arXiv cs.AI· Simon Hegelich, Bardh Prenkaj, Habiba Sarhan, Morteza Shahrezaye, Kolja Hegelich, Erik Cambria, Christian Montag·· 11 小时前AI 评分18
Co-Recursive Semantic Self-Extension：开放-ended 智能的数学基础
Co-Recursive Semantic Self-Extension: A Mathematical Foundation for Open-Ended Intelligence
AI 导读
研究者提出“语义自我扩展”设计原则，主张智能不应只在既有语义内消解歧义，而要把未解决结构转化为新的意义空间。借助 Kolmogorov 复杂度，作者证明任何具有固定状态描述、转移机制和初始条件的架构都无法生成包含不可约算法信息的历史，有限智能体耦合也无法突破该界限。扩展需依赖保存语义内容与历史坐标的持久外部记忆，集体生成能力取决于迁移所需重叠与生成所需差异之间的平衡。
正文 · AI 翻译
摘要：人工智能已通过规模、数据和计算取得进展，但仍受限于其表征框架。我们追问是什么使智能具有开放性。每个推理系统都会选择有意义的区分，从而限制其可学习的内容。在固定目的内，性能会达到由其语义域设定的上限。目的论演替——即目的由更早的目的产生——面临类似的限制：布尔封闭的目的变换会穷尽其可达的语义领域。我们从目的转向推理系统。借鉴康德和哥德尔，我们将认知状态建模为形式语言上的部分求值。未解决的命题可能是未决的或不可判定的。推理可以解决前者，但无法解决后者，从而留下一个可供扩展的前沿。对不可判定命题的非平凡归约会暴露不可判定的中间前提，其反思性具体化支持多种决定性的扩展。有限轨迹引导的生成仍然容易出错，需要元层面的选择和多元语境探索。利用柯尔莫哥洛夫复杂度，我们证明：任何具有固定状态描述、转移机制和初始条件的架构，都无法生成包含不可约算法信息的历史。由于物理系统在此意义上是固定的，我们转而考察集体。耦合有限多个有限智能体并不能消除这一界限。扩展需要持久的外部记忆，以保存语义内容和历史坐标。集体的生成能力取决于在用于迁移的重叠与用于生成的差异之间取得平衡。我们提出语义自我扩展作为一项设计原则：智能不应仅仅在既有意义内解决歧义，而应将未解决的结构转化为新的意义空间，生成新的区分、问题、表征和目的。
| 主题： | 人工智能（cs.AI） |
| 引用为： | arXiv:2610.31097 [cs.AI] |
| （或 arXiv:2610.31097v2 [cs.AI] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2610.31097 由 DataCite 颁发的 arXiv DOI |
提交历史
来自：Bardh Prenkaj [查看电子邮件]
[v1]
2026年10月22日星期四 11:12:17 UTC（64 KB）
[v2]
2026年10月23日星期五 09:17:57 UTC（64 KB）
来源：arXiv cs.AI · arxiv.org