arXiv cs.AI· Haochen Li, Xinshuai Guo, Jingdong Ouyang, Wei Zhang, Leilei Shi·· 12 小时前AI 评分18
基于脑纠缠神经元与自然智能模拟的AGI新框架：用概率波模型检验LCA假说
Adaptive Entangled Neurons in the Brain and Natural Intelligence Simulations for Artificial General Intelligence
AI 导读
研究者提出广义概率波框架，用非局域多体波方程建模自适应交互智能体，间接检验Liu-Chen-Ao（LCA）纠缠神经纤维假说。对中国股市日内数据的分析显示，自适应纠缠博弈模式可解释82%-94%的决策模式，仅2%-12%的行为随新闻事件快速调整，真正独立行为不足5%。作者据此提出将ANN与概率波纠缠脑模拟结合的人脑式处理单元（HPU），面向具身智能与机器人。
正文 · AI 翻译
摘要：理解大脑的机制在神经科学中至关重要，尤其对于模拟自然智能和推进通用人工智能（AGI）而言。Liu 等人（2024）和 Deco 等人（2025）提出，量子纠缠可能是数百万神经元同步的基础，并引入了纠缠神经纤维的 Liu-Chen-Ao（LCA）假说。然而，直接检验这一想法仍然具有挑战性。在此，我们采用非局域多体波方程，引入一个广义概率波框架，以对自适应、相互作用的智能体、粒子或神经元之间的集体行为进行建模。这种方法能够给出可检验的本征模式，通过观察集体交易行为中的模式，为检验 LCA 假说提供了一种间接手段。这些模式植根于行为心理学，被认为反映了大脑内部的决策过程及其潜在机制。我们对中国股市日内数据的分析表明，自适应纠缠博弈模式解释了 82%-94% 的决策模式，这与假设独立理性智能体的新古典金融学预测形成鲜明对比。此外，2%-12% 的行为会适应新闻、事件和环境变化，其特征是快速的均衡转移，而真正独立的行为占比不足 5%。这些结果从经验上支持了 LCA 假说，并凸显了模拟大脑机制、为 AGI 生成自适应纠缠模块的必要性。它们还揭示了依赖海量不透明参数的传统人工神经网络（ANN）的缺陷。通过将基于 ANN 的人工智能与基于概率波的纠缠大脑模拟相结合，机器学习能够创建类人处理单元（HPU）。此类 HPU 有望实现更高效、更稳健的 AGI，尤其是在具身智能和机器人领域。
| 评论： | 20 页，10 幅图，3 张表 |
| 主题： | 人工智能（cs.AI）；物理与社会（physics.soc-ph）；神经元与认知（q-bio.NC）；一般金融（q-fin.GN）；量子物理（quant-ph） |
| 引用为： | arXiv:2609.09226 [cs.AI] |
| （或 arXiv:2609.09226v2 [cs.AI] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2609.09226 由 DataCite 颁发的 arXiv DOI |
提交历史
来自：Leilei Shi [查看邮箱]
[v1]
2026 年 9 月 7 日星期一 09:44:12 UTC（701 KB）
[v2]
2026 年 10 月 21 日星期三 09:16:00 UTC（638 KB）
来源：arXiv cs.AI · arxiv.org