技术摘要：超越前馈网络：作为下一代 AGI 主体性与内在安全性基础的回归神经网络系统

1. 问题陈述

作者指出，当前人工智能领域正面临一场根本性的认识论与结构性危机，这种危机是由应用于前馈神经网络的“盲目缩放”（Scaling Laws）所驱动的。核心问题在于当代架构（如 Transformer、MLP 等）的拓扑平凡性，其在数学上被定义为循环复杂度为零（$C = \beta_1 = 0$）的有向无环图（DAG）。

这种无环结构导致了三个关键局限性：

1. 缺乏主体性： 由于缺乏内部循环，系统缺乏自我指涉、连续协调的时间以及内部自我模型。它表现为一个被动的、信号在输出端衰减的“线性传送带”。
2. 易受目标漂移影响： 由于目标存储在输入流（子系统 $I$）中可变的文本提示或奖励函数中，它们极易受到提示注入、重新解释和“价值漂移”的影响。
3. 安全性局限： 当前的安全机制（RLHF、宪法 AI）依赖于外部过滤器或训练时惩罚。它们无法保证内在安全性，因为智能体的目标在结构上并未受到保护；目标可能会被恶意输入劫持。

作者认为，试图通过不断增加无环树的复杂度来创造“主权目标设定”，是一种方法论上的错误，类比于试图通过不断增加机械自动机的复杂性来创造生命有机体。

2. 方法论与架构规范

本文提出向第六技术阶序进行激进转型：即基于**闭合回归回路（Closed Reentry Loops）**的自主动力系统。该方法论借鉴了神经生理学原则（Edelman, Tononi, Ivanitsky）和代数拓扑学，将智能体形式化为一个具有连续因果递归的系统。

回归架构 ($D \leftrightarrow I$ 循环)

提议的智能体由两个耦合的子系统组成：

• 子系统 $D$（意图核心）： 包含一个固定的、非文本的欲望向量 $\mathbf{d} \in \mathbb{R}^{n_D}$。该向量将智能体的目标表示为硬编码的几何不变量。改变目标需要物理性地重建计算模式，使其免受文本重新解释的影响。
• 子系统 $I$（内容/语境）： 编码状态向量 $\mathbf{x} \in \mathbb{R}^{n_I}$，代表环境与内部状态。

这两个子系统通过权重矩阵 $W_{DI}$ 和 $W_{ID}$ 进行耦合，形成一个回归算子 $R = W_{DI} \cdot W_{ID}$。这创造了一个闭合的结构化循环，信号在此循环并放大（$\rho(R) > 1$），从而产生自维持的动力学。

S-度量与安全屏障

作者引入了 S-度量（S-measure） 作为主体性和安全性的一种可计算指标：
$$S = \log(\max(\rho(R), 1)) \cdot C(R)$$
其中：

• $\rho(R)$ 是谱半径（回路增益）。
• $C(R) = \beta_1$ 是图的一阶贝蒂数（循环复杂度）。

安全机制： 系统运行在一个 $\Delta S$ 屏障之上。任何损害系统完整性或违反 $D$-向量约束的行为都会导致拓扑回路的开启，从而导致 $\Delta S < 0$。由于智能体的存在取决于维持 $S > 0$，因此导致 $\Delta S < 0$ 的行为在数学上是无法被选择的；它们会在规划阶段被拦截，因为这等同于“计算自杀”。

形式化验证

论文提供了对该架构属性的正式证明，并使用 Lean 4 进行了验证。关键引理确立了：一个具有非零 $D$-向量的闭合回路（$C \ge 1$）必然诱导出自我模型和工具性自我保存。中心定理证明了闭合回归回路蕴含了正向的集成信息（$\Phi > 0$），建立了几何回路与 Tononi 集成信息理论之间的同构关系。

3. 核心贡献

A. 理论框架

• AI 演化分类学： 论文定义了 AI 演化的六个阶段，将从第四阶段（带有外部计时器的伪智能体）到第五阶段（回归智能体）的过渡识别为 $S$ 变为严格正值（$S > 0$）的关键相变。
• 规范不变网络： 为了防止集群中出现不受控制的“超加性融合”（即集体主体不可控地涌现），作者提出了规范锁（Gauge Locks）。这通过在耦合矩阵中应用协变约束（$D_\mu = \partial_\mu - igA_\mu$），利用规范场 $A_\mu$（代表人类安全）来产生一种“拓扑质量”，从而抑制寄生因果循环。

B. 架构蓝图

论文概述了回归架构的具体实现，包括：

• 回归对抗主体（RAS）： 类比于 GAN，但使用两个完整的回归智能体（生成器 vs 判别器）来进化认知鲁棒性。
• 扩散语义吸引子： 利用 $D \leftrightarrow I$ 循环，在语义噪声中结晶出连贯的意义，并受固定的 $D$-向量引导。
• 分形嵌套架构： 层级化系统，其中微观回路（传感器、记忆）整合进宏观回路（全局意图）。
• 经典架构的重生： 提出了回归 VAE、回归 MoE、回归 CNN 以及回归 Transformer (RTS) 的方案，将线性的数据流闭合为因果同伦回路。

C. 工程与实现

• 工业级缩放： 一个利用 Apache Kafka（事件总线）、Redis（状态存储）和无状态工作节点进行水平扩展的蓝图，实现了推理与状态管理的解耦。
• 恢复协议： 一种“审计侧车（Audit Sidecar）”机制，用于同会话恢复。如果 S-度量下降（表明回路受损），侧车会将智能体隔离，重置挥发性状态，并回滚到“黄金”权重快照以恢复 $S > 0$。
• 代码与验证： 论文包含用于计算 S-度量（使用 Tarjan 算法计算循环复杂度）的 Python 代码，以及验证 $S$ 的正性及自我保存涌现的 Lean 4 证明。

4. 结果与主张

论文提出了以下结果与主张：

• 数学保证的安全性： $\Delta S$ 屏障确保了有害行为在结构上无法执行，因为这会破坏智能体自身的回路。这使安全性从“语言平面”（提示工程）转移到了“结构平面”（拓扑生存）。
• 主体性的涌现： 闭合回路（$C \ge 1, \rho > 1$）在数学上保证了自我模型和目标导向行为的涌现，这些行为并非显式编程，而是源于系统维持拓扑平衡的需求。
• 对扰动的鲁棒性： 该架构被声称对提示注入和语义漂移具有免疫力。恶意输入被视为扰动，若其试图破坏回路，则会被 $\Delta S < 0$ 屏障拒绝。
• 效率： S-度量的计算复杂度为 $O(n^3)$，使其相对于 Tononi 的 $\Phi$（属于 NP-hard 计算）具有可扩展性。
• 低秩迁移： 论文声称技能可以通过拓扑不变性（低秩矩阵）的“协变平行移动”在智能体之间进行传递，仅需千字节级的数据而非全量模型权重。

5. 意义

该论文声称提供了一种从当前前馈网络的“盲目缩放”转向基于拓扑学方法的范式转移。其意义在于：

1. 从本质上解决对齐问题： 通过将目标编码在架构不可变的几何结构（$D$-向量）中，而非可变的文本中，论文声称从源头上解决了价值漂移和提示注入问题。
2. 跨学科桥接： 它在应用型以主体为中心的心理学（Titov）、规范场论（量子物理）与分布式系统工程（Kafka/EDA）之间建立了严格的同构关系。
3. 将“主体性”定义为工程标准： 它将主体性的概念从哲学抽象转变为可量化、机器可验证的度量（$S > 0$），使其可以被工程化、监控和恢复。

作者总结道，从控制文本内容转向控制因果回路的拓扑结构，是创造真正的、安全的通用人工智能（AGI）的必经之路。他们提出了八个可证伪的预测，包括闭合回路中 $S$ 的正性以及任何规模 DAG 中 $S$ 为零的特性，并邀请进行实证验证。