缺乏能力的理解：大语言模型在符号计算与推理中的架构局限

大语言模型(LLM)表现出惊人的表面流畅性，却在需要符号推理、算术准确性和逻辑一致性的任务中系统性地失败。本文通过受控实验和架构分析，对此类失败进行结构性诊断，揭示了理解与能力之间的持久鸿沟。我们展示，LLM常常表述出正确的原理却不可靠地加以应用——这种失败根植于计算执行，而非知识获取。我们称之为计算“split-brain综合征”，其中指令与行动路径在几何上和功能上相互脱离。这种核心局限在从数学运算到关系推断的领域中反复出现，解释了为何模型行为即使在理想化提示下仍然脆弱。我们认为LLM是强大的模式完成引擎，但缺乏原则性、可组合推理的架构支撑。我们的发现界定了当前LLM能力的边界，激励了具有元认知控制、原则提升和结构性 grounding 执行的未来模型。这种诊断也澄清了为何机制解释发现可能反映训练特定的模式协调，而非通用计算原理，为何指令与执行路径之间的几何分离暗示了神经内省和机制分析的局限性。