英语长期影响着国际科研、软件开发与知识传播。大模型让更多人可以直接用自己的语言提问、创作和完成任务，中文知识也因此获得了新的使用入口。
我看好中文在智能时代扩大影响力，但这一判断需要落在具体能力上：让更多中文知识进入可靠的模型与工具，让中文用户不必先翻译自己的问题，才能获得高质量服务。 汉字本身不能保证推理优势，语言生态的建设却可以持续改善使用体验。
语言影响力来自知识与使用网络
一种语言被广泛使用，与知识积累、教育、出版、商业交流和工具支持有关。这些因素彼此强化：资料越丰富，学习和使用它的人越多；使用者越多，新的资料和工具也越容易积累。
软件中的英语关键字只是这个网络的一部分。TCP/IP 传输协议并不要求内容采用英语，编程语言使用英文关键字也不等于程序按“英语思维”执行。把技术生态的历史优势解释成某种自然语言的先天优越，会混淆不同层次。
同样，中文用户规模和场景丰富度提供了机会，却不自动转化为高质量训练数据。资料是否可合法使用、是否准确、能否去重和更新，决定了这些资源可以发挥多大作用。
字符更少，不等于模型成本更低
中文表达某些内容时很紧凑，例如“退款”“交付”“复核”可以在界面中承担清楚的操作含义。但字符数、字节数、token 数和任务成本是四件不同的事。
| 比较对象 | 需要控制的条件 | 能说明什么 |
|---|---|---|
| 字符数 | 两段文本含义与细节相当 | 书写长度 |
| token 数 | 同一分词器、同一组语义对应文本 | 该分词器下的编码长度 |
| 推理成本 | 模型、硬件、输入输出长度与推理设置 | 特定任务的资源开销 |
| 任务表现 | 题目难度、评分标准与数据污染控制 | 特定模型完成任务的能力 |
一个汉字可能对应一个或多个 token，一个英文 token 也可能包含多个字母。模型学习的是编码后的序列，不会因为文字看起来紧凑，就自动减少同等比例的计算。
分词器确实重要。NAACL 2024 的研究在特定规模和语种设置下发现，分词选择会影响成本与下游表现；同时，编码压缩程度也不能单独预测任务效果。这支持的是“需要联合评估”，而不是某种语言天然更适合 AI。原始论文。
汉字的偏旁和复合词可以提供语义线索，但不是严格的逻辑编码。“苹果”与“梨子”没有共同的“果”字，“葡萄”也不能简单拆成两个独立概念。英语同样具有词根、词缀和复合构词。两种语言都需要上下文，也都可能产生歧义。
中文模型的价值，在于把本地知识处理好
中文 AI 的发展可以从三个层次观察：基础语言能力、领域知识组织，以及业务任务完成情况。
基础能力包括理解中文指代、省略、语气和长文结构。领域能力还需要处理专业术语、文档版本和组织内部的表达习惯。任务能力则要进一步判断：模型能否找到正确资料，是否遵守规则，输出能否被下一步工作使用。
中国团队发布的模型并不等于“只靠中文训练”。例如，Qwen3 在 2025 年发布时介绍了覆盖 119 种语言与方言的训练与支持范围。这说明中文生态的发展可以与多语言能力共同推进，不必以排除其他语言为前提。Qwen3 官方介绍。
模型数量、参数规模或某次榜单成绩，都不能直接证明语言生态整体领先。更有价值的证据是：相同预算下，目标用户的问题能否得到更准确的处理；上线以后，知识更新与失败修正是否持续发生。
从一个中文知识助手看机会
以企业售后知识助手为例，以下是说明性设计，而非已完成的实测。
用户问“上次换的那个又不行了，能直接退吗”，问题里没有明确产品、订单和故障信息。系统需要结合授权范围内的记录澄清对象，再查找适用的售后政策。它还要区分“可以申请退货”与“退款已经完成”，不能用一句自然流畅的回复替代真实操作。
这类场景的价值来自一组连续能力：
- 把用户的日常说法映射到正确对象，必要时追问
- 检索当前有效的政策与产品资料，保留来源
- 区分解释、建议、申请和实际执行
- 用真实失败样本改进知识、检索与流程
中文表达与本地业务知识在这里都很重要。只把英文问答集翻译过来，往往无法覆盖真实用户的省略、方言词和业务习惯；但这些困难可以通过数据和工程改进，而不是通过宣称汉字天然适合推理来解决。
用可检验的目标讨论未来
中文扩大影响力，至少可以观察三类信号：高质量中文知识是否更容易获取和更新，模型在真实中文任务中的效果是否稳定改善，中文产品能否服务不同语言背景的用户。
评测也应随之变化。除了通用题库，还需要真实任务、不同表达方式、长尾问题和跨语言一致性检查。翻译后的同一问题，应核对事实与推理是否一致；领域系统则应检查来源、权限和实际执行结果。
我更期待的未来，是中文成为高质量知识生产与智能服务的重要语言，让更多人直接参与技术创造。这样的影响力依靠内容、模型、工具和实践积累，能够被使用者感知，也能够被结果验证。