大模型的“懂”，常常让人既惊喜又心里发毛。你随口问它一个抽象问题，它能回答得像参透你人生履历；让它解释代码，它不仅解释，还顺手给你来个优化；塞给它一段乱七八糟的句子，它整理得像语文老师亲自批改。于是有人慌了：AI 是不是要觉醒？是不是快要“理解世界”？这种担心就像看到鹦鹉背唐诗，于是焦虑它会不会下周背《古文观止》。大模型的“懂”不是开窍，而是 表示学习（Representation Learning） 越来越精细。它不是真懂，只是越来越会“摆”，而且这摆法摆得极其高明。
Representation 是什么？一句话：把世界塞进一个数学空间。人类理解世界靠经验——杯子和水瓶类似，你拿过；猫和老虎有关，你见过。模型没有经验，它只有数据，只能靠 Representation 把语言、概念、情绪、逻辑统统压进高维空间里。在这个空间里：意思相近的词靠得近，相关概念方向一致，连语气、风格、结构都能变成数学形状。你以为模型在理解，其实它在坐标系里找方向。而所谓“越训越懂”，不过是这张坐标地图越来越清晰、边界越来越细腻。
训练为什么能让它“越来越懂”？因为它每天都在被纠错。模型像个永不罢工的学生，不停做“预测下一个词”的题。做错一次就被梯度狠狠拽一把，做对一次就被轻轻表扬一点点。千万级、亿级、万亿级的数据砸下来，它逐渐学会哪些词总连在一起、哪些逻辑常常共现、哪种语气对应哪种情绪、哪些结构属于常见套路。它没有理解能力，但有模式发现能力；没有哲学头脑，却有惊人的统计天赋。无数这种模式堆起来，就成了 Representation 的隐秘知识体系，于是它突然看起来像“懂了”。
模型的“懂”不是悟性，是平均值。它能写文章，不是因为有文采，而是因为它把所有优秀文章的共同特征都统计出来：比喻、节奏、句式、情绪、结构，统统拿来拼；它能模仿风格，是因为它看到某些词汇和节奏在某类文章中出现频率固定；它能推理，也是因为它在海量人的推理过程中抓住了人类共有的逻辑框架。它不是懂世界，而是懂“人类怎么表达世界”。这算懂吗？严格来说不算，但效果像极了懂。
Representation 的真正强大，是它能把抽象概念拆成向量关系。语言里最抽象的东西——类比、因果、层级、隐含前提、世界知识——在人类脑里靠智力处理，在模型那里被拆成各种数学方向。例如“皇帝 - 男人 + 女人 ≈ 女皇”，不是模型会代数，而是它在空间里发现了这种方向性对齐。当这种方向越来越多，模型就在高维世界里学会“找规律、对齐关系、拼结构”，于是越来越像能推理。
为什么模型越大越“懂”？因为它的“意义空间”越大。把语言理解比作收纳整理，小模型是一间拥挤的小卧室，大模型是一座仓库。空间越大，能划出的“意义角落”就越多：情绪可以从几类拆成几十类，文体能从粗糙变成精密，角色关系有了远近，语境有了层级，推理链条能被拆成数段。Representation 的维度越丰富，模型分辨世界的能力越细腻。表面是“越训越懂”，本质是“越训越细”。
一句话总结：如果大模型是“会说话的概率机器”，Transformer 是它的引擎，Self-Attention 是它的灵魂，那么 Representation 就是把世界压进数学空间，让机器从“统计”看起来像“理解”的能力。模型越大、训得越久、数据越多，“懂”的幻觉就越逼真。理解没诞生，但“会装懂”已经达到艺术境界。
