标签
本文提出了贝叶斯镜像架构（Bayesian Mirror Architecture, BMA），这是一种自指涉的生成框架，其中循环自我递归与混合事件–自我绑定使意识成为一种架构性属性而非客观对象，其信念动力学通过概率测度上的最优传输几何进行分析。文中定义了因果学习机制（Causal Learning Regime）作为可学习结构的诊断标准，并引入了自流形、Wasserstein ε-颈缩以及被解读为内部自决选择的吸引盆选择等概念。
本文提出了一个受塔斯基启发的对角线论证，表明在LLM的嵌入空间上，没有线性探针能够可靠地检测真理，并与哥德尔不完备定理和图灵停机问题进行了类比。该文批判了语言模型中关于真理的线性表示假说。
本文提出了一种基于贝尔纳普类型化内涵一阶逻辑的神经符号通用人工智能机器人的概率扩展方法。它引入了全局和局部对称变换来保存知识并实现实时决策，其中神经网络基于最大信息熵计算概率密度。
本文提出了一种基于格论的方法来定义无偏规范集合值预言机，这些预言机即使在输出被学习并采取行动后仍能保持自洽，从而解决了AI预测中的表演性问题。