← 返回学习

RelVectors：新的人工智能技术

面向变化、关系演化与过程智能的表示与计算框架。
RelVectors: A New Artificial Intelligence Technology — A Representation and Computation Framework for Change, Relation Dynamics, and Process Intelligence.

摘要

现代 AI 已经形成高度成熟的关系计算能力：Embedding 将对象映射到连续向量空间，Attention 动态计算上下文关系，预训练从大规模数据中压缩统计结构，RAG 建立当前问题与外部知识之间的检索关系，强化学习与人类反馈改变模型行为策略，Agent 进一步把语言模型置于"判断—行动—环境反馈"的循环中。

然而当人工智能从一次性生成进入长时间、跨工具、跨会话和持续变化的真实任务时，一个新的工程问题变得突出：任务目标、环境证据、决策、真实执行、局部结果和整体完成状态通常分散在自然语言上下文、日志、工具返回与外部数据库中，过程本身仍主要依赖模型临时重新推断。

本文提出 RelVectors：一种面向人工智能的过程表示与计算技术框架。其理论基础源于过程信息论（参见 上一篇论文），后者以六个时间位置表达过程并与信息动力学工具对接；在 RelVectors 的工程表达中，这六个位置被组织在更高层的 IAO 结构之下。

五大贡献

1. 提出一种位于语义模型与现实执行之间的 Process Representation Layer，使 LLM 负责开放语义理解，而过程层负责持续状态。
2. 以 Self 维持跨时间任务身份，并用 IAO 组织起因、行动和结果。
3. 将计划与真实执行、局部结果与全局影响、Claim 与 Evidence显式分离，以降低长任务中的漂移和过早完成判断。
4. 统一 Past、Present 与 Future 三个时间方向，使历史可形成过程记忆与 Task Skill，当前可形成 Frontier 和 Next Process，未来可形成受约束的 Process Projection。
5. 提出一组可证伪实验，用于检验过程编码一致性、长任务恢复、状态变化响应、Reality Closure 和上下文压缩等主张。

1. 引言：从"关系计算"到"过程计算"

过去十年的人工智能进展表明，"关系"早已不是人工智能之外的概念。Word embedding 把统计共现转化为几何位置；Transformer 通过 Attention 在当前上下文中动态计算 Token 之间的关联；强化学习学习状态、行动与回报之间的策略关系；RAG 利用检索关系把外部知识接入当前推理；Agent 则把语言模型与工具、环境和反馈连接起来。把现代 AI 概括为"只处理 Token、不处理关系"是不准确的 —— 相反，现代 AI 的成功本身就是大规模关系计算的成功。

问题出现在人工智能从一次性生成进入持续任务之后。一个真实 Agent 任务可能持续数小时、数天甚至跨会话：用户目标会修改，工具会失败，现实证据会推翻原假设，局部成功未必等于整体完成，旧计划的某个前提失效可能使后续多步行动全部无效。此时，单纯扩大上下文或保存全部日志，并不能自动把"为什么变化、变化了什么、现在处于什么过程、下一步应改变什么"变成稳定状态。

RelVectors 从这一缺口出发。其基本立场不是重新发明关系，而是把 Relation Change 及其形成的 Process 提升为独立机器信息。

2. 理论基础：过程信息论

过程信息论以六个连续时间位置表达一个可辨识过程：内部驱动（I1）、环境作用（I2）、决策规划（A3）、执行动作（A4）、局部结果（O5）和全局影响（O6），并以主动/被动二值形成六位过程编码。六位编码共有 2⁶ = 64 种确定组合。

C = (b_I1, b_I2, b_A3, b_A4, b_O5, b_O6),   b_i ∈ {0,1}
|C| = 2^6 = 64

同时定义主体投影 P = (I1, A3, O5) 与环境投影 E = (I2, A4, O6)，二者是同一六位编码的确定性投影。把互信息、熵率与转移熵锚定到该语义结构：

I(P;E) = D_KL( p(P,E) || p(P)p(E) )

3. RelVectors 的技术定义

RelVectors 是一种面向人工智能持续任务的过程表示与计算技术框架，用于识别、编码、保存、更新和利用 Self 在时间中经历的关系变化，并以 Evidence 约束 Process State，使 AI 能够从过去恢复过程、在现在定位 Frontier，并对未来形成可区分于现实事实的 Process Projection。

三个限制：

1. RelVectors 不是新的基础神经网络架构，它可与不同 LLM、视觉模型、工具系统和 Agent Host 结合。
2. 不是意识理论：Self 在本文中首先指持续任务身份。
3. 不是通用因果推断替代方案：Process Relation 可以包含因果假设，但只有 Reality Evidence 和独立验证能把假设升级为事实。

4. 核心计算对象

对象	定义	作用
Self	在连续变化中保持身份连续性的任务或主体	决定哪些事件属于同一过程
IAO	Input–Action–Output 上位过程结构	组织变化的起因、行动和结果
Six Positions	I1/I2, A3/A4, O5/O6	对 IAO 进行可定位展开
Relation	当前对象与 Self、目标、环境或前后状态之间的关系	描述变化的结构
Evidence	来自用户、工具、文件、API、传感器等可回到现实的依据	约束 Process 判断
Process State	当前已确认的过程关系集合	跨时间持久保存"现在"
Frontier	当前 Self 最靠前、尚未闭合的过程位置	确定当前真正缺口
Task Skill	完整 IAO 方案及其执行历史/证据/状态	支持持续任务与经验复用
Next Process	当前 Self 下一步应发生的过程结构变化	约束 Next Action，而非取代它

5. 系统架构

RelVectors 不是一个孤立的算法，而是一个分层架构：

Reality
  → Semantic AI        (LLM/多模态模型)
  → Process Routing    (是否进入过程系统)
  → Self               (当前任务身份)
  → IAO                (起因/行动/结果)
  → Relation View      (三视图 × 六位置 = 18)
  → Digital State      (6-bit × 3 = 18-bit)
  → Process Judgment   (继续/改变/停止/回退/预测)
  → Action             (工具调用)
  → Reality

LLM 依然非常重要，但它不应该"直接猜 Process ID"。语义模型可以提出候选，最终数字状态应尽可能由固定词典、确定规则和现实证据产生。否则 RelVectors 会退化成 Prompt Engineering：同一句话随着模型、Prompt 和随机性变化而产生不同编码。

6. Self：任务身份而非人格拟人

Self 用于解决"这些变化属于谁"的问题。一个长任务可能经历计划修改、工具失败、会话重启甚至底层模型更换，只要持续服务于同一任务身份，Process History 仍应能够恢复。

Self_t  --IAO/Change-->  Self_{t+1}

Self 允许系统区分 SELF、NON-SELF 和 UNRESOLVED 事件。语义相似不等于过程归属：一篇与当前项目高度相关的文档可能只是背景知识，而一条非常短的"测试失败"工具结果可能直接改变当前 Process。

7. Evidence：从语言自洽回到现实闭合

语言模型可以生成逻辑自洽但现实错误的过程解释，因此 RelVectors 把 Claim 与 Evidence 分开。模型说"文件已经修改"属于 Claim；只有文件系统变化、工具返回、测试结果或外部 API 状态才能证明 A4 或 O5 真实发生。对于 O6，必须进一步判断局部结果是否真正满足整个 Self 的 Expected State。

这种区分形成 Reality Closure：系统不能因为 A3"决定了"、A4"声称执行了"或 O5"局部成功"就提前宣布任务完成。完成状态应由与 Self Goal 对应的现实证据支持。

8. 可证伪实验设计

本文不把尚未完成的对照实验或性能提升写成既成事实。以下是论文提出的可证伪预测：

1. 编码一致性：不同标注者对同一真实 Process 能否稳定识别 IAO 及六位置？评分者间信度能达到什么水平？
2. 长任务恢复：Process Memory 是否真的比普通 Conversation Memory 或 RAG 更有利于长任务恢复？
3. 状态变化响应：当新证据推翻旧关系时，Process State 能否在不重读全部历史的情况下正确更新？
4. Reality Closure：显式 Frontier 与 O5/O6 区分是否能减少 Agent"过早宣布成功"？
5. 上下文压缩：能否在不丢失关键 Evidence 与 Process 关系的前提下压缩历史上下文？

9. 与现有 AI 技术的边界

技术	关系
Transformer	互补：RelVectors 在其上层运行
RLHF	互补：RelVectors 使用偏好数据作 Evidence
RAG	互补：RAG 提供候选，RelVectors 判定过程归属
Reasoning (CoT/ReAct)	互补：RelVectors 提供持久过程状态
Agent	互补：RelVectors 提供过程可审查性
Planning (STRIPS)	边界：Planning 寻找状态迁移序列；RelVectors 处理开放语义过程
World Models	边界：World Models 模拟环境；RelVectors 跟踪 Self 的过程

10. 读完之后

学生不需要先相信 RelVectors。每一个重要主张都应该转化成实验问题。如果只保存最终状态而不保存过程，真实 Agent 任务中会丢失哪些可以影响后续判断的信息？这些实验决定 RelVectors 最后是一套有实际价值的人工智能方法，还是只是一种漂亮的描述语言。RelVectors 应被研究，而不是被信仰。