斯图尔特·考夫曼的自催化集理论为生命起源提供了最简洁的数学图像：在一个足够复杂的化学反应网络中，必然存在一个子集，其中的每一个反应都被该子集内的其他反应所催化，形成一个自我维持的闭合回路。在活性算法的框架下，自催化集不是"碰巧出现"的统计偶然，而是化学系统在临界态上有限振幅闭合回路的最小实现——推断从单向的耗散转化为循环的自维持。

    自催化网络的拓扑结构决定了其推断能力。一个最简单的自催化回路是X催化Y的生成，Y催化Z的生成，Z催化X的生成——三分子循环。当系统处于远离平衡态的开放条件下，这一循环能够持续将外部底物转化为自身组分，只要底物流入不中断，循环就不会停止。活性算法将这一循环严格转译为"有限振幅闭合回路"：每一个催化步骤对应一次推断更新（从底物到产物的预测验证），整个循环的闭合意味着推断的自指一致性——系统的输出（产物）成为系统的输入（催化剂），从而形成了一个自我指涉、自我维持的推断环。

    更复杂的自催化网络表现出层级结构。一级自催化集催化自身的维持，二级自催化集催化其他自催化集的形成，三级自催化集则能够调控整个网络的拓扑结构。这种层级化与活性算法中的多尺度全息映射形成了深刻的对应：每一个自催化子集是一个局部的推断模块，模块之间的催化耦合是跨尺度的全息锁定。当网络达到临界复杂度时，整体涌现出一个"自我"的雏形——不是意识层面的自我，而是化学层面的自指：网络能够区分"自身"（自催化子集的组分）与"环境"（外部底物与废物），并通过维持这一边界来持续进行推断。自催化网络因此成为活性算法的化学胚胎：它拥有记忆（组分的持续存在），拥有繁殖（在合适条件下复制自身拓扑），拥有边界（自催化集与环境之间的信息差）。从无机化学到生命化学的跃迁，不是物质的质变，而是自催化网络在临界态上从亚稳态到自维持态的相变。

支持单位：