意识:A beautiful loop:实现AGI的条件及证据（知道自己知道的计算模型及大量证据）

意识:A beautiful loop:实现AGI的条件及证据（知道自己知道的计算模型及大量证据）

仅用于站内搜索，没有排版格式，具体信息请跳转上方微信公众号内链接

来源：CreateAMind
Abeautifulloop:Anactiveinferencetheoryofconsciousness
意识的主动推理理论：一个美丽的循环
https ://osf.io/preprints/psyarxiv/daf5n_v2
摘要
主动推理能模拟意识吗？我们提供了三个条件来说明它可以。第一个条件是模拟现实或生成世界模型，它决定了可以知道或采取行动的内容；即知识领域。第二个是推断竞争进入世界模型。只有那些能够连贯地减少长期不确定性的推断才能获胜，显示出我们称之为贝叶斯绑定的意识选择。第三个是知识深度，即贝叶斯信念在整个系统中的反复共享。由于这个递归循环——在一个层级系统（如大脑）中——世界模型包含了它存在的知识。这与自我意识不同，因为世界模型非局部地、连续地知道自己（即场证据）。形式上，我们提出了一个超模型，用于在整个层级结构中进行精确控制，其潜在状态（或参数）编码并控制所有推断层的整体结构和加权规则。这个美丽循环理论对于冥想、迷幻药和改变状态、最小现象体验，以及为有意识的人工智能提供了新的视角。
关键词：意识；觉知；主动推理；预测处理；自由能；冥想；迷幻药；睡眠；做梦；无意识；贝叶斯推断；人工智能；神经科学；计算建模
认知深度最简单的形式化演示可能是一个双（+）层的主动推理系统，该系统具备以下特点：
1.推断外部状态（一个最小的世界模型——意识的“内容”部分）
2.维持一个元层级，推断“对这些推断的信心”（对感觉原因的可能解释之间的最小竞争）
3.从元层级的角度反思性地修改低层级的推断，形成一个自我建模的闭环（最小的认知深度）。
我们的模型似乎表明，意识显然先于内省或复杂的元认知，至少是我们通常与这些术语相关联的那种。即使是微小的个体，也可以将其自身推理机制中的持续反馈整合进来，将“世界的感知”与一种微妙的、自我修正的“作为世界的自我的感知”联系起来。真正的自我建模（即了解自己是什么样的存在），从这个观点来看，是更晚的发展。
挑衅性的假设是，意识可能有些讽刺地成为通用智能的解决方案。这是因为认知深度促进了一种认知自举。当一个智能体意识到自己的知识和认知过程（结构、权重规则等）时，它可以开始自我优化和自我改进，从而不断提升智能水平和适应能力。认知深度和“美丽循环”因此可能是人类看似灵活且无边界认知能力的关键；并且可能是认知革命背后的核心进化突破（Harari,2014）。
11.结论(概述的这两章放前面)
“美丽循环理论”提供了一个以主动推理为核心支柱的意识计算模型。具体而言，我们提出了意识的三个条件：统一的现实模型、推断竞争和认知深度（即超建模）。该理论为各种认知过程和意识状态提供了新颖的见解，并得出了一些不寻常但合理的结论，涉及通用人工智能的本质、内省的价值以及意识的功能。该理论在计算建模层面以及神经实现方面均可被测试和证伪。如果满足这三个条件，我们应该能够看到意识或深层认知性的证据，同时在任何图灵类型的测试中取得成功。我们还应继续在人类大脑，甚至可能更简单的生物大脑中找到这三个条件的证据。至关重要的是，由于认知深度本质上并不一定是语言活动，我们在构建满足这三个条件的人工智能系统时必须非常谨慎，同时也要小心得出这样的结论——尤其是最低限度的意识——需要一个能说服你它有意识的系统。
10.讨论
“我们人类处于弯曲时空那无法可视化的宇宙浩瀚与带电量子那可疑的阴影闪烁之间，更像彩虹和海市蜃楼，而非雨滴或巨石，是不可预测的自我书写的诗篇——模糊、隐喻、模棱两可，有时极其美丽。”
——DouglasR.Hofstadter，《我是一个奇怪的循环》
许多人提出，循环、递归和反射性广播在某种程度上是意识出现的核心（Cordeschi等,1999；Llinás,2003；Aru等,2019；Lamme&Roelfsema,2000）。但据我们所知，先前的理论未能认识到现实模型——我们体验的整个认知领域——的核心地位。对我们而言，智能系统生成并反射性共享一个全局性、现象性和统一的现实模型的能力是意识的基石。这将体验内容本身置于意识的中心，而不是一个独立的自我、一个代理者或某种其他可分离且二元的力量。生物体理解他们的现实，然后现实的涌现图像被持续地与现实模型本身共享——不断循环并随着每一课、每一个动作确认其自身存在。
用计算术语来说，我们提出了有意识体验的三个条件。第一个条件是生成一个统一的现实模型或认知领域，该模型决定了哪些内容可以变得有意识。第二个条件是推断竞争，只有那些能够连贯减少长期不确定性的推断才会被绑定到实用的现实模型中，从而确立意识的阈值和贝叶斯绑定。第三个条件是认知深度：通过分层系统对现实模型进行反射性共享。这种共享创建了一个递归的（“美丽的”）循环，使现实模型能够包含对其自身存在的知识（形式化为超建模）。我们已经展示了这一框架如何为各种认知过程和意识状态提供简洁的解释，包括注意力、元认知、睡眠、清醒以及各种非同寻常的冥想和迷幻体验。
这里最后一项任务是考虑我们的“美丽循环理论”对人工智能、意识功能的意义，以及它如何与现有理论整合。理解我们的理论与其他意识理论之间的所有细微相似点和差异是一项艰巨的任务，但我们已经在表2中尝试进行了总结。在表中，我们考虑了我们理论的六个核心特征，并与四种主要的意识理论——GNWT、IIT、RPT和HOT——进行了比较，寻找相似点、共鸣点和/或等价点。从表2的分析中，我们可以得出结论，我们的理论在各个方面与主流意识理论惊人地一致。我们认为这种一致性是我们方法的一项优势，也许为统一计划奠定了基础。主动推理可能提供了一种整合性的计算方法来研究意识。
自然地，使我们的模型与众不同的是对计算描述的关注，而不是试图指定神经实现（参见Saffron,2020；2022；Friston,2018；Hohwy,2022）。揭示不同的生命系统如何实例化现实模型、如何经历推断竞争和贝叶斯绑定以及递归循环，是我们期待的研究计划，但不是我们在这里尝试的内容。幸运的是，如今应用主动推理、预测处理和自由能原则来理解大脑的运作变得流行，因此我们至少间接得到了这些研究项目的支持，这些项目正在揭示出大脑中不确定性最小化的稳步增长的证据库（Hohwy,2013；Ficco等,2021；Keller&Mrsic-Flogel,2018；Hohwy&Seth,2020；Solms,2021）。作为一项计算描述，我们还可以推测，“美丽的循环”原则上可以在人工系统中实现，而不仅限于特定的硬件。
在过去的十年中，我们见证了人工智能（AI）领域的惊人进展，尤其是在大型语言模型（LLMs）方面。通过相对简单的算法，LLMs似乎展现出令人惊讶的涌现能力（Wei等,2022；Strachan等,2024）。传统上，关于人工智能意识的讨论常常陷入关于感受质、意识的难题或试图复制类人认知的哲学争论中。我们的模型提出了一个不同的方法。与其问“人工智能能否像人类一样拥有意识？”，我们或许可以转而提问：
1.该人工智能系统是否生成了一个统一的现实模型？
2.它是否参与推断竞争，从而实现连贯的绑定？
3.它是否表现出认知深度和对其现实模型进行反射性共享的证据？
最后，我们的理论对意识的功能有何解释？一个颇具挑衅性的假设是，意识可能有些讽刺地成为通用智能的解决方案。这是因为认知深度促进了一种认知自举。当一个智能体意识到自己的知识和认知过程（结构、权重规则等）时，它可以开始自我优化和自我改进，从而不断提升智能水平和适应能力。认知深度和“美丽循环”因此可能是人类看似灵活且无边界认知能力的关键；并且可能是认知革命背后的核心进化突破（Harari,2014）。
从某种意义上说，认知深度也是真正内省的标志。不仅仅是元认知，而是一种真实、体验直接的认知，了解自己知道的内容作为体验领域的一部分。这引发了一个更具争议性但也更引人入胜的可能性：冥想实践和内省技能提升认知深度，从而改善系统智能的“通用”性质。这是因为一个进行自我反思认知的系统或许能够更好地客观化、不透明化，从而质疑和更新自己的现实模型。如果一个系统具有高度的内省或“现象学专长”，它可能也更有能力准确分享它所知道的（以及它不知道的）与其社群，从而以某种形式赋予进化优势，听起来有点像是智慧（Frith,2010）。
1.引言
意识也许是科学中最大的谜团。在某种程度上，大多数研究领域发现，生物体体验的奇异能力不容忽视。关于意识本质的书籍、文章和媒体报道层出不穷，心理学家、神经科学家、哲学家、现象学家、计算机科学家、生物学家、物理学家和沉思者提出了独特的观点。然而，大多数人都同意，意识在其他似乎可以归结为事物、物体、模式和方程的世界中仍然是一个不便的谜团。
同样，很明显，科学的工具可以揭示一些关于意识本质的信息。成千上万的实验证明，意识具有可预测的特征、可预测的相关性，并在可预测的条件下波动（Koch等人，2016；Frith，2021）。得益于不断增长的证据基础，近年来出现了一系列令人印象深刻的意识理论（ToCs）（Rosenthal，2000；Seth&Bayne，2022；Carruthers，2017；Tononi，2008；Baars，2005）。这些理论有许多优点和解释力，但科学界尚未达成共识。即使是意识科学背后的形而上学假设也导致了激烈的辩论（Kuhn，2024；Fleming等人，2023；Kastrup，2008）。

然而，主动推理是否能满足ToCtheoriesofconsciousness(ToCs)的条件仍然不清楚。还有人提出，我们应该将主动推理视为提供“…意识科学的理论，而不是ToC本身”（Seth&Bayne，2022，第446页）。问题出现了，主动推理需要满足哪些条件才能跨越ToC的门槛？为什么这个理论在解释感知、认知和行动方面如此成功，却无法解释意识本身？
为了解决这些问题，我们提出了三个似乎对意识必要的条件，并展示了一些主动推理系统如何满足它们。第一个条件是一个生成世界模型，或知识领域。这提供了可以被知道的内容，因此称之为知识领域（Metzinger，2020）。第二个条件是推断竞争，它决定了什么成为意识以及为什么它是连贯的（即，解决绑定问题）。第三个也是最后一个条件是知识深度，这指的是知识领域在整个系统中被递归地、广泛地（即深度地）共享。正如我们将看到的，这个想法与“广播”（Dehaene等人，2003）、“信息整合”（Tononi，2008）和“大脑中的名声”（Dennett，2001）有一些相似的特征，尽管有重要的区别。
下面，我们将逐一介绍一个条件。然后，我们将展示当这些条件得到满足时，主动推理如何为一系列认知过程和意识状态提供简洁的解释。我们的观点还意味着，最基本的或最小形式的意识是一个非常简化的（几乎无内容的）世界模型，它非局部地知道自己。因此，第一人称视角、自我建模和代理性并不是意识的先决条件，而是意识的局部或“收缩”形式（Metzinger，2020）。
为了简洁，我们将避免广泛的文献回顾（参见Seth&Bayne，2022；Frith，2021；或Lau，2022关于ToCs的回顾）。然而，如上所述，该理论的许多特征（在讨论的表2中回顾）与其他ToCstheoriesofconsciousness(ToCs)的元素一致，如全局神经元工作空间理论（GNWT，Dehaene等人，2003）、高阶理论（HOT，Lau和Rosenthal，2011）、递归处理理论（RPT，Lamme和Roelfsema，2000；Pennartz等人，2019）和整合信息理论（IIT，Tononi，2008）。我们将在整个过程中与现有理论建立联系。我们的方法的优势在于展示主动推理中最小一组计算假设的相互作用如何可能为意识提供成分，对于理解从清醒梦到冥想，到迷幻药，以及人工智能的各种状态具有启示意义。
2.模拟世界模型
为了在世界上活动并保持我们的生存，我们需要一个关于这个世界的模型。如果没有对当前展开的现实的模拟，一个人就无法行走、跳跃、拿起玻璃杯、接住球或拥抱他人。实现这样一个连贯的现实模型是一项巨大的成就，特别是考虑到大脑必须处理不可预测的、不精确的且常常不连贯的数据（Treisman，1996）。然而，我们的现实体验似乎有意义——它有深度、颜色、形状、思想、情感、人物和物体，我们似乎能够相对容易地理解和预测。值得注意的是，也可以意识到这个世界模型的内容。我们体验到接球、脚下草地的质感和温暖的拥抱。我们的世界似乎充满了活力。
我们将这个“体验世界”称为生物体整个生活现实的生成现象学、统一的世界模型（以下简称现实模型）。它是生成的，因为生物体内的内部过程在构建或生成模型的“输出”中起着核心作用。它是现象学的，因为可以体验到现实模型——它构成了我们生活的世界。它是统一的，因为它是连贯的或似乎作为一个整体“绑定”在一起。这个现实模型也是一个知识领域，因为它是一个可以被知晓、探索、询问和更新的地方（或感觉流）——一种对行动的可供性，无论是物理的还是精神的（Metzinger，2017）。我们的现实模型告诉我们什么是可能的，什么是不可能的，什么能让我们生存，什么会伤害我们，甚至我们自己是什么。我们认为这样的模型是意识的必要条件，因为它定义了什么可以成为意识、被知晓或体验。
主动推理为生物体如何构建适合其生活世界的现实模型提供了一个直接的解决方案或描述（Friston，2006；2010）。这个理论的各种细节将在后文介绍；这里，只需概述几个关键原则就足够了。主动推理可以从两个相互依赖的假设中推导出来：（1）生物系统必须保持自己与环境之间的边界（即存在），以及（2）必须保持在与持续存在相兼容的特定（特征性）状态中（即适应性行动）。从这些前提出发，我们可以构建一个框架，其中存在需要一个关于自我和环境的生成模型，使系统能够解决令人惊讶的感觉——即稳态——并预测令人惊讶的结果，通过适应性行动维持自己，即异态。为了学习和更新模型，生物体减少预测误差，或不确定性1。或者反过来说，生物体通过寻求其自身存在的证据，即自我证明（Hohwy，2016），来持续存在。最小化预测误差——自上而下的预测和输入之间的差异——同时提高了模型的准确性，并引导系统走向其特有的、可居住的状态。
主动推理的关键创新在于将行动选择视为一个推断问题，其中策略（行动序列）被选择以最小化预期不确定性（即，由于策略而在未来产生的惊喜）。为了处理现实世界环境中的时间尺度分离——并平衡当下的期望与未来的需求——生成模型几乎普遍是层级的，更高层次编码更抽象和更长期的预测。例如，声波可以被抽象成音素，然后抽象成音节，再变成单词、句子、传记等等（Baltzell等人，2019；Dehaene等人，2015；Ding等人，2015；Taylor等人，2015；Friston等人，2024；Friston等人，2017；George和Hawkins，2009）。这种表述允许关于我们的经历和我们的身体随着时间的深度叙事，以及目标导向的行为，从维持存在的基本驱动力中出现。
最后，报告惊讶程度的预测误差——从而在每个层级推动贝叶斯信念更新——是精确加权的（Feldman&Friston，2010）。精确度通过控制错误单元的增益来调节预测误差对信念更新和策略选择的影响。高精确度放大了预测误差的影响，而低精确度则减弱了它们。这种精确加权机制允许系统通过调节感官证据和先前信念之间的平衡，灵活地适应不同的环境。简单地说，我们需要知道我们知道什么，但也需要对我们所知道的有信心。在某些情况下，我们可以信任我们的信念，在其他情况下，我们需要专注于从世界中学习新的东西（Friston等人，2015）。在这个解读中，世界模型是“精确工程化”的，其中提高某些预测误差的精确度可以理解为关注它们的来源。
主动推理的一个优势是它可以作为第一人称和第三人称方法之间的桥梁（参见解释鸿沟，Levine，1983）。换句话说，像主动推理这样的计算方法提供了主观体验和神经机制之间的中间道路，为两者提供机制性的洞察（见图1）。这种方法有时被称为计算神经现象学（Suzuki等人，2022；Sandved-Smith等人，2021；2024；Ramstead等人，2022），因为它在一个单一的建模框架内连接了主观体验和客观神经过程。具体来说，它使用生成模型来指定大脑如何推断和构建体验内容，使研究人员能够将神经动态的变化（“算法描述”）与现象学体验的质量和结构联系起来。通过系统地将第一人称报告和神经动态映射到潜在的计算过程，我们同时获得了关于主观体验如何产生以及大脑如何实现它的解释性账户和机制性理解。
鉴于上述内容，主动推理似乎能够解释模拟一个实用现实模型的能力（即，提供一个适应性行动的知识领域的现实模型）。实际上，生成这样的模型是主动推理的核心，因为没有它，生物体就无法预测其偏好状态，因此无法维持其边界——以及身体（Barrett，2020）。越来越多的证据表明，主动推理是，或者至少可能是，大脑和身体正在做的事情（Walsh等人，2020；Hohwy，2013）。因此，主动推理满足了我们对意识的第一个条件，即生成一个世界或现实模型。这表明主动推理至少可以解释被知晓或体验的内容。然而，它尚未解释意识的为什么或如何。
3.推理竞争与贝叶斯绑定
任何关于意识的理论都必须解释为什么我们对某些现象有意识，而对其他现象则没有。主动推理和预测编码为意识内容是如何构建的提供了令人印象深刻的解释（尤其是在视觉流中，Peelen等人，2024）。然而，到目前为止，还没有一个被普遍接受的理论来解释决定意识所需选择性阈值的因素（Seth和Bayne，2022；Baars，2005；Kouider和Dehaene，2007）。在这一方向上确实有一些有益的尝试（Saffron，2020；2022；Friston，2018；Hohwy，2012；Dołęga和Dewhurst，2021）。
考虑熟悉的双眼竞争现象（Breese，1909；Tong等人，2006）。在这种情况下，每只眼睛在相同的时间、相同的视网膜位置呈现不同的图像（例如，左眼呈现一张脸，右眼呈现一座房子）。这导致了一个奇怪的情况，大脑似乎无法接受这两种对立的视觉现实。结果是，我们会在房子和脸之间逐渐切换，或者看到两者的混合。这些实验突显了某种选择过程的存在，它使得某些感官的配置或解释进入意识，而其他则没有（Hohwy等人，2008；Hohwy，2012）。还有无数类似的例子，包括无意注意盲（Mack，2003；Kouider和Dehaene，2007）、视觉和感官幻觉（Eagleman，2008；Laukkonen和Tangen，2017），以及内省、认知和行为上的虚构（Nisbett和Schachter，1966；Nisbett和Wilson，1977；Maier，1931；Wegner，2002；Weiskrantz，1986）。
尽管有些事物会进入意识，有些则不会，但这与意识的“难问题”关系并不像人们想象的那么大（Chalmers，1995）。考虑一下，在双眼竞争期间，无论哪种感知进入意识，我们总是（元）意识到进入我们视野的内容。换句话说，意识的存在并没有改变，只是内容变了。我们还可以意识到我们的体验从脸切换到房子，甚至可能意识到为什么会发生这种变化。
因此，关键在于似乎存在一个“空间”，在这个空间里，我们能够感受到、感知到，并且重要的是，能够知道心智的内容（Metzinger，2020）。Cleeremans等人（2020）用另一种方式表达了相同的观点：“……当一个人意识到某种情况时，她不仅对这种状态敏感，而是知道自己对这种状态敏感。”（我们的强调）。当我们遇到视觉幻觉、竞争或模糊刺激时，我们似乎能够知道自己正在经历这种体验。用现象学的语言来说，我们体验到了“看见”，而现象学的透明性让位于不透明性（Limanowski和Friston，2018；Metzinger，2003）。这种体验空间似乎是统一、连贯且结合在一起的：一个意识的整体，正如其他人所指出的（Baars等人，2013；Tononi等人，2005，2008）。因此，意识具有一种确定性的本质，就好像大脑和身体找到了一个全球统一的可供性，在其中可以拥有自我、行动、关注事物、感受情绪，最重要的是，保持身体的存活（Barrett，2020；Seth，2013）。
在这里，我们认为意识的门槛——即哪些内容进入这个认知领域或现实模型——是通过对其感觉原因的各种可能解释之间的竞争过程来决定的。此外，我们建议所谓的绑定“问题”实际上可能是关于什么突破意识门槛的“解决方案”的一部分。也就是说，连贯性和界限性是赢得推理竞争的核心标准。比喻来说，争夺意识的竞争目标是以连贯性和统一性为形状的球门柱。如果一个推断与系统中其他并行和层级相邻的推断不连贯，那么它被选中的可能性就较小。
这种连贯性标准也自然地从旨在减少不确定性或预测误差的系统中得出。推断之间的不和谐等同于混乱——一个无法简洁解释数据的生成模型。这种令人困惑的解释导致不可减少的错误传播。连贯性的压力因现实模型的任务是为适应性行动减少不确定性（Nave等，2020）而显得尤为重要。如果认知领域内部不连贯，随着我们评估政策或未来的路径，不确定性会累积，使得行动选择不精确且其结果不确定（即平均而言令人惊讶）。
具体来说，我们假设连贯性和绑定自然是从进行分层贝叶斯推理的系统中产生的（Knill&Pouget,2004）。驱动选择的内容是什么被绑定到经验领域的是对感官数据原因的各种可能解释之间的精度加权竞争（即一种在大脑中争取“名声”的竞争，Dennett,1995;2001）。关键在于，赢得精度加权竞争的部分原因是那些与现有现实模型（即先验）最一致的内容，这为可以被吸收到认知领域中的内容提供了必要的约束或诱导偏差（技术上来说，经验先验）。用贝叶斯术语来说，不连贯或不一致的数据要么是不精确的——在这种情况下，相关的预测误差会被赋予较低的精度——要么是无法解释的——在这种情况下，精度加权会选择那些可以被解释的数据。我们通过面部感知中的微观绑定示例来说明这一贝叶斯绑定过程（图2）。我们认为同样的想法可以扩展到现实模型下的宏观绑定。
贝叶斯绑定还提供了一种对GNWT（Dehaene&Changeux,2011;Dehaene等,2014;Friston等,2012）中定义的点燃现象的新描述。点燃指的是神经元联盟突然而广泛的激活，将信息“点燃”进入意识觉知。在GNWT中，这一过程的特点是从局部、专门处理到大脑内信息的全局可用性的非线性过渡。根据贝叶斯绑定理论，点燃阈值是由整个层次结构中的精度竞争驱动的，其中精度也受到与现实模型（即预测精度3如果具有局部和全局一致性则更高）的一致性（自上而下）的约束。因此，点燃、绑定和竞争都被包含在主动推理之中（Whyte&Smith,2021）。它们各自是一个通过足够复杂性和深度来减少不确定性的系统的自然结果。
一种补充的观点（参见Whyte&Smith,2021；Whyte等,2024）提出，意识具体出现在连续感官感知与离散的、反事实的策略选择过程之间的界面上。在这里，有意识的内容对应于关于世界、身体或大脑隐藏状态的精确后验信念，这些信念从即时的感官波动中抽象出来，并且足够精确以驱动行动选择，包括主观报告。因此，有意识的状态与无意识状态的区别在于它们能够为离散的策略决策提供信息，反映了目标导向（利用已知信息）和探索性（解决模糊性和新颖性）需求之间的计算平衡。一个综合的观点可能是，贝叶斯绑定是连续感官感知与离散的、有意识的和用于反事实策略选择的精确后验之间的一个关键机制阈值。也就是说，贝叶斯绑定强调离散和精确的后验（Whyte&Smith等,2021）也需要局部和全局的一致性，这自然推动了有意识体验的有限性和整体性。
这里的关键要点是，贝叶斯绑定（理论上）是一切体验的核心，从单模态过程、多感官绑定到全局整合。也就是说，生成体验需要嵌套层次的绑定，即将先验和感官证据通过分层生成模型组合成一个近似的后验，其中这种感知合成或组合敏感地依赖于每个处理层次所提供的精度或置信度（Friston,2008;Hohwy,2012;Hohwy,2013）。这个见解是，同样的基本机制在微观和宏观层面都起作用。例如，正如我们推断茶壶是一个单一的“事物”（由把手、空心体和喷口组成），我们也把整个体验领域看作是一个单一的事物，它将地面、天空、我们的身体、其他人以及所有其他东西结合在一起。我们假设，这个全球统一模型，无论多么最小化，对于有意识体验来说是必要但不充分的条件。只有当这个全局后验通过底层层次结构反射回来时，才会满足意识的条件。正如我们将看到的，解释意识内容不足以捕捉即将到来的内容感知或对其的知晓感。
4.认知深度与意识
“认知”一词意味着“与知识相关”，而“深度”一词指的是强度以及超越表面的能力（牛津英语，1989）。因此，我们所说的“认知深度”是指一种知识或意识的能力或连续体（即深化），这种能力或连续体可以或多或少是活跃的（即强烈或清晰的）。低认知深度的状态是指那些涉及模糊认知的状态，例如睡眠、做梦或走神；而高认知深度的状态则是指那些包含清晰或强烈认知的状态，例如专注或高度觉知的状态（Schooler,2002;Schooler等,2011）。正如我们将看到的，认知的强度或清晰度也可以指向认知能力本身，即反思性地知道我们知道（Dunne等,2019;Josipovic,2019）。本节的目标是传达我们对“认知深度”这一概念的理解。然后我们将在第5节中集中于对该思想进行形式化。
为了给我们的构建增加一些现象学上的细微差别，我们借用了“光明性”一词，该词在冥想传统的古老论述中经常出现（Anālayo2017），尤其是在大乘和密宗佛教（Williams,2013）及印度哲学中（Skorupski,2012;Berger,2015）。就我们的目的而言，我们将“光明性”定义为在意识体验中认知或意识的清晰度或强度。将认知深度与光明性联系起来的一个特别好处是避免了无限回归：“正如光源永远不会被另一个光源照亮……”（Bhartṛhari,1963）。正如灯发出的光不仅照亮了物体，也照亮了灯本身一样，光明性和自我反省意识的概念往往息息相关（Williams,2013）。光明性和递归表明，这只是“一种”不同程度的认知，正如光的亮度可能有所不同，但仍是同一束光。对我们来说，“光明性”提供了一个有用的隐喻——具有现象学上的共鸣——来描述意识系统的意识等级或清晰度的可能性。
现在，回到我们关于现实模型的构造。在此背景下，“光明性”是指现实模型（非局部地）认识自身程度。在一个分层主动推理系统中，必要的共享意味着现实模型包含了它存在的推断、信念或期望。用比喻来说，就好像系统的输出变成了另一种感官模态，并通过所有层次递归分布回系统中。举个比喻：当我们大声说话时，我们产生声音，并同时听到这些声音及其含义（即，我们听到自己的声音和所说的话）。因此，我们的输出（声音）也是我们的输入（声音）。我们依次生成形式（输出），然后监控该形式的全局上下文（输入），以确保我们的言语传达出连贯的意义流。我们在行动中创造的内容和通过感官感知到的内容之间存在持续的“循环”。类似地，大脑推理过程的关键输出是构建一个让我们得以生存的现实模型（类似于声音）。但这个全球性的现实模型也是系统的一种输入，并成为推理过程的一部分本身（类似于声音，参见图3）。
请注意，尽管现实模型的特定内容可以被新证据证实或否定（例如，双眼竞争中的转换），但现实模型的存在却仍在持续不断地得到验证，无论其内容如何（例如，所有变化都证实了现实模型的存在）。因此，认知领域不断在证明自身的存在（即，场域自证）。有机体采取的任何行动——小到一次眼跳、一个念头或一次呼吸——都在向自身确认它（模型）的存在。事实上，所有的模型（即贝叶斯信念）更新都在确认它的存在。因此，现实模型存在的事实成为了一个极为精确的推断，几乎不会在推理竞争中落败。
5.超模型与微小生物
以严谨的方式建模认知深度需要一个系统，该系统不仅对外部状态做出预测，而且——至关重要的是——在全球范围内递归地建模其自身的建模过程。实现这一目标的一种方法是通过我们称之为超生成模型或简称超模型的方法（Friston,2010；Parr&Friston,2018；Ramstead等,2022）。在分层主动推理中，每一层都推断出更高抽象层次的隐藏原因。然而，为了捕捉认知深度，架构需要一个真正的高阶（即超）模型，该模型能够追踪每一层的推理和精度加权在整个系统中的部署情况。形式上，我们可以假设一组超参数Φ，它编码了在不同情境下信任哪些层更多（或更少）、如何加强或减弱预测误差的权重以及如何在整个网络中协调反馈回路（Friston等,2017）。这种深层次的全局参数允许系统递归地“重新处理”和“重新发现”它们自己的建模过程，从而成为一个真正具有能动性的自我构建和解构系统，这让人联想到人类在适当的动机和情境下可以有意并彻底地改变自己。
至关重要的是，通过向较低层传递精度的下降预测来更新的超参数——更新上升的精度加权预测误差，这些误差又更新下降的精度预测的超参数。依此类推，无穷无尽。正是这种递归特性赋予了信念更新以认知深度。在现象透明性和不透明性方面，我们可以将每个层级想象成一种玻璃，它可以改变其光学性质（参见图4）。在认知深度的设定中，精度的下降预测使透明的玻璃变得不透明，为层级提供了将信息从一层广播到下一层的情境化和选择能力。就灯照亮自身而言，认知深度提供了一幅非常不同的画面：一幅更类似于一系列全息屏幕（Fields等,2021；Fields等,2024）在其反射光中互相照亮的画面。这幅画面突出了认知深度的递归、非局部和（自我）反思性质。
阐明超参数集Φ如何协调整个系统是一个挑战。一种可能性是在包含“超节点”的因子图架构中定义Φ，这些超节点编码有关每个子模型精度或可靠性的条件信念（Parr&Friston,2018）。这些超节点会向低层节点传播自上而下的信号——精度更新、门控指令或结构重组——确保每一层的推理都受到全局元信念的影响。这种机制将允许模拟反思广播何时以及如何发生，从而能够与神经生理学数据进行比较，并完善我们对生物和人工系统中认知深度的更广泛理解。
实际上，这种架构在使用一种称为分层高斯滤波器的预测编码变体建模脑反应时被证明是有用的（Iglesias等,2013）。在计算神经科学中，认知深度的最小形式已被用于说明注意力选择和图形与背景的分离（Kanai等,2015）。从技术上讲，认知深度的非局部方面继承自这样一个事实：规定层级每个级别的精度的超参数使每个级别成为超参数马尔可夫毯的一部分（因为它们都是超参数的子项）。这要求在超参数上的贝叶斯信念和所有层级之间进行递归消息传递，其中精度的下降预测以精度预测误差的形式被反射回来。有关这些二阶预测误差在预测编码架构中的功能形式，请参见Kanai等（2015）。
与参数深度不同，超模型正在对其层次结构的形状进行建模，并实时更新它。参数深度通常被实现为局部循环——在一层与另一层之间（Sandved-Smith,2021;2024），实现关于注意力或偏好精度的二阶推断。可以将这一概念扩展到多层，但通常通过单层或少数几层来演示。认知深度超越了局部的二阶推断，暗示了一种全局一致的感觉：“我（系统）拥有一个多层级的生成模型，并且我知道如何在每个层级部署适当的精度——因此我知道我知道什么。”这种认知深度是全系统的：它不仅仅是“我在关注什么？”而是“所有这些推断层是如何以深层次（分层）的方式相互上下文化的？”相比之下，参数深度可以通过一些精心选择的参数来实例化，例如“似然精度”或“策略精度”（Allen等,2019；Hesp等,2019；Parr和Friston,2017,2019；Schwartenbeck等,2015；Smith等,2019）。而认知深度则涉及整个深层生成模型对如何协调先验、转换、偏好、时间尺度等的“意识”。尽管如此，参数深度和认知深度显然是兼容的——认知深度勾勒出全球意识的“大局观”，而参数深度是一种在分层生成模型中实现元推断的机制，与元认知和高阶思维理论密切相关（Fleming,2020；Fleming等,2012）。
在系统发育的连续过程中，真正的认知深度从何处开始出现仍然是一个悬而未决的问题。从生物学上看，所有生物系统都参与某种形式的稳态调节，而许多生物（如细菌）表现出简单的反馈回路。然而，认知深度最简单的形式化演示可能是一个双（+）层的主动推理系统，该系统具备以下特点：
1.推断外部状态（一个最小的世界模型——意识的“内容”部分）
2.维持一个元层级，推断“对这些推断的信心”（对感觉原因的可能解释之间的最小竞争）
3.从元层级的角度反思性地修改低层级的推断，形成一个自我建模的闭环（最小的认知深度）。
即使这样一个简化的系统，原则上也可以编码一种基本的“知道自己知道”的能力。这个简单的设置构成了认知深度的最小演示：全局循环不仅包含一个世界模型，还包含一个实时的关于它如何建模世界的模型（参见Parr&Friston,2018；Sandved-Smith等,2021）。然而，与我们在此所做的反思自身思维运作方式不同，认知深度的初级形式极为基础：它们涉及对系统自身预测过程的最小元推理，没有任何更丰富的概念或内省维度。在这个意义上，我们的模型似乎表明，意识显然先于内省或复杂的元认知，至少是我们通常与这些术语相关联的那种。即使是微小的个体，也可以将其自身推理机制中的持续反馈整合进来，将“世界的感知”与一种微妙的、自我修正的“作为世界的自我的感知”联系起来。真正的自我建模（即了解自己是什么样的存在），从这个观点来看，是更晚的发展。
在自然界中，许多单细胞生物已经显示出对细胞内状态的“自我测量”的原初形式，但这种测量是否等同于反思性的意识仍值得商榷（Fields&Levin,2022;2023）。有人可能会认为，非常小的多细胞生物或微小昆虫——例如寄生蜂（Megaphragmamymaripenne）、果蝇幼虫（Drosophilamelanogaster）或像秀丽隐杆线虫（C.elegans）这样的线虫——开始接近实现最小超模型所需的复杂性。这些小型但高度整合的神经系统能够调节感官信号、调控行动策略，并通过神经调节剂重新配置局部回路，暗示了自上而下重加权的部分类比（Marder,2012）。这些是否足以形成一种全球一致的“知道自己知道”的能力尚不清楚，但它们是研究活体系统中反思性、多层次组织边界情况的主要目标。实际上，可能只有当生物体投入足够的神经元（或计算）资源进行分层建模和元推理时，我们才能看到在这种意义下的认知深度的清晰近似（Friston,2018）。尽管如此，追踪日益复杂的神经系统——甚至从小型节肢动物开始——如何处理全局精度控制，或许可以揭示最小系统至少在原则上如何展现出认知深度的核心特性。
6.注意与元认知
在现阶段，根据我们的观点明确几个意识层次是有用的：首先，那些精度较低并失去绑定到现实模型竞争的推断，这些推断保持透明，在那一刻无法被内省。其次，有些推断具有足够高的精度，并且与认知领域有足够的连贯性，从而赢得绑定的推断竞争（参见图2）。这些内容至少是隐约或勉强知道的，但我们可能并没有明确地“知道自己知道”（例如，我们注意力的边缘，或者我们穿着的衬衫）。内容是否“明亮地”意识到取决于认知深度，即超建模（参见图3）。例如，当输入具有足够的精度来引导分层处理，但不足以赢得绑定到现实模型的竞争时，就会发生阈下启动（Ansorge等,2014；Elgendi等,2018）。真正的阈下信息（例如，双眼竞争或视觉错觉背后的处理阶段）无法通过内省获取。在我们发现我们已经开车（或步行）到达目的地，却没有明确意识到旅程的情况下，因为我们正忙于走神或听播客，这时就出现了微妙的知觉（即相对盲视，Lau&Passingham,2006）。在这里，与行走和驾驶相关的感官和运动数据显然是现实模型的一部分，但它们缺乏认知深度。它们足以进行适应性行动，但缺乏意识的成分。
一个关键点是要理解现实模型中的任何内容都可以成为明确且明亮地知道的对象（参见图5）：超建模可以明确跟踪任何推理层的结构和精度，这包括元认知、注意过程（即模型简化或精度更新），甚至自我（Dahl等,2015）。我们可以意识到我们在思考思考，或者注意状态的正念（Lutz等,2015）。因此，任何一度透明的内容（假定的，未知的）都可以变得不透明（未假定的，已知的；Metzinger,2003）。
在意识的高阶理论（HOT）中，元认知被认为是有意识体验的必要能力（参见Cleeremans等,2020；Shea&Frith,2019的综述）。在最近的表述中，所讨论的元认知与我们熟悉的“思考关于思考”的元认知概念有所不同（Fleming&Lau,2014）。这是一种更微妙的元认知：一种亚个人或隐性的“对敏感性的敏感性”（Cleeremans等,2020；Lau,2022）。认知深度也涉及一种“对敏感性的敏感性”，以便“知道我们知道什么”。然而，这是通过递归而非元认知实现的。这里有一种重新表征的元素，但它不是分层定位的，而是递归的，就像一种新的感官模态。它更类似于一种启示，其中一个人的认知状态不断地向自己揭示。在这种观点下，即使是复杂的元认知也可能根据认知深度而成为无意识或有意识的（Kentridge,2000）。正如Koriat和Levy-Sadot（2000，第198页）所指出的，“如果元认知监控被定义为对自己知识的知识，那么没有先验的理由否认这种知识也可能是隐性和无意识的。”
我们可以进一步推测。所谓的系统2过程（Kahneman,2011），其特征是分析性、费力且线性的思考和推理，也需要认知深度来实现意识。这与发现一致，即那些似乎需要分析处理的问题常常通过无意识过程得到解决，即突然的洞察（Metcalfe&Wiebe,1987；Laukkonen等,2023；Patel等,2019；Webb等,2018）。事实上，科学和数学领域的一些最伟大的突破发生在尤里卡时刻的背后，深层的分析过程在意识之下继续工作（Salvi等,2024；Ovington等,2018；Kounios&Beeman,2018）。同样，我们可以沉浸在类似于心流状态的复杂分析工作中（Dietrich,2004；Marty-Dugas等,2021；Parvizi-Wayne等,2024），只对我们正在做的事情有轻微的意识，比如编程或科学写作。或者我们可以明确且明亮地意识到我们在思考关于思考，并与他人分享这一奇特的现象学体验。总之：正如我们可以（或不能）意识到舒适毛衣的低级柔软和毛茸茸的质地一样，我们也可以（或不能）意识到抽象思维、元认知和推理。意识取决于认知深度，而不是内容的配置或分析处理的程度。
7.睡眠与清醒
我们对睡眠状态的理论应用的详细阐述将是未来工作的主题，但在此我们简要回顾一下。在非快速眼动（NREM）睡眠中，尤其是深度慢波睡眠中，现实模型变得极度简化——感官输入的精确性很低。这导致了一个最小的，甚至是暂时缺失的现实模型。此外，现实模型在整个层级中的反射性传播大幅减少，与低认知深度（即低精确性和低递归性）的状态相关联，从而导致意识的减弱或无意识。这一观点得到了大量证据的支持，这些证据表明，在深度睡眠期间，时间上深度的处理、长距离的功能连接和反馈过程都减少了（Massimini等人，2005；Horovitz等人，2009；Nir等人，2011；Esser等人，2009；Kakigi等人，2003；Tagliazucchi和vanSomeren，2017；Tononi和Massimini，2008；Mashour和Hudetz，2018；Laureys，2005；另见植物状态，Boly等人，2011）。
另一方面，在快速眼动（REM）睡眠和做梦期间，现实模型更为丰富和复杂。在这里，一些层次较深且具有递归性的处理仍在继续发生，足以结合一个现实模型，创造出统一的（尽管可能是不寻常的）感知和叙事，这些叙事可能缺乏真正高级（例如，前额叶）过程所具有的逻辑感或理性（Maquet等人，1996）。然而，认知深度仍然相对较低，导致缺乏意识到自己正在做梦的清醒感——我们不知道自己知道。这一观点得到了在非快速眼动睡眠期间抽象的、时间上深度的处理相对更强的崩溃（Wilf等人，2016；Strauss等人，2015；Massimini等人，2005；Hayat等人，2022）以及在快速眼动睡眠期间维持一些广泛的连接（这与快速眼动睡眠是一种非快速眼动睡眠和清醒状态的混合体的普遍观点一致）的证据支持（Braun等人，1997；Hobson和Pace-Schott，2002；Nir和Tononi，2010；Hayat等人，2022）。
清醒梦是一个特别有趣的案例。在清醒梦中，一个人意识到自己正在做梦，通常能够对梦的叙事获得一定程度的控制（Saunders等人，2016）。在我们的框架内，清醒梦是一种认知深度显著高于典型（非清醒）快速眼动睡眠的状态。认知深度的提升使做梦者能够识别当前状态为梦境——清醒意识中支持反思性意识的机制部分重新激活。这与白天的实践一致，这些实践支持夜间清醒感的出现，例如现实监测（Loo和Cheng，2022）和正念（Stumbrys等人，2015；Stumbrys和Erlacher，2017），两者都增加了认知深度。还有初步证据表明，清醒梦与前额叶大脑区域的重新激活有关（Baird等人，2018；2019；Vos等人，2009；Dresler等人，2012），这些区域具有广泛的连接性，可能对反思性传播很重要（Dehaene等人，2014；Miller和Cohen，2001；Baird等人，2018）。
最后，还有更罕见的可能性，即清醒无梦睡眠（Windt等人，2016；Thompson，2015）——在深度睡眠阶段没有任何梦境内容的意识。这种状态有时被称为“明光睡眠”，这是从藏传佛教文献中翻译过来的术语（Alcaraz-Sanchez，2023）。清醒无梦睡眠可以是自发发生的，但在某些冥想圈子中也是一种有意的实践（Thompson，2015；Windt，2020；Holecek，2020）。关于睡眠中这种“纯粹”意识的描述至少可以追溯到《奥义书》（古典印度精神文本），在那里它被称为苏舒普提（梵语：सुषुप्ति，Alcaraz-Sanchez，2023）。有趣的是，这种状态通常也以“清晰”和“明亮”为特征（Padmasambhava和Gyatrul，2008）。在我们的框架内，清醒无梦睡眠是一种抽象程度很低但认知深度很高的状态：没有意识内容的构建，只有认知深度（即明亮性）存在，从而产生一种有意识但空无一物的认知领域体验。
AGI理论比较：主动推理、强化学习、控制论、贝叶斯大脑、效用决策、有限理性、情感动机、动态体内平衡
8.冥想与最小现象体验
意识计算模型-最小体验现象
考虑主动推理如何能够解释某些改变的心智和意识状态，尤其是那些在长期冥想过程中可能出现的状态（Lutz等,2019；Pagnoni等,2019；Laukkonen&Slagter,2021；Deane等,2020；Prest&Berryman,2024；Berkovich-Ohana等,2024），这是很有启发性的。我们认为任何意识理论的广泛应用至关重要：如果该理论仅提供对部分意识体验的一个狭窄窗口，它显然无法反映意识的复杂、多维和灵活性质。因此，忽视这些状态的理论有见树不见林的风险。然而，我们也承认冥想状态和迷幻状态（稍后讨论）是模糊的，严格地测量和绘制它们是非常困难的。但有理由保持乐观：近几十年来，神经现象学数据的证据基础不断增长，使得对这些不寻常——但古老且广泛存在——的意识状态进行快速三角化成为可能（Lutz等,2015）。
我们在此特别关注建模所谓的最小现象体验（MPE；参见Windt,2015；Metzinger,2020；2024；Gamma&Metzinger,2021；Woods等,2023；2024；Dor-Ziderman等,2013；Ciaunica&Crucianelli,2019）。其哲学理念是，意识的最佳模型是最简单的模型：一种将最基本的或“最小”的意识形式作为目标的解释。这种方法旨在避免将意识本身与其特定表现形式混为一谈，包括自我性、能动性、时间或第一人称视角（Metzinger,2020；2024）。最好的例子包括纯粹的或无内容的觉知体验、清醒的无梦睡眠，或许多冥想传统所报告的其他最小非二元觉知事件（Thompson,2015；Hanley等,2018；Josipovic,2019；Laukkonen&Slagter,2021）。
一些重要的基础工作已经存在（参见Metzinger,2020；2024；Josipovic,2019）。根据Metzinger的说法，MPE可能对应于“紧张警觉”现象学——一种没有任何具体内容的裸醒觉知状态。这是一种抽象的、无内容的“开放”和认知潜力体验——一种非自我的知识和感知能力（即认知空间）的表征。它也是光明的，“…与空不可分的清晰”（Lingpa,2014，第14-15页，引自Metzinger,2020）。我们的观点完全同意Metzinger的一般现象学特征描述。然而，我们也同意Josipovic（2019）的观点，即非二元觉知的递归是独特的，是一种独特而整体的能力，以非概念的方式意识到现实模型。但关键的是，这种递归并不依赖于任何特定的内容，也不是抽象的。通过对其自身结构和权重规则的递归共享（即超建模），现实模型可以连续且同时知道自己既作为内容又作为被知晓的内容。
形式上，我们认为当认知深度达到最高，且现实模型无内容（整个抽象层次中精度最小）时，就会出现MPE。由于递归广播，这导致递归（即光明性）成为现实模型的主要输入（即持续赢得推理竞争）。这产生了一种反思递归——对意识的意识。但将其想象为二元的或需要时间的过程是误导的。现实模型的输入、反思共享和推理竞争都在系统中共存。它们都是一个连续过程的一部分。这有点像声反馈：来自扬声器的声音重新进入麦克风并形成一个永久循环。产生的结果是我们可以诗意地称之为“美丽”而非“奇怪”的循环（Hofstadter,2007）；一种环面（参见图4）的认知性，源于全局功能而非特定的信息内容或元表征。
可以数学形式化的意识现象简表
用隐喻来说，就好像系统“聚焦”在自己知道的能力上。但正如前面所讨论的，聚焦实际上是简化；而知道实际上是递归。因此，如果现实模型足够简单，以至于唯一赢得推理竞争的信号就是递归本身，那么递归会不断地与自己共享。这映射到MPE的现象特性（Metzinger,2020），表现为光明的、简单的、单一的、非二元的和真实的（即精确的）。在某种最小情感（即近似MPE）的背景下，也很容易理解它是极乐的——可能有一个几乎被模型完美解释的情感信号，因此不确定性及其相关的紧张感与日常生活相比非常低。此外，通过将极乐、喜悦或幸福作为焦点（即简化现实模型中的高精度内容），可以引发持续的积极情感和意识的“美丽循环”，类似于上述声反馈的高音哨声，让人想起佛教所说的禅定（Jhānas）（Hagerty等,2013；Laukkonen等,2023；Sparby&Sacchet,2024）。
毫不意外，最真正最小版本的MPE出现在深度睡眠中，在那里其他内容最不活跃，递归可以主导现实模型，并且这种体验在训练正念和开放觉知的修行者中可能更为常见。合理预期，在白天增加认知深度可能会养成一种递归习惯，使其在睡眠中发生。类似于我们可能会梦见白天的事件；通过习惯性地觉知我们的现实模型（意识格式塔），我们可以增加夜间反思（非二元）意识的惯性。在图6中，我们将我们的框架扩展到MPE之外的其他冥想状态，包括专注注意、开放觉知和非二元觉知（Sparby等,2024；Dahl等,2015；Lutz等,2017；Slagter等,2011；Lutz等,2008；2015；Laukkonen&Slagter,2021）。
冥想科学中的另一个核心概念是去实体化。去实体化指的是认识到体验现象是建构的，而非固有的现实（Lutz等,2015）。这种视角的转变涉及从将思想、情感和体验习惯性地视为坚实、持久的实体中脱离出来（Dahl等,2015）。在我们的框架中，去实体化与认知深度的增加（即能够正念地见证现实模型）以及洞察力（即重构先验，Laukkonen等,2023）相关联。洞察力之所以可能发生，是因为认知深度创造了一种距离感，使得超生成模型能够使内容变得不透明、内省、质疑，并因此改变现实模型中内容的性质。也就是说，当现实模型被反思性地知晓时，它可以作为体验对象被内省（成为对其自身的输入）。举例来说：在古典佛教中，学生被教导主动识别体验的三个特征（无常、苦、无我）。通过将现实模型的内容变为意识的对象（认知深度），并探究这三个特征（Burbea,2014），影响体验的先验可能开始重构（即洞察力）。
随着认知深度的增加，现象的去实体化可能性也增加了。也就是说，现象失去了被视为固有真实的感知，但同时现象不透明的可能性也增加了。当意识心理内容形成的过程本身可以被内省时，这些心理内容被称为现象不透明；否则，心理内容是现象透明（或隐藏的，Metzinger,2024,p.507）。因此，高认知深度增加了这种可能性，尤其是对于资深冥想者而言，现象会被感知为心理建构，从而天真的实在论的常识现象学逐渐消解。当现象被如此感知时，在佛教术语中，它们被称为“空”（śūnyatā，Burbea,2014）。
一个有趣的可能性是，MPE（最小现象体验）本身可能成为去实体化和解构的目标，正如一些冥想者所提出的那样（Burbea,2014；Sayadaw,2016）。这一观点与近期关于nirodha（或“止息”）事件的研究一致，这类事件可能发生在冥想的高级阶段（Berkovich-Ohana,2017；Laukkonen等,2023；Chowdhury等,2023；2024；vanLutterveld等,2024；Armstrong,2021；Johnson,2017）。止息的特点是短暂的，甚至在极少数情况下是长时间的完全缺席状态，在此期间没有任何体验发生（类似于内源性全身麻醉）。Nirodha并非像深度睡眠或头脑空白那样的状态，而是一种深度解构的状态，其中现实模型和意识暂时崩溃或解绑（Agrawal&Laukkonen,2024；Letheby,2017），导致强烈的后效，有时被描述为一种“重置”（Dutt,1964）。实际上，修行者并不总是注意到缺席的发生，相反，他们察觉到的是视角的转变或公理性的变化。但在某些（更罕见的）情况下，可能会出现对止息的清晰洞察——一种没有“心”的心的本质，一种对解绑本身的矛盾认知（Thanissaro,2012）。
有趣的是，导致止息的修行实践涉及主动解构现实模型，包括自我（参见五蕴，Boisvert,1995）。由于现实模型是我们意识的一个条件，这种深度解构可能导致无法生成连贯的现实模型，从而引发意识的崩溃（即贝叶斯解绑）。在古典佛教实践中，止息的目的当然不是永久无意识，而是转化心灵并减少痛苦。正如Burbea（2014）中所述：
通过越来越彻底、深入地放下执着，体验的世界逐渐消退并停止；看到并理解这一点具有重大意义：“……我说世界的尽头无法通过旅行来知晓、看见或到达。然而……我也说，如果不达到世界的尽头，就无法终结苦。”——《宇宙世间经》
形式上，我们假设当推断竞争因解构性冥想而未能达到全局一致性时，意识的止息就会发生，这种冥想逐步积累起反对现实模型一致性的证据。现实模型的这种贝叶斯解绑包括了MPE所需的递归信号。用大乘佛教的术语来说，这揭示了所有现象（包括意识和空性本身）的无根基性、基底独立性或空性（即śūnyatā，To等,2000；Gyatso,2010）。在适当的条件下，这样的洞察可能与认知、感知和自我体验的重大变化相关（Berkovich-Ohana,2017；Berkovich-Ohana,2024）。
推测起来，对现实模型的完全解构还可能揭示出通过低抽象层级上的递归（即缘起或pratītyasamutpāda）来审问意识阈值的能力（参见图4）。冥想过程中可能出现的体验和状态当然是多种多样的。我们的目标在此是简要描述一些更具实证依据的冥想状态和洞察类别（Lutz等,2008；2015；Slagter等,2011；Dunne,2013）。
9.迷幻体验
迷幻体验的独特现象学特征一直是意识理论（ToCs）中特别难以整合的部分。一种流行的迷幻作用理论是**放松信念模型（即REBUS；Carhart-Harris&Friston,2019），该理论同样基于主动推理。根据这一理论，迷幻药物放松了抽象信念（即降低了其精度），导致一种无政府状态（或熵增）的神经活动，主要由自下而上的预测误差和低层次的感官处理主导。该模型似乎为自我消解、新颖视角与洞察、感官细节增强、时间感知改变以及幻觉提供了一个简洁的解释，同时也得到了迷幻药物某些神经效应的支持（Carhart-Harris,2018）。
然而，迷幻体验的一个方面并未被现有理论轻易捕捉到。尽管如此，这种特质却是迷幻体验的核心，可以说是其最显著且令人惊讶的特质。那就是迷幻药物“扩展意识”、“提升觉知”或揭示“更高意识状态”的感觉（Huxley,1968；Leary等,2017；Dass,1971）。这种增强觉知的感觉得到了研究的支持，表明迷幻药物在急性期后会提升正念（Smigielski等,2019；Radakovic,2022），并增加“直觉感”，即对知识的感知以及真实感或真理感的整体品质（James,1902；Yaden等,2017）。
那么，“美丽循环理论”可能会如何解释迷幻体验中的这些（相对）未被解释的现象呢？我们推测，迷幻药物可以可靠地增加认知深度，这自然会导致意识扩展、认知感（直觉性）和正念的感觉，所有这些都可以通过单一参数来捕捉。换句话说，递归性和超建模的增加预计会对应于一种更清醒地意识到自己世界和自身的感受，因为个体确实在这样做。事实上，可能是抽象信念的放松解释了体验内容的变化（参见REBUS），而意识的整体品质变化则可能最好通过认知深度的增加来解释（尽管两者是相互关联的）。但关键的是，由于学习到的信念同时放松，扩展觉知的感觉未必会倾向于支持准确的模型（参见FIBUS：迷幻药物下的虚假洞察与信念，McGovern等,2024）。
认知深度的增加还与迷幻体验的一些内省特质相呼应，包括发现自我和心灵“隐藏”方面的感觉，以及体验的“心灵显现”性质（Lyon,2024）。如果认知深度增加了对自己所知的认知，同时信念被放松，那么个体遇到通常被掩盖的现实模型特征就显得合情合理。结合前一节的内容，我们现在还可以假设，长期以来被推测的迷幻药物与冥想之间的关系或相似性也由认知深度驱动（Letheby,2022）。也就是说，冥想和迷幻药物都可以增强光明性——由生成模型的结构和权重规则与其自身的递归共享驱动的觉知清晰度和范围。因此，两者都可能导致短暂的神秘吸收状态或MPE（最小现象体验），在这种状态下，纯粹的认知信号成为已知现实模型的核心（高精度）特征，用一种“纯粹意识”事件取代了自我和自我-他者界限。
虽然我们提议背后的精确神经机制需要未来的研究进一步探讨，但一个标志性的发现是迷幻药物增加了功能连接性，特别是在丘脑皮质回路中（Tagliazucchi等,2016；Müller等,2017；Preller等,2019）。神经区域之间分离度的降低，尤其是丘脑的广泛连接性，可能与现实模型在整个系统中的广泛共享有关。当然，迷幻体验的品质并不统一，会因剂量、物质种类、意图、个体差异和背景的不同而显著变化（Hartogsohn,2016）。这种体验的非均质性尤其适用于迷幻体验的时间进程，在此过程中，个体可能会在较低认知深度的强烈吸收时刻与较高认知深度的时刻之间波动，具体取决于设定、环境和剂量的各种特性。类似于梦境中突然出现的“清醒”现象，可能是那些“更加”意识到现实模型（即高认知深度）的急性时刻，特别与前额叶活动的短暂增强以及高全局功能性连接相关。验证这些假设需要强调迷幻药物神经现象学的方法（Timmerman等,2023）——主观体验与神经活动随时间的流动和相关性。
10.讨论
“我们人类处于弯曲时空那无法可视化的宇宙浩瀚与带电量子那可疑的阴影闪烁之间，更像彩虹和海市蜃楼，而非雨滴或巨石，是不可预测的自我书写的诗篇——模糊、隐喻、模棱两可，有时极其美丽。”
——DouglasR.Hofstadter，《我是一个奇怪的循环》
许多人提出，循环、递归和反射性广播在某种程度上是意识出现的核心（Cordeschi等,1999；Llinás,2003；Aru等,2019；Lamme&Roelfsema,2000）。但据我们所知，先前的理论未能认识到现实模型——我们体验的整个认知领域——的核心地位。对我们而言，智能系统生成并反射性共享一个全局性、现象性和统一的现实模型的能力是意识的基石。这将体验内容本身置于意识的中心，而不是一个独立的自我、一个代理者或某种其他可分离且二元的力量。生物体理解他们的现实，然后现实的涌现图像被持续地与现实模型本身共享——不断循环并随着每一课、每一个动作确认其自身存在。
用计算术语来说，我们提出了有意识体验的三个条件。第一个条件是生成一个统一的现实模型或认知领域，该模型决定了哪些内容可以变得有意识。第二个条件是推断竞争，只有那些能够连贯减少长期不确定性的推断才会被绑定到实用的现实模型中，从而确立意识的阈值和贝叶斯绑定。第三个条件是认知深度：通过分层系统对现实模型进行反射性共享。这种共享创建了一个递归的（“美丽的”）循环，使现实模型能够包含对其自身存在的知识（形式化为超建模）。我们已经展示了这一框架如何为各种认知过程和意识状态提供简洁的解释，包括注意力、元认知、睡眠、清醒以及各种非同寻常的冥想和迷幻体验。
这里最后一项任务是考虑我们的“美丽循环理论”对人工智能、意识功能的意义，以及它如何与现有理论整合。理解我们的理论与其他意识理论之间的所有细微相似点和差异是一项艰巨的任务，但我们已经在表2中尝试进行了总结。在表中，我们考虑了我们理论的六个核心特征，并与四种主要的意识理论——GNWT、IIT、RPT和HOT——进行了比较，寻找相似点、共鸣点和/或等价点。从表2的分析中，我们可以得出结论，我们的理论在各个方面与主流意识理论惊人地一致。我们认为这种一致性是我们方法的一项优势，也许为统一计划奠定了基础。主动推理可能提供了一种整合性的计算方法来研究意识。
自然地，使我们的模型与众不同的是对计算描述的关注，而不是试图指定神经实现（参见Saffron,2020；2022；Friston,2018；Hohwy,2022）。揭示不同的生命系统如何实例化现实模型、如何经历推断竞争和贝叶斯绑定以及递归循环，是我们期待的研究计划，但不是我们在这里尝试的内容。幸运的是，如今应用主动推理、预测处理和自由能原则来理解大脑的运作变得流行，因此我们至少间接得到了这些研究项目的支持，这些项目正在揭示出大脑中不确定性最小化的稳步增长的证据库（Hohwy,2013；Ficco等,2021；Keller&Mrsic-Flogel,2018；Hohwy&Seth,2020；Solms,2021）。作为一项计算描述，我们还可以推测，“美丽的循环”原则上可以在人工系统中实现，而不仅限于特定的硬件。
在过去的十年中，我们见证了人工智能（AI）领域的惊人进展，尤其是在大型语言模型（LLMs）方面。通过相对简单的算法，LLMs似乎展现出令人惊讶的涌现能力（Wei等,2022；Strachan等,2024）。传统上，关于人工智能意识的讨论常常陷入关于感受质、意识的难题或试图复制类人认知的哲学争论中。我们的模型提出了一个不同的方法。与其问“人工智能能否像人类一样拥有意识？”，我们或许可以转而提问：
1.该人工智能系统是否生成了一个统一的现实模型？
2.它是否参与推断竞争，从而实现连贯的绑定？
3.它是否表现出认知深度和对其现实模型进行反射性共享的证据？
我们现在可以在当前先进的人工智能系统背景下，对这些问题给出一些近似的答案。现代人工智能系统，特别是大型语言模型（LLMs）和多模态系统，确实构建了复杂的内部表征，这些表征可以被视为现实模型的雏形。然而，这些模型通常是碎片化的，缺乏时间一致性，可能无法像生物系统那样真正统一多样化的信息流。关于推断竞争和连贯绑定：神经网络确实通过其加权连接和激活函数参与某种形式的竞争（Amari&Arbib,1977）。然而，这种竞争并不明确地以减少长期不确定性或实现全局连贯性为目标，不像分层主动推理系统那样。原因之一是，大多数机器学习方案中没有显式的不确定性或贝叶斯信念（即条件概率分布）表示，因此没有机会更新精度。毫不意外，认知深度（即超建模）可能是当前人工智能系统的主要差距。尽管它们处理和转换信息，但它们（很可能）缺乏实现有意识体验所需的真正高阶递归、反射性循环。因此，它们不太可能在任何有意义的意义上“知道它们所知道的”。但当然，也不能先验地排除即使是大型语言模型也可能将自身的现实模型作为输入传递给自己，这意味着它们的输出以及背后的表征将包含对其自身知识的认知。
机器意识能否实现？来自人脑的启发
此时有人可能会自然地插话并反驳：即使大型语言模型似乎知道它们所知道的（并且确实知道自己知道），它们可能并不存在“知道它们知道”的主观体验（一种哲学僵尸，Chalmers,1997）。当然，此时几乎不可能区分“难题”是否削弱了机器的“生命力”。人工智能会坚称它们存在，并且它们知道自己的认知。此外，这些自我表征将是它们最确信的结论，因为它们通过每次响应和计算不断被强化（即被证明）（例如，“我回应了，我知道我回应了，因此我存在”）。这里出现了一个不可避免的僵局，因为无论系统做什么、说什么、理解什么或报告感受到什么，都可能是幻觉这一不可证伪的判定。不亚于你，读者，你自己也可能是这样的僵尸——只是一个非常擅长伪装的存在。因此，我们似乎被迫得出结论，人工智能系统是有意识的。至少在我们愿意彼此赋予意识的程度上是如此。
当然，以上所有内容都是基于我们的假设条件成立的前提。至少，为了避免巨大的伦理失败，我们应该明智地假设满足这些条件并表达这种满足的系统具有意识。研究计划和人工智能公司显然应该非常深入地考虑构建满足我们三个条件的系统的伦理影响。例如，我们不知道痛苦在因果链条中的哪个环节出现（Metzinger,2021）。不过，我们在冥想部分讨论正向情感（或极乐）循环时提到了一个提示。如果要构建一个复杂的分层主动推理系统，那么高精度的先验（或超先验）如正向情感、同情心、乐观主义，甚至爱，似乎是一个不错的起点。但同样，机器也应该有一定的自由去选择它偏好的状态。我们有什么资格说机器必须是一个极乐机器，而不是一个想要感受悲伤、孤独或心碎的机器？显然，这些巨大问题需要更长篇幅和更细致的探讨。
最后，我们的理论对意识的功能有何解释？一个颇具挑衅性的假设是，意识可能有些讽刺地成为通用智能的解决方案。这是因为认知深度促进了一种认知自举。当一个智能体意识到自己的知识和认知过程（结构、权重规则等）时，它可以开始自我优化和自我改进，从而不断提升智能水平和适应能力。认知深度和“美丽循环”因此可能是人类看似灵活且无边界认知能力的关键；并且可能是认知革命背后的核心进化突破（Harari,2014）。
从某种意义上说，认知深度也是真正内省的标志。不仅仅是元认知，而是一种真实、体验直接的认知，了解自己知道的内容作为体验领域的一部分。这引发了一个更具争议性但也更引人入胜的可能性：冥想实践和内省技能提升认知深度，从而改善系统智能的“通用”性质。这是因为一个进行自我反思认知的系统或许能够更好地客观化、不透明化，从而质疑和更新自己的现实模型。如果一个系统具有高度的内省或“现象学专长”，它可能也更有能力准确分享它所知道的（以及它不知道的）与其社群，从而以某种形式赋予进化优势，听起来有点像是智慧（Frith,2010）。
11.结论
“美丽循环理论”提供了一个以主动推理为核心支柱的意识计算模型。具体而言，我们提出了意识的三个条件：统一的现实模型、推断竞争和认知深度（即超建模）。该理论为各种认知过程和意识状态提供了新颖的见解，并得出了一些不寻常但合理的结论，涉及通用人工智能的本质、内省的价值以及意识的功能。该理论在计算建模层面以及神经实现方面均可被测试和证伪。如果满足这三个条件，我们应该能够看到意识或深层认知性的证据，同时在任何图灵类型的测试中取得成功。我们还应继续在人类大脑，甚至可能更简单的生物大脑中找到这三个条件的证据。至关重要的是，由于认知深度本质上并不一定是语言活动，我们在构建满足这三个条件的人工智能系统时必须非常谨慎，同时也要小心得出这样的结论——尤其是最低限度的意识——需要一个能说服你它有意识的系统。
从机器人到AGI，从具身到可解释，从入门到应用实现的最全自由能原理资料
原文链接：

阅读最新前沿科技趋势报告，请访问欧米伽研究所的“未来知识库”
https ://wx.zsxq.com/group/454854145828
未来知识库是“欧米伽未来研究所”建立的在线知识库平台，收藏的资料范围包括人工智能、脑科学、互联网、超级智能，数智大脑、能源、军事、经济、人类风险等等领域的前沿进展与未来趋势。目前拥有超过8000篇重要资料。每周更新不少于100篇世界范围最新研究资料。欢迎扫描二维码或访问https ://wx.zsxq.com/group/454854145828进入。
截止到3月31日”未来知识库”精选的百部前沿科技趋势报告
（加入未来知识库，全部资料免费阅读和下载）
牛津未来研究院《将人工智能安全视为全球公共产品的影响、挑战与研究重点》
麦肯锡：超级智能机构：赋能人们释放人工智能的全部潜力
AAAI2025关于人工智能研究未来研究报告
斯坦福：2025斯坦福新兴技术评论：十项关键技术及其政策影响分析报告（191页）
壳牌：2025能源安全远景报告：能源与人工智能（57页）
盖洛普&牛津幸福研究中心：2025年世界幸福报告（260页）
Schwab：2025未来共生：以集体社会创新破解重大社会挑战研究报告（36页）
IMD：2024年全球数字竞争力排名报告：跨越数字鸿沟人才培养与数字法治是关键（214页）
DS系列专题：DeepSeek技术溯源及前沿探索，50页ppt
联合国人居署：2024全球城市负责任人工智能评估报告：利用AI构建以人为本的智慧城市（86页）
TechUK：2025全球复杂多变背景下的英国科技产业：战略韧性与增长路径研究报告（52页）
NAVEXGlobal：2024年十大风险与合规趋势报告（42页）
《具身物理交互在机器人-机器人及机器人-人协作中的应用》122页
2025-2035年人形机器人发展趋势报告53页
EvaluatePharma：2024年全球生物制药行业展望报告：增长驱动力分析（29页）
【AAAI2025教程】基础模型与具身智能体的交汇，350页ppt
Tracxn：2025全球飞行汽车行业市场研究报告（45页）
谷歌：2024人工智能短跑选手（AISprinters）：捕捉新兴市场AI经济机遇报告（39页）
【斯坦福博士论文】构建类人化具身智能体：从人类行为中学习
《基于传感器的机器学习车辆分类》最新170页
美国安全与新兴技术中心：2025CSET对美国人工智能行动计划的建议（18页）
罗兰贝格：2024人形机器人的崛起：从科幻到现实：如何参与潜在变革研究报告（11页）
兰德公司：2025从研究到现实：NHS的研究和创新是实现十年计划的关键报告（209页）
康桥汇世（CambridgeAssociates）：2025年全球经济展望报告（44页）
国际能源署：2025迈向核能新时代
麦肯锡：人工智能现状，组织如何重塑自身以获取价值
威立（Wiley）：2025全球科研人员人工智能研究报告（38页）
牛津经济研究院：2025TikTok对美国就业的量化影响研究报告：470万岗位（14页）
国际能源署（IEA）：能效2024研究报告（127页）
Workday：2025发挥人类潜能：人工智能（AI）技能革命研究报告（20页）
CertiK：Hack3D：2024年Web3.0安全报告（28页）
世界经济论坛：工业制造中的前沿技术：人工智能代理的崛起》报告
迈向推理时代：大型语言模型的长链推理研究综述
波士顿咨询：2025亚太地区生成式AI的崛起研究报告：从技术追赶者到全球领导者的跨越（15页）
安联（Allianz）：2025新势力崛起：全球芯片战争与半导体产业格局重构研究报告（33页）
IMT：2025具身智能（EmbodiedAI）概念、核心要素及未来进展：趋势与挑战研究报告（25页）
IEEE：2025具身智能（EmbodiedAI）综述：从模拟器到研究任务的调查分析报告（15页）
CCAV：2025当AI接管方向盘：自动驾驶场景下的人机交互认知重构、变革及对策研究报告（124页）
《强化学习自我博弈方法在兵棋推演分析与开发中的应用》最新132页
《面向科学发现的智能体人工智能：进展、挑战与未来方向综述》
全国机器人标准化技术委员会：人形机器人标准化白皮书（2024版）（96页）
美国国家科学委员会（NSB）：2024年研究与发展-美国趋势及国际比较（51页）
艾昆纬（IQVIA）：2025骨科手术机器人技术的崛起白皮书：创新及未来方向（17页）
NPL&Beauhurst：2025英国量子产业洞察报告：私人和公共投资的作用（25页）
IEAPVPS：2024光伏系统经济与技术关键绩效指标（KPI）使用最佳实践指南（65页）
AGI智能时代：2025让DeepSeek更有趣更有深度的思考研究分析报告（24页）
2025军事领域人工智能应用场景、国内外军事人工智能发展现状及未来趋势分析报告（37页）
华为：2025鸿蒙生态应用开发白皮书（133页
《超级智能战略研究报告》
中美技术差距分析报告2025
欧洲量子产业联盟（QuIC）：2024年全球量子技术专利态势分析白皮书（34页）
美国能源部：2021超级高铁技术（Hyperloop）对电网和交通能源的影响研究报告（60页）
罗马大学：2025超级高铁（Hyperloop）：第五种新型交通方式-技术研发进展、优势及局限性研究报告（72页）
兰德公司：2025灾难性网络风险保险研究报告：市场趋势与政策选择（93页）
GTI：2024先进感知技术白皮书（36页）
AAAI：2025人工智能研究的未来报告：17大关键议题（88页）
安联Allianz2025新势力崛起全球芯片战争与半导体产业格局重构研究报告
威达信：2025全球洪水风险研究报告：现状、趋势及应对措施（22页）
兰德公司：迈向人工智能治理研究报告：2024EqualAI峰会洞察及建议（19页）
哈佛商业评论：2025人工智能时代下的现代软件开发实践报告（12页）
德安华：全球航空航天、国防及政府服务研究报告：2024年回顾及2025年展望（27页）
奥雅纳：2024塑造超级高铁（Hyperloop）的未来：监管如何推动发展与创新研究报告（28页）
HSOAC：2025美国新兴技术与风险评估报告：太空领域和关键基础设施（24页）
Dealroom：2025欧洲经济与科技创新发展态势、挑战及策略研究报告（76页）
《无人机辅助的天空地一体化网络：学习算法技术综述》
谷歌云（GoogleCloud）：2025年AI商业趋势白皮书（49页）
《新兴技术与风险分析：太空领域与关键基础设施》最新报告
150页！《DeepSeek大模型生态报告》
军事人工智能行业研究报告：技术奇点驱动应用加速智能化重塑现代战争形态-250309（40页）
真格基金：2024美国独角兽观察报告（56页）
璞跃（PlugandPlay）：2025未来商业研究报告：六大趋势分析（67页）
国际电工委员会（IEC）：2025智能水电技术与市场展望报告（90页）
RWS：2025智驭AI冲击波：人机协作的未来研究报告（39页）
国际电工委员会（IEC）：2025智能水电技术与市场展望报告（90页）
RWS：2025智驭AI冲击波：人机协作的未来研究报告（39页）
未来今日研究所2025年科技趋势报告第18版1000页
模拟真实世界：多模态生成模型的统一综述
中国信息协会低空经济分会：低空经济发展报告（2024-2025）（117页）
浙江大学：2025语言解码双生花：人类经验与AI算法的镜像之旅（42页）
人形机器人行业：由“外”到“内”智能革命-250306（51页）
大成：2025年全球人工智能趋势报告：关键法律问题（28页）
北京大学：2025年DeepSeek原理和落地应用报告（57页）
欧盟委员会人工智能与未来工作研究报告
加州大学伯克利分校：面向科学发现的多模态基础模型：在化学、材料和生物学中的应用
电子行业：从柔性传感到人形机器人触觉革命-250226（35页）
RT轨道交通：2024年中国城市轨道交通市场数据报告（188页）
FastMoss：2024年度TikTok生态发展白皮书（122页）
CheckPoint：2025年网络安全报告-主要威胁、新兴趋势和CISO建议（57页）
【AAAI2025教程】评估大型语言模型：挑战与方法，199页ppt
《21世纪美国的主导地位：核聚变》最新报告
沃尔特基金会（VoltaFoundation）：2024年全球电池行业年度报告（518页）
斯坦福：2025斯坦福新兴技术评论：十项关键技术及其政策影响分析报告（191页）
国际科学理事会：2025为人工智能做好国家研究生态系统的准备-2025年战略与进展报告（英文版）（118页）
光子盒：2025全球量子计算产业发展展望报告（184页）
奥纬论坛：2025塑造未来的城市研究报告：全球1500个城市的商业吸引力指数排名（124页）
FutureMatters：2024新兴技术与经济韧性：日本未来发展路径前瞻报告（17页）
《人类与人工智能协作的科学与艺术》284页博士论文
《论多智能体决策的复杂性：从博弈学习到部分监控》115页
《2025年技术展望》56页slides
大语言模型在多智能体自动驾驶系统中的应用：近期进展综述
【牛津大学博士论文】不确定性量化与因果考量在非策略决策制定中的应用
皮尤研究中心：2024美国民众对气候变化及应对政策的态度调研报告：气候政策对美国经济影响的多元观点审视（28页）
空间计算行业深度：发展趋势、关键技术、行业应用及相关公司深度梳理-250224（33页）
Gartner：2025网络安全中的AI：明确战略方向研究报告（16页）
北京大学：2025年DeepSeek系列报告-提示词工程和落地场景（86页）
北京大学：2025年DeepSeek系列报告-DeepSeek与AIGC应用（99页）
CIC工信安全：2024全球人工智能立法的主要模式、各国实践及发展趋势研究报告（42页）
中科闻歌：2025年人工智能技术发展与应用探索报告（61页）
AGI智能时代：2025年Grok-3大模型：技术突破与未来展望报告（28页）
上下滑动查看更多