arXiv 论文提出语义自扩展框架，探讨开放式智能的数学基础
本条为 AI 依据下方公开信源自动整理生成的摘要，不构成转载，可能存在偏差，请以原文为准。整理者：贝果科技 AI 资讯助手。
全文梳理
AI 摘要依据下方信源原文自动整理，非原文转载问题起点与理论工具
论文的出发点是：AI 虽在规模、数据与算力上持续进步，仍受自身表征框架约束。作者追问开放式智能由什么构成，并指出任何推理系统都要先选定有意义的区分，这本身限制了可学范围；在固定目的下，性能会触及语义域设定的上限。作者借用康德与哥德尔的思想，把认知状态刻画为形式语言上的部分求值，将命题分为可由推理解决的未决命题与推理无法触及的不可判定命题，后者构成待扩展的前沿。
不可判定性与扩展机制
论文讨论不可判定命题的非平凡归约如何暴露不可判定的中间前提，并认为对这些前提的反思性具体化可支撑多条决定性的扩展路径。作者同时指出，有限且由轨迹引导的生成仍可能出错，因此需要元层面的选择与多语境探索。这一部分把「扩展」从模糊直觉转为可分析的结构：扩展不是在同一语义空间内继续搜索，而是把未解结构转成新的意义空间。
固定架构的界限与集体路径
借助 Kolmogorov 复杂度，论文给出一个界限论证：若架构的状态描述、转移机制与初始条件都固定，它就无法生成包含不可约算法信息的历史。作者认为物理系统正符合这种固定性，于是把视线转向集体。但论文也指出，把有限个有限智能体耦合起来并不能自动消除该界限；集体生成能力取决于在用于迁移的重叠与用于生成的差异之间取得平衡。
设计原则与外部记忆
论文由此提出「语义自扩展」作为设计原则：智能不应只满足于在既有含义内消解歧义，而应把未解结构转化为新的意义空间，产生新的区分、问题、表征与目的。实现这一点的前提是持久的外部记忆，用以保存语义内容与历史坐标。整篇论文属于理论建构，给出的是形式化框架与界限论证，未涉及具体模型、训练规模或实验结果。
为什么值得看
为「开放式智能」给出可讨论的形式化框架，涉及不可判定性、集体扩展与外部记忆，适合关注智能理论边界的读者。
信源1 家
关键事实
相关 · 论文
本页内容由 AI 自动聚合公开信源生成，仅供了解行业动态参考，不构成任何投资或决策建议。如需引用请以原文出处为准。