维特根斯坦式表征假说：语言是否是多模态对齐的有效参考几何？

基于摘要分析。本文研究独立训练、分属不同模态的神经网络为何呈现共享表征结构，以及跨模态对齐是否具有方向性。作者引入基于非对称度量 cycle-kNN 的方向性模态对齐分析，在涵盖点云、视觉与语言的数十个独立训练单模态模型上考察这一问题。 核心方法是用非对称邻域对齐分析补充对称相似度度量：后者能够检测表征相似性，但无法区分对齐方向。作者报告，在所考察的模型家族与规模范围内，非语言模态对语言邻域结构的对齐程度，显著高于反向对齐程度；这一方向性差异无法由对称度量呈现。摘要未提供具体模型名单、数据集、样本对应方式、效应量或显著性检验细节，不能据此扩展为所有模态或模型均成立的结论。 作者将该方向性归因于特征密度不对称，即语言表征占据更紧凑的表征空间区域，并用 Information Bottleneck 框架解释：压缩约束下的优化可能促进表征向语言所具有的离散、组合结构对齐。据此提出“维特根斯坦式表征假说”，认为语言语义结构构成跨模态表征对齐的有效参考几何。这里应区分观察到的方向性、密度机制解释与更广泛的理论假说；其因果识别、实验协议、消融及统计信息尚未验证。 平台推测（待验证）：该分析工具可能用于检验 EEG 与文本表征对齐是否存在方向差异，而非直接作为 BCI 解码方法。迁移依赖可对应的 EEG—文本样本及可靠的邻域结构，需要适配神经信号编码与样本匹配；低信噪比、跨被试差异和小样本可能使邻域密度反映噪声而非语义。一个可证伪的小实验是在固定配对数据与编码器条件下，比较两个方向的 cycle-kNN，并加入随机配对及密度匹配对照，检验方向差异是否仍然存在。已有 EEG 相关工作尚未检索确认。