摘要：

在缩放定律驱动下，大模型范式正迅速逼近由算力供给与能源消耗所施加的物理天花板。本文提出一种范式诊断方法：以源于间接计算模型与间接形式化方法的孪生图灵机为判据，对深度神经网络家族的四大核心算法——反向传播（BP）、注意力（Attention）、自监督学习（SSL）与强化学习（RL）——进行逐层诊断。诊断表明，四者并非彼此独立的工程问题，而是共享同一个范式级缺陷：形式域内的可微数字优化冒充了理想域内的不可微认知过程。据此，我们识别出当前认知架构中缺失的四个组件：理想域接口、逻辑序位、选择性意向与五重信息系统。在孪生图灵机与多胞冯氏机的结构基础上，我们提出认知架构的六维补全框架，并由此导出协同智能（CI）的工程路径——“大模型为重炮、小模型为轻骑兵”——分三步实施：外挂、结合、重构。初步估计表明，该架构在等效任务下可将系统能耗压缩一个数量级。我们公开基准设计（四任务盲测与双车同路线对比）；全部代码将随论文开源，并向全球开放复现。

关键词: 范式诊断; 孪生图灵机; 六维补全; 协同智能; 能耗

图  1: 图形化摘要：四大算法 → 范式级缺陷 → 六维补全框架→ 协同智能 → 三步走工程路径与能耗目标。

1 引言：能耗危机是表象，范式缺陷是根源

过去十年间，基于深度神经网络的大模型遵循缩放定律，参数规模与训练算力呈指数增长。然而，随之而来的代价，是数据中心功耗的同步扩张：权威估计表明，全球数据中心用电已接近全社会总用电量的 1–2%，且其增速持续高于任何其他负载。业界通常寄希望于工程优化——更高效的算子、更激进的量化、更精细的稀疏化。本文的核心主张是：这类优化只能延缓而不能根治问题，因为，能耗不仅是一项工程成本，更是范式缺陷的热力学代价——当形式域内的可微数字优化被用来冒充理想域内的不可微认知过程时，系统必须以暴力搜索填补两者之间的鸿沟；而填补这一鸿沟，正是被浪费掉的算力与能耗。

因此，在回答“下一代智能架构走向何方”之前，必须先回答一个更根本的问题：当前深度神经网络家族的顶级算法是否存在范式级缺陷？本文以融智学的理论成果——间接计算模型、间接形式化方法及其结晶孪生图灵机——为判据，对反向传播、注意力、自监督学习与强化学习进行逐层诊断。诊断结论是后续一切论述的起点：四类算法共享同一个范式级缺陷；该缺陷在结构上可刻画为四个组件的缺失；这四个组件的补全构成六维补全框架；该框架的工程实现即协同智能。全文遵循“诊断—处方—路径—验证”的论证结构。

2 理论判据：从人类认知两次大飞跃到孪生图灵机

2.1 两次大飞跃与三大基本定律

主流通用数字计算范式建立在两次理论大飞跃之上：第一次以图灵可计算数理论与丘奇—克林形式理论为标志，确立了“可计算性”的边界；第二次以冯·诺依曼数字计算机体系结构与图灵关于智能判定的假说为标志，确立了“可实现性”的架构。融智学系统梳理这些基础，从宏观、微观、中观三个层面提炼出三大基本定律：宏观定律——基因文本及其系统工程蓝图（总文本宇宙 = 子宇宙 + 超宇宙；目标域 = 已知域 + 未知域）；微观定律——理想分类集及其分合机制（进一步区分为杂集与理想集，后者包括单集、分层集与符号集）；中观定律——形式信息及其固有变换规则。三大定律共同构成“认知过程如何被形式表达”的完整回答，并作为本文诊断的理论标尺。

2.2 两大基本定理与目标域信息方程

定理 1（序位关系唯一守恒）：子宇宙元素的序位关系唯一守恒，子宇宙可作为度量与计算超宇宙的基准参照系。定理 2（同义并列，对应变换）：一旦超宇宙元组在特定目标域中以两列数据出现，且两列可置于同义并列（含一致并列）关系并满足一一对应的函数关系，则可在预先约定的规则下相互变换或替换——此即“平衡规则”，是构造孪生图灵机的理论基础。由两定理可得目标域信息方程：未知域 = 目标域 — 已知域（I_U=I_D−I_K）。该方程的深刻含义在于：认知过程中的“未知”并非不可进入的黑箱，而是可从基准参照系定位、枚举与搜索的结构化剩余。这是“可形式化即可知”的严格陈述，也是诊断当前算法何处越界的判据。

2.3 孪生图灵机、多胞冯氏机以及八大形式体系

间接计算模型提供“好算法”（目标域内的最优计算路径），间接形式化方法提供“优化数据结构”（目标域内的理想分类集）；二者之和即孪生图灵机虚拟计算程序：左表为由自然数顺序码构成的标准化数据结构（如同定制的标准砝码），右表为其一一对应的个性化数据（如同待称的任意物品），两条虚拟列之间进行“称量—换算—协同”。进而，八大形式体系——字符、公式、图形、表格、声音、图像、三维物体与生命体——均可在双列表基础上被间接形式化，这是“认知对象全域形式化”的结构保证。在传统冯·诺依曼机（存储与计算分离的单胞结构）之上，孪生图灵机的双列表协同需要多胞结构——多胞冯氏机：以孪生图灵机为胞，多胞并行、按序位分工、可分可合地运行。本文采用“孪生图灵机 + 多胞冯氏机”的双重形式化结构，作为诊断当前认知架构的判据。

3 深度神经网络家族的范式诊断

3.1 诊断方法

诊断分三步进行：第一，还原每种算法的数学构造，识别其依赖可微性的环节；第二，以孪生图灵机的双列表结构为镜，考察算法建模的是哪一认知环节、以何种形式装置替代该环节；第三，对照第 2 节的理论判据，判定缺失了哪些组件。必须强调：诊断对象是算法的范式级构造，而非其具体实现——正因如此，诊断结论适用于梯度优化深度模型家族的全部成员。

3.2 四类核心算法的逐层诊断

表1  四类核心算法的范式诊断汇总

反向传播（BP）诊断： BP 通过链式法则沿可微计算图反向传播误差，其有效性以整个前向计算处处可微为前提。然而认知过程中的纠错并非函数值的连续调整，而是“错在何处、位于何序位”的离散判断——这一判断以真与意义为根据，而真与意义均不满足可微性。BP 以梯度的连续位移冒充判断的离散跃迁；所缺失的，正是将判断锚定于序位结构的“逻辑序位”机制。

注意力诊断： 注意力的查询—键—值加权平均是一种处处可微的构造，以连续权重分布冒充“注意”这一认知行为。然而真正的注意是选择——从众多对象中择其一，是离散且排他的选择行为。以连续权重“冒充”离散选择，迫使系统以巨大计算代价逼近本可一步完成的选择；所缺失的，正是承载选择方向的“选择性意向”机制。

自监督学习（SSL）诊断： SSL 通过掩码重建、对比学习等可微代理目标，从无标注数据中学习表征。代理目标可微，但“意义”不可微——意义居于理想域，是对象与主体之间的理想域关系。因此 SSL 表征与真值域系统性脱耦：模型优化的是代理目标的形状，而非意义的结构。所缺失的，是连接形式域与理想域的“理想域接口”。

强化学习（RL）诊断： RL 通过最大化期望奖励驱动策略优化，策略梯度方法以可微方式逼近该期望。然而认知主体的决策建立在多维价值结构之上——真、善、美、利、信等维度相互制约，无法坍缩为单一标量。以外生标量奖励冒充内生价值判断时，所缺失的，正是承载多维价值结构的“五重信息系统”。

3.3 范式级缺陷的凝练表述

四类算法并非性能不足的工程问题；它们共享同一个范式级缺陷：形式域内的可微数字优化冒充了理想域内的不可微认知过程。

人脑是一个认知过程：其所做的判断、选择、意义赋予与决策，大多是不可微的。当前范式把这些不可微环节统统改写为可微函数的优化问题，再以数据与暴力算力填补改写所造成的鸿沟。由此可得一条可检验的推论：能耗浪费应与“冒充深度”正相关——算法构造以可微替身替换不可微认知环节越深，等效任务所需算力越大。第 6 节的基准设计正是围绕这一推论构建的。

4 六维补全框架：下一代认知系统的认知架构

发现顶级算法的缺陷意味着什么？意味着架构可以从“所缺之物”重建。诊断给出的缺失清单——理想域接口、逻辑序位、选择性意向、五重信息系统——对应四个功能维度；而功能维度必须寓于结构载体之中。我们提出认知架构的六维补全框架：前四维补全“功能”，后两维补全“结构”与“协议”。六维共同满足 MECE（相互独立、完全穷尽）要求。

六维之间的关系是递进而非并列的：第一至第四维回答“缺失了哪些认知功能”；第五维回答“功能寓于何种结构载体”；第六维回答“多个单元以何种协议协同”。第五、六维并非外部附加的新构造，而是孪生图灵机与多胞冯氏机理论向认知架构的直接投影——这正是本文与泛泛的“混合架构”主张的根本区别：补全的每一维都有理论判据上的来源，而非工程经验的堆积。

5 工程路径：从范式诊断到协同智能

5.1 协同编队原理：重炮与轻骑兵

六维补全框架的工程形态是“大小模型协同编队”的协同智能系统。其按序位分工如下：大模型芯片（重编队）承担少数真正需要万亿参数规模的任务——科学发现与复杂推理——高功耗算力精简至必要最低，“好钢用在刀刃上”；小模型芯片（轻编队）承担绝大多数日常智能——感知、交互、行业应用与边缘计算——将低成本、普惠的智能延伸至各行各业，“让智能像水电一样便宜”；协同调度层按序位自动分配任务：该重的重、该轻的轻。融智学的序位体系本身就是调度协议——这是第六维（孪生图灵机协同协议）的工程实现。

5.2 三步走：外挂、结合、重构

协同智能的工程实现分三步。第一步，外挂：围绕现有大模型系统，通过小模型卸载与任务路由实现初步分工——高功耗算力压缩至必要最低，而绝大多数智能任务由低功耗系统承担；此阶段无需改动现有芯片架构，却已获得可观的节能效果。第二步，结合：芯片与系统层面的异构协同——大小模型芯片在统一总线与调度协议下协同工作，协同调度层固化为软硬件协同设计的调度单元。第三步，重构：以孪生图灵机与多胞冯氏机为蓝图重构计算系统——双列表结构、多胞并行与序位调度成为原生架构属性，认知系统的六维补全由此完全实现为硬件事实。

5.3 能耗论证：范式缺陷的热力学代价

协同架构的节能效果不是工程优化的增量改进，而是范式替换的结构性增益。其机理可由信息方程解释：当前范式把不可微认知环节改写为可微优化问题——相当于放弃基准参照系，在未知域 I_U=I_D−I_K 内进行定位与搜索，转而以梯度采样覆盖整个搜索空间；协同架构则通过序位调度，把任务重新安置到“已知域可解、未知域可枚举”的结构中，将暴力采样压缩至最小范围。初步估计表明，在等效任务条件下，协同智能系统的总能耗可下降一个数量级。必须声明：该估计基于架构对比模型与公开负载数据；完整实测数据将由第 6 节所述基准测试提供——本文如实标注其为“初步估计”，并提交同行审视。

5.4 对计算产业的意义

对芯片产业而言，协同智能并不推翻现有 GPU 路线图；它开启下一代产品线的第二增长曲线：在全球目光聚焦数据中心功耗之际，“协同智能”提供了最具技术实质的绿色叙事。对智能汽车市场而言，“双车同路线对比”（第 6 节）将首次以可复现方式回答一个行业悬念：等效任务下，协同架构相较纯大模型方案究竟节省多少能耗？对 AI 研究而言，本文表明：对顶级算法做范式级诊断，可以在不否定工程成就的前提下指示下一结构方向。

6 基准测试设计：可复现的验证方案

围绕“能耗与冒充深度正相关”这一可检验推论，我们设计四任务盲测：选取感知、交互、推理、决策四类代表性任务，在相同输入与相同指标下，比较协同架构与纯大模型基线的能耗、时延与准确率；任务设计对评测者保密（盲测），以排除针对性调优。在智能汽车场景中，我们设计双车同路线对比：两辆相同测试车沿同一路线行驶并执行相同任务集，一辆搭载协同架构，另一辆搭载纯大模型方案，全程记录能耗、时延与任务完成质量。全部基准代码、任务集与原始数据将随论文开源，并向全球开放复现。

投稿时，首批实测数据仍在采集；遵循顶级期刊的数据标准，我们将在修回稿中提交完整实测结果。我们同时向产业界与学术界发出公开邀请：欢迎使用本文开源代码进行独立复现，无论复现结果是支持还是反驳本文结论，均将在后续版本中同等致谢。

7 讨论

7.1 与相关工作的关系

近年来，大小模型协同（模型级联、投机解码、端云协同）、神经符号混合架构与专家混合（MoE）等工作，探索的是“让大模型更节俭”或“让小模型更强”。本文的根本差异在于操作顺序：这些工作是在既有范式内寻找工程空间，而本文先完成范式诊断，再开出架构处方。协同智能不是对深度神经网络的补丁，而是认知架构的补全；序位调度不是启发式技巧，而是有理论判据（两大基本定理与信息方程）支撑的协议。换言之，既有工作回答“如何让可微优化更高效”，本文回答“何处根本不需要可微优化”。

7.2 局限性

我们坦承三点局限。第一，一个数量级的能耗下降目前只是初步估计；完整实测数据尚待基准测试——我们为此设计了可复现的验证方案，但在数据落地之前，该结论应视为待检验假说而非既定事实。第二，六维补全框架中，“五重信息系统”的工程化程度最低：多维价值结构如何编码进芯片调度协议，仍需理论与工程的长期调和。第三，范式诊断的结论建立在“认知过程包含不可微环节”这一哲学—科学判断之上；该判断本身无法被形式证明，只能通过其工程推论（能耗、时延与可解释性的系统性改善）获得间接支持——这正是我们把可复现基准置于全文收尾位置的原因。

7.3 对“类建立”方法论的意义

本文的方法是“类建立”方法论的一次完整演练：先以两次大飞跃梳理既有范式，再以三大基本定律与两大基本定理确立判据，继而对照判据诊断顶级算法的范式级缺陷，最后由缺失清单导出补全框架与工程路径。这条“基础—判据—诊断—补全—实现”的五环链条，本身就是对“理论如何指导工程”的示范性回答：论文的价值不仅在结论，更在于它为其他研究者提供了一条可复制的方法论路径。

8 结论

本文以孪生图灵机与多胞冯氏机为判据，诊断出深度神经网络家族四大核心算法共享同一个范式级缺陷——形式域内的可微数字优化冒充了理想域内的不可微认知过程；据此提出认知架构的六维补全框架，并导出协同智能的工程路径：外挂、结合、重构。大模型是时代的重炮，小模型是轻骑兵，重炮与轻骑兵的协同编队，是未来十年的算力答案。这一答案的草稿已经写就；实测数据与全球复现将决定它能否成为定论。

参考文献

X. Zou. Indirect Computing Model with Indirect Formal Method. arXiv:2606.13690 (2026).

A. M. Turing. On computable numbers, with an application to the Entscheidungsproblem. Proc. London Math. Soc. (2) 42, 230–265 (1936).

A. M. Turing. Computing machinery and intelligence. Mind 49, 433–460 (1950).

J. von Neumann. First Draft of a Report on the EDVAC. University of Pennsylvania (1945).

M. L. Minsky. Computation: Finite and Infinite Machines. Prentice-Hall (1967).

D. E. Rumelhart, G. E. Hinton, R. J. Williams. Learning representations by back-propagating errors. Nature 323, 533–536 (1986).

A. Vaswani et al. Attention is all you need. NeurIPS 30 (2017).

J. Devlin et al. BERT: Pre-training of deep bidirectional transformers for language understanding. NAACL (2019).

T. Chen, S. Kornblith, M. Norouzi, G. Hinton. A simple framework for contrastive learning of visual representations. ICML (2020).

R. S. Sutton, A. G. Barto. Reinforcement Learning: An Introduction (2nd ed.). MIT Press (2018).

J. Schulman et al. Proximal policy optimization algorithms. arXiv:1707.06347 (2017).

J. Kaplan et al. Scaling laws for neural language models. arXiv:2001.08361 (2020).

E. Strubell, A. Ganesh, A. McCallum. Energy and policy considerations for deep learning in NLP. ACL (2019).

D. Patterson et al. Carbon emissions and large neural network training. arXiv:2104.10350 (2021).

A. S. Jacovi et al. Survey on neuro-symbolic and hybrid architectures. Volume and pages to be completed at submission.

X. Zou. Formal Chinese and Zibenwei (字本位). In: Study on Zibenwei Theory and Its 240 Applications. Shandong Education Publisher (2008).Xiaohui Zou https://orcid.org/0000-0002-5577-8245Shunpeng Zou https://orcid.org/0000-0002-6544-8741

Research Proposal

File available

Paradigm Diagnosis and Co-Intelligence: The SSS Framework for Next-Generation Cognitive Systems

• October 2026

• DOI: 

• 10.13140/RG.2.2.17800.38405

• Xiaohui Zou

• Shunpeng Zou

• Lijun Ke

支持单位：