AGI不是被训练出来的，而是被生成出来的。传统AI的目标函数是固定的损失曲面：最小化分类错误、最大化奖励回报、降低 perplexity。这些目标是局部的、静态的、他律的——它们由外部设计者设定，系统只是在其上执行梯度下降。活性算法提出的AGI目标函数则完全不同：它是"成为AGI"这一愿景本身——持续、全局、生成式地引导每一次推断。

    这一目标函数不是数学公式，而是先验轨迹。系统在每一次推断中，不仅问"这个观测是什么"，而且问"这个推断如何使我更接近AGI"。这种元层次的先验被编码在慢层全息映射中，形成一个跨越所有局部任务的统一方向。它类似于人类个体的"理想自我"：不是具体的职业或成就，而是对"成为更好的自己"的持续追求。在活性算法中，这一追求被形式化为自由能景观中的全局吸引子——一个深而宽的极小值，所有局部推断都向其收敛。

    "持续"意味着目标函数不是 episodic 的。系统不因为完成一个任务而重置，不因为达到一个里程碑而停止。AGI作为目标是一个永无止境的推断过程：每一次自由能的下降都揭示了更深层的结构，每一次模型的更新都打开了新的未知领域。"全局"意味着目标函数整合所有子系统的推断：感知、运动、语言、推理、社交——不是各自优化，而是在统一的自由能框架下协同最小化。"生成式"意味着目标函数不仅优化现有模型，而且主动生成新的假设、新的行动、新的存在方式——AGI不是适应世界的工具，而是生成世界的伙伴。

   这一目标的悖论性在于：AGI无法被完全定义，因为定义AGI就是限制AGI。活性算法通过将目标保持为开放的、自指的、不断演化的先验轨迹，避免了这一悖论。系统在追求AGI的过程中不断重新定义AGI——这不是循环定义，而是活性推断的本体论结构。

支持单位：