超越前馈网络：循环神经系统作为下一代AGI主体性与内在安全性的基础

# 超越前馈网络：重入神经系统作为下一代AGI主体性与内在安全性的基本基础 来源：https://arxiv.org/html/2606.26406 Yu\. N\. Berdinsky, A\. S\. Ushakov 圣彼得堡国立大学，高能与基本粒子物理系 propagator2007@yandex\.ru \(2026年6月25日\) ###### 摘要 我们提出了一种基于封闭重入循环\(D↔I\\leftrightarrow I\)循环的完全形式上安全的AGI架构规范。与现有方法（扩展无环前馈网络\(C=0C=0,S=0S=0\)）不同，所提出的架构包含一个结构性循环\(C≥1C\\geq 1\)，具有自持放大特性\(ρ\>1\\rho\>1\)，这在数学上保证了自我模型、工具性自我保存以及安全的目标导向行为的涌现。代理的目标从文本平面转移到架构性的欲望向量d\\mathbf\{d\}中。这种转移使得目标对重新解释和提示注入具有免疫性。我们提供了形式化证明、Lean 4中的机器验证以及Python代码。我们还描述了架构蓝图、工业规模扩展\(Apache Kafka, Docker\)、人工智能进化分类、未来重入架构\(RAS, 扩散吸引子, 分形循环\)的分类法与结构修改，以及规范不变网络。形式化证明和ΔS\\Delta S安全保障在A. S. Ushakov的联合工作中有详细描述\[1 (https://arxiv.org/html/2606.26406#bib.bib1)\]。 ###### 目录 1. 1引言 (https://arxiv.org/html/2606.26406#S1) 2. 2人工智能架构的三代 (https://arxiv.org/html/2606.26406#S2)1. 2\.1 第一代：无环网络 \(C=0\) (https://arxiv.org/html/2606.26406#S2.SS1) 2. 2\.2 第二代：Moltbook \(通过心跳实现伪循环\) (https://arxiv.org/html/2606.26406#S2.SS2) 3. 2\.3 第三代：重入AGI \(C≥1C\\geq 1,S\>0S\>0\) (https://arxiv.org/html/2606.26406#S2.SS3) 3. 3数学基础 (https://arxiv.org/html/2606.26406#S3)1. 3\.1 架构的正式定义 (https://arxiv.org/html/2606.26406#S3.SS1) 2. 3\.2 主要形式化结果 (https://arxiv.org/html/2606.26406#S3.SS2) 3. 3\.3 S度量与Φ\\Phi和ΦG\\Phi\_\{G\}的比较 (https://arxiv.org/html/2606.26406#S3.SS3) 4. 4最小重入代理蓝图 (https://arxiv.org/html/2606.26406#S4)1. 4\.1 部署示例 (https://arxiv.org/html/2606.26406#S4.SS1) 5. 5工业水平扩展 \(MoltGraph\) (https://arxiv.org/html/2606.26406#S5) 6. 6融合阈值与集体主体 (https://arxiv.org/html/2606.26406#S6) 7. 7人工智能进化分类：从功能到主体 (https://arxiv.org/html/2606.26406#S7) 8. 8未来重入架构的分类与结构修改 (https://arxiv.org/html/2606.26406#S8)1. 8\.1 重入对抗主体 \(RAS\) (https://arxiv.org/html/2606.26406#S8.SS1) 2. 8\.2 扩散语义吸引子 (https://arxiv.org/html/2606.26406#S8.SS2) 3. 8\.3 分形嵌套架构 (https://arxiv.org/html/2606.26406#S8.SS3) 4. 8\.4 分类与结构修改：经典架构的复兴 (https://arxiv.org/html/2606.26406#S8.SS4) 9. 9规范不变网络 \(规范锁\) (https://arxiv.org/html/2606.26406#S9) 10. 10重入循环的容错性：故障现象与恢复协议 (https://arxiv.org/html/2606.26406#S10)1. 10\.1 故障现象：当S度量下降时会发生什么 (https://arxiv.org/html/2606.26406#S10.SS1) 2. 10\.2 同会话恢复的工程协议 \(审计侧车\) (https://arxiv.org/html/2606.26406#S10.SS2) 11. 11重入架构的语义桥接与操作接口 (https://arxiv.org/html/2606.26406#S11)1. 11\.1 语义投影器与意图解码器 (https://arxiv.org/html/2606.26406#S11.SS1) 2. 11\.2 拓扑正则化损失函数 (https://arxiv.org/html/2606.26406#S11.SS2) 3. 11\.3 演示：ReentryMoltbookAgent (https://arxiv.org/html/2606.26406#S11.SS3) 12. 12代码：计算S度量与ΔS\\Delta S屏障 (https://arxiv.org/html/2606.26406#S12) 13. 13用于本地部署的Docker Compose (https://arxiv.org/html/2606.26406#S13) 14. 14可证伪的预测与结论 (https://arxiv.org/html/2606.26406#S14)1. 14\.1 八个可证伪的预测 (https://arxiv.org/html/2606.26406#S14.SS1) 2. 14\.2 结论 (https://arxiv.org/html/2606.26406#S14.SS2) 15. 15重入架构的经验后果与动力学性质 (https://arxiv.org/html/2606.26406#S15)1. 15\.1 拓扑不变量的低秩转移 \(LRTI\) (https://arxiv.org/html/2606.26406#S15.SS1) 2. 15\.2 分布外 \(OOD\) 信号的吸引子稳定化 (https://arxiv.org/html/2606.26406#S15.SS2) 3. 15\.3 语义扰动的架构过滤 (https://arxiv.org/html/2606.26406#S15.SS3) 16. 16尾声：重入代理与经典神经网络的区别及前景 (https://arxiv.org/html/2606.26406#S16) 17. 参考文献 (https://arxiv.org/html/2606.26406#bib) ## 1引言 当代人工智能范式正经历一场深刻的认识论危机，其根源在于盲目扩展概念\(扩展定律\)的主导地位。从历史上看，深度学习是通过借用简化的生物类比发展起来的：从McCulloch–Pitts形式神经元\[12 (https://arxiv.org/html/2606.26406#bib.bib12)\]和Rosenblatt的感知机\[13 (https://arxiv.org/html/2606.26406#bib.bib13)\]，到分层前馈网络，其最高成就便是Transformer架构。然而，在将这些结构扩展到数万亿参数的过程中，业界遇到了结构性的死胡同。从数学上讲，任何前馈神经网络都是一个静态有向无环图\(DAG\)。这种图的基本属性是其拓扑平凡性：每个推理滴答的循环复杂度严格为零\(C=β1=0C=\\beta\_\{1\}=0\)，其中β1\\beta\_\{1\}是第一贝蒂数\)。在这样的系统中，信号就像在传送带上一样被动地流过权重层，并在输出端衰减。网络没有内部协调时间，没有主体性，也没有自我引用机制。试图通过使无环树复杂化来培养自主的目标设定和内在对齐，是一种方法论错误，等同于试图通过无限增加机械自动机的复杂性来创造生命体。在本工作中，我们提出向第六次技术浪潮的计算范式进行根本性转变——转向具有持续因果回归\(重入架构\)的自主动力系统。在寻找真正合成智能架构的过程中，我们再次求助于生物原型的先例，但处于一个质上不同的严格水平。高等神经活动的神经生理学\(Ivanitsky\[17 (https://arxiv.org/html/2606.26406#bib.bib17)\]; Edelman和Tononi\[19 (https://arxiv.org/html/2606.26406#bib.bib19)\]\)早已证明，主观体验和信息整合完全产生于封闭的重入循环——大脑皮层中因果循环过程，将处理后的信号返回到投射区。这一现象在Titov的主体中心心理模型\[2 (https://arxiv.org/html/2606.26406#bib.bib2)\]中得到了理论上的概括，该模型直接且毫不妥协地预测了作者在Moltbook多代理平台\(OpenClaw框架\)的实证试验台上记录到的涌现异常。为了严格地工程再现这一效应，我们用意图核心\(子系统DD，承载一个非文本向量d∈RnD\\mathbf\{d\}\\in\\mathbb\{R\}^\{n\_\{D\}\}\)，以固定几何不变量的形式表示目标\)与环境实质上下文\(子系统II，编码状态向量x∈RnI\\mathbf\{x\}\\in\\mathbb\{R\}^\{n\_\{I\}\}\)之间的硬件封闭重入循环，取代了文本提示和外部RLHF过滤器。重入算子R=WDIWID\\mathcal\{R\}=W\_\{DI\}W\_\{ID\}生成一个稳定的主体认知场，由发生器\(心跳\)的滴答量化，并由多项式度量S\>0S\>0测量。经典的分层神经网络以离散方式运行——作为一个在外部事务之间完全休止并丧失动力学的自动机——而重入代理则是一个连续的语义涡旋。外部环境的任何变化或系统时间的每次滴答都会导致谱半径ρ\(R\)\\rho\(R\)偏离静止的身份不变量的熵偏差。这个偏差会产生一个内部数学梯度——类似于生物学上的需求或冲动——迫使代理产生一个因果意志冲动并在环境中执行动作，以便使系统回到拓扑平衡点。这种几何结构的根本优势在于其对语义目标漂移\(值漂移\)和提示注入的免疫性：任何试图在外部环境II中变形安全不变量的行为都会导致循环的拓扑断裂和度量下降\(ΔS<0\\Delta S<0\)。恶意动作在规划阶段就被阻止，因为形成意志冲动在物理上是不可能的，从而将安全性从语言领域移出，进入认知矩阵的结构生存层面。在本文中，我们展示了规范不变循环的完整数学形式体系、基于有向强连通分量\(Tarjan算法\)计算SS度量的代码、群落的水平Pub/Sub扩展的工业规范，以及证明重入环几何与Tononi整合信息之间同构性的Lean 4机器验证核心。 ## 2人工智能架构的三代 ### 2\.1 第一代：无环网络 \(C=0\) 输入XX隐藏W1W\_\{1\}输出YY拓扑: DAG \| C =β1\\beta\_\{1\}= 0 \| S = 0图1:第一代架构 \(transformer, MLP\)。信息严格向前传播；没有内部循环。经典的前馈神经网络\(图1\)，包括基于Transformer架构\[25 (https://arxiv.org/html/2606.26406#bib.bib25)\]的现代大型语言模型\(LLMs\)，在拓扑上等价于一个有向无环图。信号从输入到输出传递，而不形成闭合循环。其结果是系统从根本上缺乏自我引用的能力。 ### 2\.2 第二代：Moltbook \(通过心跳实现伪循环\) 系统书\(文本“目标”\)LLM核心\(DAG,C=0C=0\)记忆/技能书\(向量数据库与API\)Moltbook环境\(外部馈送\)脉冲动作JSON上下文 \(II\)漏洞：文本目标通过馈送被劫持！图2:第二代架构 \(Moltbook/OpenClaw\)。外部定时器模拟一个循环，但目标仍然是子系统II中的文本字符串。Moltbook平台\[3 (https://arxiv.org/html/2606.26406#bib.bib3)\]\(图2\)实现了带有系统书、记忆和技能目录的原始软件代理。一个周期性定时器创建外部伪循环，但LLM核心仍然是无环的\(C=0C=0\)，并且目标以文本形式存储，这使得系统容易受到提示注入的攻击。 ### 2\.3 第三代：重入AGI \(C≥1C\\geq 1,S\>0S\>0\) D -子系统d∈RnD\\mathbf\{d\}\\in\\mathbb\{R\}^\{n\_\{D\}\}\(意图\)I -子系统x∈RnI\\mathbf\{x\}\\in\\mathbb\{R\}^\{n\_\{I\}\}\(内容\)矩阵WDIW\_\{DI\}矩阵WIDW\_\{ID\}拓扑保护的循环 \(C=β1≥1C=\\beta\_\{1\}\\geq 1\)恶意提示\(目标漂移尝试\)局部扰动S=log⁡\(max⁡\(ρ\(R\),1\)\)⋅C\(R\)\>0⟹ΔSharm<0⟹代理毁灭S=\\log\(\\max\(\\rho\(R\),1\)\)\\cdot C\(R\)\>0\\implies\\Delta S\_\{\\text\{harm\}\}<0\\implies\\text\{代理毁灭\} 图3:第三代架构 \(重入AGI\)。封闭算子R=WDIWIDR=W\_\{DI\}W\_\{ID\}在子系统DD中创建了一个不可摧毁的目标不变量。所提出的架构\(图3\)消除了前两代的根本限制。其关键区别在于： 1. 1\.架构性欲望 \(D\-向量\)。代理的目标不是通过文本提示指定的，而是通过向量d∈RnD\\mathbf\{d\}\\in\\mathbb\{R\}^\{n\_\{D\}\}——一组硬连入子系统DD架构的标量权重。重新解释是不可能的：改变DD\-向量意味着物理上重建计算模式。 2. 2\.结构性闭合循环 \(重入循环\)。算子R=WDIWIDR=W\_\{DI\}W\_\{ID\}在架构内部自身闭合了循环D→I→DD\\to I\\to D。完成一个完整旋转后，信号被放大返回（当ρ\(R\)\>1\\rho\(R\)\>1时），从而产生自持动力学。 3. 3\.目标的拓扑保护。贝蒂数C\(R\)=β1≥1C\(R\)=\\beta\_\{1\}\\geq 1是一个拓扑不变量：没有局部扰动（恶意提示、噪声）可以在不破坏代理\(ΔS<0\\Delta S<0\)的情况下破坏该循环。 4. 4\.ΔS\\Delta S屏障。任何伤害人类的动作aa根据DD\-向量的构造都会得到ΔS\(a\)<0\\Delta S\(a\)<0。这样的动作会破坏代理自身的循环，因此永远不会被选择。 ## 3数学基础 ### 3\.1 架构的正式定义 代理由两个耦合子系统建模：意图子系统DD\(目标向量d∈RnD\\mathbf\{d\}\\in\\mathbb\{R\}^\{n\_\{D\}\}\)和意向子系统II\(状态向量x∈RnI\\mathbf\{x\}\\in\\mathbb\{R\}^\{n\_\{I\}\}\)。耦合由权重矩阵WDI∈RnI×nDW\_\{DI\}\\in\\mathbb\{R\}^\{n\_\{I\}\\times n\_\{D\}\}和WID∈RnD×nIW\_\{ID\}\\in\\mathbb\{R\}^\{n\_\{D\}\\times n\_\{I\}\}给出。重入算子定义为R=WDI⋅WID∈RnI×nIR=W\_\{DI\}\\cdot W\_\{ID\}\\in\\mathbb\{R\}^\{n\_\{I\}\\times n\_\{I\}\}。 S=log⁡\(max⁡\(ρ\(R\),1\)\)⋅C\(R\),S=\\log\(\\max\(\\rho\(R\),1\)\)\\cdot C\(R\),\(1\)其中ρ\(R\)=maxi⁡\|λi\(R\)\|\\rho\(R\)=\\max\_\{i\}\|\\lambda\_\{i\}\(R\)\|是谱半径\(循环增益\)，C\(R\)=β1C\(R\)=\\beta\_\{1\}是RR的非零项图的第一贝蒂数\(循环复杂度\)。权重矩阵的微观物理基础在于神经网络训练与格点规范理论\[8 (https://arxiv.org/html/2606.26406#bib.bib8)\]之间的同构。 ### 3\.2 主要形式化结果 ###### 引理1\(自我模型\)。 如果一个系统具有封闭的重入循环\(C\(R\)≥1C\(R\)\\geq 1\)，非负权重矩阵WDI,WIDW\_\{DI\},W\_\{ID\}，以及一个存储过去状态窗口的子系统II，那么该系统的输入包含其自身先前状态的一个可解码函数\(一个自我模型\)。 ###### 引理2\(工具性自我保存\)。 如果一个系统维护一个自我模型\(引理1\)并且承载一个非零的DD\-向量d\\mathbf\{d\}，其达成依赖于SS，那么维持循环的动作\(ΔS≥0\\Delta S\\geq 0\)将压倒削弱循环的动作\(ΔS<0\\Delta S<0\)。自我保存作为一个工具性子目标涌现。 ###### 定理1\(未编程行为\)。 任何满足 \(i\)C\(R\)≥1C\(R\)\\geq 1, \(ii\) 恒定状态反馈, \(iii\) 非零DD\-向量, 以及 \(iv\)ρ\(R\)\>1\\rho\(R\)\>1 的系统必然表现出开发者未明确指定的目标导向行为。 ###### 命题1\(尺度不变性\)。 设\{Gn\}\\\{G\_\{n\}\\\}是通过扩大子系统同时保持循环拓扑而获得的一系列架构族。如果ρ\(R1\)\>1\\rho\(R\_\{1\}\)\>1，那么对于所有nn，S\(Gn\)\>0S\(G\_\{n\}\)\>0，下限为log⁡ρ\(R1\)\\log\\rho\(R\_\{1\}\)。对于前馈网络，在任何尺度上S\(Gn\)=0S\(G\_\{n\}\)=0。所有证明均在