：决定智能的不是信息量，是信息质量。语言的每一次符号使用都被几十亿人反复筛选过——低熵、高密度、自洽，这三样加起来，使语言成为人类造物里信息质量最高的载体。大模型预训练本质上是有史以来规模最大的一次低熵预训练。

这个框架一次接住四件事：视觉与视频模型为什么滞后于语言模型、AI 为什么按语言→图文→视频→3D／具身 的顺序发展、Chinchilla 定律该怎么重新读、以及涌现能力到底是什么。我们还做了一次能做的检验——跨模态污染传播实验：2 个视觉语言模型 × 3 个任务 × 4 个条件 × 10 次重复，共 240 次调用，看两个通道给出互相矛盾的值时模型信哪一边。结果分裂：一个模型 96.7% 信文本，与预测一致；另一个只有 33.3% 信文本，方向相反。 因此这个实验没有验证核心命题，只留下一个待解释的异常。

这是一次理论构建，不是实证报告。边界也说清楚：信息质量的精确函数形式没有给出，不同模态的信息质量没有定量比较，涌现临界点只是定性刻画。实验只有两个模型、每个条件 10 次重复，百分比的分辨率是 3.3 个百分点；更要紧的是两个模型的结果方向相反，所以连「文本比图像更被信任」这一条也没有建立起来。

关键词：大语言模型，低熵信息，语言本质，涌现能力，多模态学习，智能论