结论：庞培法布拉大学研究人员于上海时间2026年8月31日通过arXiv首次公开预印本《A Formal Limitation on Learning Human Language From Textual Corpora》，核心结论是：仅凭言语形式本身，任何文本表征（包括LLM隐状态）恢复说话人意图意义的成功率存在由语言固有不确定性决定的信息论上界，且该上界不可通过增加文本量或监督超越。在人工语言、中文零代词与颜色指称三类验证中，实测最佳准确率均未突破该天花板。该结论为作者推导的理论上界及受控实验报告，尚未经同行评审或独立验证，不应解读为对所有模型或场景的普遍定论。

研究对象与方法

研究针对“仅从文本能否学到说话人意图意义”这一经典问题，建立以意图M、语境C、言语U、表征Z与解码器f为节点的通信图模型，将意义视为带度量的空间。将言语表征定义为任意映射 g:U→Z，成功标准为存在 f 使 d(f(g(u)),m)≤ε。通过Fano不等式推导分类（定理1）与ε-回归（定理2）两类可恢复性上界，核心量为互信息 I(M;U)=I(M;U,C)-I(M;C|U)，即整体可解码性减去仅语境携带的含义。为验证边界，在仿真与真实数据上训练MLP解码头从冻结表征推断意义并与理论天花板对比。

评估条件与数据范围

仿真构造满足 H(M|U,C)=0 的有效语言：离散情形固定|M|=|C|=10、|U|=15的6种语言系统性改变 I(M;U)；连续情形在[-1,1]^2均匀意义上构造8种语言。真实语言：一为中文零代词消解，复用Wang等2018中文电视剧字幕，预处理后904,996句、12类指代、20.3%零形；二为Monroe等2017颜色指称，过滤后38,975轮三选一，意义为CIELab目标色块，语境为三色板，言语为英文描述。表征器为6个2B–14B模型（Qwen2.5 14B、Llama3 8B、Gemma2 2B及三款VLM），取最后一词元跨层最优表示，MLP解码并做超参搜索。

主要发现（作者报告，未独立验证）

  • 离散与连续人工语言中，最佳实测准确率在全部语言设定下均低于定理预测的天花板，且两者随 I(M;U) 单调上升。 中文零代词上，理论天花板0.93，最佳实测均未超过；LLM/VLM较直接选显式代词或猜最频“我”的基线（约0.85）提升有限。 颜色指称上，ε=0.2时天花板约0.66，全部模型与ε取值在[0.01,0.75]区间均未突破；大ε下边界更紧。 作者强调上界对任意 g 成立，包括无限数据下完美训练的理想表征器，含义为“不可表示即不可学习”。

局限与同行评审状态

该工作为arXiv预印本（2608.28560v1），提交于2026-08-28 17:38 UTC，按14:00 UTC截点与周末公告规则于2026-08-31 00:00 UTC首次公告，尚未经期刊或会议同行评审。局限包括：受算力限制仅至14B，未检验更大模型是否更逼近上界；仅检验弱解码性，未涉及表征是否被模型因果使用；未建模多轮对话、噪声信道及语境增强后的新边界；自然语言仅两任务、特定解码头与数据划分，依赖有效语言与共享语境假设，局部结果不得推广为普遍限制。

潜在意义与适用边界

若后续获同行评审与多模态、跨语言、大规模模型的独立复现支持，该上界为文本驱动LLM的语用能力提供了可操作的理论参照：当 I(M;C|U) 较高即高语境依赖时，仅提升文本规模或参数难以突破形式固有的不确定性，需引入视觉、交互或人类偏好等超文本信号。适用时应区分整体可解码性与仅形式可解码性，并在真实部署中结合语境可得性评估实际可恢复性与因果有效性。