预测集合论：一种具有可操作化核心机制的认知架构生成框架

Predictive Set Theory：一种具有可操作核心机制的认知架构生成框架  
来源：https://arxiv.org/html/2608.02704  

###### 摘要

预测加工理论将大脑描绘为一台层级预测引擎，通过最小化预测误差来运作，但它们缺乏对“预测”结构的操作化定义、对预测误差的标准化响应，以及在连续更新中维持一致性的机制。贝叶斯认知科学试图将所有不确定性纳入概率信念更新框架，但其成功运作依赖于一个常被忽视的前提：假设空间必须是预先穷举且封闭的。这不仅要求系统已经知道所有可能的假设，还要求所涉及的对象已经被标准化为可赋予概率的离散、可识别单元。然而，一个对象最初如何成为可指称的离散单元——认知系统自身如何从连续的感觉流中切分出边界并维持其同一性——在贝叶斯框架内得不到任何生成性解释。我们的理论正是在这一点上介入：在赋予概率之前，必须先确立对象的离散性、同一性和指称关系，而这正是集合论与指称链形式化所提供的操作基础。本文提出 Predictive Set Theory（PST），一个从第一性原理重构认知架构的形式化生成框架。PST 既不是神经加工的经验模型，也不是特定贝叶斯算法的直接竞争对手；它是一种针对认知主体的生成性设计规范——一组公理、定义和派生操作，共同回答如下问题：一个系统必须拥有怎样的最小架构，才能在保持内部一致性的同时进行感知、预测、决策、学习和自我修正？

在回答这一问题的过程中，PST 完成了两项基础性任务。第一，它严格形式化了预测加工框架的核心概念。“预测”被重新定义为一种**序列**——由离散的状态刷新事件组成的链。系统基于当前已知状态集，通过遍历其经验网络中的转换模板来构造候选后续状态。因此，预测不再是模糊的概率分布，而是一条可具体说明的推理路径，可以被表达为序列、根据未来感觉输入进行验证，并加以修正。“预测误差”会触发三种标准化计算响应之一，它们对应三种基本形式的指称链：**指称**（在对象之间建立或确认正向指向关系）、**反指称**（宣告某条具体指称路径不可能，从而阻断某个预测方向），以及**半指称**（标记一个指称意图已发起但目标内容尚未被感觉填充的位置——系统对“此处存在未知”的确认）。这一三元指称链系统构成了认知修正操作的最小完备集。

第二，PST 的整个推导过程始于唯一一个架构前提：**一致性要求**。一致性不是外部强加的规范，而是认知系统产生任何连贯决策的必要条件：一个内部矛盾的知识网络将使行动选择函数失去确定输出。从这个起点出发，整个框架以严格生成顺序展开。通过对无限指称链的收敛性分析，首先证明任何指称链必须在有限步内收敛到一个自指称不动点，从而在最基本层面奠定了同一性——每个可操作对象默认必须是自同一的。随后，传感器被形式化为恒等函数 \(S(i)=i\)，成为认知架构中唯一的自变量。行动规划函数被定义为从已知状态到行为的条件映射，并被证明不是自变量。在此基础上，已知状态与未知状态之间的根本不对称性得到严格证明：已知状态无法通过内部计算推导出未知状态，而传感器是将未知状态转换为已知状态的唯一通道。状态刷新操作——每当当前传感器输出与寄存器对象不同，系统就扩展已知状态集并将先前状态追加到序列中——得到严格定义。由此产生的已知状态集序列呈现出与冯·诺依曼序数构造严格同构的集合包含结构，从而在没有任何外部时间参数的情况下生成先后顺序。进一步地，任何确定性行动规划函数都被证明必然内嵌一个最小需求约束，该约束以函数自身为最优性标准——需求不是附加模块，而是函数存在的数学必然性。当需求以序列方式运作时，效率维度（较短序列优于较长序列）不可避免地引入，导致选择集扩大，使比较成为不可回避的认知操作。最后，反馈被量化为基于序列距离和需求权重的效率值，短视与远视行为被统一在效率折线的单一参数模型之下。有限时域概率规划则将上述所有概念整合为一个完整决策模型。完整的推导链见附录。

由于 PST 是设计规范而非经验模型，其有效性依赖于内部一致性、概念精确性以及它所实现的解释统一性。该框架为若干经典问题提供了新颖的解决方案。罗素悖论被证明对应一种非收敛的序列振荡，系统可以通过检测指称链的非收敛性来识别并挂起该振荡，而不必引发逻辑崩溃。哥德尔不完备性被重新解释为当反指称链以自身为目标时必然出现的形式边界——系统能够表达这类命题，但除非破坏一致性，否则无法完成对其真值的判定。负反馈的量化基础被追溯至序列距离与源自躯体信号的需求权重的结合。对电影剪辑的认知理解——这一现象挑战了经典连续性理论——被解释为观看者主动部署指称链和序列验证过程以维持跨镜头对象同一性，而不是对物理连续性的被动继承。

本文的首要目的，是通过公开且可引用的学术记录，确立 Predictive Set Theory 框架的原创性与完整性。其次要目的，是为未来的计算实现以及具有内在安全约束的人工认知系统设计提供严格的理论基础。本文结构如下：第 1 章确立一致性要求作为架构前提，并通过无限指称链的收敛性分析为同一性奠基。第 2 章给出认知主体的公理化定义，严格区分传感器与行动规划函数，并证明已知状态与未知状态的不对称定理。第 3 章推导状态刷新的操作机制与序列的集合论构造。第 4 章证明任何确定性行动规划函数必然内嵌最小需求约束，且需求的序列化运作必然迫使比较出现。第 5 章通过效率折线与有限时域概率规划对反馈进行量化，并将短视与远视行为统一在单一参数模型之下。附录呈现完整推导链。

## 2 核心术语表

行动规划函数  
\(f(K_t)=A_t\)。认知系统的决策核心，是从当前已知状态集 \(K_t\) 到行为计划 \(A_t\) 的条件映射。其输出必须严格依赖于已知状态；它不能是自变量（参见“传感器”）。

对齐（过程）  
一种序列层级的操作，通过该操作，两个不同的指称节点被合并，使它们共享同一个序列位置，从而被当作同一个对象处理。对齐不是原始标签，而是指称链与序列操作的功能产物。

比较  
当选择集中包含两个或两个以上可区分元素时，按效率值对候选行动或序列进行排序的认知操作。当需求以序列方式运作且效率差异出现时，比较必然被触发。

一致性要求  
认知系统必须维持内部无矛盾知识网络的架构前提。没有一致性，行动规划函数便无法产生确定输出。

反指称（链）  
一种指称关系，形式为 \(X\not\to Y\) 或 \(X\ \text{excludes}\ Y\)，宣告某条特定指称路径不可能或被禁止。它是指称链的三种基本形式之一。

需求  
对行动规划函数输出的约束，形式化表示为评估函数 \(\Phi(K_t,A)\)，其最大化产生所选的行动。每个确定性函数都内嵌一个以函数自身为最优性标准的最小需求约束。

效率  
当两个序列满足相同的最终需求时，较短序列被严格偏好于较长序列的维度。效率被量化为需求值相对于序列距离的变化率。

效率折线  
函数 \(f_d(L)\)，将序列距离 \(L\) 映射为 \([0,1]\) 中的效率乘数。它满足 \(f_d(0)=1\)、单调递减、渐近趋近于零。其形状决定行为是短视还是远视。

反馈效率值  
关于需求状态 \(d\) 对状态 \(s\) 的量化评估：\(\eta(s,d)=w_d\cdot f_d(L(s,d))\)，其中 \(w_d\) 是需求权重，\(L(s,d)\) 是最短序列距离。

有限时域概率规划  
在有界数量的未来状态刷新步骤内最大化期望累积效率的决策程序，使用递归公式 \(V_h(s)=\max_a\sum_{s'}P(s'|s,a)[\eta(s')+V_{h-1}(s')]\)。

已知状态集  
\(K_t\)。从初始时刻到时间 \(t\) 为止传感器输出的所有内部对象的累积集合，递归构造为 \(K_{t+1}=K_t\cup\{i_{t+1}\}\)。

最小需求约束  
需求函数 \(F_f(K,A)=-\|A-f(K)\|^2\)，以纯计算输出 \(f(K)\) 为其唯一最大值。它是嵌入在任意确定性函数中的数学必然约束。

指称（链）  
集合节点指向另一节点的基本认知操作，封装了“这个对象是什么”的内容。形式化表示为映射 \(R:\mathcal{O}\to\mathcal{O}\)。

寄存器对象  
\(E_t\)。保存最近一次传感器输出的内部存储单元，作为通过比较操作检测变化的基线。

半指称（链）  
一种不完整的指称链接，标记一个位置：指称意图已发起，但目标尚未被感觉输入填充。它表达“此处存在未知”，但不预设封闭的假设空间。

传感器  
\(S(i)=i\)。认知架构中唯一无条件的变量，被形式化为恒等函数。它无条件输出内部对象，构成将未知状态转换为已知状态的唯一通道。

序列  
状态刷新事件的有序累积。已知状态集序列 \(K_0\subset K_1\subset\cdots\) 与冯·诺依曼的序数构造严格同构，无需外部时间参数即可生成时间顺序。

状态刷新  
当当前