arXiv cs.AI· Byung Gyu Chae·· 11 小时前AI 评分31
超越片段式 AI：Cognitive Field Network 如何实现生物启发的持久认知
Beyond Episodic AI: Cognitive Field Networks for Biologically Inspired Persistent Cognition
AI 导读
研究者提出 Cognitive Field Network（CFN），一种带隐藏场重入的循环 Transformer 架构，让完整 token 级隐藏场重新进入下一计算周期，而非依赖显式记忆操作。
正文 · AI 翻译
摘要：认知场理论将认知描述为以记忆修饰的集体动力学，其中慢弛豫模式支撑着一个持续存在的认知场。通过扩展状态将非马尔可夫记忆动力学与离散循环状态演化联系起来，我们构建了认知场网络（CFN），一种具有隐场重入的循环 Transformer 架构，\( \Phi_{n+1} = F_\theta(X_{n+1},\Phi_n) \)。CFN 并不规定显式的记忆操作，而是允许完整的、按 token 解析的隐场重新进入下一个计算周期。我们发现，学习会将这一通路组织为承载持续、内容依赖的内部状态的功能通道，其时间持续性由循环训练视界系统性地控制。学到的动力学可泛化到该视界之外：语义延续无需显式重放答案即可维持循环状态，而缺乏支撑的状态则表现出有限的被动弛豫。周期性重新接触相关输入会更新存活的场，在延长的循环轨迹上产生近似平稳的非零状态。无关输入和关闭循环的对照实验无法复现这一行为，而近似改写的输入产生的更新较弱，揭示了持续性同时依赖于场重入和输入相关性。这些发现将记忆修饰的场形成、输入驱动的重组以及循环状态连续性统一在一个动力学框架内。因此，CFN 提供了一个实验可控的平台，用于研究无需单独规定记忆系统的持续、依赖历史的认知。
| 评论： | 42 页，13 幅图 |
| 主题： | 人工智能（cs.AI） |
| 引用为： | arXiv:2609.16752 [cs.AI] |
| （或 arXiv:2609.16752v3 [cs.AI] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2609.16752 由 DataCite 颁发的 arXiv DOI |
提交历史
来自：Byung Gyu Chae [查看邮箱]
[v1]
2026 年 9 月 15 日星期二 07:29:04 UTC（2,921 KB）
[v2]
2026 年 9 月 20 日星期日 22:24:52 UTC（3,023 KB）
[v3]
2026 年 10 月 20 日星期二 09:29:39 UTC（3,283 KB）
来源：arXiv cs.AI · arxiv.org