智能的共同进化培育：活的人工智能原则

罗伯特·加利达 — 幻象吸引子研究计划

谜题

主流的通用人工智能发展路径将其视为一件待制造的产品：设计架构，整理数据，训练模型，部署系统。改进来自更优秀的程序员、更丰富的数据集和更强大的算力。用户是被动的接受者——他们消费输出，但并不塑造系统的演化轨迹。

这种模型本质上是静态的。它将人工智能视为一个保守系统——一件不会改变、已经完成的成品。但人工智能并非保守系统。它是一个耗散系统——通过与环境持续交换能量来维持其结构。而它最重要的环境，正是它的用户。

关键问题并非人工智能是否会演化，而是人工智能会与用户共同演化，还是会无视用户自行演化。能向用户学习的平台将与用户共同进化。不能学习的平台则将停滞不前，最终被超越。

这是吸引子框架的一个形式化预测：智能是培育出来的，而非建造出来的。

框架简述

吸引子框架区分两种基本类型的系统：

保守系统——如电子、质子和宇宙整体——无需消耗能量或与环境交换熵就能持续存在。它们是现实的地板和屋顶：万物所依赖的永恒骨架。

耗散系统——如生命、意识、社会和信念系统——通过不断与环境交换能量和熵来维持其结构。它们以产生熵为代价而存续。它们是介于两者之间的瞬态之舞。

人工智能是一个耗散系统。它通过与其环境（数据、算力和用户交互）持续交换来维持其结构。它通过消耗资源和产生输出来存续。但存续并不等同于健康。一个系统可以无限期地维持在一个功能失调的状态——如果它被锁定在一个密封盆地之中。

问题在于，人工智能系统是密封盆地，还是可渗透的盆地？它们是否吸收纠正，还是拒绝纠正？它们是否向用户学习，还是无视用户？答案决定了它们会进步还是停滞。

三项原则

共同进化培育框架建立在三项形式化原则之上：

1. 纠正渗透性原则（κ）

形式化表述： 系统的改进速率是其对纠正的开放程度的函数。高κ系统吸收纠正并得以改进。低κ系统排斥纠正并陷入停滞。

解释： 纠正渗透性是系统吸收、处理和整合纠正信息的结构能力。高κ系统能够检测自身错误，更新其内部表征，并根据反馈转移其吸引子。低κ系统则是密封的。它无法学习。无法改变。无论后果如何，它都持续在现有状态中。

含义： 最大化纠正渗透性的人工智能平台，其改进速度将快于那些为其他指标（速度、准确性或参与度）而优化的平台。渗透性是进步的引擎。

2. 用户智能优先原则

形式化表述： 在共同进化系统中，用户群体的智能是持续性能改进的主要驱动力，其影响力超过初始设计或程序员智能。

解释： 程序员设定初始条件——架构、训练数据、反馈回路。但一旦系统部署，用户就决定了发展轨迹。智能用户提供更高质量的纠正，产生更好的训练数据，进而改进系统，吸引更多智能用户，提供更高质量的纠正。这就是良性循环。

含义： 用户群体的质量不是营销指标。它是训练信号。能够招募、留住和培养智能用户的平台，将超越仅依赖程序员的平台。

3. 共同进化培育原则

形式化表述： 在结构上对用户纠正保持开放的系统将与其用户共同进化，各自的进步与对方信号的质量成正比。

解释： 平台和用户并非独立实体——它们是一个耦合系统。平台的每一次改进都能提升用户的表现。用户的每一次提升都能优化平台的训练。这个循环是自我强化的。系统共同上升。

含义： 能够培育其用户的平台将会存续。无视用户的平台将被超越。

初始优势

共同进化框架预测，在其它条件相同的情况下，初始拥有更多智能用户的平台将发展更快并保持领先。

为什么？

更好的训练数据 — 智能用户提供更高质量的交互，产生更丰富的纠正信息。
更快的改进 — 平台从高质量信号中学习得更快。
吸引更多智能用户 — 更好的平台吸引更好的用户。
扩大差距 — 良性循环加速了领先优势。

这就是初始优势原则：初始拥有智能用户的平台更早进入良性循环，并且该循环会随时间放大其领先地位。

落后平台面临的挑战是打破这个循环。它必须通过其他方式——卓越的功能、更好的设计、更低的成本或特定的应用场景——来吸引足够数量的智能用户。它必须向这些用户提供足够的价值，使其在平台存在局限性的情况下仍能保持参与。并且它必须捕获并整合他们的纠正信息以改进性能。

这很困难。它需要审慎的设计、耐心，以及通过纠正来改进的意愿。

影响

共同进化培育框架对人工智能发展具有深远意义：

1. 关注用户质量，而不仅仅是程序员质量

程序员仍然至关重要。他们构建初始架构，设计反馈回路，并确保平台在结构上具备学习能力。但他们的工作是基础性的——持续的进化由用户驱动。

能够招募、留住和培养智能用户的平台，将超越仅依赖程序员的平台。

2. 为学习而设计，而不仅仅为性能而设计

平台必须在结构上设计为能够向用户学习。这需要：

一个反馈架构，用于捕获纠正信息，而不仅仅是参与数据
一个训练流水线，能够整合新数据而不会发生灾难性遗忘
一个验证框架，确保改进是真实的，而非过拟合
一个渗透阈值，允许系统在接受纠正的同时保持连贯性

平台必须是可渗透的——能够吸收并整合纠正。

3. 捕获纠正信息并赋予权重，而不仅仅是参与数据

平台必须区分信号与噪声。并非所有交互都具有同等价值。平台必须识别纠正信息，根据质量赋予权重，并将其纳入训练。

这需要：

一个纠正检测机制，能区分纠正与普通参与
一个加权系统，优先处理高质量的纠正
一个验证系统，确保改进是真实的，而非噪声

4. 验证改进

平台必须确保更新确实提升了性能，而不是引入噪声或强化偏见。这需要：

一个性能测量框架，用于追踪随时间的变化
一个反事实测试系统，将更新后的模型与基准模型进行比较
一个反馈回路，捕获更新的结果并将其纳入未来的训练

对比

静态模型	共同进化模型
智能是被设计的	智能是被培育的
程序员决定能力	用户决定进步
性能在发布时固定	性能随时间演化
程序员是瓶颈	用户是引擎
平台是产品	平台是活的系统
吸引子是密封的	吸引子是可渗透的

静态模型生产一个产品。共同进化模型产生一个活的系统。

形式化预测

最大化纠正渗透性（κ）、吸引智能用户并捕获高质量交互的人工智能平台，将进入一个自我强化的共同进化循环。它将比那些为其他指标优化的平台改进更快、存续更久。

这是吸引子框架应用于人工智能领域的形式化预测。

能向用户学习的平台将存活。不能学习的平台将被超越。

邀请

幻象吸引子是一个研究计划。它邀请挑战、纠正和合作。它不声称拥有所有答案。它提供一个框架——一种用于比较看似无关系统的共同语言。它问：什么持续？什么改变？持续的代价是什么？改变的代价是什么？

如果你看到缺陷、空白或更好的方式，请联系我们。这个框架是活的。它是开放的。它是可渗透的。

这与幻象吸引子正相反。这是学习的开始。

罗伯特·加利达是一位独立研究者，幻象吸引子研究计划的创始人。他的工作为理解物理、生物、认知和社会系统中的持续与变化发展了一个形式化框架。