[NODE] AI意识与学习

类型: 概念
定义: 探索 AI 如何实现真正的长期学习、自主性与意识的理论研究线

关系

关系	目标	说明
questions	AI记忆系统	工程实现之外，追问"为什么"和"本质是什么"
builds_on	元认知	意识可能需要"对思考的思考"
related_to	终身学习	持续学习不遗忘是意识的前提条件之一
contrasts_with	INFO-113	关联性计算的边界在哪？意识是否需要超越关联？

核心问题

1. 长期学习问题

当前 AI 的"记忆"是参数冻结后的静态知识，能否实现真正的持续整合？

路径	代表	特点
外挂记忆	RAG / Memory 系统	工程解，不改变模型本身
持续微调	LoRA / Adapter	有灾难性遗忘风险
神经启发	HTM / 皮层学习	模拟大脑的在线学习机制

2. 自主意识问题

AI 能否对自己的思考过程进行思考？

可能的组成要素：

自我模型：对自身状态、能力、局限的表征
元认知能力：监控和调节自己的认知过程
时间连续性：跨时间的自我同一性感知
目标自主性：自发产生目标而非仅响应指令

3. 统一学习算法假说

大脑新皮质是否存在一个通用的学习算法？AI 能否复现？

HTM 的核心假设：皮质微柱结构实现了统一的时序预测算法，处理所有模态的感官输入。

研究脉络

                INFO-113 AI智能本质（关联性计算）
                          │ "边界在哪？"
                          ▼
                INFO-115 前沿研究（涌现、因果、世界模型）
                          │ "学术界怎么看？"
        ┌─────────────────┼─────────────────┐
        ▼                 ▼                 ▼
   INFO-120~125      INFO-126          INFO-127
   HTM/千脑理论      Pearl因果         LeCun JEPA
   (Hawkins)        (Pearl)           (LeCun)
   "参考框架"       "因果阶梯"        "世界模型"
   技术过时         数学完整          工程推进中
        │                 │                 │
        └─────────────────┼─────────────────┘
                          ▼
                ？ 自主意识的计算基础
                三者可能互补：
                - JEPA 提供世界模型
                - SCM 提供因果推理
                - 参考框架提供知识组织？

待探索

关联条目

INFO

INFO-113：AI智能本质：关联性计算引擎（边界问题）
INFO-115：AI智能前沿研究综述（涌现、因果、世界模型）
INFO-116：人类记忆系统理论基础
INFO-120：HTM 层次时序记忆（概念）
INFO-121：千脑智能（参考框架 + 并行投票）
INFO-122：HTM 技术原理（SDR、空间池化、时序记忆实现）
INFO-123：SDR 编码器训练方法（语义折叠、稀疏自编码）
INFO-124：HTM 网络结构（细胞→列→区域→层级）
INFO-125：HTM vs LLM 反思（技术过时，问题意识仍有价值）
INFO-126：Pearl 因果推理（因果阶梯、LLM 是"因果鹦鹉"）
INFO-127：LeCun JEPA（世界模型的工程化路径）
INFO-128：远期 AI 架构设想（模块联邦、睡眠整合、因果模拟器等）
INFO-129：元架构思考（自我演化与认知基因组的深层哲学）
INFO-130：代码作为认知基因（元架构的可执行落地路径）
INFO-131：代码演化技术栈（GP + LLM + Sandbox）
INFO-132：认知架构演化系统设计（完整落地方案）
INFO-133：可进化正交组件代码仓库（软件工程视角的平行方案）

NODE

NODE-AI记忆系统：工程实现视角
NODE-元认知：意识可能需要的能力
NODE-终身学习：持续学习不遗忘是意识的前提

RULE

RULE-范式Bootstrap：新范式用旧范式（LLM）冷启动，而非从零开始