← 返回學習

RelVectors：新的人工智能技術

面向變化、關係演化與過程智能的表示與計算框架。
RelVectors: A New Artificial Intelligence Technology — A Representation and Computation Framework for Change, Relation Dynamics, and Process Intelligence.

摘要

現代 AI 已經形成高度成熟的關係計算能力：Embedding 將對象映射到連續向量空間，Attention 動態計算上下文關係，預訓練從大規模數據中壓縮統計結構，RAG 建立當前問題與外部知識之間的檢索關係，強化學習與人類反饋改變模型行為策略，Agent 進一步把語言模型置於"判斷—行動—環境反饋"的循環中。

然而當人工智能從一次性生成進入長時間、跨工具、跨會話和持續變化的真實任務時，一個新的工程問題變得突出：任務目標、環境證據、決策、真實執行、局部結果和整體完成狀態通常分散在自然語言上下文、日誌、工具返回與外部數據庫中，過程本身仍主要依賴模型臨時重新推斷。

本文提出 RelVectors：一種面向人工智能的過程表示與計算技術框架。其理論基礎源於過程信息論（參見 上一篇論文），後者以六個時間位置表達過程並與信息動力學工具對接；在 RelVectors 的工程表達中，這六個位置被組織在更高層的 IAO 結構之下。

五大貢獻

1. 提出一種位於語義模型與現實執行之間的 Process Representation Layer，使 LLM 負責開放語義理解，而過程層負責持續狀態。
2. 以 Self 維持跨時間任務身份，並用 IAO 組織起因、行動和結果。
3. 將計劃與真實執行、局部結果與全局影響、Claim 與 Evidence顯式分離，以降低長任務中的漂移和過早完成判斷。
4. 統一 Past、Present 與 Future 三個時間方向，使歷史可形成過程記憶與 Task Skill，當前可形成 Frontier 和 Next Process，未來可形成受約束的 Process Projection。
5. 提出一組可證偽實驗，用於檢驗過程編碼一致性、長任務恢復、狀態變化響應、Reality Closure 和上下文壓縮等主張。

1. 引言：從"關係計算"到"過程計算"

過去十年的人工智能進展表明，"關係"早已不是人工智能之外的概念。Word embedding 把統計共現轉化為幾何位置；Transformer 通過 Attention 在當前上下文中動態計算 Token 之間的關聯；強化學習學習狀態、行動與回報之間的策略關係；RAG 利用檢索關係把外部知識接入當前推理；Agent 則把語言模型與工具、環境和反饋連接起來。把現代 AI 概括為"只處理 Token、不處理關係"是不準確的 —— 相反，現代 AI 的成功本身就是大規模關係計算的成功。

問題出現在人工智能從一次性生成進入持續任務之後。一個真實 Agent 任務可能持續數小時、數天甚至跨會話：用戶目標會修改，工具會失敗，現實證據會推翻原假設，局部成功未必等於整體完成，舊計劃的某個前提失效可能使後續多步行動全部無效。此時，單純擴大上下文或保存全部日誌，並不能自動把"為什麼變化、變化了什麼、現在處於什麼過程、下一步應改變什麼"變成穩定狀態。

RelVectors 從這一缺口出發。其基本立場不是重新發明關係，而是把 Relation Change 及其形成的 Process 提升為獨立機器信息。

2. 理論基礎：過程信息論

過程信息論以六個連續時間位置表達一個可辨識過程：內部驅動（I1）、環境作用（I2）、決策規劃（A3）、執行動作（A4）、局部結果（O5）和全局影響（O6），並以主動/被動二值形成六位過程編碼。六位編碼共有 2⁶ = 64 種確定組合。

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

同時定義主體投影 P = (I1, A3, O5) 與環境投影 E = (I2, A4, O6)，二者是同一六位編碼的確定性投影。把互信息、熵率與轉移熵錨定到該語義結構：

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

3. RelVectors 的技術定義

RelVectors 是一種面向人工智能持續任務的過程表示與計算技術框架，用於識別、編碼、保存、更新和利用 Self 在時間中經歷的關係變化，並以 Evidence 約束 Process State，使 AI 能夠從過去恢復過程、在現在定位 Frontier，並對未來形成可區分於現實事實的 Process Projection。

三個限制：

1. RelVectors 不是新的基礎神經網絡架構，它可與不同 LLM、視覺模型、工具系統和 Agent Host 結合。
2. 不是意識理論：Self 在本文中首先指持續任務身份。
3. 不是通用因果推斷替代方案：Process Relation 可以包含因果假設，但只有 Reality Evidence 和獨立驗證能把假設升級為事實。

4. 核心計算對象

對象	定義	作用
Self	在連續變化中保持身份連續性的任務或主體	決定哪些事件屬於同一過程
IAO	Input–Action–Output 上位過程結構	組織變化的起因、行動和結果
Six Positions	I1/I2, A3/A4, O5/O6	對 IAO 進行可定位展開
Relation	當前對象與 Self、目標、環境或前後狀態之間的關係	描述變化的結構
Evidence	來自用戶、工具、文件、API、傳感器等可回到現實的依據	約束 Process 判斷
Process State	當前已確認的過程關係集合	跨時間持久保存"現在"
Frontier	當前 Self 最靠前、尚未閉合的過程位置	確定當前真正缺口
Task Skill	完整 IAO 方案及其執行歷史/證據/狀態	支持持續任務與經驗複用
Next Process	當前 Self 下一步應發生的過程結構變化	約束 Next Action，而非取代它

5. 系統架構

RelVectors 不是一個孤立的算法，而是一個分層架構：

Reality
  → Semantic AI        (LLM/多模態模型)
  → Process Routing    (是否進入過程系統)
  → Self               (當前任務身份)
  → IAO                (起因/行動/結果)
  → Relation View      (三視圖 × 六位置 = 18)
  → Digital State      (6-bit × 3 = 18-bit)
  → Process Judgment   (繼續/改變/停止/回退/預測)
  → Action             (工具調用)
  → Reality

LLM 依然非常重要，但它不應該"直接猜 Process ID"。語義模型可以提出候選，最終數字狀態應儘可能由固定詞典、確定規則和現實證據產生。否則 RelVectors 會退化成 Prompt Engineering：同一句話隨著模型、Prompt 和隨機性變化而產生不同編碼。

6. Self：任務身份而非人格擬人

Self 用於解決"這些變化屬於誰"的問題。一個長任務可能經歷計劃修改、工具失敗、會話重啟甚至底層模型更換，只要持續服務於同一任務身份，Process History 仍應能夠恢復。

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

Self 允許系統區分 SELF、NON-SELF 和 UNRESOLVED 事件。語義相似不等於過程歸屬：一篇與當前項目高度相關的文檔可能只是背景知識，而一條非常短的"測試失敗"工具結果可能直接改變當前 Process。

7. Evidence：從語言自洽回到現實閉合

語言模型可以生成邏輯自洽但現實錯誤的過程解釋，因此 RelVectors 把 Claim 與 Evidence 分開。模型說"文件已經修改"屬於 Claim；只有文件系統變化、工具返回、測試結果或外部 API 狀態才能證明 A4 或 O5 真實發生。對於 O6，必須進一步判斷局部結果是否真正滿足整個 Self 的 Expected State。

這種區分形成 Reality Closure：系統不能因為 A3"決定了"、A4"聲稱執行了"或 O5"局部成功"就提前宣佈任務完成。完成狀態應由與 Self Goal 對應的現實證據支持。

8. 可證偽實驗設計

本文不把尚未完成的對照實驗或性能提升寫成既成事實。以下是論文提出的可證偽預測：

1. 編碼一致性：不同標註者對同一真實 Process 能否穩定識別 IAO 及六位置？評分者間信度能達到什麼水平？
2. 長任務恢復：Process Memory 是否真的比普通 Conversation Memory 或 RAG 更有利於長任務恢復？
3. 狀態變化響應：當新證據推翻舊關係時，Process State 能否在不重讀全部歷史的情況下正確更新？
4. Reality Closure：顯式 Frontier 與 O5/O6 區分是否能減少 Agent"過早宣佈成功"？
5. 上下文壓縮：能否在不丟失關鍵 Evidence 與 Process 關係的前提下壓縮歷史上下文？

9. 與現有 AI 技術的邊界

技術	關係
Transformer	互補：RelVectors 在其上層運行
RLHF	互補：RelVectors 使用偏好數據作 Evidence
RAG	互補：RAG 提供候選，RelVectors 判定過程歸屬
Reasoning (CoT/ReAct)	互補：RelVectors 提供持久過程狀態
Agent	互補：RelVectors 提供過程可審查性
Planning (STRIPS)	邊界：Planning 尋找狀態遷移序列；RelVectors 處理開放語義過程
World Models	邊界：World Models 模擬環境；RelVectors 跟蹤 Self 的過程

10. 讀完之後

學生不需要先相信 RelVectors。每一個重要主張都應該轉化成實驗問題。如果只保存最終狀態而不保存過程，真實 Agent 任務中會丟失哪些可以影響後續判斷的信息？這些實驗決定 RelVectors 最後是一套有實際價值的人工智能方法，還是隻是一種漂亮的描述語言。RelVectors 應被研究，而不是被信仰。