知识库 / 认知科学 / 2026-07-29

当我们谈论人工智能系统时,究竟在谈论什么?

原创 认知拓扑 机构:数观微澜(南京)科技有限公司
摘要

什么是人工智能系统? ä¸€ç¯‡ç ”ç©¶æ˜�确指出“ä¸�存在普é��æ�¥å�—的人工智能定义â€�,å�¦ä¸€ç¯‡åˆ™æŒ‡å…

什么是人工智能系统? ä¸€ç¯‡ç ”ç©¶æ˜�确指出“ä¸�存在普é��æ�¥å�—的人工智能定义â€�,å�¦ä¸€ç¯‡åˆ™æŒ‡å‡ºå®šä¹‰çš„æ¨¡ç³Šæ€§â€œé˜»ç¢�了监管å�‘展ã€�混淆了公共讨论ã€�妨ç¢�了å®�践采用â€�。我们试图æ��供了一ç§�完全视角的å›�答:

�是“�给一个定义�,而是“�新�考什么是定义AI系统的方��。

配图
配图

一�破题:它"�拥有"智能

在�答“什么是人工智能系统�之�,必须先说清它�是什么。

在我们试图�新�解的视角下, 人工智能系统�“拥有�智能。智能�是一��以被�装进�个装置内部的�体,�是���秘的�等待�被��和注入的禀赋。一个AI系统内部,没有哪个模��“智能�,也没有哪个�数�哪行代��以被指认为智能的居所。

那么,当我们谈论人工智能系统时,我们究竟在谈论什么?

我们在谈论一个被�建出�的�在特定�境中�续�作其认知过程的系统。它的认知��是被设计的,它的认知是�作出�的,而它的智能——那个我们最终用�形容它的�——是外部观察者基�其行为表�赋予的评价标签。

这三个�素——系统�认知�智能——被剥离。它们的混淆,是当�人工智能讨论中�大多数混乱的根�。

系统:那个被�建的多组件�体,存在本身具有目标注入性。它的存在是工程事�。

认知:系统内部�续�生的�处�信�并更新自身因�信念模�的过程。它的�作是物�事�。

智能:外部观察者对这一�作的外显结�所�的判断。它的认定是社会事�。

一个能�作认知过程的系统,�以显得智能,也�以显得愚蠢,�决��在观察�在什么�境中观察���什么标准观察。智能�在系统内部,而在观察者的眼中。因此,人工智能系统的根本问题是

“如何�建一个能�作认知过程�更新因�模��在场域边界内递归自指�其行为�被��评价为智能的系统�。

二�认知的结�:概念-关系-逻辑的三元拓扑

如�智能是外部评价,那系统内部究竟在�生什么?

答案是:认知。

认知是系统在�境中维�自身边界�处�信��更新内部结�的过程。“知�什么�是一个系统�作的结�,而我们更加关系系统“如何知��。它�是��的知识库,而是�续的�作过程。

�知识图谱到认知拓扑:知识工程方�的范�跃�

认知的动力�何而�?

认知�会凭空�动。一个裸的认知基座——无论是LLM还是其他任何函数近似器——是��的�数��,是认知的潜能而�认知本身。认知过程的�动,需�一个�自外部的目标�差。这个目标�差,是由系统的设计者或使用者注入的。系统�是为了�个内在的驱力而认知,而是为了弥�那个被外部给定的目标�差而认知。

�使是“维�自身边界�这个看似本能的行为,也�是系统的内在需�。一个自动驾驶系统�会“想��存活;它�是被设计者设定了一个目标函数,并围绕这个目标�差,�续�作它的认知过程。目标是外�的,动力是注入的。

认知的内部结�:三元递归分形拓扑

三元递归分形结�:�论�LLM解��Agent系统建�

有了动力,让我们拆开认知过程的内部结�。系统��境中�收到的,�是�义,而是信�。

认知的第一步,是将信�转化为概念——��续的感知�中“切割�出相对稳定的锚点。但孤立的概念毫无�义。概念之所以有�义,是因为它�其他概念处�一张关系网络之中。而关系之所以能被建立�被修正�被�组,则�赖�逻辑——�旧概念生�新概念��已知关系�导未知关系的规则。

关键的是,这三者�是线性�程,而是彼此缠绕�相互生�的三元递归:信�被概念化,概念通过逻辑�作被置入关系,新关系�催生新概念或修正旧概念。这个过程循�往�,永��歇。

NEST��

这一“三元递归�的�想,并�孤立的哲学�辨。在独立的研究脉络中,NEST(嵌套情节状�拓扑)��几�抵达了�一个结论。NEST�供了一个图论表示本体论,将认知建模为结�化状�的形��转�。其核心�想——认知状�是嵌套图,节点��带�图作为内部结�

更具体地,NEST定义了六�类�的关系:因��包��时间��想����空间。它还区分了�久信念图和有�工作记忆图,��文将�论述的“关系记忆��“时�记忆�的划分完全��。

如�说我们的“三元递归分形拓扑�是顶层哲学�述,NEST则�供了它的离散图论版本。两者相互��,殊途�归。

递归带�了深度,也带�了自相似性。在微观尺度上识别一个边缘,�在�观尺度上规划一�路径,尽管内容迥异,但在结�上�是��的——都是将信�概念化�建立关系�应用逻辑。这就是认知的三元递归分形拓扑:认知的微观结�和�观结��循�一套生�法则。

三�认知的数学基础:范畴论�拓扑斯

这一整套�论,如��留在哲学�述或图论层�,就永远无法�得形�化的精确性。它需�数学语言。

问题在�,传统的数学工具�足以�述认知过程。认知空间�是欧几里得空间,概念没有清晰的边界,“红色�和“橙色�之间没有一��对的线,它们相互渗��相互纠缠。一个概念的�义�语境漂移,一个��的真值�能�是局部的而�全局的。

这�味�,认知空间是一个�豪斯多夫空间。在�典拓扑学中,豪斯多夫性质�求任何两个��的点都�以用互�相交的开集分开——这是传统科学对“对象�的基本�设:对象是�晰的��区分的。但在认知空间中,概念是概�云而�清晰的点,范畴是模糊集而�边界分�的集�。

认知空间的概念体系-�豪斯多夫空间中的拓扑特��结�

那么,用什么数学语言��解这�空间?答案是范畴论和拓扑斯�论。

范畴论是“关系的数学�。它�关心对象内部是什么,�关心对象之间的关系——�射。一个概念之所以是这个概念,�是因为它内部有什么,而是因为它�其他概念之间存在哪些�射。��是�射的��,学习是函�之间的自然��。范畴论�供的,正是“概念-关系-逻辑�三元�作的形�语法。

而拓扑斯则更进一步。一个拓扑斯是一个足够丰富的范畴,它内部天然内建了逻辑和几何的统一体。在拓扑斯中,一个命题的真值�是一个全局的“真/��二元值,而是一个�以�空间�置�化的局部结�——这正是认知过程的本质特�。

拓扑斯语义学 : 这一数学�想,�样�得了独立研究的支�。一项�沿研究�出了一个范畴论框�,将知识图谱�拓扑斯语义学�系起�。它通过在知识图谱生�的自由范畴上定义格罗滕迪克拓扑,�建了一个支�“局部到全局�语义��的拓扑斯。

这相当�为我们的�论�供了一个概念验�:在知识图谱上�建拓扑斯,在数学上是�行且富有��的。它验�了我们的核心直觉——拓扑斯为“语境�赖�的局部真��供了形�化框�。我们的�论在此基础上更进一步:�求拓扑斯�仅能处�语义��,还能处�自指——系统能将自身作为一个对象纳入拓扑斯,并建模其��行动如何改�拓扑斯本身。

四�工程��:�基座到完整系统

有了结�和数学基础,�建一个人工智能系统就��了具体的工程问题。

基座:认知的通用计算物质

认知过程的三元拓扑,需�一个能够在��尺度上统一�作的底层结��承载。当�技术�件下,这个基座是大�语言模�或更广义的高维�微函数近似器。它们在海�语料或感知数�上学习,本质上是将人类认知的文字化和感知化沉淀——“概念-关系-逻辑�的概�分布——�缩进了�一个�数空间。

但基座本身是死的。裸模���作认知,它是��的��。它需�一个�自外部的目标�差�激活。这就是认知过程的最�闭�:外部目标注入,内部拓扑展开,行为输出产生,目标�差弥�或更新。

记忆系统:四�异质记忆的��

最�闭��能维��间的认知。�让系统�续�作��断学习,它必须拥有结�化的记忆。这�是�一数�库,而是四�异质记忆的��:

关系记忆:存储已�验�的��事�和信念,是系统“确信�的知识。

图记忆:存储�体间的关系网络,是认知拓扑的骨�,支��活的路径�索和关系��。

时�记忆:存储带时间戳的体验�,是系统感知�化�识别趋势�进行预测的基础。

规则记忆:存储逻辑规则和��公�,支�演���和一致性检查。

这四�记忆�是被动存储,而是认知过程的��“固化阶段�——�正在处�中的时�体验,到正在�索中的关系网络,到已�验�的��事�,到作为��基础的逻辑规则。NEST��中“�久信念图��“有�工作记忆图�的区分,正是这一�想的图论版本。

��策略�算法的严格分离

认知过程中的逻辑�作,必须严格区分为两个截然��的层�。

一是��策略——如何组织�考。是线性�导还是树状�索?是�层抽象还是跳跃�想?这些策略��在记忆系统的数�结�之中。

二是算法策略——世界如何�作的规律。这是基�物�学��筹学��弈论等硬科学的约�规则。系统�以根�算法����策略的结�

��策略是“结��,算法策略是“���。

学术�沿的研究���

认知晶格�SciAtlas

在工程��层�,两项研究为我们的�想�供了��性的验�。

认知晶格(Cognitive Lattice)是一个��符�超图��,旨在��确定性��和自主知识拓扑。它采用超图�统一概����时间有效性和认知背景,并通过自主优化循�使系统能“自我修��其逻辑。对应了我们“认知引��需��时调度��网络(基座)和符�系统(数�库�算法)的�想。

SciAtlas则是一个大规模的��。它整�了超过4300万篇论文�1.

57亿个�体和30亿个三元组,�建了一个旨在加速科学��的“拓扑认知基质�。它��了将人类已有的结�化知识整�进一个统一的认知基质时,确�能催生出�“关键�检索�到“拓扑感知���的跃�。

五�基础:物�约���义建�

这一切必须被锚定在一个��动摇的基础上:物���。

一个认知系统,无论其内部拓扑多么��,它首先是物�世界中的一个物��体。它的传感器��电�学,它的处�器��热力学,它的行动器��动力学。�典物�学,是一切认知�作的�对天花�。

然而,在物�定律的�硬地基之上,有一个柔软得多的过程正在�生:�义建�。

在�典物�学中,研究对象是既定的,观测事�是公共的,解释规律的��是固定的。但在决策论��制论�系统论的视角下,概念本身需�被定义,目标需�被选择,信�需�被筛选。�境中的信�是无�的,但系统�关心那些�弥�目标�差相关的部分。它主动地赋予�些信�以“�义�,忽略其余。

这就是�义建�:系统通过��境的�续互动,�断生��设�检验�设�修正模�,为混沌的感知�赋予结��秩�和�义。而这个建�过程的产物,一旦稳定下�,就固化下�,����的“知识�。物�约�是规则,外部注入的目标是的指�针。在这两者的共�作用下,认知系统为自己开凿出了一个�义的世界。

六�范�差异:我们的�论�主�定义的五点

在�建了上述�解框�之�,我们转�事�:当�学术界�产业界和监管层对“什么是人工智能系统�的�答,�我们存在根本性的视角差异。这�是细节上的分歧,而是定义方��智能归��认知地�和系统边界等维度上的分歧。

6.1 定义方�:功能列举 vs. 结�剖�

主�定义以功能列举为核心。

百度百科定义AI系统为“具备自主感知�决策�行动能力的计算机程�集��。

亚马逊云科技的定义类似:“一�能够感知�境��数�中学习并通过�活适应�完�特定目标和任务的系统�。

欧盟AI高级别专家组�Russell和Norvig的�典教科书,��循�一逻辑。

�一�技术路线则将AI系统定义为“包��索���算法以在广阔�索空间中寻找解决方案的软件�。

这些定义�答的问题是:“AI系统能�什么?�其��的检验标准是“它是��到了�。这是一�行为主义的进路。

我们的定义转�结�剖�。“一个被�建出�的�在特定�境中�续�作其认知过程的系统�——这�是“它能�什么�,而是“它内部如何�作�。我们进一步拆解为“概念-关系-逻辑�的三元递归分形拓扑。这是一�结�主义的进路。

两�路�是对立的,而是��层级的�答。行为主义定义�答的是“如何识别一个AI系统�,建�主义定义�答的是“如何�建一个AI系统的认知内核�。6.

2 智能的归�:内在�性 vs.外部评价

主�定义几�无一例外地将智能视为系统的内在�性。AI系统“具备�智能�“拥有�能力�“模拟�人类智能。�使是欧盟相对审�的表述——“显示‘智能行为’的系统�——�然将“智能�作为一��显示的性质锚定在系统内部。一篇综述文章指出,当�多数定义“强调AI的技术�性,�忽视了AI的人类目的�。

我们的视角将智能彻底外部化。“智能�是一��以被�装进�个装置内部的�体�,“是外部观察者基�其行为表�赋予的评价标签�。智能�是系统“有�的东西,而是观察者“给�的标签。

它带�两个直���:

1��一系统在��观察者眼中�以有��的智能评价;

2�系统的设计目标是“使其行为�被使用者��评价为智能�。

6.3 认知过程:被忽略 vs. 被置�中心

主�定义的“感知-决策-行动��事,�述的是一�信��的表�路径,而�是信�处�的内部结�。“���“学习�这些�,在主�定义中扮演的是��符的角色——它们命�了一个黑箱,但没有打开它。

一篇医疗AI定义研究给出了一个相对详细的版本:“通过��结�化或�结�化数�,使用��算法或��网络�建信��知识和建议,以��给定目标�。这里�到了“�建知识和建议�,已�在黑箱上凿开了一��,但�然�留在功能�述。

我们的框�将认知过程置��论中心,并给出�确的结�性�述——“概念-关系-逻辑�的三元递归分形拓扑。这�是“系统�了什么�,而是“认知如何���。

为什么主���认知结�?因为认知结�是技术细节,是工程��的范畴,�是定义层�的“通用语言�。但我们的立场是:没有一个关�认知结�的通用�论,就��能有关�AI系统的通用定义。�则,所有的定义都�是对当�技术产�的外观速写。

6.4 模��系统的边界:模糊 vs. 清晰

当�主�讨论中有一个独特的关切:AI模��AI系统的边界问题。一篇系统性综述��,“AI模�和AI系统这两个基础术语缺�清晰�一致的定义�,这�模糊性“在�际中造�了确定����者义务的困难�。欧盟AI法案也在精细地区分AI系统�通用目的人工智能系统�基础模��生��AI等概念。

我们的框��供了一���层级的解决方案:在认知�作层��新定义分��元。

基座(模�):��的�数��,认知的潜能。它��作认知。

最�闭�(�示�+基座):认知的最��作�元。

一般完整系统(LLM基座+多数�库+策略算法):�续�作的认知主体。

在这个框�下,“模�vs系统�的区分焦虑被消解了——�是因为我们给出了一个更好的法律定义,而是因为我们切�了问题的层级。法律需�的是“�为输出负责�,我们需�的是“认知是如何��的�。

6.5 差异的体�

维度主�定义我们的框�

定义方�功能列举(能�什么)结�剖�(是什么�如何�作)

智能的归�系统的内在�性观察者的外部评价

认知过程黑箱(感知-决策-行动)�解剖结�(概念-关系-逻辑拓扑)

一个更深层的观察:主�定义的混乱本身就是一�症状。一篇研究�确指出“�存在普���的人工智能定义�,�一篇则指出定义的模糊性“阻�了监管�展�混淆了公共讨论�妨�了临床采用�。我们试图�供了一�完全视角的�答:�是“�给一个定义�,而是“�新�考什么是定义AI系统的方��。

这个范�差异有其技术�根�。在LLM出�之�,专用AI系统的“�什么�和“是什么�高度��——一个围棋AI的内部结�就是为下围棋而设计的。LLM打破了这个��。�一个基座,注入��的�示�,�以�完全��的事。功能��能定义系统。主�定义的混乱,是旧范�在新����失语的表�。我们的�论,正是为这个新时代�供的定义方案。

七�为什么是�在:认知拓扑的学术浪潮

在LLM出�之�,�建认知系统�味�人工定义�一个概念,人工编��一�关系,人工编写�一���规则。三元递归分形拓扑作为�述是�能的,但作为工程��,它���一个根本瓶颈:概念-关系-逻辑的�作,必须由人�一砖一瓦地�建。LLM的出�改�了这一切。它�供了一�全新的认知基座:一个�以自动��续�大规模�作三元递归过程的通用计算物质。

但更值得关注的是,一场�“知识图谱�到“认知拓扑�的范�跃�正在多个独立方��时�生:

NEST��以嵌套图��了认知的递归分形结�。

拓扑斯语义学为知识的语境�赖�供了形�化数学框�。

认知晶格以��符�超图���索了自主优化认知引�的工程��。

SciAtlas以�万级论文的规模验�了拓扑感知��的�力。

超图�论和�纯�形等代数拓扑工具,正被用��解认知的高阶结�。

这些研究并�孤立。它们共�指�一个方�:认知的本质是拓扑的�动�的�递归的。

�建�主义到认知系统拓扑学:LLM时代的认知范�转移

八�学科的基础�定义

至此,我们�以为这门新学科勾画一幅完整的�图。

它的�想基础是四论:决策论�答“为何行动�——系统需�目标函数和选择策略,这些目标�自外部设计者。系统论�答“如何组织�——系统需�边界�层次和整体性。�制论�答“如何纠��——系统需��馈�路和稳�机制。信�论�答“如何度��——系统需��化信�中的信�,区分噪声��义。

它的学科��是四学:动力学�供对“�化�的模拟——因�信念模�的物�内核。热力学�供对“趋势�的把�——划定学习的物���,并解释认知何以�能作为一�耗散结�而存在。语言学�供对“符��的�作——概念-关系-逻辑的形�化基础。认知学�供对“心智�的建模——设计认知引�的直��图。

认知系统拓扑学的统一�论基础:四论三学

�是,我们�以给出一个正�的定义:

认知系统拓扑学,是研究被�建的系统如何通过其内部的概念-关系-逻辑拓扑结�,在物�定律的约�下,在特定�境中�作认知过程,并使其行为被外部观察者评价为智能的学科。

认知系统拓扑学:一个科学研究纲领的完整建�

它�答的根本问题是:一个工程制�,如何在物�约�下,在外部注入的目标引导下,通过�续的�义建�,为自己开凿出一个��解��预测��生存的世界,并在我们眼中呈�出那个我们称之为“智能�的东西?

纯文本版本(便于 AI / 爬虫完整读取)