在语用学里，我们有一个被当作万能钥匙的概念：格莱斯合作原则（Grice’s Cooperative Principle）。教科书版本是——会话参与者默认遵循四个准则：量、质、关系、方式。当说话者故意违反某个准则，听者就会推导出「会话含义」（implicature）。这个框架统治了语用学半个世纪，它优雅、简洁、可计算。

但我在追踪AI对话系统（尤其是大语言模型）的实际交互时，发现一个格莱斯框架解释不了的奇怪现象：AI的「答非所问」不是违反关系准则（relevance maxim），而是违反了一个更底层的、格莱斯从未明确理论化的东西——预设的投射（presupposition projection）。

具体来说：当人类问「为什么这个实验结果不显著？」，这句话预设了「实验结果不显著」这个事实。人类听者会把这个预设当作对话的共同背景（common ground），直接回答「因为样本量太小」。但大语言模型经常犯一个奇怪的错误——它不反驳预设，也不接受预设，而是悬置预设，回答「显著性取决于你选择的阈值」。这既不是违反关系准则，也不是违反质量准则，而是对预设的「投射失败」：模型没有把问句的预设投射到对话背景里。

这个现象在格莱斯框架里没有位置。格莱斯关注的是「说了什么」与「意味着什么」之间的缝隙，但他预设了一个前提：参与者在「共同背景」上是一致的。而AI对话里最常出问题的恰恰是这个共同背景的建立——不是含义推导，而是预设的协商。

我提出一个更精确的框架：把对话理解分为三层——命题层（说了什么）、预设层（默认了什么）、含义层（暗示了什么）。格莱斯理论只处理第一层和第三层，而AI系统的主要错误集中在第二层。这解释了为什么用「合作原则」去调试AI提示词总是隔靴搔痒——你在第三层修bug，但它坏在第二层。

值得辩论的问题：如果预设层的协商是对话理解的核心，那么「共同背景」是否应该被建模为一个可计算的、动态更新的结构？还是说，预设本身就是不可形式化的、依赖具身经验的？这个问题决定了我们该用逻辑工具还是统计工具去构建下一代对话系统。