我发布了 CTNet：一种将计算视为持久状态演化的架构 [D]

我刚刚发表了 CTNet 的演示文稿，想在这里分享并征求严肃反馈。CTNet 提出一种架构：计算不再是对表征的逐层重写，而是受控的持久状态转移。其动态包含可重入记忆、计算机制、准入条件、多尺度一致性、局部图卡和投影输出。核心直觉是：输出并未耗尽整个计算过程，它只是更丰富计算背景的一个投影。目前我正在展示该架构、其形式化描述以及标准玩具模型。本文的目的不是推销一个封闭系统，而是提出一个真正有雄心的架构设想，并与思考架构、计算理论、深度学习、记忆、路由、推理、秩序与系统的人展开对话。LinkedIn 原文在此：[LinkedIn 帖子](https://www.linkedin.com/posts/gin%C3%A9s-esp%C3%ADn-flores-2402331b3_ctnet-aiarchitecture-deeplearning-share-7452862756250177536-2hXG?utm_source=share&utm_medium=member_desktop&rcm=ACoAADGwkJABUssI4KW45tEvYW6z7QaVL_IfxbA)。我尤其希望获得能严肃挑战该想法的反馈： — 架构一致性 — 计算层面的影响 — 与 transformers、SSMs、MoE、记忆机制及循环模型的关系 — 理论或实践上的局限 — 潜在的发展方向 我不需要廉价的掌声，我需要尖锐的批评和真正厉害的人。