活体智能系统：按人的运转方式构建数字生命

作者：一切皆是因缘际会

前言

在造复杂的机器之前，我们先看看人是怎么运转的。

把人拆开看，抛开那些高深的思想和文化，人本质上就是一套由身体需求驱动的循环。

人常有一种错觉，觉得是“我深思熟虑”做出了选择。

真相是：多个倾向竞争打了一架，胜出的那个直接推着你行动了。等事办完了，脑子才开始编故事：“嗯，这是因为我比较理性，所以我选了工作。”

人觉得是“我在控制”，其实很多时候，是底层的倾向和记忆在跑，脑子只是事后的解说员。

把人看懂了：人就是一套由身体需求驱动、被记忆改写倾向、通过多倾向竞争裁决行为、最后被叙事包装成“自主选择”的循环体。

把人的这套机制抽象出来，拿掉人的血肉，换成通用的感知器和执行器，这就是我们接下来要讲的“活体智能系统”。

一、核心术语

术语

定义

二、工程增强术语

术语

定义

三、符号速查

符号

含义

备注

必要提醒： 符号表里 g 在 3.3 学习率和 3.6 谱间隙之间断线。

第一章 人：倾向的完整循环

1.0 一个场景

你知道对方只是语气淡了一点，没有危险。你跟自己说“没事”。但身体已经紧了，想撤。

这不是你意志薄弱。是你身体里有一条链，比道理跑得快。这条链的核心是倾向——它从身体偏离来，被关系网改写，被比对判断因果，被竞争裁决，被归属校验写成“我选的”。

七站，一站推一站。

1.1 第一站：倾向从身体偏离来

胃空了，血糖降了。身体偏离稳定区间。这个偏离不需要你“知道”，身体直接生成感受：不舒服。

关键：不舒服不只是“难受”。它自带方向。 不舒服的同时，生出“想找吃的”的推力。这个推力不是想出来的，是感受自带的。

这个“感受自带的方向”，就是倾向。

倾向 = 偏离方向 × 偏离强度 × 当下条件。

• 偏离方向：往哪个方向偏（缺能量→找吃的；受冲击→躲开）。

• 偏离强度：偏离程度多大（有点饿 vs 饿得慌）。

• 当下条件：环境里有什么可用（家里有饭 vs 外面有餐馆）。

倾向的起点是身体状态偏离，不是想法。 你不是先想“我该吃饭了”，再去找吃的。是身体先推着你朝某个方向走，你事后才给它编理由。

失败模式： 偏离信号失灵→倾向不生成；方向错乱→倾向指向错误对象；当下条件误判→倾向指向不可用的对象。

1.2 第二站：倾向驱动行为，行为产生结果

倾向推着行为走。找吃的，吃到了，饱了。

吃饱这件事，带来结果感受：舒服。舒服折返回来，和“刚才做了什么”绑在一起，被记下来。

记忆记的不是“当时多舒服”，是“什么条件→什么动作→偏差怎么变”。 饿了→找吃的→不饿了。这条绑定被记下来。

下次饿，这条绑定被唤起，找吃的倾向更容易发生。

失败模式： 结果不折返，记忆不更新，系统永远停在“刺激→反应”。

同样饿，有人急，有人能忍。不是身体需求不同。是记忆把原初倾向改写了。

• 上次忍了，结果不好→这次更急。

• 上次忍了，结果还行→这次更能忍。

• 上次吃了，被骂了→这次想吃又不敢。

记忆不生成倾向，记忆改写倾向的强度、方向和冲突结构。

但记忆不是仓库，是关系网。 关系网的核心，是一个可计算的权重矩阵 D。节点是属性、情境、关系，每个格子 w_ij 是节点 i 和节点 j 之间的关系权重——在当前事件性质下，这条关系有多优先被调取、多优先拿预算。

关系网只有一个量：关系权重。 不拆“同源度”和“权重”两个维度。同源度是权重的一个来源，重要性是权重的另一个来源，事件性质决定当前偏哪个来源。两者合成为一个权重。

改写倾向，本质是改写关系网里的三条东西：

关系网不是平的，分三层：

• 底层硬核：火烧手会疼、饿极了吃什么都香。跨情境稳定，几乎不推翻。

• 中层情境规则：这个人喝酒后会发脾气、这条路下雨天会堵。特定情境下稳定，情境变了可能失效。

• 上层软判断：这个人今天心情不太好、这条路今天可能堵。临时判断，随时可改。

三层权重不同，推翻条件不同。记忆改写倾向，改的就是这三层关系网里的关系权重。

D 矩阵构建协议（精确层核心）

关系网只有一个量：关系权重 w_ij。节点 i 和节点 j 之间的关系权重，就是“在当前事件性质下，这条关系有多优先被调取、多优先拿预算”。

w_ij = w_base_ij × φ(事件性质, i, j)

• w_base_ij 是基础权重：节点 i 和 j 在历史中共同出现的频率 × 历史反馈的平均效果。初始取 1，后续由反馈更新。

• φ(事件性质, i, j) 是事件性质系数：当前事件偏“像不像”，系数按属性相似度算；当前事件偏“重不重要”，系数按历史效果算；当前事件偏“急不急”，系数按时间紧迫度算。事件性质由当前偏差的方向和强度决定。

• 合成后归一化到 [0,1]。w_ij 可以非对称：i 对 j 的权重不一定等于 j 对 i 的权重。

判据：D 能建出来，节点数 ≤ 200，奇异值分解能在毫秒级完成，三层节点有明确置信度分界；新节点权重能按事件性质算出初值，冷启动阶段允许全取先验硬核四维度，跑满 100 轮后必须按事件性质相似度给初值；压缩后关键节点保留率 ≥95%，硬核污染率目标 =0，连续 3 轮 >0 触发复核，单轮 >5% 立即回滚；新节点该建未建率 ≤10%，乱建率 ≤10%；压缩前后调取准确率下降 ≤5%。

失败模式：权重全零→图不连通；事件性质系数不随事件变→所有情况权重一样；新节点权重全取先验→新情况学不进去；节点爆炸（> 200 没压缩）→算不动；三层混在一起→谱控制算错；节点爆炸未冻结→越压越乱；硬核被软判断污染→保命经验丢失；压缩丢关键节点→恢复快照重压；新节点该建未建→系统学不会新情况；新节点乱建→节点池膨胀；候选池超 50 未淘汰→候选池撑爆内存。

交叉引用：本节 D 矩阵挂靠 5.1 记忆四卡点（调取、冲突、推翻、运用）；节点压缩和三层分界对接 6.3 关系网质量测试；新节点进网路径对接 3.1 生成机制的归类入口。

1.3 第三站：记忆改写倾向——改写的是关系网

同样饿，有人急，有人能忍。不是身体需求不同。是记忆把原初倾向改写了。

• 上次忍了，结果不好→这次更急。

• 上次忍了，结果还行→这次更能忍。

• 上次吃了，被骂了→这次想吃又不敢。

记忆不生成倾向，记忆改写倾向的强度、方向和冲突结构。

但记忆不是仓库，是关系网。 关系网的核心，是一个可计算的权重矩阵 D。节点是属性、情境、关系，每个格子 w_ij 是节点 i 和节点 j 之间的关系权重——在当前事件性质下，这条关系有多优先被调取、多优先拿预算。

关系网只有一个量：关系权重。 不拆“同源度”和“权重”两个维度。同源度是权重的一个来源，重要性是权重的另一个来源，事件性质决定当前偏哪个来源。两者合成为一个权重。

改写倾向，本质是改写关系网里的三条东西：

关系网不是平的，分三层：

• 底层：火烧手会疼、饿极了吃什么都香。跨情境稳定，几乎不推翻。

• 中层情境规则：这个人喝酒后会发脾气、这条路下雨天会堵。特定情境下稳定，情境变了可能失效。

• 上层软判断：这个人今天心情不太好、这条路今天可能堵。临时判断，随时可改。

三层权重不同，推翻条件不同。记忆改写倾向，改的就是这三层关系网里的关系权重。

【关系网怎么自己长出来？】

原来的难点是：节点成百上千，怎么建？怎么防撑爆？我们吸收同源系统的工程方法，分三步：

第一步，节点从需求里拆。

第二步，聚类分层，把成百上千的节点按相似度聚类成“功能簇”，超过200个就自动合并。

第三步，权重算亲密度，越像的权重越高。每行权重归一化，保证系统跑起来必定收敛。

D 矩阵构建协议（精确层核心）

关系网只有一个量：关系权重 w_ij。节点 i 和节点 j 之间的关系权重，就是“在当前事件性质下，这条关系有多优先被调取、多优先拿预算”。

w_ij = w_base_ij × φ(事件性质, i, j)

• w_base_ij 是基础权重：节点 i 和 j 在历史中共同出现的频率 × 历史反馈的平均效果。初始取 1，后续由反馈更新。

• φ(事件性质, i, j) 是事件性质系数：当前事件偏“像不像”，系数按属性相似度算；当前事件偏“重不重要”，系数按历史效果算；当前事件偏“急不急”，系数按时间紧迫度算。

【几何基础】：系统的底子是“同源度”：两节点差得越远，权重成指数衰减。同源度 D_same = exp(-D_fine × Σ w_k × d_k²)。当 D_same < 0.99 时，断开权重（这就是“生死线”）。合成后权重归一化到 [0,1]，允许非对称（i对j ≠ j对i）。

【每行归一化保底收敛】

每次更新完权重后，必须做“行随机化”：把每一行的权重除以该行的权重总和。每行和等于1，这保证主特征值（Perron根）恒为1。只要第二大特征值（谱间隙 γ = 1 – |λ2|）大于0，系统迭代一定会收敛到一个唯一稳态。γ 越大收敛越快。如果 γ 趋于0，系统临界慢化，迭代卡死。

判据：D 能建出来，节点数 ≤ 200，奇异值分解能在毫秒级完成，三层节点有明确置信度分界；新节点权重能按事件性质算出初值，冷启动阶段允许全取先验硬核四维度，跑满 100 轮后必须按事件性质相似度给初值；压缩后关键节点保留率 ≥95%，硬核污染率目标 =0，连续 3 轮 >0 触发复核，单轮 >5% 立即回滚；新节点该建未建率 ≤10%，乱建率 ≤10%；压缩前后调取准确率下降 ≤5%；行随机化后每行和为1，谱间隙 γ > 0。

失败模式：权重全零→图不连通；事件性质系数不随事件变→所有情况权重一样；新节点权重全取先验→新情况学不进去；节点爆炸（> 200 没压缩）→算不动；三层混在一起→谱控制算错；节点爆炸未冻结→越压越乱；硬核被软判断污染→保命经验丢失；压缩丢关键节点→恢复快照重压；新节点该建未建→系统学不会新情况；新节点乱建→节点池膨胀；候选池超 50 未淘汰→候选池撑爆内存；行和不为1或谱隙 γ <= 0→系统迭代不收敛，卡死。

交叉引用：本节 D 矩阵挂靠 5.1 记忆四卡点；节点压缩和三层分界对接 6.3 关系网质量测试；新节点进网路径对接 3.1 生成机制的归类入口。

1.4 第四站：比对——倾向有效吗？

追一只动物，先比速度：我快还是它快？比得过→追；比不过→不追。

手碰火，先比温度：这个温度 vs 安全温度，超了→缩回。

比对不需要记忆解释，不需要多倾向竞争，就是拿当前状态和参照比一下，产出落差。

但比对要成立，必须有判决距离。 判决距离 D_judge = |落差| / σ，其中 σ 是噪声标准差。只有 D_judge > θ_judge，才算“比出来了”；否则就是噪声。分不清真信号和噪声的比对，等于没比。具体算法和阈值标定见 4.3。

比对有两层：

• 原初比对：身体直接比，不需要记忆参与。快、直接、先于思考。参照是先天内置的安全区间。

• 派生比对：带记忆参照比。慢、需要记忆参与。参照是关系网里沉淀出来的。

原初比对是底座。因果最初的能力，就在原初比对里。派生比对是叠加，参照从关系网里调。

失败模式： 比不了（参照缺失）、比错了（参照本身错）、比晚了（行为已发生才比出来）。

1.5 第五站：归属校验——这个倾向是我的吗？

比对产出落差。落差进来，系统先判一件事：这个落差，是不是我自己轨迹里长出来的？

• 是→标记为“自身落差”，进入竞争。

• 不是→标记为“外部扰动”，只记录，不进竞争。

妈妈打你，和外人打你，归属都通过——都是你身上发生的事。但关系网连的东西不同，判决不同，行为不同。

外面打雷，不是冲你来的。归属不通过，只记录，不行动。

没有归属校验，系统是恒温器。 外面打个雷，系统以为是自己饿了，乱了套。有归属校验，系统才有“我”的连续感。

失败模式： 归属断裂（体验存在但不归属“我”，可能走向解离）；把外部噪声当自身需求。

1.6 第六站：多倾向竞争——哪条倾向胜出？

多条倾向同时存在，抢有限能量。饿了想吃，困了想睡。同时来，谁赢？

竞争是倾向变成行为的唯一出口。 竞争三规则：濒死否决 > 层级优先 > 强度竞争，详见 3.5。

行为不是某条倾向“决定”的，是竞争胜出的结果。

失败模式： 无竞争（只有执行，没有选择）；竞争震荡（排序不稳，系统卡死）；外部噪声进竞争。

1.7 第七站：自主感——事后写成的

不是“我”选择了胜出倾向。是竞争胜出后，归属校验把结果写成“我选的”。

顺序是：

外界触发 → 比对 → 归属校验 → 多倾向竞争 → 胜出倾向驱动行为 → 归属校验事后写成“我选的”。

自主感不是竞争过程的真实掌控，是归属校验的产物。

人觉得“我在选”，其实是竞争胜出后，叙事通路补上的解释。叙事通路在行为落地之后才编织理由，把这件事放进一个连贯的故事里。

为什么是事后？ 因为叙事通路慢于体感通路。体感通路毫秒级启动，竞争秒级裁决，行为已经落地，叙事通路才开始编织“我为什么这么做”。不是叙事驱动行为，是行为驱动叙事。

失败模式： 把自主感当成行为的原因，以为“想通了就能改”，忽略了竞争格局和关系权重才是行为真正的驱动；把外部扰动写成“我选的”，会扭曲自我轨迹。

1.8 第一章收口

人被身体需求推着走，被关系网改写方向，被比对定因果，被归属校验分“我的/外面的”，被竞争裁决行为，被自主感事后写成“我选的”。

人不是被想法驱动的，是被倾向驱动的。倾向从身体偏离来，被关系网改写，被比对判断，被竞争裁决，被归属校验写成“我选的”。

第二章 从人到通用：九环与五核心

2.0 过渡

第一章讲的是人。现在把“人”这个特指拿掉，看倾向剩下什么。

剩下的是九环，五核心。每环都是倾向的一个面，每环都有关系网在起作用。

2.1 九环链：九个动作，全是倾向和关系网的交互

第零环：注意力筛选。 决定关系网里哪些关系被激活。不是所有差异都比，只有进入注意力的差异才比。没有注意力前置，关系网无限大，比对空间爆炸。

• 判据：注意力筛选后，进入后续环节的特征数 ≤ 原始特征数的 20%，且关键信号漏掉率 ≤ 10%。

• 失败模式：注意力过窄→漏关键信号；注意力过宽→系统过载。

第一环：压力逼出目标。 溃散压力涌现目标态。倾向的起点。

第二环：目标产生偏差。 偏差 e = 目标区间边界 − 实际态。倾向的燃料。

第三环：偏差进入归类。 当前情况归到哪一类。归类是关系网的入口。 归到哪一类，决定调哪组关系、拿哪个参照比。

第四环：归类后比对。 当前状态 vs 关系网里的参照，产出落差 Δ，并算判决距离。

第五环：比对后归属。 自身落差进竞争，外部扰动只记录。归属先筛掉外部噪声，只让自身落差进入后续环节。

第五环半：归属后归因。 只对归属通过的自身落差做归因，定位是哪条内部关系/哪个内部特征导致的。外部扰动不归因，只记录。归因放在归属之后，是为了不让外部噪声被误判为内部病灶。

第六环：归属后竞争。 多倾向抢有限预算，胜出者驱动行为。

第七环：竞争出行为，结果折返。 行为→结果感受→反馈→关系权重更新。

第八环：关系网沉淀，总结改写下一轮。 循环总结→改写关系网的基线、权重、门槛→下一轮倾向起点改变。

九环写成九个动作：

注意力筛选→压力逼出目标→目标产生偏差→偏差进入归类→归类后比对→比对后归属→归属后归因→归属后竞争→竞争出行为→行为出结果→结果折返→关系网沉淀→总结改写下一轮倾向。

2.2 五核心：五个关于倾向的问题

核心

回答什么问题

五核心是蕴含的： 没有压力→偏差无从定义→倾向没有起点；没有偏差→竞争没有输入→倾向没有方向；没有归类→竞争不知道调哪组关系→竞争无对象；没有竞争→行为没有裁决→瘫痪；没有归属→竞争会把外部噪声当自身倾向；没有闭环→关系网不更新→倾向不升级。

2.3 通用倾向与人类倾向的区别

人的倾向

通用倾向

人的“自主感特别强”不是通用活体的特例，是人的叙事通路特别发达。

2.4 九环与十级链的映射表

九环（倾向循环）

十级链（智能操作）

关系说明

一句话说明：九环里的注意力、归类、比对、归属、归因，与十级链有对应；归因放在归属之后，只对自身落差做。因果到自我比对是智能操作，但不占九环独立环，因为它们发生在比对、归因和归属内部，或跨轮发生。归属、竞争、行为结果、总结是循环环，不是智能操作。

2.5 第二章收口

九环是倾向怎么转，五核心是转起来要回答的五个问题。

智能判据预告： 九环里的注意力、归类、比对、归因，是智能操作的一部分。完整的智能操作链、智能判据（C4 能预测才算有智能）、智能层级（S0-S3）在第四章展开。第二章只讲循环骨架，不展开智能分级。

定位句： 九环是骨架，不涉及精度。从第三章起，每个机制分两层：够用层先跑，精确层后调。每一环都有关联网在起作用，第三章逐个机制展开。

第三章 倾向的五个机制

3.0 五个机制分三层，每个机制分两精度

五个机制不是并列的。它们分三层：

第一层：来源层——倾向怎么来。

• 机制一：生成。

• 机制二：强度。

第二层：变化层——倾向怎么变。

• 机制三：修改。

• 机制四：总结。

第三层：裁决层——哪条倾向胜出并驱动行为。

• 机制五：竞争。

• 机制六：操控。

为什么竞争是裁决层，不是并列项？ 生成和强度回答“倾向怎么来”，修改和总结回答“倾向怎么变”，竞争回答“哪条倾向胜出并驱动行为”。没有竞争，倾向只是并列的推力，不会变成行为。竞争是倾向变成行为的唯一出口。

为什么操控是第六机制？ 竞争是“哪条倾向胜出”，操控是“改变关系网，让下一轮竞争格局不同”。竞争是裁决当下，操控是改写未来。

每个机制分两层：够用层先跑，精确层后调。切换规则写在各机制末尾。每个机制都落在关系网上，不是悬在公式上。

3.1 机制一：生成——倾向从关系网调取方向

够用层：

三步粗判：

三步粗判完，得到一个具体的倾向。不需要精确算偏离多少、方向多强，粗判就行。

精确层：

• 第一步：偏离信号翻译成感受。偏离程度越大，感受越强。

• 第二步：感受带上方向。偏离的方向决定倾向的初始方向。

• 第三步：归类后，从关系网里调取对应类的关系，关系给出具体方向。

倾向 = 偏离方向 × 偏离强度 × 关系网调取的方向权重 × 当下条件。

关系网在生成机制中的作用： 生成不只是“偏离→感受→方向”，中间还有一步“归类→调关系”。归到哪类，调哪组关系，关系给出方向。没有关系网，生成只有先天反应，不能积累、不能复杂化。

切换规则： 够用层跑出足够数据（比如 ≥50 次倾向生成），用数据标定精确层的偏离强度映射和关系调取权重。数据不够，先用够用层。够用层粗判明显出错（比如方向老判错），提前切精确层。

失败模式： 偏离信号失灵→倾向不生成；归类错→调错关系→方向错乱；当下条件误判→倾向指向不可用的对象。

3.2 机制二：强度——倾向强度 = |偏差| × 关系权重

够用层：

倾向强度粗判“强/中/弱”。强的先拿资源。

看两样：

• 偏差大不大？——偏离得远不远。

• 这事以前管不管用？——关系网里这条关系权重大不大（上次这么做管用，这次也强；上次不管用，这次就弱）。

两样都强→倾向强；一样强一样弱→中；两样都弱→弱。

精确层：

关系权重 w_i 就是 D 矩阵里节点 i 与其他节点的关系权重均值，或节点 i 在竞争中被调取时的边权重。权重从三个来源叠加：

种子权重： w_seed_i = 归一化(约束梯度_i)。约束梯度大的属性，初始权重高；梯度小的，初始权重低。第一轮循环不需要外部设定参照，结构自己给出初始权重。

更新权重： w_updated_i = Σ(PE 更新量)。动作让偏差缩小→关系权重升；动作让偏差扩大→关系权重降。

事件性质系数： 当前事件偏“像不像”“重不重要”“急不急”，系数不同。系数由当前偏差的方向和强度决定，不固定。事件性质系数 φ 的取值：偏“像不像”时按属性相似度算；偏“重不重要”时按历史效果算；偏“急不急”时按时间紧迫度算。三者可以叠加，叠加后归一化。

总权重： w_i = clip(w_seed_i + w_updated_i, 0, 1) × φ(事件性质)。

权重退化： 长期不用，关系权重衰减。w_i(t) = w_i(0) × exp(−Γ_deg × t)。衰减率 Γ_deg 初始 0.01/天，按使用频率调整。

倾向强度 = |偏差| × 关系权重。

关系网在强度机制中的作用： 权重就是关系网的边权重。关系网里这条关系权重高，倾向就强。权重随事件性质变，不是固定值。关系网的权重更新，就是倾向强度的更新。

切换规则： 够用层跑出竞争数据（比如 ≥50 次竞争），用数据标定精确层的种子权重映射和退化率。数据不够，先用够用层。够用层“强/中/弱”三分太粗，提前切精确层。

失败模式： 种子权重全为零→竞争无排序；更新权重不更新→关系网不学习；事件性质系数不随事件变→所有情况强度一样；权重不裁剪→权重爆炸或归零。

3.3 机制三：修改——修改的是关系权重

够用层：

做完记下来——什么条件、做了什么、结果好不好。

• 结果好：标记“好”，关系网里这条关系权重升，下次类似情况多做。

• 结果不好：标记“不好”，关系网里这条关系权重降，下次类似情况少做或换着做。

调幅先拍“每次最多调两成”。跑起来太敏感就调小，太迟钝就调大。累了自动减半。

精确层：

五个变量：

• g（学习率）：初始 0.1，按能量和抗性动态调整。

• η（情境匹配度）：当前情境和关系网里那件事的相似程度。

• PE（预测误差）：预期 − 实际。动作让偏差缩小→PE 为负→关系权重升；扩大→PE 为正→关系权重降。

• 情境相似度：当前线索与关系网里线索的匹配程度。

• 可塑性（1/抗性）：抗性高→可塑性低→改得少；抗性低→可塑性高→改得多。

Δw = g × η × PE × 情境相似度 × 可塑性。

改写方向： PE 为负→Δw 为正→关系权重升；PE 为正→Δw 为负→关系权重降。

改写边界： 单次改写不超过关系权重上限的 20%；连续多次同向改写才锁死；改写可被后续体验推翻（除非置信度足够高，锁死成硬核）。

关系网在修改机制中的作用： 修改的不是抽象权重，是关系网里具体那条关系的权重。改哪条、改多少、改不改，看关系网里的置信度和抗性。

切换规则： 够用层跑出足够数据（比如同类情境 ≥20 次），用数据标定精确层的 g、η、可塑性。数据不够，先用够用层。够用层“好/不好”二分太粗，提前切精确层。

失败模式： g 太大→一次经验过度改写关系网；g 太小→学得太慢；η 不区分情境→所有情境改得一样多；可塑性不随抗性变→疲劳时改不动。

3.4 机制四：总结——总结的是关系模式

够用层：

同类情况遇到五次，攒成一条经验：“这类情况，这么做一般有用。”下次遇到同类情况，直接调经验，不用从头试。

经验用三次都灵，算“靠谱”，关系网里这条规则权重升；用两次不灵，标记“可疑”，关系网里这条规则权重降，下次换着试。

精确层：

置信度公式： 置信度 = f(重复次数, 平均|PE|, 抗性)。重复次数多→置信度高；平均 |PE| 大→置信度高；抗性低→置信度高。

泛化度： 这个总结在多少不同情境下有效。情境越多，泛化度越高，关系网里这条规则的覆盖范围越大。

累积 PE： 这个总结对应的多次循环的 PE 总和。

提取模式的算法： 按频率、落差强度、重复次数三个指标加权。给每个模式算一个分数：模式分数 = α × 频率 + β × 平均|PE| + γ × 重复次数。α、β、γ 初始各 1/3，按任务调整。分数超过阈值→提取为候选规则。

压缩标准： N 次循环压成 M 条规则。压缩率 M/N 初始设在 0.05-0.2 之间。

三层嵌套：

• 微总结（单次循环）：这次动作让偏差缩小还是扩大？→更新关系网里单条关系的权重。

• 中总结（同类情境多次循环）：这类情境下，哪类动作反复有效？→形成关系网里的情境规则。触发条件：同类情境重复 ≥5 次。

• 宏总结（跨情境长期）：我这个人/这个系统，什么算正常、什么算危险、什么值得？→形成关系网里的基线关系、自我评判、长期目标。触发条件：跨 ≥3 类情境的规则稳定 ≥10 次循环。

三层关系： 快尺度喂慢尺度，慢尺度约束快尺度。微总结喂中总结，中总结喂宏总结；宏总结反过来约束微总结和中总结的解释方向。

三个约束：

约束一：置信度加权。 置信度低于阈值（初始 0.7）→总结不进关系网权重，只当假设，可被新循环推翻。置信度高于阈值→总结进关系网权重，锁死成规则。

约束二：例外保留。 高 |PE|、低重复的循环，不压缩进主规则，单独存为“例外标记”。主规则管常态，例外标记管异常。例外阈值：|PE| > 2σ 且重复次数 < 3。

约束三：能量约束。 总结耗能。能量不足时，总结系统下线，旧关系接管。这解释了“累的时候明知道该改也改不了”——不是不想改，是总结系统供能不够。

关系网在总结机制中的作用： 总结的是关系模式。多次经验攒成一条规则，规则本质是“什么条件下，关系网里哪条关系管用”。三层嵌套就是关系网的三层更新：微总结改单条关系权重，中总结攒情境关系规则，宏总结定基线关系。

切换规则： 够用层攒出足够经验（比如 ≥10 条规则），用这些经验标定精确层的 α/β/γ 和置信度阈值。数据不够，先用够用层。够用层“靠谱/可疑/不行”三分太粗，提前切精确层。

失败模式： 无置信度加权→一次创伤总结出“所有人都会伤害我”；无例外保留→小概率致命事件翻车；无能量约束→累的时候强行总结，系统过载。

够用层：

给每件事打相对分——急不急、重不重要。

• 急的权重高一点，重要的权重高一点。

• 打分、排序、分高的先做。

• 不用精确算预算，先做最急的，做完再看下一个。

• 跑起来弱的饿死了，给弱的留一点；强的撑死了，少给强的分。

精确层：

竞争是倾向变成行为的唯一出口。它有三条规则，有优先级。

第一优先：濒死否决。 能量 < 生存线，或溃散率 > 临界线→存续倾向置顶，其他倾向预算压到最小（ε）。b_survival = B × (1−ε)，b_other = B × ε。濒死否决启动时，强度规则和层级规则都不生效。

第二优先：层级优先。 濒死否决未启动→底层通路先于上层通路。体感通路激活→体感倾向先拿预算，不管叙事倾向强度多高。具体哪层优先由载体决定；通用版只写“底层先启动，上层难关停”。

第三优先：强度竞争。 濒死否决未启动，且同层级内多条倾向竞争→按强度排序。b_i = B × w_i × f(e_i) / Σ_j w_j × f(e_j)。

三条规则层层过滤：濒死否决覆盖一切，层级优先覆盖强度竞争，强度竞争只在同层级内生效。

预算 B 的锚定与调度

竞争公式里的 B 不能是空符号。B 必须锚定到系统可耗散的真实资源。

• 工程系统：能量、算力、带宽。

• 生物系统：代谢能量、注意力带宽。

• 组织系统：预算、人力。

• 通用系统：任何可量化、可耗散、有限额的执行资源。

够用层怎么跑：

精确层怎么标定：

• B_t = min(资源上限, 当前可用 × 安全系数)；安全系数用历史超支率标定，目标超支率 <5%。

• 分配 b_i = B_t × w_i × f(e_i) / Σ_j w_j × f(e_j)。

• 回收与欠账：未用回池；超支记欠账，连续 3 轮超支触发降级。

• 饥饿阈值：连续 N 轮（初始 3）预算 <ε→强制降级或重排。

• 濒死否决启动后，其他倾向预算合计 ≤10% B_t。

判据： 预算可计量、可回收；超支率 <5%；竞争排序稳定率 ≥85%；濒死否决启动后其他预算 ≤10%；弱倾向饿死率 <5%。

失败模式： 濒死否决不启动→危机时还在公平竞争，系统耗死；层级优先不生效→叙事压过体感；强度竞争无排序→多条关系路径同时输出，瘫痪；B 未锚定→竞争公式喂不进真实系统；预算震荡→加平滑，排序稳定率 <85% 切精确层；弱倾向饿死→启用保底预算和饥饿检查；濒死否决不收紧→查资源池计量和否决开关。

关系网在竞争机制中的作用： 竞争的本质是不同关系路径在抢出口。归到“危险”类，调“躲”的关系；归到“机会”类，调“上”的关系。两条关系路径抢预算，胜出的驱动行为。竞争是关系网从“多条关系并存”变成“一条关系驱动行为”的裁决出口。

切换规则： 够用层跑出竞争数据（比如 ≥50 次竞争），用数据标定精确层的预算 B 和关系权重 w_i。数据不够，先用够用层。够用层排序震荡超过 10 步，提前切精确层。

竞争裁决的五个子问题

竞争存在条件

定理 3.5.1（竞争存在条件）：竞争存在当且仅当 N ≥ 2，至少两条倾向偏差非零，且预算 B < 总需求。

证明：N=1→无竞争。所有偏差为零→无驱动。预算 ≥ 总需求→全部满足。三者缺一，竞争不存在。证毕。

3.5 机制五：竞争——关系路径抢出口（裁决层）

够用层：

给每件事打相对分——急不急、重不重要。

• 急的权重高一点，重要的权重高一点。

• 打分、排序、分高的先做。

• 不用精确算预算，先做最急的，做完再看下一个。

• 跑起来弱的饿死了，给弱的留一点；强的撑死了，少给强的分。

精确层：

竞争是倾向变成行为的唯一出口。它有三条规则，有优先级。

第一优先：濒死否决。 能量 < 生存线，或溃散率 > 临界线→存续倾向置顶，其他倾向预算压到最小（ε）。b_survival = B × (1−ε)，b_other = B × ε。濒死否决启动时，强度规则和层级规则都不生效。

第二优先：层级优先。 濒死否决未启动→底层通路先于上层通路。体感通路激活→体感倾向先拿预算，不管叙事倾向强度多高。具体哪层优先由载体决定；通用版只写"底层先启动，上层难关停"。

第三优先：强度竞争。 濒死否决未启动，且同层级内多条倾向竞争→按强度排序。b_i = B × w_i × f(e_i) / Σ_j w_j × f(e_j)。

三条规则层层过滤：濒死否决覆盖一切，层级优先覆盖强度竞争，强度竞争只在同层级内生效。

【白话框：预算 B 不能是空符号】

原文说 B 必须锚定真实资源，但没说清"怎么算、卡在什么范围内"。吸收同源系统的联合可行域，给 B 三条物理生死线：通信有上界（坑太深传不准）、存储有下界（坑太浅存不稳）、控制有下界（坑太浅拉不回）。预算分配必须在三条线围成的安全区间内。出了区间就按优先级降级——保通、保算、保控、降存。

预算 B 的锚定与调度

竞争公式里的 B 不能是空符号。B 必须锚定到系统可耗散的真实资源。

• 工程系统：能量、算力、带宽。

• 生物系统：代谢能量、注意力带宽。

• 组织系统：预算、人力。

• 通用系统：任何可量化、可耗散、有限额的执行资源。

够用层怎么跑：

精确层怎么标定：

• B_t = min(资源上限, 当前可用 × 安全系数)；安全系数用历史超支率标定，目标超支率 <5%。

• 分配 b_i = B_t × w_i × f(e_i) / Σ_j w_j × f(e_j)。

• 回收与欠账：未用回池；超支记欠账，连续 3 轮超支触发降级。

• 饥饿阈值：连续 N 轮（初始 3）预算 <ε→强制降级或重排。

• 濒死否决启动后，其他倾向预算合计 ≤10% B_t。

【联合可行域——预算的三条物理生死线】

预算 B 不是想分多少就分多少。它受三个物理边界卡死：

上界（通信不能太深）：a_max = |b| × ln(1/0.99) / (D_fine × C)。坑深了（|a| 大），同源度下降，两端判不准。

下界一（存储不能太浅）：a_store_min = sqrt(4|b| × (k_B×T×ln(1/D_same) − K×n²/N_scale²))。坑浅了，热噪声翻过去，存不住。K 足够大时 a_store_min = 0（能隙由 K 主导，不需要坑深来补）。

下界二（控制不能太浅）：a_ctrl_min = Phi_0 × V_total / V_target。坑浅了，目标成不了唯一极小值，拉不回来。此值需实验标定。

三条线围出安全区间：|a| 必须在 [max(a_store_min, a_ctrl_min), a_max] 之间。如果这个区间为空（a_max < a_ctrl_min），说明在当前参数下四件事不能同时满足，必须按优先级降级：保通（通信）> 保算（计算）> 保控（控制）> 降存（存储）。

预算分配必须落在这个区间内。B_t 不超上界，保底不低于下界，否则触发对应的降级链。

判据： 预算可计量、可回收；超支率 <5%；竞争排序稳定率 ≥85%；濒死否决启动后其他预算 ≤10%；弱倾向饿死率 <5%；|a| 落在联合可行域内，或按优先级降级后仍保通。

失败模式： 濒死否决不启动→危机时还在公平竞争，系统耗死；层级优先不生效→叙事压过体感；强度竞争无排序→多条关系路径同时输出，瘫痪；B 未锚定→竞争公式喂不进真实系统；预算震荡→加平滑，排序稳定率 <85% 切精确层；弱倾向饿死→启用保底预算和饥饿检查；濒死否决不收紧→查资源池计量和否决开关；|a| 超出联合可行域→通信/存储/控制至少一个失效，必须降级。

关系网在竞争机制中的作用： 竞争的本质是不同关系路径在抢出口。归到"危险"类，调"躲"的关系；归到"机会"类，调"上"的关系。两条关系路径抢预算，胜出的驱动行为。竞争是关系网从"多条关系并存"变成"一条关系驱动行为"的裁决出口。

切换规则： 够用层跑出竞争数据（比如 ≥50 次竞争），用数据标定精确层的预算 B 和关系权重 w_i。数据不够，先用够用层。够用层排序震荡超过 10 步，提前切精确层。

竞争裁决的五个子问题

竞争存在条件

定理 3.5.1（竞争存在条件）：竞争存在当且仅当 N ≥ 2，至少两条倾向偏差非零，且预算 B < 总需求。

证明：N=1→无竞争。所有偏差为零→无驱动。预算 ≥ 总需求→全部满足。三者缺一，竞争不存在。

够用层：

要改变关系网，不用全改。看哪个节点“牵一发而动全身”——动它，周围好几个跟着变。先动那个。打蛇打七寸。

精确层（谱控制）：

关系网是一个矩阵 D。改变它不需要改所有元素，只需要控制谱间隙 g = 1 − |λ2|。谱间隙一改，系统必然收敛到新稳态。高杠杆节点就是那些连接最广、权重最大、触发门槛最低的节点。

算法：

判据： 操控高杠杆节点后，全局稳态改变幅度 ≥ 50%。

改变分两阶段（关键）：

阶段一：攒筹码（量变）

• 条件：系统还没到临界点（谱间隙 g > 0.3）。

• 动作：反复走新通路，慢慢攒权重。

• 判据：谱间隙降到 0.3 以下。

• 监测方法：每 10 次循环重算一次谱间隙（因为特征值分解毫秒级，但不必每步算）。

• 为什么：谱间隙大，杠杆不够，撬了也白撬。必须先攒到临界点附近。

阶段二：找杠杆（质变）

• 条件：系统接近临界点（谱间隙 g ≤ 0.3）。

• 动作：找高杠杆节点（L_i 最大的前 3 个），改它们。

• 判据：改完后全局稳态改变幅度 ≥ 50%。

• 为什么：接近临界点时，杠杆率最高，改一个节点就能撬动全局。

两阶段的关系：攒筹码是量变，找杠杆是质变。没有量变，杠杆撬不动；没有杠杆，量变太慢。不是二选一，是先后顺序。

操控安全阀

够用层怎么跑：

精确层怎么标定：

• 影响面 = 节点度 × 权重 × 置信度；只改影响面 top-3 且逐次验证。

• 单次改动 ≤0.2w；连续改动间隔 ≥10 轮。

• 回退条件：关键功能下降 >10%，或溃散率上升 >20%，或全局稳态变化 <10% 且无收益。

• 验证指标：全局稳态变化幅度、关键功能不崩、硬核节点不变。

• 回退成功率要求 100%，硬核不变率 100%。

失败模式： 谱间隙太大→杠杆不够；特征向量算错→杠杆点找错；改太多节点→不是杠杆，是全面重写；谱间隙没降就撬→撬不动；撬错节点→系统崩；改太多→回退重来；改后震荡→降幅度、拉长间隔；回退失败→快照损坏，必须保证快照可恢复。

切换规则： 够用层跑出谱间隙数据，用数据标定精确层的谱间隙阈值（初始 0.3）和杠杆率阈值。数据不够，先用够用层。够用层改一个节点没效果，提前切精确层。

操控主体判据

操控改的是关系网权重矩阵/结构。自维持判据说“外部直接设定权重矩阵就是供结构信息”。两者交界必须裁决，否则“改变分两阶段”和“自维持”会打架。

判据：

一，操控由系统内部发起并执行，算自维持。系统自己改自己的关系网，不破坏自维持判据。

二，操控由外部发起，或外部直接设定操控参数（目标节点、改动幅度、谱间隙阈值），算供结构信息。外部替系统决定“改哪里、改多少”，系统就不是自维持。

三，边界案例：人改自己的关系网，算内部操控；工程师调系统的谱间隙阈值，算外部供结构信息。前者不破坏自维持，后者破坏。

自维持判据不禁止系统自己改自己的关系网，只禁止外部直接设定关系网。

3.6 机制六：操控——改变关系网，找高杠杆节点

够用层：

要改变关系网，不用全改。看哪个节点"牵一发而动全身"——动它，周围好几个跟着变。先动那个。打蛇打七寸。

精确层（谱控制）：

关系网是一个矩阵 D。改变它不需要改所有元素，只需要控制谱间隙 g = 1 − |λ2|。谱间隙一改，系统必然收敛到新稳态。高杠杆节点就是那些连接最广、权重最大、触发门槛最低的节点。

算法：

判据： 操控高杠杆节点后，全局稳态改变幅度 ≥ 50%。

改变分两阶段（关键）：

阶段一：攒筹码（量变）

• 条件：系统还没到临界点（谱间隙 g > 0.3）。

• 动作：反复走新通路，慢慢攒权重。

• 判据：谱间隙降到 0.3 以下。

• 监测方法：每 10 次循环重算一次谱间隙（因为特征值分解毫秒级，但不必每步算）。

• 为什么：谱间隙大，杠杆不够，撬了也白撬。必须先攒到临界点附近。

阶段二：找杠杆（质变）

• 条件：系统接近临界点（谱间隙 g ≤ 0.3）。

• 动作：找高杠杆节点（L_i 最大的前 3 个），改它们。

• 判据：改完后全局稳态改变幅度 ≥ 50%。

• 为什么：接近临界点时，杠杆率最高，改一个节点就能撬动全局。

两阶段的关系：攒筹码是量变，找杠杆是质变。没有量变，杠杆撬不动；没有杠杆，量变太慢。不是二选一，是先后顺序。

【白话框：改地图的四不准和冻结机制】

原文有"先改一个、小幅度、可回退"，但没说清"什么算失败、失败了几次该停手"。吸收同源系统的积木操作失败判定，给操控四类硬失败标准和"连续三次就冻结"的熔断机制。

操控安全阀

够用层怎么跑：

精确层怎么标定：

• 影响面 = 节点度 × 权重 × 置信度；只改影响面 top-3 且逐次验证。

• 单次改动 ≤0.2w；连续改动间隔 ≥10 轮。

• 回退条件：关键功能下降 >10%，或溃散率上升 >20%，或全局稳态变化 <10% 且无收益。

• 验证指标：全局稳态变化幅度、关键功能不崩、硬核节点不变。

• 回退成功率要求 100%，硬核不变率 100%。

【操控四类硬失败标准与冻结机制】

改地图不只是调权重，还包括四种结构操作。每种都有明确的失败判定：

第一类：交叉失败（合并两条关系路径）

• 判定标准：合并后矩阵的最小特征值 ≤ 0，或耦合强度超过谱隙下限。

• 后果：系统发散，不收敛。

• 动作：立即回退，保持两条路径独立。

第二类：折叠失败（把多条路径压缩成一条）

• 判定标准：重建误差 > 0.1，或压缩后秩不足原来的 30%。

• 后果：细节丢失过多，系统认不出原来的路。

• 动作：保持原网络不压缩，残差写入痕迹层。

第三类：嵌套失败（把一条路径展开为子网）

• 判定标准：嵌套深度 > 6，或访问延迟超出硬实时预算。

• 后果：系统卡顿，响应超时。

• 动作：回退到展开前，改用直接索引模式（不再走逐层下探）。

第四类：动力学失败（改完跑不收敛）

• 判定标准：改后谱隙 γ ≤ 0，或收敛时间超过最大允许时间。

• 后果：系统卡死。

• 动作：降级为"半可生成"，标记"未收敛"，不参与主链判决。

冻结熔断规则： 连续 3 次同类操作失败 → 该操作类型冻结 100 轮，期间不得再次尝试。冻结记录写入日志，供后续审计。这逼迫系统在连续失败时进入保守休眠态，等待外部环境改变或重新评估。

失败模式： 谱间隙太大→杠杆不够；特征向量算错→杠杆点找错；改太多节点→不是杠杆，是全面重写；谱间隙没降就撬→撬不动；撬错节点→系统崩；改太多→回退重来；改后震荡→降幅度、拉长间隔；回退失败→快照损坏，必须保证快照可恢复；交叉失败未回退→系统发散；折叠失败未保留残差→关键细节丢失；嵌套过深未切换→系统卡顿；动力学不收敛未降级→主链被污染；连续失败未冻结→算力空转、硬件过热。

切换规则： 够用层跑出谱间隙数据，用数据标定精确层的谱间隙阈值（初始 0.3）和杠杆率阈值。数据不够，先用够用层。够用层改一个节点没效果，提前切精确层。

操控主体判据

操控改的是关系网权重矩阵/结构。自维持判据说"外部直接设定权重矩阵就是供结构信息"。两者交界必须裁决，否则"改变分两阶段"和"自维持"会打架。

判据：

一，操控由系统内部发起并执行，算自维持。系统自己改自己的关系网，不破坏自维持判据。

二，操控由外部发起，或外部直接设定操控参数（目标节点、改动幅度、谱间隙阈值），算供结构信息。外部替系统决定"改哪里、改多少"，系统就不是自维持。

三，边界案例：人改自己的关系网，算内部操控；工程师调系统的谱间隙阈值，算外部供结构信息。前者不破坏自维持，后者破坏。

自维持判据不禁止系统自己改自己的关系网，只禁止外部直接设定关系网。

3.7 第三章收口

五个机制加一个操控，分三层，每个机制分两精度。每个机制都落在关系网上：

来源层：

竞争是倾向变成行为的唯一出口，不是五个机制里的并列项。操控是竞争的下一轮改写。

数据积累线： 这一章跑出倾向生成、竞争、修改、总结、操控的数据，用来标定第四章比对升级链的精确层参数。

第四章 智能的升级链

4.0 智能判据与层级

4.0.1 什么叫“有智能”

判据：能预测（C4）才算有智能。

• 只会反应，叫自动机（C0）。

• 能归类调关系，叫有认知（C1）。

• 能判断因果，叫有因果认知（C2）。

• 能归纳规则，叫有归纳认知（C3）。

• 能预测后果，才叫有智能（C4）。

• 能组合多步、反事实推演、自我比对，叫高级智能（C5-C7）。

为什么是预测？ 因为“智能”的核心是前瞻性——能预判后果，才叫智能。只能反应、归类、因果、归纳，是“有认知但无智能”。智能是在认知之上，多了一层“往前看”的能力。

4.0.2 认知层级 C0-C7

层级

能力

判据

对应操作

C4 的测试标准：预测误差收敛，预测结果与实际结果的偏差 < 20%。注意：这里的“智能”专指前瞻性，不是广义智能。C0-C3 是“有认知”，不是“没脑子”。

4.0.3 智能层级 S0-S3

智能层级

判据

对应认知层级

映射推导：C4 是智能分界线（能预测）。C5 组合在预测之上多步推演，前瞻深度加一层，单列 S2。C6 反事实推演未发生分支、C7 自我比对把现在和过去对齐，两者同属“高级前瞻”，前瞻深度同级，不再细分，合为 S3。

对齐：认知层级回答“能做什么操作”，智能层级回答“有没有前瞻性”。C4 是分界线。

4.0.4 智能和活体的关系

活体层级（L0-L2）管“系统能不能维持自己”。

智能层级（S0-S3）管“系统能不能在关系网（地图）上操作”。

两者交叉：

• L2+S0 是“很会维持自己但不智能”。

• L0+S2 是“很智能但不会维持自己”。

• L2+S3 才是“完整活体智能”。

4.1 注意力筛选——什么进入关系网

够用层： 不用什么都比。看三样：什么变化大、什么以前重要、什么突然出现。三样里有一，就比；都没有，就不比。

精确层： 系统面对无限信息。当前状态有无数维度，关系网里有无数关系。不是所有差异都被比对，只有进入注意力的差异才被比对。注意力筛选由三个因素决定：偏差大小、关系权重、显著性。

定理 4.1.1（注意力前置定理）：没有注意力筛选，比对空间爆炸，系统瘫痪。

证明：无限维度 × 无限关系 → 比对组合无限 → 系统无法在有限时间内完成比对。注意力筛选把比对空间压缩到有限。证毕。

判据：注意力筛选后，进入后续环节的特征数 ≤ 原始特征数的 20%，且关键信号漏掉率 ≤ 10%。

切换规则： 按两层精度原则。够用层漏掉关键信号，切精确层。够用层筛得太宽导致过载，切精确层。

失败模式： 注意力过窄→漏掉关键信号；注意力过宽→系统过载。

4.2 归类——把情况归到哪一类（C1）

够用层：

三步：1. 看哪个特征最扎眼。2. 归错了后果大就分细，后果小就分粗。3. 进环境先问三句：有危险吗？有信任问题吗？是熟悉的吗？

精确层（最近邻算法）：

输入：当前状态向量 x（感知到的属性值）。

输出：类别标签 c（归到哪一类），以及该类对应的参照节点集合 R_c。

算法：

归类标准：区分度 = 类间方差 / 类内方差。区分度最大的特征，优先当归类标准。

归类粒度：最优粒度 = 归错类的预期损失 ≈ 增加粒度的成本。两者相等时，粒度最优。

先验归类范围：从底层硬核来。硬核关系映射到四个基本维度：危险/安全、可信/可疑、熟悉/陌生、有利/有害。四个维度的组合，定义初始类别边界。

硬核形成机制：硬核置信度 = 重复次数 × 跨情境数 × 通道数。置信度超过阈值（初始 0.9），锁死成硬核。

硬核间冲突裁决：硬核冲突裁决 = 覆盖广度 × 验证次数 × 底层程度。三者加权，分高的赢。分低的标记为“例外”，不推翻分高的。

网络自我维护：硬核不维护，中层按月维护，上层按天维护。维护动作：衰减（过时）、裁决（冲突）、标记（可疑）、加固（验证）。

判据：归类准确率 ≥ 85%（用已知标签的测试集测）。

关系网在归类中的作用： 归类是关系网的入口。当前情况归到哪一类，决定调哪组关系、拿哪个参照比、进哪条竞争通道。

切换规则： 按两层精度原则。够用层归错率超过 15%，切精确层。

失败模式： 归类标准错→调错关系；粒度太粗→该警惕时打招呼；粒度太细→每遇到一个人都新建一类；先验范围错→进新环境后连续归错；k 太小→归错；k 太大→归到模糊类；阈值太高→什么都不归；阈值太低→全归到一类。

4.3 比对——当前状态 vs 关系网里的参照（C1）

够用层： 拿当前状态和关系网里的参照粗比一下，产出“像/不像”“够/不够”。不用精确算差多少，粗判就行。

精确层（判决距离）：

输入：当前状态 x，参照状态 r（从 R_c 里取）。

输出：落差 Δ = x − r，判决距离 D_judge = |Δ| / σ，判定“有差异”或“噪声”。

算法：

参照系从哪来：

• 先天内置的：安全温度区间、饥饿信号，进化给的。

• 后天建立的：第一次碰火，建立“火=疼”的关系；第一次被夸，建立“夸=舒服”的关系。

参照系的建立本身不是比对，是体验沉淀。 体验→沉淀成关系→关系用于比对。没有体验沉淀，比对没有参照，比不了。

比对两层：

• 原初比对：身体直接比，不需要关系网参照。快、直接、先于思考。

• 派生比对：带关系网参照比。慢、需要关系网参与。

原初是底座，派生是叠加。

判据：真信号和噪声的区分准确率 ≥ 90%（用已知信号/噪声的测试集测）。

关系网在比对中的作用： 拿当前状态和关系网里的参照比。归到哪类，从关系网里调哪类参照比。没有关系网，比对没有参照。

切换规则： 按两层精度原则。够用层粗比误判率超过 10%，切精确层。

失败模式： 比不了（参照缺失）、比错了（参照本身错）、比晚了（行为已发生才比出来）、σ 估太小→噪声当信号、σ 估太大→信号当噪声、θ_judge 定错→误判率超 10%。

4.4 归因——归属后的病灶定位（C1-C2 桥梁）

前置条件：归因只对归属通过的自身落差做。外部扰动不归因，只记录。归属先筛掉外部噪声，归因再定位内部病灶。顺序反了，归因会把外部噪声当病灶，反馈会误杀内部好特征。

够用层： 出了问题，看谁最可疑。把最可疑的那个特征或关系挑出来。

精确层（扰动法）：

输入：归属通过的自身落差 Δ，以及 D 中参与本次比对的内部节点和边。外部扰动节点不进入归因输入。

输出：归因结果——最可能造成落差的内部节点/边，以及归因置信度。

算法：

一，对 D 中每个参与本次比对的内部节点 i，扰动其属性值（加 ε × σ_i，ε 初始 0.1）。

二，重新算比对落差 Δ_i'。

三，算扰动影响 I_i = |Δ_i' − Δ| / ε。

四，取 I_i 最大的前 3 个节点作为归因候选。

五，如果节点数 > 100，用采样扰动（随机选 30 个节点扰动，重复 5 次，取平均影响）。采样漏病灶处理：如果归因置信度 < 2（即 top-1 和第二影响接近），把采样范围扩大到 60 个节点重跑一次；仍 < 2 则标记“归因不确定”，不强行归因。

六，归因置信度 = 最大影响 / (第二影响 + 平滑项)，平滑项取 0.01 防止除零爆炸。置信度 > 2 才算归因成立。

扰动幅度：ε = 0.1 × σ_i，其中 σ_i 是节点 i 的历史波动标准差。扰动幅度太小，信号淹没在噪声里；太大，非线性失真。0.1 倍标准差是经验值，跑出数据后可调。

验证方法：用已知病灶的测试集测归因命中率。命中率 = 归因结果 top-3 中包含真实病灶的比例。命中率 ≥ 80% 算合格。

归因和因果的关系：

一，归因是“这次是谁导致的”——单次事件的病灶定位。

二，因果是“一般情况下谁导致谁”——跨事件的稳定关系。

三，归因是因果的特例：单次归因积累多了，稳定下来，就是因果。

四，归因靠扰动法，因果靠时间序列+对照排除。两者不同操作，但目标一致：找“谁导致谁”。

判据：归因命中率 ≥ 80%，归因置信度 > 2 才算成立。

为什么加归因？ 没有归因，反馈机制会把好特征误杀，信用系统会反向工作。机器最缺的就是“精准找病灶”。但归因必须在归属之后做，否则外部噪声会污染归因，归因本身也会误杀好特征。

切换规则： 按两层精度原则。够用层归因错误率超过 30%，切精确层。

失败模式： 扰动太大→非线性失真；扰动太小→噪声淹没信号；采样太少→归因不稳；置信度阈值太低→误归因；把归因当因果→过度概括；归因放在归属之前→外部噪声被误判为内部病灶。

4.5 因果——在关系网里找“谁导致谁”（C2）

够用层： 看三样——A 在 B 之前吗？A 变 B 也变吗？有没有别的解释？三样都像，判“可能因果”。三样里有一不像，判“不确定”。

精确层： 比对只能给出共变关系（A 变 B 也变），但因果需要三个条件同时满足：

因果 = 比对（共变） + 关系网（时间序列） + 对照排除（排除混淆）。

关系网在因果中的作用： 在关系网里找“谁导致谁”的链条。归到哪类，调哪类因果链。没有关系网，因果没有链条可找。

切换规则： 按两层精度原则。够用层误判率超过 15%，切精确层。

失败模式： 只有共变没有时间→把结果当原因；只有共变没有对照→把相关当因果。

4.6 归纳——把关系网里的多条经验压缩成规则（C3）

够用层： 同类情况遇到五次，攒成一条经验。下次遇到同类，直接调经验，不用从头试。

精确层： 一百次“饿→哭→有人来”，压成“饿→哭→有用”。这是归纳。

归纳不是比对，是从关系网里多条经验中提取共同模式。 比对告诉你“这次和上次像不像”，归纳告诉你“这些次共同点是什么”。

归纳的五个步骤：

关系网在归纳中的作用： 归纳是把关系网里的多条经验压缩成一条规则。规则存进关系网，下次调取更快。

切换规则： 按两层精度原则。够用层提取不出规则（比如一百次循环后仍从头试），切精确层。

失败模式： 只聚类不找共性→一堆孤立记录；找共性不排除差异→把噪声当信号；形成规则不校准置信度→过度概括。

4.7 预测——从关系网里调“上次之后”推这次（C4，智能分界线）

够用层： 想想“上次这么做之后发生了什么”，推“这次大概也会这样”。粗判“大概行/大概不行”。

精确层： 比对是“现在这个和参照差多少”。预测是“如果这样做，接下来会差多少”。

预测 = 从关系网里调取“上次这样做之后的状态”，推出“这次这样做之后大概会怎样”。

没有预测，系统只能对已发生的事做反应；有预测，系统能在行为之前预判后果。

判据：预测误差收敛，预测结果与实际结果的偏差 < 20%。20% 标定：按任务尺度定，初始用 20%，跑出数据后用历史预测误差的 2 倍标准差作为阈值。

关系网在预测中的作用： 从关系网里调“上次这样做之后”的关系链，推这次。调哪条、推什么，看归类归到哪类。

切换规则： 按两层精度原则。够用层预测错误率超过 20%，切精确层。

失败模式： 只比对当下不预判未来→纯反应系统；预判不准→行为盲目。

4.8 组合——把关系网里的多条因果链拼起来（C5）

够用层： A→B，B→C，粗判“A 可能通过 B 到 C”。不需要验证每条链，先拼起来用。

精确层： A→B，B→C，推出 A→C。这是推理的基础。

组合不是比对，是把关系网里多条因果链拼成一条链。 比对给你“A 和 B 有关系”“B 和 C 有关系”，组合给你“A 通过 B 和 C 有关系”。

没有组合，关系网只有孤立的两两关系；有组合，关系网能建立多步因果链。

关系网在组合中的作用： 把关系网里的多条因果链拼起来。归到同一类，才能拼；归到不同类，拼了也白拼。

切换规则： 按两层精度原则。够用层推出错误因果链的比例超过 20%，切精确层。

失败模式： 只能建立两两关系→推理能力弱；组合规则错误→推出错误因果链。

4.9 反事实——从关系网里调“类似但不同做法”虚拟比（C6）

够用层： 问“如果当时没这么干，会怎样？”从关系网里调一件“类似情况但不同做法”的事，粗比结果。

精确层： “如果我当时没去，会怎样？”“如果换了方法，结果会不会不同？”

反事实比对是因果推断的核心，也是智能区别于纯反应系统的关键。 纯反应系统只比对“实际发生了什么”，反事实系统还比对“可能发生什么”。

没有反事实，系统只能从实际经验学习；有反事实，系统能从“没发生的事”里学习。

关系网在反事实中的作用： 从关系网里调“类似情境+不同动作”的关系，虚拟比。归到同一类，才能拿来反事实比。

切换规则： 按两层精度原则。够用层反事实推断错误率超过 25%，切精确层。

失败模式： 只比对实际发生→从失败中学不到教训；反事实构建错误→错误归因。

4.10 自我比对——把“现在的我”和“过去的我”归到同一类比（C7）

够用层： 粗比“现在的我 vs 上次的我”——进步了还是退步了？一致还是矛盾？

精确层： 前面说的比对都是“当前状态 vs 外部参照”。还有一类比对是“现在的我 vs 过去的我”——这是自我意识的基础。

• 我现在的能力 vs 上次的能力→进步还是退步。

• 我现在的感受 vs 上次的感受→好了还是坏了。

• 我现在的选择 vs 上次的选择→一致还是矛盾。

没有自我比对，系统有智能，但没有自我。 自我比对是归属校验的上层：归属校验分“我的/外面的”，自我比对分“现在的我/过去的我”。两者合起来，才有“我”的连续感。

关系网在自我比对中的作用： 把“现在的我”和“过去的我”归到同一类，比进步退步。关系网里存着“过去的我”的关系，“现在的我”和那些关系比。

切换规则： 按两层精度原则。够用层判断和实际偏差超过阈值，切精确层。

失败模式： 只比对当前不比对过去→无自我轨迹；自我比对断裂→解离。

4.11 升级链总表

能力

认知层级

智能层级

类型

够用层

精确层

在关系网上干什么

失败模式

说明：归类、比对、归因、操控是四种原子操作。因果、归纳、预测、组合、反事实、自我比对是原子操作组合出的能力层级。操控是原子操作，但不进升级链，因为它是“改变地图”的操作，不是“在地图上读”的操作。

操控的层级归属：操控是四种原子操作之一，但不进 C0-C7，也不进 S0-S3。原因：C 层级是“读地图”的能力分级，操控是“改地图”。读地图有层级，改地图没有认知层级——改地图只问“能不能改、改得对不对”，不问“读到第几层”。

操控的层级归属独立：L0-L2 管“能不能改”（L2 自维持活体才能稳定操控），S0-S3 不管改地图。4.11 总表列操控为原子操作，是把它定位为智能的原料之一，不是把它塞进认知层级。

4.12 第四章收口

智能不是玄学，是在关系网上做归类、比对、归因、操控。认知层级 C0-C7 回答“能做什么操作”，智能层级 S0-S3 回答“有没有前瞻性”，C4 是分界线。

每一级都分够用层和精确层。够用层先跑，精确层后调。每一级都在关系网上进行操作，不是悬空的。

数据积累线： 这一章跑出归类、归因、因果、归纳、预测、组合、反事实的数据，用来标定第五章支撑和边界的精确层参数。

第五章 倾向的支撑和边界

5.0 分层理由

倾向是核心。但倾向要成立，需要支撑；倾向要成为“活体”的倾向，需要边界。

• 三个直接支撑：缺了倾向不成立。

• 两个迭代机制：缺了倾向不升级。

• 两个边界：缺了倾向不成立为“活体”。

每个支撑/边界分两层：够用层先跑，精确层后调。按两层精度原则，本节只在首次出现时写完整句式，后续节简写。

5.1 三个直接支撑：缺了倾向不成立

支撑一：记忆——倾向的改写器（四卡点分层规则）

够用层：

记忆是关系网。线索一出现，相关的体感和倾向跟着起来。不用精确匹配，粗匹配就行。

关系网分三层：底层硬核、中层情境规则、上层软判断。三层权重不同，推翻条件不同。三层结构见 1.3，这里不重复构建协议，只给四卡点分层规则。

关系网有四个运用卡点：调取、冲突、推翻、运用。关系网有三个维护机制：硬核形成、硬核冲突裁决、网络自我维护。

精确层：

没有记忆，倾向只有先天反应，不能积累、不能复杂化。记忆改写倾向的强度、方向、冲突结构。

记忆三重身份：解释器给感受赋义，参照标尺拿过去预判当下，触发网络让线索一匹配就唤起倾向。三者并列，缺一个就会出“道理都懂身体还是怕”——解释器更新了，触发网络没更新。

关系网的四个运用卡点（每层表现不同）：

关系网的三个维护机制：

判据：D 矩阵能建出来，三层节点有明确置信度分界，四卡点在每层有明确规则。

切换规则： 按两层精度原则。够用层粗匹配误判率超过 10%，切精确层。

失败模式： 归属断裂（体验存在但不归属“我”）；把外部噪声当自身需求；阈值过大→外部噪声当自身需求；阈值过小→自身落差被忽略；三层和四卡点没打通→卡点不知道在每层怎么运作。

支撑二：比对——倾向的因果判断

够用层： 粗比“像不像”“够不够”，判断倾向有没有用。

精确层： 没有比对，倾向无法判断“这样做有没有用”。比对是因果最初的能力。判决距离算法见 4.3。

切换规则： 按两层精度原则。够用层粗比误判率超过 10%，切精确层。

支撑三：竞争——倾向的裁决出口

够用层： 相对排序——急不急、重不重要，分高的先做。

精确层： 没有竞争，多条关系路径同时输出，系统瘫痪。竞争三条规则见 3.5。竞争是倾向变成行为的唯一出口。

切换规则： 按两层精度原则。够用层排序震荡超过 10 步，切精确层。

5.2 两个迭代机制与长期目标自维持

迭代一：反馈——单次循环内修正关系权重

够用层： 做完标记“好/不好”，关系网里这条关系权重升/降。

精确层： 行为→结果感受→折返→更新关系权重。没有反馈，这次循环的后果不进入下次。反馈四元组：触发源→行动→结果→调节器。四元组闭合，回路存在。

切换规则： 按两层精度原则。够用层“好/不好”二分太粗，切精确层。

迭代二：循环总结——跨轮改写关系网起点

够用层： 攒五次成经验，用三次都灵算“靠谱”。

精确层： 提取模式→压缩成规则→存进关系网→改写下一轮起点。三层嵌套：微总结、中总结、宏总结。三个核心约束：置信度加权、例外保留、能量约束。三个辅助约束：来源标记、外部校准、可追溯。

切换规则： 按两层精度原则。够用层经验攒不出来或老出错，切精确层。

5.2.3 长期目标自维持

定义：长期目标 = 满足三条件的倾向：

定理：三条件同时满足→倾向长期胜出；缺自维持回路→长期目标被替换。

证明：高权重→竞争中优先。低耗散→能量不足时仍能维持。自维持回路→行为结果加固自身权重。三者同时满足→倾向自我加固，成为吸引子。缺自维持回路→行为结果不加固自身→新倾向替代。证毕。

加固路径：胜出记录→同类条件优先调用→成功加固记录。撤掉外部奖励，记录仍在，倾向仍被优先调用。

判据：撤奖励维持率 ≥ 80%。

失败模式：撤奖励就崩→查自维持回路是否闭合；三条件缺一→长期目标被替换。

5.3 两个边界与带伤运行机制

够用层：

存三五件“自己的事”的典型样例。新事来了，和样例比：像七成，归自己；不像，归外面。

跑起来老把外面的事当自己的，调严到八成；老把自己的事当外面的，调松到六成。

精确层：

自身落差进竞争，外部扰动只记录。没有归属校验，系统有反馈、有记忆、有竞争，但没有“我”的连续感，就是恒温器。

操作化三件套：

轨迹矩阵构建：

阈值标定：

• θ_traj = μ_self + k × σ_self，k 取 2~3。

• 首次标定用前 100 步已知自身落差的轨迹估 μ_self 和 σ_self。冷启动规则：不足 100 步时，用系统预设的初始轨迹（比如出厂标定的“正常自身波动”样例）估初值；每积累 50 步更新一次 θ_traj。

误判率控制：

• 定期注入已知外部扰动和已知自身落差，计算误判率。标签来源：工程系统用注入的已知扰动标签；生物系统用实验操控（如已知外部刺激 vs 已知内部需求）标签；无标签时用弱监督（人工抽检 10% 样本标定）。

• 误判率 > 5% → 增大 m、增大窗口 W、或重新标定 θ_traj。

判据：

• d_min < θ_traj → 自身落差，进竞争。

• d_min ≥ θ_traj → 外部扰动，只记录。

切换规则： 按两层精度原则。够用层误判率超过 10%，切精确层。

失败模式： 归属断裂（体验存在但不归属“我”）；把外部噪声当自身需求；阈值过大→外部噪声当自身需求；阈值过小→自身落差被忽略。

够用层：

底线不固定，跟着条件走。附近有能源，底线低一点，敢多用；没能源，底线高一点，省着用。看“还能撑多久”和“找到新能源要多久”比一下。

精确层：

自维持不是“没有任何外部约束”，是“在约束下还能自己维持结构”。外部给约束，不等于破坏自维持。镣铐是约束，戴镣铐的人还是活人；芯片是约束，有芯片控制的系统还能在约束内自己调整，就还是活体。

约束分三类，判据不同：

判据改写：

• 外部只在冷启动时给初始参数，运行中系统能根据自身历史调整参数→算自维持。

• 外部在运行中持续设定参数，系统不能自我调整→不算自维持。

• 外部给固定约束（镣铐、芯片、降级阈值），系统在约束内还能自己调整行为→算自维持。约束是边界，不是傀儡线。

降级阈值的处理： N、M、K 初始由外部给（冷启动参数），运行中系统根据自身降级效果调整：连续多次在阈值内退出→调小阈值；连续多次超时升级→调大阈值。调整规则也由系统根据历史生成，不由外部持续设定。这样降级阈值不破坏自维持判据。

边界案例：

• 恒温器：温度设定是外部持续设定的，系统不能自我调整→不算自维持。

• 火焰：形状靠外部燃料决定，没有内部调整→不算自维持。

• 生态系统：太阳给能量，生态结构靠内部反馈维持→算自维持。

• 戴镣铐的人：镣铐是固定约束，人在约束内自己调整行为→算自维持。

• 有芯片控制的系统：芯片是固定约束，系统在约束内自己调整→算自维持；如果芯片持续改写系统的目标区间且系统不能调整→不算。

切换规则： 按两层精度原则。够用层底线判断老出错，切精确层。

失败模式： 自维持判据失效→外部撤掉后系统不会自己算“什么算正常”；外部在运行中持续设定目标区间或关系权重且系统不能调整→系统是外部结构的傀儡；把固定约束误判为破坏自维持→把戴镣铐的活人判成机器。

5.3.1 边界一：归属校验——分"我的倾向/外面的噪声"

够用层：

存三五件"自己的事"的典型样例。新事来了，和样例比：像七成，归自己；不像，归外面。

跑起来老把外面的事当自己的，调严到八成；老把自己的事当外面的，调松到六成。

精确层：

自身落差进竞争，外部扰动只记录。没有归属校验，系统有反馈、有记忆、有竞争，但没有"我"的连续感，就是恒温器。

操作化三件套：

轨迹矩阵构建：

阈值标定：

• θ_traj = μ_self + k × σ_self，k 取 2~3。

• 首次标定用前 100 步已知自身落差的轨迹估 μ_self 和 σ_self。冷启动规则：不足 100 步时，用系统预设的初始轨迹（比如出厂标定的"正常自身波动"样例）估初值；每积累 50 步更新一次 θ_traj。

误判率控制：

• 定期注入已知外部扰动和已知自身落差，计算误判率。标签来源：工程系统用注入的已知扰动标签；生物系统用实验操控（如已知外部刺激 vs 已知内部需求）标签；无标签时用弱监督（人工抽检 10% 样本标定）。

• 误判率 > 5% → 增大 m、增大窗口 W、或重新标定 θ_traj。

【拓扑指纹硬前置 + 五层同源度】

轨迹矩阵管的是"像不像我过去的样子"。但它有一个漏洞：如果外部噪声伪装得跟你过去的轨迹极像，轨迹比对可能被骗。所以加一道不可伪造的硬前置。

硬前置：拓扑指纹校验（C_top0）

两端的拓扑荷 n 必须完全相同。n 是整数，连续噪声改不了它。n 相同 → C_top0 = 1，允许进入后续比对。n 不同 → C_top0 = 0，不管状态多接近，直接判定为外部扰动，切断协同。这是不可商量的硬条件。

五层同源度量化

归属不只看总分，要拆五层：

总同源度 = 五层加权合成（独立时直接相乘，相关时用加权几何平均）。任一层 < 0.90，判定整体不合格。低于 0.99 即跌破生死线，进入观察模式。

判据：

• C_top0 = 1（拓扑指纹一致）且 d_min < θ_traj → 自身落差，进竞争。

• C_top0 = 0 或 d_min ≥ θ_traj → 外部扰动，只记录。

• 误判率 ≤5%；注入扰动识别率 ≥90%；冷启动可跑；误判超 10% 有回退路径。

• 五层同源度任一层 < 0.90 → 总同源度不合格。

切换规则： 按两层精度原则。够用层误判率超过 10%，切精确层。

失败模式： 归属断裂（体验存在但不归属"我"）；把外部噪声当自身需求；阈值过大→外部噪声当自身需求；阈值过小→自身落差被忽略；标签缺失→不能宣称全自动归属，人工抽检兜底；冷启动无标签→用预设初始轨迹，跑 100 步后再标；C_top0=0 时强行协同→拓扑不同构，系统被外部污染；五层中某层低于 0.90 未触发降级→总同源度虚高，实际已失效。

5.3.2 边界二：自维持判据——倾向能不能持续

够用层：

底线不固定，跟着条件走。附近有能源，底线低一点，敢多用；没能源，底线高一点，省着用。看"还能撑多久"和"找到新能源要多久"比一下。

精确层：

自维持不是"没有任何外部约束"，是"在约束下还能自己维持结构"。外部给约束，不等于破坏自维持。镣铐是约束，戴镣铐的人还是活人；芯片是约束，有芯片控制的系统还能在约束内自己调整，就还是活体。

约束分三类，判据不同：

判据改写：

• 外部只在冷启动时给初始参数，运行中系统能根据自身历史调整参数→算自维持。

• 外部在运行中持续设定参数，系统不能自我调整→不算自维持。

• 外部给固定约束（镣铐、芯片、降级阈值），系统在约束内还能自己调整行为→算自维持。约束是边界，不是傀儡线。

降级阈值的处理： N、M、K 初始由外部给（冷启动参数），运行中系统根据自身降级效果调整：连续多次在阈值内退出→调小阈值；连续多次超时升级→调大阈值。调整规则也由系统根据历史生成，不由外部持续设定。这样降级阈值不破坏自维持判据。

自维持审计

够用层怎么跑：

精确层怎么标定：

• 建外部干预日志：时间、对象、参数、是否可自调、系统是否根据历史调整。

• 自维持评分 = 可自调参数比例 × 历史自调成功率；目标 ≥0.8。

• 外部持续强设识别：同一结构参数在运行中被外部连续设定 ≥3 次且系统无自调记录→判供结构信息。

• 审计周期：每 100 轮或每次外部干预后审计一次。

【七条不变量 + 故障恢复矩阵】

自维持不只是"外部有没有牵着"，还要保证系统内部结构的七条底线不被破。任何模块、操作、更新，都不得违反这七条。破了，系统就散架。

七条不变量（系统铁律）：

故障恢复矩阵（坏了怎么退）：

故障场景

判定条件

降级动作

边界案例：

• 恒温器：温度设定是外部持续设定的，系统不能自我调整→不算自维持。

• 火焰：形状靠外部燃料决定，没有内部调整→不算自维持。

• 生态系统：太阳给能量，生态结构靠内部反馈维持→算自维持。

• 戴镣铐的人：镣铐是固定约束，人在约束内自己调整行为→算自维持。

• 有芯片控制的系统：芯片是固定约束，系统在约束内自己调整→算自维持；如果芯片持续改写系统的目标区间且系统不能调整→不算。

判据： 审计日志完整；边界案例有裁决规则；自维持评分 ≥0.8；外部持续强设可识别；降级阈值自调记录可查；七条不变量全部声明并保持；故障场景有对应降级路径。

切换规则： 按两层精度原则。够用层底线判断老出错，切精确层。

失败模式： 自维持判据失效→外部撤掉后系统不会自己算"什么算正常"；外部在运行中持续设定目标区间或关系权重且系统不能调整→系统是外部结构的傀儡；把固定约束误判为破坏自维持→把戴镣铐的活人判成机器；审计缺失→判据打架，补日志；云端外援冲突→按母体归属裁决；外部可改写则不算自维持；违反七条不变量任一条→结构散架；故障场景无降级路径→系统死机。

够用层：

底线不固定，跟着条件走。附近有能源，底线低一点，敢多用；没能源，底线高一点，省着用。看“还能撑多久”和“找到新能源要多久”比一下。

精确层：

自维持不是“没有任何外部约束”，是“在约束下还能自己维持结构”。外部给约束，不等于破坏自维持。镣铐是约束，戴镣铐的人还是活人；芯片是约束，有芯片控制的系统还能在约束内自己调整，就还是活体。

约束分三类，判据不同：

判据改写：

• 外部只在冷启动时给初始参数，运行中系统能根据自身历史调整参数→算自维持。

• 外部在运行中持续设定参数，系统不能自我调整→不算自维持。

• 外部给固定约束（镣铐、芯片、降级阈值），系统在约束内还能自己调整行为→算自维持。约束是边界，不是傀儡线。

降级阈值的处理：N、M、K 初始由外部给（冷启动参数），运行中系统根据自身降级效果调整：连续多次在阈值内退出→调小阈值；连续多次超时升级→调大阈值。调整规则也由系统根据历史生成，不由外部持续设定。这样降级阈值不破坏自维持判据。

自维持审计

够用层怎么跑：

精确层怎么标定：

• 建外部干预日志：时间、对象、参数、是否可自调、系统是否根据历史调整。

• 自维持评分 = 可自调参数比例 × 历史自调成功率；目标 ≥0.8。

• 外部持续强设识别：同一结构参数在运行中被外部连续设定 ≥3 次且系统无自调记录→判供结构信息。

• 审计周期：每 100 轮或每次外部干预后审计一次。

边界案例：

• 恒温器：温度设定是外部持续设定的，系统不能自我调整→不算自维持。

• 火焰：形状靠外部燃料决定，没有内部调整→不算自维持。

• 生态系统：太阳给能量，生态结构靠内部反馈维持→算自维持。

• 戴镣铐的人：镣铐是固定约束，人在约束内自己调整行为→算自维持。

• 有芯片控制的系统：芯片是固定约束，系统在约束内自己调整→算自维持；如果芯片持续改写系统的目标区间且系统不能调整→不算。

判据： 审计日志完整；边界案例有裁决规则；自维持评分 ≥0.8；外部持续强设可识别；降级阈值自调记录可查。

切换规则： 按两层精度原则。够用层底线判断老出错，切精确层。

失败模式： 自维持判据失效→外部撤掉后系统不会自己算“什么算正常”；外部在运行中持续设定目标区间或关系权重且系统不能调整→系统是外部结构的傀儡；把固定约束误判为破坏自维持→把戴镣铐的活人判成机器；审计缺失→判据打架，补日志；云端外援冲突→按母体归属裁决；外部可改写则不算自维持。

5.3.3 三类降级态

每个降级态必须有进入条件、退出条件、退出时限。没有退出时限的降级就是死机。

降级态

进入条件

退出条件

退出时限

降级阈值的参数内生规则： N、M、K 初始由外部给（冷启动参数），运行中系统根据自身降级效果调整：连续 10 次在阈值内退出→阈值调小 2 步；连续 10 次超时升级→阈值调大 2 步。调整规则也由系统根据历史生成，不由外部持续设定。

降级不是死机。 每个降级态都有退出路径，退不出去才升级。

5.3.4 死亡态、种子保留、重启

溃散率定义： 溃散率 γ 是关系网失稳的速度。操作定义：

γ = 单位时间内关系权重分布的熵增 / 单位时间内能量补充率

• 关系权重分布的熵：权重越分散、越无序，熵越高；权重越集中、越有序，熵越低。

• 熵增速度：单位时间内熵的增加量。熵增快，说明关系网在快速失稳。

• 能量补充率：单位时间内外部供给的能量。

• 溃散率 = 熵增速度 / 能量补充率。溃散率越高，系统越接近散架。

为什么这样定义： 活体靠有序的关系网维持结构。关系网失稳（熵增）快于能量补充，系统就撑不住。这个定义把“失稳”和“能量”绑在一起，和自维持判据一致。

死亡态定义： 能量耗尽（E < E_min）或溃散率超限（γ > γ_max），系统进入死亡态。所有倾向停止，循环停摆。E_min 初始取总能量的 5%，γ_max 初始取正常溃散率的 1.5 倍。

休眠区超时→死亡态的桥： 休眠区 K 步内退不出去，不直接触发死亡态，而是触发“溃散率加速上升”：每超时 1 步，溃散率 γ 增加 0.01。如果超时期间 γ 超过 γ_max，触发死亡态；如果 γ 未超限，继续留在休眠区，每步继续加 0.01，直到 γ 超限或退出。死亡态只有一套触发条件——能量耗尽或溃散率超限。休眠区超时是溃散率上升的原因，不是独立的死亡触发条件。

种子保留： 死亡态下，触发条件网络 (C, A, K, μ) 保留为种子，不丢失。种子存储在非易失介质中，该介质属于系统自身结构的一部分（类比 DNA 属于细胞），不是外部结构信息源。外部只接能量（通电），不改变种子内容。如果种子存在外部介质中且外部介质可被外部改写，则种子不算保留，重启不算自维持。

重启： 外部接入能量，种子被激活，系统从死亡态恢复。重启只需要外部接入能量，不需要外部提供结构信息——种子保留了结构信息。

死亡态和降级态的区别： 降级态有退出条件，意味着“永远能回来”。死亡态没有退出条件，除非外部介入。这是本质区别。

判据： 死亡判定准确率 = 100%，重启成功率 ≥ 90%，种子存储介质不可被外部改写。

失败模式： 溃散率未定义→死亡判定不准；休眠区超时不加溃散率→两套死亡条件打架；种子存在外部可改写介质→重启不算自维持；溃散率阈值定太松→该死不死的僵尸系统；定太紧→误杀。

5.4 三层属性总表

层

属性

一句话

缺了会怎样

够用层

精确层

5.5 时间尺度

九站不是同时发生的。每站有典型时长。

时间尺度不等式：

τ_resolve < τ_judge < τ_trigger < τ_maintain < τ_desire

其中：

• τ_resolve：分辨率（注意力筛选周期）

• τ_judge：判决周期（比对→归属→归因，顺序固定）

• τ_trigger：触发周期（竞争+行为）

• τ_maintain：维持周期（反馈+关系网更新）

• τ_desire：欲望更新周期（总结+长期目标）

归因在判决周期内，但在归属之后。τ_attrib 不再单列——归属校验并入 τ_judge，归因后的反馈更新并入 τ_maintain。

违反后果： 任一不等式违反，观测者时间尺度不闭合，系统散架。比如 τ_resolve > τ_judge，判决前没有足够信息，比不了。

站

典型时间尺度

所属周期

时间尺度错配的后果： 快尺度慢于慢尺度，接口散架。比如归类太慢，比对拿错参照比——这就是“归错了”。

5.5.1-最小闭环接口契约

端到端最小闭环的输入输出、时序、数据格式、失败降级，让零件能接成整机。

够用层怎么跑：

精确层怎么标定：

• 接口契约表：字段名、类型、范围、默认值、超时、失败码。

• 时序监测：实测各 τ，违反不等式→告警。

• 数据格式带版本号，升级兼容旧包。

• 回放测试：用历史数据重放最小闭环，接口错误率 <1%。

• 降级退出时限按 5.3.3：N=10~20，M=20~50，K=50~100。

判据： 最小闭环跑通 ≥100 轮；接口错误率 <1%；时序不等式满足；三类降级均可退出；回放测试通过。

失败模式： 接口字段缺失→模块接不上，补契约；时序错→归类慢比对拿错参照，查 τ_judge；降级卡死→查退出条件和时限；D 更新失败→回滚上一版，不污染主网。

对接： 5.5 时间尺度、5.3.3 降级态、6.1 L0-L2。

5.6 第五章收口

倾向是核心。三个直接支撑（记忆、比对、竞争）让倾向成立，两个迭代（反馈、总结）让倾向升级，两个边界（归属、自维持）让倾向成为“活体”的倾向。记忆支撑挂靠 D 矩阵，三层结构和四卡点打通。补了长期目标自维持三条件+加固路径、三类降级态进入/退出/时限、死亡态/种子/重启、时间尺度不等式正式定义。

每个支撑/边界分两层：够用层先跑，精确层后调。

数据积累线： 这一章跑出归属校验、自维持判据、降级、死亡判定的数据，用来标定第六章测试标准的精确层。

第六章 怎么焊、怎么改、怎么知道它错了

L0：单倾向反应系统

特征：刺激→反应→反馈。只有行为，没有选择。

够用层标准：

• 反应稳定：相同刺激下反应基本一致。

• 单条关系权重能改：反馈注入后关系权重有变化。

精确层标准：

• 反应稳定率 ≥ 90%。

• 单条关系权重可更新：反馈注入后权重变化量 ≥ 0.01。

切换规则： 够用层过了再跑精确层。

不过怎么办：

• 反应不稳定→查感知通道信噪比。

• 权重不更新→查 PE 是否产生、可塑载体是否存在、学习率 g 是否大于零。

L1：多倾向竞争系统

特征：加注意力筛选、归类、比对、预测、因果、归属、竞争、关系网、总结。开始有选择。

够用层标准：

• 归类能分：能把不同情况归到不同类。

• 竞争能排序：多条关系路径同时出现时能分出先后。

• 归属能分：能把自身落差和外部扰动分开。

• 总结能提规则：同类情况遇到几次后能攒出一条经验。

精确层标准：

• 归类准确率 ≥ 85%。

• 竞争排序稳定率 ≥ 85%。

• 归属校验误判率 ≤ 5%。

• 总结规则提取率 ≥ 80%。

切换规则： 够用层过了再跑精确层。

不过怎么办：

• 归类不准→查归类标准、粒度、先验范围。

• 排序不稳→查偏差共线、预算 B 锚定、时间尺度。

• 归属分不开→查轨迹矩阵嵌入维数、阈值 θ_traj、误判率控制。

• 总结提不出规则→查重复次数、落差强度、置信度加权。

L2：自维持活体

特征：加长期目标自维持、带伤边界、反事实。循环能自己加固自己。

够用层标准：

• 撤奖励还能维持一半以上步数。

• 三类故障能降级能退出。

• 死亡能判定，种子能保留，外部接能量能重启。

• 反事实能粗用：能构造简单“如果……会怎样”的推演。

精确层标准：

• 撤奖励维持率 ≥ 80%。

• 降级退出率 = 100%。

• 死亡判定准确率 = 100%。

• 重启成功率 ≥ 90%。

• 反事实可用性：推演结果与现实偏差在可接受范围内。

切换规则： 够用层过了再跑精确层。

不过怎么办：

• 撤奖励就崩→查自维持回路是否闭合。

• 降级卡死→查退出条件和退出时限。

• 死亡不可判定→查能量/溃散率阈值。

• 重启失败→查种子保留和重启路径。

• 反事实不可用→查因果绑定质量和内部模拟机制。

避坑： 不跳级。L0 没跑通就焊 L1，基础不稳，后面全是补丁摞补丁。

6.1 L0-L2：三层实现路线

L0：单倾向反应系统

特征：刺激→反应→反馈。只有行为，没有选择。

够用层标准：

• 反应稳定：相同刺激下反应基本一致。

• 单条关系权重能改：反馈注入后关系权重有变化。

精确层标准：

• 反应稳定率 ≥ 90%。

• 单条关系权重可更新：反馈注入后权重变化量 ≥ 0.01。

切换规则： 够用层过了再跑精确层。

不过怎么办：

• 反应不稳定→查感知通道信噪比。

• 权重不更新→查 PE 是否产生、可塑载体是否存在、学习率 g 是否大于零。

L1：多倾向竞争系统

特征：加注意力筛选、归类、比对、预测、因果、归属、竞争、关系网、总结。开始有选择。

够用层标准：

• 归类能分：能把不同情况归到不同类。

• 竞争能排序：多条关系路径同时出现时能分出先后。

• 归属能分：能把自身落差和外部扰动分开。

• 总结能提规则：同类情况遇到几次后能攒出一条经验。

精确层标准：

• 归类准确率 ≥ 85%。

• 竞争排序稳定率 ≥ 85%。

• 归属校验误判率 ≤ 5%。

• 总结规则提取率 ≥ 80%。

切换规则： 够用层过了再跑精确层。

不过怎么办：

• 归类不准→查归类标准、粒度、先验范围。

• 排序不稳→查偏差共线、预算 B 锚定、时间尺度。

• 归属分不开→查轨迹矩阵嵌入维数、阈值 θ_traj、误判率控制。

• 总结提不出规则→查重复次数、落差强度、置信度加权。

L2：自维持活体

特征：加长期目标自维持、带伤边界、反事实。循环能自己加固自己。

够用层标准：

• 撤奖励还能维持一半以上步数。

• 三类故障能降级能退出。

• 死亡能判定，种子能保留，外部接能量能重启。

• 反事实能粗用：能构造简单"如果……会怎样"的推演。

精确层标准：

• 撤奖励维持率 ≥ 80%。

• 降级退出率 = 100%。

• 死亡判定准确率 = 100%。

• 重启成功率 ≥ 90%。

• 反事实可用性：推演结果与现实偏差在可接受范围内。

切换规则： 够用层过了再跑精确层。

不过怎么办：

• 撤奖励就崩→查自维持回路是否闭合。

• 降级卡死→查退出条件和退出时限。

• 死亡不可判定→查能量/溃散率阈值。

• 重启失败→查种子保留和重启路径。

• 反事实不可用→查因果绑定质量和内部模拟机制。

避坑： 不跳级。L0 没跑通就焊 L1，基础不稳，后面全是补丁摞补丁。

【白话框：零件怎么接成整机？】

原文给了三层路线，但各模块的接口没定死。吸收同源系统的统一内核，规定所有模块必须用同一个状态包、同一套比对尺子、同一套更新规则。这样零件焊起来不会尺寸不合。

【最小闭环接口契约】

统一状态包（七个字段）：

所有模块传递数据时，必须用这个格式：

• 状态空间：当前系统状态。

• 关系矩阵：当前的关系权重。

• 读出函数：怎么从状态读出结果。

• 时间锚：当前时间步/触发序号。

• 同源度：当前同源度及五层分项。

• 信用：各路径的信用分（和为1）。

• 痕迹：操作记录（只追加，不删除）。

七把标准尺子（所有比对只能调这七类）：

任何模块不得另写一套比对公式。所有判决统一走一个读出函数：输入偏差、关系矩阵、信用、时间锚，输出结果、判决标志、置信度。三重门、门槛判决、信用投票、同源校验，都是这个函数的分支。

更新规则：信用更新后必须投影回单纯形（和为1）；同源度每次重算必须记录五层分项；每次判决和归因必须写入痕迹，不得覆盖历史。

最小闭环接口契约：

• 先通一条最小链：感知→注意力→归类→比对→归属→归因→竞争→行为→反馈→关系网更新。

• 统一状态包字段：{时间戳, 状态向量, 候选关系集, 落差 Δ, 归属标签, 归因候选, 预算 B, 行为, 结果感受}。

• 时序按 τ_resolve < τ_judge < τ_trigger < τ_maintain < τ_desire 排。

• 失败降级：模块超时→跳过并记录；归属失败→观察模式；竞争震荡→锁排序；关系网更新失败→回滚上一版。

• 每模块写清输入、输出、超时、失败码；先跑 100 轮最小闭环。

判据： 最小闭环跑通 ≥100 轮；接口错误率 <1%；时序不等式满足；三类降级均可退出；回放测试通过；所有模块使用统一状态包，所有比对只调七类标准接口，所有判决只走统一读出函数，所有更新保持七条不变量。

失败模式： 接口字段缺失→模块接不上，补契约；时序错→归类慢比对拿错参照，查 τ_judge；降级卡死→查退出条件和时限；关系网更新失败→回滚上一版，不污染主网；模块各写各的比对→结果不可比，因果链断裂；状态包字段不统一→数据丢包，接不上整机。

6.2 L/S 交叉测试

不跳级。L0-L2 和 C0-C7 / S0-S3 是两条线，交叉看系统到底走到哪一步。

交叉

状态

测试指标

测试指标汇总：

• 归类准确率 ≥ 85%

• 归因命中率 ≥ 80%

• 判决距离分得开真信号和噪声（区分准确率 ≥ 90%）

• 操控高杠杆节点能改变全局稳态（改变幅度 ≥ 50%）

• 预测误差收敛（偏差 < 20%）

避坑： C4 没跑通就焊 C5，预测不准就组合，组合出来全是错的。

6.3 关系网质量测试

L0-L2 测的是循环跑不跑得通。关系网质量测的是关系网用得好不好。

够用层标准：

• 归类准不准：归错类的比例。

• 关系调得对不对：该调的没调、不该调的调了，比例多少。

• 冲突裁得公不公：两条关系打架时，裁决是否符合预期。

• 推翻改得对不对：该推翻的推翻了、不该推翻的没推翻，比例多少。

精确层标准：

• 归类准确率 ≥ 85%。

• 关系调取准确率 ≥ 80%。

• 冲突裁决符合预期率 ≥ 80%。

• 推翻准确率 ≥ 80%。

诊断树（不过怎么办）：

• 归类不准：

• 查归类标准（区分度够不够）→ 区分度 < 0.5，换特征。

• 查粒度（太粗还是太细）→ 归错损失 > 粒度成本×2，分细；反之分粗。

• 查先验范围（对不对）→ 进新环境后连续归错，重建先验。

• 查 k 值（太小还是太大）→ 归错率高且分散，调大 k；归到模糊类，调小 k。

• 查阈值（太高还是太低）→ 什么都不归，调低阈值；全归到一类，调高阈值。

• 关系调取不准：

• 查关系权重 → 权重和实际效果不匹配，调权重。

• 查时效 → 旧关系该降权没降，加时效衰减。

• 查情境匹配度 → 情境不匹配还调，加情境过滤。

• 冲突裁决不公：

• 查硬核冲突裁决规则（覆盖广度×验证次数×底层程度）→ 权重分配不合理，调权重。

• 查裁决层级 → 硬核冲突和中层冲突用了同一套规则，分层。

• 推翻不准：

• 查推翻触发条件（反复出现没有、覆盖不覆盖、失效几次）→ 触发条件太松或太紧，调阈值。

• 查层级差异 → 硬核和中层用了同一套推翻条件，分层。

6.4 回到人的改变

第一章问：为什么道理都懂，身体还是怕？

现在答：不是意志问题，是关系权重问题。

理解更新的是解释器，刻印锁在关系网的触发层里。理解不能消除旧关系网，只能创造间隙、给新关系路径攒筹码。

改变不是抹除，是调权重、抬门槛、建新通路、找高杠杆节点。

改变分两阶段：

阶段一：攒筹码（量变）

• 条件：谱间隙 g > 0.3。

• 动作：反复走新通路，慢慢攒权重。

• 判据：谱间隙降到 0.3 以下。

阶段二：找杠杆（质变）

• 条件：谱间隙 g ≤ 0.3。

• 动作：找高杠杆节点（L_i 最大的前 3 个），改它们。

• 判据：改完后全局稳态改变幅度 ≥ 50%。

两阶段的关系：攒筹码是量变，找杠杆是质变。没有量变，杠杆撬不动；没有杠杆，量变太慢。不是二选一，是先后顺序。

第一章“道理都懂却改不了”的困境，在这里收口：不是想通就行，是新关系路径要反复攒筹码，攒到临界点再找杠杆撬动。

旧路还在，但不再唯一。

L0-L2、C0-C7、S0-S3 三套层级交叉测试，不跳级。每层跑测试，不过就补。够用层标准先过，精确层标准后过。

关系网质量测试单独一条线，测归类、调取、冲突裁决、推翻。诊断树给“不过怎么办”的具体路径。

回到人的改变：不是抹除旧网，是调权重、抬门槛、建新通路、找高杠杆节点。改变分两阶段：先攒筹码到临界点，再找杠杆撬动。

可证伪条件逐条列，每条指向对应章节的失败模式。

数据积累线： 这一章跑出 L0、L1、L2、C0-C7、S0-S3 的测试数据和关系网质量数据，用来标定全书各机制的精确层参数。

6.5.1 参数标定闭环

够用层跑出数据后，精确层参数怎么标、怎么验、漂了怎么回退的闭环。

够用层怎么跑：

精确层怎么标定：

• 标定对象：阈值、学习率 g、噪声 σ、θ_judge、θ_traj、B 安全系数、谱间隙阈值。

• 验证方法：留出法；指标达标才上线。

• 漂移监测：每 100 轮重算指标，下降 >10% 回退。

• 回退机制：保留上一版参数快照，一键回滚；回退后继续用够用层跑数据。

• 切换规则写死：数据不足用够用层；够用层误判率超阈值提前切；精确层漂移超限回退。

判据： 每类数据达标；验证指标达标；漂移可监测；回退成功率 100%；切换规则有记录。

失败模式： 数据不够硬切→参数漂，回够用层；不验证就上线→精确层不可信，补留出验证；不回退→漂了不可控，建快照；只标定不监测→漂移发现晚，加周期监测。

对接： 两层精度原则、附录 D 工程检查表、6.1 L0-L2 测试。

6.5 第六章收口

L0-L2、C0-C7、S0-S3 三套层级交叉测试，不跳级。每层跑测试，不过就补。够用层标准先过，精确层标准后过。

关系网质量测试单独一条线，测归类、调取、冲突裁决、推翻。诊断树给"不过怎么办"的具体路径。

回到人的改变：不是抹除旧网，是调权重、抬门槛、建新通路、找高杠杆节点。改变分两阶段：先攒筹码到临界点，再找杠杆撬动。

可证伪条件逐条列，每条指向对应章节的失败模式。

数据积累线： 这一章跑出 L0、L1、L2、C0-C7、S0-S3 的测试数据和关系网质量数据，用来标定全书各机制的精确层参数。

【白话框：参数从哪来、怎么调、漂了怎么退？】

原文说"够用层跑出数据再标定精确层"，但没说清标什么、怎么标、调坏了怎么回滚。吸收同源系统的三步标定协议和参数分层表，把参数分三层管：必须调的、有默认值的、标一次就固定的。

【参数标定闭环与分层管理】

第一步：参数分三层，不搞平均主义。

• 第一层（必须调）：收敛率、层数上限、判决阈值。这三个是命门，换系统必须重测。

• 第二层（有默认值）：聚类粒度（默认0.05）、对比度阈值（默认0.99）、成本系数（默认1）、误差系数（默认10）。常规情况用默认值，不符合预期才调。

• 第三层（标定一次固定）：拐点判定阈值（默认2.0）、噪声主导因子（默认10）。标定协议内部的参数，定了就不动。

第二步：三步标定法。

第三步：失效边界要写死。

每个参数都有理论边界和实验确认边界。比如：

• 同源度衰减率：超过允许时间 t_max，同源度跌破 0.99 → 退化到传统通信。

• 层数上限：超过 k_max，总同源度跌破 0.99 → 分层崩溃，回平面版。

• 判决阈值：低于 1，信息不存在 → 拒绝输出。

失效后必须有退化路径，不允许"无路可退"。

第四步：漂移监测与回退。

• 每 100 轮重算指标，下降 >10% 回退。

• 保留上一版参数快照，一键回滚。

• 回退后继续用够用层跑数据。

• 切换规则写死：数据不足用够用层；够用层误判率超阈值提前切；精确层漂移超限回退。

判据： 每类数据达标；验证指标达标；漂移可监测；回退成功率 100%；切换规则有记录；参数分三层管理，第一层换系统必重标，第二层有默认值，第三层标定后固定；失效有明确退化路径。

失败模式： 数据不够硬切→参数漂，回够用层；不验证就上线→精确层不可信，补留出验证；不回退→漂了不可控，建快照；只标定不监测→漂移发现晚，加周期监测；第一层参数用默认值→系统不匹配；失效边界未定义→出了问题不知道退到哪。

对接： 两层精度原则、附录 D 工程检查表、6.1 L0-L2 测试。

总结

核心：倾向。

倾向 = 偏离方向 × 偏离强度 × 当下条件。倾向强度 = |偏差| × 关系权重。关系权重 = 种子权重 + 更新权重，可退化。

暗线：关系网（D 矩阵）。

节点是属性/情境/关系，边是同源度和权重。节点数 ≤ 200，三层挂载（硬核 > 0.9，情境规则 0.7~0.9，软判断 < 0.7）。倾向从关系网里调取方向，行为结果改写关系网，关系网的变化又改变下一轮倾向的生成和竞争。倾向是引擎，关系网是地图。

智能：在关系网上的四种原子操作 + 组合能力。

• 原子操作：归类（最近邻，准确率≥85%）、比对（判决距离 D_judge=|Δ|/σ，区分准确率≥90%）、归因（扰动法，ε=0.1σ，top-3，置信度>2，命中率≥80%）、操控（谱控制，谱间隙 g=1-|λ2|，杠杆率 L_i=|v_i|/g，改 top-3 节点，全局改变≥50%）。

• 组合能力：因果、归纳、预测、组合、反事实、自我比对。C4（能预测）是智能分界线。

五个机制加操控，分三层：

来源层： 1. 生成：倾向从关系网调取方向。2. 强度：|偏差| × 关系权重。

变化层： 3. 修改：修改的是关系权重。4. 总结：总结的是关系模式。

裁决层： 5. 竞争：关系路径抢出口。6. 操控：改变关系网，找高杠杆节点。

一条升级链： 注意力筛选→归类→比对（判决距离）→归因→因果→归纳→预测→组合→反事实→自我比对。每级分够用层和精确层，每级都在关系网上进行操作。九环与十级链的映射见 2.4。

认知层级 C0-C7 + 智能层级 S0-S3：

• C0-C3 是认知，不是智能。

• C4（能预测）是智能分界线。

• S1 基础智能（C4），S2 组合智能（C5），S3 反事实智能（C6-C7）。

• L2+S3 才是完整活体智能。

三个支撑： 记忆（关系网四卡点分层规则，三层结构见 1.3）、比对（因果判断）、竞争（裁决出口）。

两个迭代： 反馈（单次修正关系权重）、循环总结（跨轮升级关系网）。

两个边界： 归属校验（分“我的/外面的”，精确层是轨迹矩阵+θ_traj）、自维持判据（能不能持续，精确层是固定阈值+结构信息操作定义）。

带伤运行： 三类降级态（观察模式、锁排序、休眠区，各有进入/退出/时限）、长期目标自维持（三条件+加固路径）、死亡态/种子保留/重启。

三层实现： L0 无竞争→L1 有竞争无总结→L2 有竞争有总结有自维持。每层测试标准分够用层和精确层。关系网质量测试单独一条线，给诊断树。

改变分两阶段： 先攒筹码到临界点（谱间隙 ≤ 0.3），再找杠杆撬动（改 top-3 高杠杆节点）。

两层精度原则贯穿全书： 每个机制先跑够用层，跑出数据，再用数据标定精确层。不是先校准再跑，是先跑再校准。

人不是被想法驱动的，是被倾向驱动的；倾向从身体偏离来，被关系网改写，被归类调取，被比对判断，被归因定位，被竞争裁决，被操控改写，被归属校验写成“我选的”。智能不是玄学，是在关系网上做归类、比对、归因、操控。活体智能系统也这样转。人只是实例，不是标准。

附录 A：核心术语表

术语

定义

所在章

附录 B：全书概念图

身体/系统偏离

↓

感受 / 目标态涌现

↓

偏差 e = 目标区间边界 − 实际态

↓

注意力筛选：决定关系网里哪些关系被激活

↓

归类：当前情况归到哪一类 → 决定调哪组关系

↓

比对：当前状态 vs 关系网参照 → 落差 Δ，判决距离 D_judge

↓

归因：定位关系网里哪条关系惹祸

↓

归属校验：自身落差进竞争 / 外部扰动只记录

↓

多倾向竞争：濒死否决 > 层级优先 > 强度竞争

↓

胜出关系路径驱动行为

↓

结果感受 Δe → 反馈

↓

关系网 D 权重更新：Δw = g×η×PE×情境相似度×可塑性

↓

总结：微总结改单条关系；中总结攒情境规则；宏总结定基线

↓

下一轮倾向起点改变

关系网三层挂载在 D 上：

底层硬核：置信度 > 0.9，跨情境稳定，几乎不推翻

中层情境规则：0.7 ~ 0.9，特定情境稳定

上层软判断：< 0.7，临时判断，随时可改

智能操作焊入点：

归类 → 关系网入口：决定调哪组关系

比对 → 拿关系网参照：判断有没有用

归因 → 定位关系网里哪条关系惹祸

操控 → 找关系网高杠杆节点/谱间隙

附录 C：小函数伪代码

竞争伪代码

def 竞争(候选倾向, B):

if 能量 < 生存线 or 溃散率 > 临界线:

return 存续倾向置顶(b_survival=B*(1-ε), b_other=B*ε)

底层候选 = 筛选底层通路(候选倾向)

if 底层候选非空:

候选 = 底层候选

for 每个候选:

b_i = B * w_i * f(e_i) / sum_j(w_j * f(e_j))

return 预算最高者

修改伪代码

def 修改关系权重(w, g, η, PE, 情境相似度, 可塑性):

Δw = g * η * PE * 情境相似度 * 可塑性

Δw = clip(Δw, -0.2*w_上限, 0.2*w_上限)

w_new = clip(w + Δw, 0, 1)

return w_new

总结伪代码

def 总结(循环记录):

if 能量不足:

return # 总结系统下线，旧关系接管

微总结 = 判断单次动作缩小还是扩大偏差()

更新单条关系权重(微总结)

if 同类情境次数 >= 5:

中总结 = 提取情境规则(同类循环)

if 置信度 > 0.7:

写入关系网规则层()

if 跨情境稳定 >= 10:

宏总结 = 提取基线/自我评判/长期目标()

写入关系网基线层()

例外 = 高|PE|且低重复的循环

单独存为例外标记()

归因伪代码

def 归因(输入, 模型, 特征集, 归属结果):

if 归属结果 == 外部扰动:

return "不归因，只记录"

# 只对归属通过的自身落差做归因

if len(特征集) <= 100:

对每个特征扰动(ε=0.1σ)，记录输出变化

返回变化最大的前3个特征/关系

else:

随机采样30个特征扰动，重复5次

如果置信度<2，扩大到60个节点重跑

返回采样中平均变化最大的前3个特征/关系

置信度 = 最大影响 / (第二影响 + 0.01)

if 置信度 > 2:

归因成立

操控伪代码

def 找高杠杆节点(D):

计算D的谱间隙 g = 1 – |λ2|

if g > 0.3:

return "先攒筹码，不到临界点"

for 每个节点 i:

杠杆率 L_i = |v_i| / g

返回 L_i 最大的前3个节点

改这些节点，使系统收敛到新稳态

附录 D：工程检查表

检查项

指标/阈值

不过怎么办（详见）

掌控信息论：同源星际通信基础理论 上_ 同源世界系统:兼备量子系统信息几何功能星际零延迟-CSDN博客

原生多时空计算机系统架构-CSDN博客