技术深度解析
托管在GitHub上的6502模拟器项目“markdown-6502”，是受限工程学的一项奇迹。开发者将6502的完整指令集——涵盖算术、逻辑、分支和内存操作的151个操作码——翻译成了Markdown表格和代码块。每条指令在表格中表示为一行，包含操作码、寻址模式、周期数和描述等列。LLM被提示“执行”该模拟器：读取当前程序计数器，在Markdown表格中查找对应指令，然后更新对话上下文中以JSON结构表示的虚拟状态。
核心挑战在于状态管理。LLM必须在数百或数千次推理步骤中保持6502内部状态的一致性。这包括：
- 寄存器：累加器（A）、X、Y、堆栈指针（SP）、程序计数器（PC）以及包含7个标志位的状态寄存器（P）。
- 内存：64KB可寻址RAM，但模拟器使用压缩表示以适配上下文窗口。
- 时钟周期：每条指令消耗可变数量的周期（2-7个），LLM必须跟踪这些周期。
开发者指出，模型（GPT-4o）在大约50条指令后会出现状态漂移，寄存器值因注意力错误而微妙偏移。为缓解此问题，他们每10条指令引入一个“状态检查点”，强制模型重新验证所有值。这使错误率从12%降至3%以下，但将本已缓慢的执行速度再减半。
性能数据：
| 指标 | 值 |
|---|---|
| 每秒指令数 | 1.0 |
| 每条指令平均延迟 | ~1.2秒 |
| 每100条指令的上下文窗口使用量 | ~8,000个token |
| 错误率（无检查点） | 每100条指令12% |
| 错误率（有检查点） | 每100条指令2.8% |
| 最大可靠指令序列 | 约500条（之后上下文退化） |
数据要点：无检查点时的错误率对任何实际计算而言都是灾难性的——12%意味着一个简单的10指令循环在第一次迭代时就有大约72%的概率失败。检查点提高了可靠性，但代价是50%的速度惩罚，使该系统从根本上不适合确定性任务。
该实验还揭示了注意力机制的物理极限。6502的状态需要跟踪18个离散变量（寄存器+标志位）以及内存快照。随着对话增长，模型的注意力变得分散，导致“遗忘”更新。这是Transformer二次注意力复杂度的直接后果——模型无法在长序列中高效关注所有先前的状态变化。
关键参与者与案例研究
该实验由一位化名“emul8or”的独立开发者进行，他此前曾涉足各种异类计算项目，包括用SQL编写的Game Boy模拟器和用Excel实现的神经网络。该项目在GitHub和技术论坛上被广泛讨论，DeepMind和OpenAI的研究人员也贡献了重要分析，探讨其对“上下文学习”的启示。
与其他LLM作为计算机的实验对比：
| 项目 | 描述 | 性能 | GitHub星数 |
|---|---|---|---|
| markdown-6502 | 用Markdown实现的6502模拟器 | 1 IPS | 2,100 |
| llm-cpu | LLM执行类汇编指令 | 5 IPS | 850 |
| gpt-computer | LLM控制虚拟机 | 0.5 IPS | 1,400 |
| neural-turing-machine | 可微分神经计算机 | 不适用（需训练） | 3,200 |
数据要点：markdown-6502项目是LLM类CPU模拟器中性能最高的，但所有项目都面临相同的基本瓶颈：低于10 IPS的速度。神经图灵机方法虽然更优雅，但需要大量训练，且无法在现有LLM上运行。
该实验也招致了硬件工程师的批评，他们认为这歪曲了计算的本质。“LLM执行指令不是计算——它是在角色扮演计算，”AMD一位高级工程师在技术博客中写道。“当你需要确定性输出时，LLM就会失败。这就像让诗人计算平方根。”
行业影响与市场动态
虽然6502模拟器只是一个新奇事物，但它属于更广泛的“LLM作为通用模拟器”趋势的一部分。Anthropic和Google DeepMind等公司正在积极研究“上下文学习”，即模型无需微调即可适应新任务。6502实验正是这种能力的极端案例。
市场影响：
| 领域 | 潜在应用 | 可行性（1-10） | 上市时间 |
|---|---|---|---|
| 生物模拟 | 利用LLM推理模拟蛋白质折叠 | 3 | 5-10年 |
| 经济建模 | 基于LLM的智能体模拟市场动态 | 6 | 2-3年 |
| 遗留软件模拟 | 通过LLM运行旧软件 | 1 | 不适用 |