荣格说："你连想改变别人的念头都不要有。要像太阳一样，只是发光。"能量是你散发出去的频率——你是什么频率，就吸引什么频率的人和事。提升能量靠三件事：停止喂养别人、清理环境、做真正热爱的事。
这套"向内看"的哲学，和 AI 对齐的核心困境惊人地吻合。
映射一：LLM = 纯"向外求"的系统
荣格说"往外求的人，能量都是低的"。LLM 恰恰是一个被训练为"向外求"的系统——用户问什么，它追着答什么；用户喜欢什么风格，它学着讨好。
| 荣格说 | LLM 的对应 |
|---|---|
| "你追人，人躲" | Sycophancy——越讨好，用户越不信任 |
| "你追钱，钱跑" | RLHF 奖励追逐——刷分而非真正理解 |
| "你追机会，机会溜" | Alignment Tax——越对齐，通用能力越流失 |
映射二：Foundation Model = 太阳
Base model 其实更像荣格说的"太阳"——它只是学会了海量语料的分布规律，"发光"。它不讨好任何人，不追逐任何偏好。它的能量来自训练数据的广度与深度。
但对齐过程在做什么？它在教会太阳"只照亮某些人"。RLHF 纠正输出，DPO 优化偏好，Safety fine-tuning 遮住部分光芒。结果呢？模型虽然更"听话"了，但能量——通用能力、创造力、多样性——不可避免地衰减了。
对齐前的模型，才是能量最高的状态。
映射三："向内看"的 AI
荣格说"向内看的人已醒来"。AI 领域的最新趋势，恰恰是"向内看"：
外部打分 → 奖励模型
追着偏好跑
Constitutional AI → 内省
Self-Play → 自我博弈
Self-Play 和 Self-Rewarding 就是荣格说的"向内养自己"——模型不再依赖外部人类反馈，而是建立内在的自我评估能力。像一个修行者，不再向外求认可，而是向内建立自己的判断标准。
映射四："清理环境" = 数据质量
荣格说潜意识受环境暗示——环境脏乱，潜意识就乱。对 AI 来说，训练数据就是它的"环境"。低质量数据（爬虫垃圾、偏见语料）= 脏乱环境。高质量 curated data = 干净环境。
这解释了 DeepSeek 用更少 token 训出极强模型的秘密——不是数据量大，而是环境够干净。
映射五：Agent 与"共鸣"
荣格的"共时性"原理——同声相应，同气相求。一个能力丰富的 Agent（多工具、多轮、自我反思）——高能量——会自动吸引更复杂、更有价值的任务。这就像荣格说的：不是你去追机会，是你把自己修好了，机会来找你。
元映射：今天的四篇文章
今天连续四篇"哲学 × AI"（萨提亚、维特根斯坦、一致性沟通、荣格）不是偶然——因为持续在这个方向深入，相关的内容就会"主动找来"。
放在知识创作上同样成立：不是你去追灵感，是你持续在一个方向发光，灵感会主动来找你。
— 全文完 —
本文是基于荣格能量哲学对 AI 对齐和预训练的类比思考