不用语言模型，也能做出 AI 式的推理

大模型的推理是把思考过程写出来。另一个思路是：不写，直接算。

一、发生了什么

10 月 22 日，Edward Chalk 在自己的博客上发布了 Minotaur 的深度解析，这是他这个系列的第二篇，第一篇的标题里写着"不用 GPU 的 AI 架构"。

Minotaur 不训练语言模型，也不用显卡。它把被推理的系统拆成三种角色：驱动、约束、以及两者之间的关系；驱动和约束之间不允许直接相连，必须走中间层。每个部件被看成一个份额，流入的部分要么通过、要么被拦住，两者相加是整体，中间存在一个平衡点。作者把这套最小化的序数表示叫 MINOS。

求解的动作只有一个，叫"沉降"。提问时把已知事实设为固定，把待求的设为空洞，网络像水找水平一样迭代，直到应力接近零。答案连同应力一起读出。系统分成两半：一半是这个会沉降的网络，负责从描述或数据里学结构；另一半是个精算器，负责穷举、算准、验证。两半之间只通过几种有名字的单向操作通信，每次通信都留一张证书，最终答案的可信度取所有步骤里最弱的那张。作者说，这串记录本身就是思维链，只不过不是新写一段文字，而是回放实际发生的步骤。

测试结果都是作者自测。警察访谈 30 道题，其中包括 15 道答案会随提问顺序改变的，Minotaur 全对，对照组语言模型答对一半，那 15 道一道没对。生产线故障 10 条新线，10 条都点对了故障名称，预测误差在 0.002 到 0.023 之间；包装站的 10 组跨单位推断全对，故障定位对了 8 组。亚里士多德逻辑里 1302 组三相关系全部通过，24 个有效三段论全对、零错误，其余 232 个全部拒绝并给出理由。一个照明电路案例里植入 40 个故障，40 个都找到了精确解释集，耗时约 1.5 秒。整套系统跑在单核 CPU 上，每个问题约四分之一秒。

二、跟你有什么关系

做工业、能源、设备诊断的：这类场景的系统有明确的物理结构，故障类型有限。把结构写清楚，比喂几万条日志给模型更省事，也更容易解释。

需要审计的行业：答案带证书、取最弱一环，这个设计比"模型说它对"更接近合规要求。

做大模型应用的：短期内不用换路线。但它提示了一件事——确定性的部分不该交给概率模型。

三、怎么判断

1. 先分清它测的是什么。题目是作者自己出的，对照组用的是语言模型的原始形态，没有工具、没有检索。这个对比不等于"超过大模型"。
2. 看输入要求。它必须有系统描述或数据，两样都给不出来就跑不起来。而且它不读自然语言，得先把系统翻译成它的格式。
3. 看可复现性。核心机制在专利申请中，理论部分挂在一篇 Zenodo 预印本上。没有第三方复现之前，所有数字都算作者自测。
4. 借它的方法，不必借它的实现。把"每个结论附一张证书、整体取最弱一环"这个习惯搬到自己的 agent 流水线上，今天就能做。

四、三个别信的说法

这是不用大模型的通用 AI。 它的适用范围是结构化的因果系统：设备、电路、生产流程。写文案、读合同、答开放问题，这套方法没有对应能力。

单核四分之一秒，所以比 GPU 便宜得多。 速度快是真的，但省下的算力换来的是建模成本。把一套系统翻译成它的角色表示，目前要靠人。

自测赢了语言模型，说明路线更优。 一场由提出者设计、用自己熟悉的题型、对手没配工具的对比，只能说明这条路走得通。要证明更优，得有第三方用同样的题、同样的预算重新跑一遍。

五、一句话结论

它不是在模仿人怎么想，是在把"为什么"变成可以检查的东西。

信息来源

• fleetingswallow：Minotaur 无语言模型推理实测，2026 年 10 月 22 日

功能与价格以官方公告为准。本文写于 2026 年 10 月 23 日。