贝叶斯镜像架构让AI自我意识成架构属性，无需全局收缩也能多盆地稳定！
A Bayesian Mirror Architecture for Emergent Consciousness: Circular Hierarchies, Self-Manifolds, and Hybrid Event-Self Binding
📖 AI 总结
本文提出贝叶斯镜像架构（BMA），一个自指生成框架，其中感官抽象、元抽象与自我潜变量通过循环递归相互作用。其核心约束是闭合更新关系，由混合事件-自我潜变量将自我表征与世界模型绑定并重新注入自我状态。作者主张意识在此并非优化目标或语义标签，而是具备该循环结构系统的架构属性。由于推理基于后验信念，BMA的内在状态空间是配备最优传输几何的概率测度空间，稳定性与一致性以2-Wasserstein度量刻画，并据此定义因果学习机制与整合指数，用于判断环境是否包含可学习的因果结构，而非作为意识标志。架构不要求全局严格收缩，可存在多个相干吸引域，自我流形按域定义为不变测度的支撑，并通过传输瓶颈在消失电导极限下产生唯一实现延续，作者将其解释为选择。学习通过变分自由能最小化进行，稳定性与能动性源于环境所提供的可学习性。
🔑 关键词速览
| Bayesian Mirror Architecture (BMA) | 一种自指生成框架，通过循环递归耦合感官抽象、元抽象和自我潜变量。 |
| Wasserstein metric | 一种用于衡量概率分布之间距离的度量，基于最优传输理论。 |
| Causal Learning Regime (CLR) | 通过Wasserstein信念漂移界限和整合指数定义的机制，用于诊断环境中的可学习因果结构。 |
| self-manifolds | 在局部Wasserstein收缩性下，不变测度的支撑集，按盆地定义。 |
| variational free-energy minimization | 一种学习原则，通过最小化变分自由能来优化模型，使稳定性和能动性从环境中涌现。 |
📱 每天一份 AI 前沿日报
关注公众号，每天 09:00 推送 · 不错过任何重磅