4 人机智能演化运行的同构性 

4.1 负反馈：认知稳定性的调节机制 

   负反馈是控制论基础概念，指系统将输出结果回传至输入端，与预设目标、标准状态对比，根据偏差反向调整输入与运行状态，不断缩小偏差、回归稳态。与之相对的正反馈会放大偏差，可能造成系统失控、信息流混乱、思维软构体解体或者涌现，因此高级智能系统必然以负反馈为主要调节机制[15]。

    稳定运行是认知机器发挥功能的前提，负反馈机制是所有高级耗散系统维持稳态的核心手段，也是保障信号流有序流转、思维软构体稳定 存续的关键，目标就是稳定认知模式并控制自由能的无效消耗[26]。当高强度思维或者肢体动作导致自由能过快消耗、系统熵增失控时，负反馈链路会自动调整运行状态，降低任务复杂度，引导系统回归低能耗模式。人长时间用脑之后产生疲惫感也会主动停止思考，机器高负载后触发降频保护，均是负反馈和最小自由能原理协同作用的结果，属于系统稳态调节机制，不必归因于意识或主观情绪[24]。 

    对于人体和人脑，负反馈调节贯穿信息流传递、认知、行为全流程。感知层面依靠负反馈维持躯体姿态稳定；认知层面自主校验逻辑漏洞，保障思维整体自洽；生理层面调节体温、心率等基础指标，为认知活动提供稳定环境[1]。一旦负反馈机制受损，信息流传递紊乱，会出现认知混乱、思维软构体瓦解等问题。 

    对于人工智能系统，监督学习的损失函数、机器人的具身姿态校准和动力学行为、服务器的负载管控，均是典型的负反馈设计[19]。系统实时比对输出结果与目标值，修正参数、调整动作。 在认知机器里，至少存在从里到外的三层嵌套的反馈环：具身动力学反馈环、认知反馈环和环境感知反馈环，当然还有电流、信号流、比特流、数据流、信息流反馈环等[15]。 

   对比分析可知：两类系统均构建“信息流采 集→偏差对比→负反馈调整→状态回归” 的多层次、嵌套的闭环控制。负反馈机制决定人机智能在动态运行、认知流管控、思维软构体存续上遵循同一套控制逻辑[14]。 

4.2 类脑认知：人工神经网络的同构设计 

    回顾人工智能的发展历史，长期的连接主义和类脑认知研究，导致人工神经网络诞生，本质是以工程手段复刻生物神经网络的底层架构，均依托幂率分布的小世界模型，达成深层网络架构，完成数据挖掘、知识挖掘，网络拓扑挖掘，生成思维软构体[19]。 

   人脑是认知的核心部件。人脑最外层是一层薄薄的灰质皮层，这里集中了神经元胞体。脑区间长长的轴突纤维会产生相互牵拉作用：神经连接密集的区域向内收拢，形成凸起的脑回；连接稀疏的区域被拉开，形成凹陷的脑沟，整体外观酷似核桃表面的褶皱。颅骨内部空间容量有限，皮层通过自身折叠，才能容纳更大的表皮面积，承载更多神经元与突触，支撑复杂认知活动[1]。 

    从宏观脑沟回褶皱，到微观神经元树突分支，人脑皮层还具备明显分形特征。研究观测 70多种哺乳动物、11类灵长类（包含人类）发现，大脑皮层表面分形维数稳定在 D≈2.5，介于二维平面与三维实体之间，完美解释薄层神经组织如何在狭小颅腔内实现超高空间填充；跨尺度自相似是大脑褶皱形成的底层结构规律。数学分形能够无限递归细分，不存在最小尺度，细节无限精细；但人脑属于生物近似分形，存在天然物理下限，当尺度细分至微米级别，自相似特性便会消失，仅在 1 mm~5 cm 满足标度不变性[25]。 

    结构化的压缩能够产生智能。大脑皮层自身折叠和分形结构并非预先设计，而是两种机制共同自发生成：一是灰质增殖速度远快于内层白质带来的生物力学挤压，二是神经元细胞自主有序生长，是生物自然演化筛选出的物质、能量、结构和时间之间耦合的最优结构[8]。因此，认知物理学可以很好地解释集成电路芯片制程中的摩尔定律和韬定律提及的空间结构压缩和时间压缩[11]。 

    人脑生物神经网络拥有约860亿个神经元，神经元之间通过突触建立连接，整个人脑形成超大规模、深度互联、多层级的非线性网络[1]。单个神经元具备“激活−抑制” 两种状态：当上游神经元传递的信息流强度累积达到阈值时，神经元被激活，向下游传递神经信息流；信息流强度不足时，神经元处于抑制状态。突触负责调控信息流传递强度，也是思维软构体形成的微观基础。神经元按照功能分层运作，浅层负责感知，深层负责逻辑推演与抽象思考，不同层级的能耗差异显著[25]。 

    人工神经网络的基本单元为人工神经元，海量节点通过连接权重新构建完整网络，层级划分、激活机制与人脑对应。输入层接收原始感知信息流，隐藏层完成特征提取与逻辑加工，输出层输出认知结果。如同生物神经网络具备神经可塑性，人工神经网络具备参数可塑性，都会根据信号流动态调整连接权重，在迭代中持续优化能耗结构，契合最小变分自由能原理[20]。 

    从单层感知机、深度卷积网络、循环神经网络、Transformer架构，到前沿类脑人工网络，人工智能网络的发展始终向生物神经网络靠拢。究其根源，并非人类单纯模仿大脑，而是多层级、非线性、阈值激活、动态可塑的网络，是复杂系统实现高效信息流处理、生成高阶思维软构体与认知的最优架构。自然演化选择该架构塑造生物智能，人类工程设计也必然选择它打造机器智能，这是复杂网络科学和技术驱动下的必然结果。无论是生物大脑还是机器认知脑，信号流的处理、思维软构体的构建均依托统一数理规则，信号编码、特征运算、逻辑推理、思维软构体都遵循包括概率和统计学在内的通用数学−物理法则，其复杂度直接决定自由能消耗量。如果软件能够被固化成为物质硬构体，能耗会更低[21]。 

    我们从介观上提出用“智痕元胞”作为寄生在神经元细胞之上的思维软构体，智痕元胞节点与节点间的相互作用的强度和变化，模拟突触的可塑性，可以单向也可以双向[15]。有的智痕元胞对外有太多的连接，是记忆网络中的重要路由节点。而更多智痕元胞对外只有不太多的连接，是记忆网络中的平凡路由节点。更多的节点表现为网络的边缘节点。还有些节点在网络拓扑中体现骑墙，介与两个或者多个抱团节点集群之间，可称为骑墙节点。总体上，边的连接度大致服从幂律分布。相互连接的智痕元胞集群通过外界刺激或者通过学习被激活，重要节点和平凡节点的区分不是一成不变的，而是由外界刺激动态激活的。记忆提取的是智痕元胞整体水平状态，是记忆网络的整体具象，有时甚至是涌现。拓扑状态数几乎是无限的，因此概念或知识的表达几乎是无限的。认知机器中PB级规模的神经元胞网络，类似于互联网搜索用的网络架构，被称为人工神经元胞网络。用智痕元胞模拟神经元记忆的残痕，用智痕元胞之间的连接强度和变化模拟突触的作用，用大规模智痕元胞网络构成记忆网络。记忆网络在学习和进化过程中不断地微重构，完成记忆的调整与控制，与时俱进，用当前记忆网络在不同侧面不同尺度上的整体拓扑状态，表达并实现当前注意力对过去记忆的提取，而不是由哪一个神经元胞单独决定的。在长期记忆中的许多智痕元胞常处于休眠状态，被觉醒的那一小小部分是依靠注意力−当前待解决的问题来激活的，这一过程带有不确定性。长期记忆的提取方式是再认和回忆，乃是与长时记忆中被唤醒的一个非常局部的网络的联想搜索问题。记忆中可以有相互冲突的知识，不断拉扯，形成决策。人工智痕元胞网络构造清楚了，机器的记忆智能也就大致清楚了。它随着认知的自成长，不断地修剪权重，改变连接，演变为一个具有小世界特征的、无标度的复杂网络，具有报团特征、层次结构和长尾分布，可以用它来实现当前认知中不同尺度抽象记忆的形成、调整、控制和提取，成为记忆智能。记忆智能确保了多元认知，成为认知机器中多领域、多情境中计算智能的边界和约束。人脑短时记忆、长时记忆对应突触连接的临时强化与永久固化；人工智能缓存、硬盘存储、模型参数对应信息流的临时与永久留存。二者均遵循“高频信号流强化存储、低频信号流逐步衰减”的规律，遗忘是熵增与自由能重新分配的过程，记忆是熵减与新链路构建的过程，背后服从的是统一的热力学规律和复杂网络科学[18]。

支持单位：