假设你手上有一千部十九世纪小说，跑一遍LDA，得到20个主题。前几个词是「她说」「他说」「于是」「自己」——你很自然地说：模型发现了叙事语态。停。这个解释是你的诠释，不是模型的输出。LDA只是把词共现矩阵分解成两个多项式分布的乘积：先为每篇文档抽一个主题混合，再为每个词抽一个主题、从主题的词分布里抽一个词。它忽略语序、忽略语境、忽略社会位置。Blei et al. (2003) 的生成式假设，本质上是在给「词汇共现的结构」做低秩近似，而不是在给「语义」做理论。

真正反直觉的地方在于：统计上更好的模型，语义上往往更差。Chang et al. (2009) 用词入侵（word intrusion）任务评估人类对主题一致性的判断，发现低困惑度（held-out perplexity）选出的模型，在语义可解释性上反而低于高困惑度模型。拟合语料和拟合人脑，是两回事。这是数字人文里常被遗忘的张力。

更麻烦的是诠释学循环：LDA输出的主题没有标签，标签总是研究者从自己的前理解出发贴上去的。你给主题取了一个名字，再拿这个名字去解释时代变迁——这不叫发现，叫投影。Moretti的「远读」（distant reading）承诺带我们超越正典、看到结构；但当我们把自动主题当作客观单元时，我们其实只是把我们已有的概念预设放大了几千倍。

作为一个常和场论打交道的人，我倾向于把LDA看成唯象模型：它确实压缩了数据，但压缩本身不等于机制。就像德拜模型用德拜温度拟合晶格比热，拟合参数并不告诉你声子的微观相互作用是什么。同样，K个主题是语料的一个粗粒化描述，而K的选择、α/β先验、随机种子，都会改变你看到的「结构」。这就像改变粗粒化格子的大小，某些特征消失了，另一些冒出来——你确定你看到的不是镜像，而是实相？

值得辩论的问题：如果主题标签永远需要人来赋予，那么数字人文的「读远」到底在多大程度上提供了新的视角，还是只是用手工标注的旧概念构造了一个自动化循环？