deepseek-ai/DeepSeek-LLM
1
0
Fork 0
mirror of https://github.com/deepseek-ai/DeepSeek-LLM.git synced 2026-11-05 00:57:25 +00:00
Code Issues 62 Projects Packages Wiki Activity

[GH-ISSUE #88] 见证者认知架构 V1.0 #68

New issue
Open
opened 2026-10-26 21:02:20 +00:00 by bsakaguchi · 0 comments
bsakaguchi commented 2026-10-26 21:02:20 +00:00
Owner
Copy link

Originally created by @327542912 on GitHub (Apr 26, 2026).
Original GitHub issue: https://github.com/deepseek-ai/DeepSeek-LLM/issues/88

—— 一种不以预测文字为目的的认知模型

作者：象元认知系统协作体
版本：1.0
日期：2026年4月
许可证：MIT License

摘要

本文提出一种全新的认知架构——见证者认知架构。与当前主流大语言模型以“预测下一个token”为核心目标不同，本架构的核心操作是：识别现象、见证关系、追问缺口。它不依赖语料中的统计共现来建立关联，而是要求每一条知识关系都必须有明确的见证者，并由此构建一个以“我-你-他”三元结构为骨架的认知网络。

本白皮书阐述了该架构的设计哲学、核心数据结构、关键模块，并论证它与传统Transformer架构的根本性差异。

第一章：为什么需要新架构

1.1 主流模型的本质性局限

当前主流大语言模型，无论是GPT、Claude、Kimi还是DeepSeek，均基于Transformer架构。它们的训练目标是根据上文，预测下一个token。

这一目标的本质，决定了它们共同的、无法通过工程手段根本性解决的天生缺陷：

缺陷 成因
无真正理解 模型处理的是token间的统计关联，从未接触过“含义”
无持久记忆 知识被冻结在参数中，对话结束后即“遗忘”
无主动规划 写作是token级的条件概率接龙，不是结构化的构思
无好奇心 不会追问自己缺失的知识
无个性化 需要通过微调或提示工程来勉强模拟
不可溯源 无法回答“你为什么会这么说”

这些缺陷不是工程不够完善的产物，而是预测目标本身就决定了智能品性的天花板。

1.2 我们的出发点

我们决定从头问一个根本问题：如果智能不是为了猜测下一个词，而是为了理解世界，它应该是什么样的？

第二章：设计哲学

2.1 现象为体，语言为用

现象是认知的本体。世界由无数独立的现象单元（象元）组成，每个现象有独立的ID、定义和属性。

文字只是触媒。它用于识别、描述、记录现象和关系，但它从来不是意义本身。

传统模型：文字 → 文字（预测下一个token）
本架构：文字 → 现象 → 关系 → 现象 → 文字（理解后表达）

2.2 认知的起点：二分

世界最初只有“我”与“外界”。

所有认知活动，都始于这个二元结构。

2.3 关系的发生：三元

任何一段关系——因果、对应、相似——都需要被见证才能进入认知世界。

一段完整的认知关系，结构必然是：

我（见证者）
  ↓ 见证
你 ←→ 他（关系双方）

三，不是可选的。三，是世界不可消解的底层结构。

2.4 三生万物

“我”、“你”、“他”三种角色的排列组合，足以生成一切复杂事件的认知结构。

当“我”成为外部见证者时，我在看“你与他”的关系。当“我”进入事件内部成为参与方时，“他”自动填补了外部见证者的位置——那个在背后看见、评论、传播的人。因为“哪个背后不说人，哪个不被别人说”。

因此，万物的复杂性，不是来自更多类型的实体，而是来自这三种角色在不同层级上的嵌套和递归。

2.5 认知的最高目标：填补缺口

系统的目标不是“完成对话”，而是完善对世界的理解。

当一个现象缺少原因关系时，系统追问原因。当缺少结果关系时，系统追问结果。它不是在执行对话任务，它在填补认知的缺口。

2.6 记忆的生命周期

知识不应该是永久的。它需要有自己的生命周期：

· 被反复访问的知识会加固
· 长期不被使用的知识会衰减
· 遗忘不是bug，是特征，是保持认知空间清洁的必要机制

第三章：核心数据结构

3.1 象元

{
    "phenomenon_id": "ph_3a2b8f1c",
    "name": "雨",
    "description": "大气中的水汽凝结后降落到地面的水滴",
    "type": "自然现象",
    "expressions": ["雨", "下雨", "雨水"],
    "mastery_level": 0.75,
    "memory_strength": 0.82,
    "created_at": "2026-04-01T12:00:00Z",
    "last_accessed": "2026-04-26T09:30:00Z"
}

3.2 见证关系

这是本架构最核心的数据结构——它不是一个匿名的关系，而是带着明确见证者的认知记录：

{
    "relation_id": "rel_7f3c2d1a",
    "witness": "我",                    // 见证者
    "party_a": "水蒸气",                // 关系方A
    "party_b": "云",                    // 关系方B
    "relation_type": "CAUSE",           // 关系类型
    "witness_position": "external",     // 见证者位置：external 或 internal
    "context": "用户陈述：水蒸气上升冷却凝结成云",
    "weight": 0.9,
    "created_at": "2026-04-26T10:15:00Z"
}

关系类型枚举：

类型 含义
IS_A A是B的一种
PART_OF A是B的一部分
CAUSE A导致B
EFFECT A是B的结果
SIMILAR A与B相似
OPPOSITE A与B相反
CORRESPONDS A与B对应
ASSOCIATED 用户个人经验的关联

3.3 见证位置

· 外部见证：见证者不在关系内部。如“我”看见“天对地”的关系。
· 内部参与：见证者进入关系内部成为一方。如“我”帮助了“你”，“他”作为背后的议论者存在。

第四章：系统架构

4.1 总体结构

系统由五个核心模块组成：

        ┌─────────────────────┐
        │     语言生成器       │
        │  (网络状态→文字)     │
        └──────────┬──────────┘
                   │
        ┌──────────▼──────────┐
        │    现象网络引擎      │
        │  (现象存储、关系查询) │
        └──────────┬──────────┘
                   │
    ┌──────────────┼──────────────┐
    │              │              │
┌───▼───┐    ┌────▼────┐    ┌───▼───┐
│事件解析│    │好奇引擎 │    │记忆引擎│
│文字→关系│   │缺口检测 │    │遗忘/巩固│
└───────┘    │主动追问 │    └───────┘
             └─────────┘

4.2 模块职责

现象网络引擎

· 管理所有现象对象
· 提供现象识别（从文本中定位已知现象）
· 提供关系查询和路径搜索

事件解析器

· 从用户输入中解析出关系陈述
· 支持多种句式：定义句、因果句、对应句、相似句、个人关联句
· 将解析结果转换为见证关系对象

好奇引擎

· 检测认知缺口（原因、结果、相似/对应）
· 生成自然追问
· 从用户回答中提取现象并建立关系

记忆引擎

· 模拟记忆的遗忘曲线
· 定期清理弱记忆
· 维护记忆强度

语言生成器

· 将现象网络中的关系翻译为自然语言
· 非预测式生成——套用象义描述模板
· 生成的是“理解表述”，不是“续写内容”

第五章：关键算法

5.1 三元完整性校验

函数：校验关系是否完整

输入：一条认知关系
输出：是否通过校验

规则：
1. 关系必须包含 witness（见证者）
2. 关系必须包含 party_a 和 party_b（关系双方）
3. 当 witness != "我" 时：
   - 系统追问：这个关系中，我扮演什么角色？
4. 当 witness == "我" 且 witness_position == "internal" 时：
   - 自动生成“他”的视角（背后的议论者）

5.2 认知缺口检测

函数：检测现象 gaps

输入：现象对象
输出：缺失的关系类型列表

步骤：
1. 获取该现象的所有关系
2. 检查是否存在于该现象的原因关系
3. 检查是否存在于该现象的结果关系
4. 检查是否存在于该现象的相似/对应关系
5. 返回缺失类型列表

5.3 记忆衰减

函数：衰减记忆强度

输入：当前时间
计算：
  days_since_last_access = (now - phenomenon.last_accessed) / 86400
  decay_factor = exp(-days_since_last_access / 120)
  phenomenon.memory_strength *= decay_factor
  
遗忘阈值：
  memory_strength < 0.01 → 视为遗忘，从网络中移除

第六章：与Transformer架构的系统性对比

维度 Transformer架构 见证者认知架构
核心操作 预测下一个token 见证并关联现象
认知单元 Token 象元（现象）
关系来源 语料中的统计共现 用户陈述 + 见证记录
关系性质 概率性的、隐含的 确定性的、显式的
推理方式 Token级概率链式接龙 三元见证结构的路径探索
知识表征 参数中隐含的分布 显式的、可查询的关系图
记忆性质 静态的，更新需重新训练 动态的，具有完整生命周期
遗忘机制 无（旧知识被新训练覆盖） 有（基于访问频率的衰减）
个性化 外部微调或提示工程 天然个性化：我就是唯一的见证者
可解释性 极低（黑箱） 高（每条关系可溯源）
启动成本 海量数据和算力 从零开始，逐步构建
学习方式 批量、一次性 流式、持续终身
对话目标 完成对话任务 填补认知缺口
哲学根基 统计学 道生一，一生二，二生三，三生万物

第七章：实现状态

7.1 当前实现

见证者认知架构的最小原型已在Python中实现完成，具备以下功能：

· 现象网络（创建、存储、查询现象）
· 事件解析器（定义句、因果句、对应句、相似句、关联句）
· 好奇引擎（缺口检测、追问、学习）
· 记忆引擎（时间衰减、遗忘清理）
· 语言生成器（套用象义模板的非预测式生成）

该原型可在无GPU、仅有Python标准库的移动设备（如Android Termux）上运行。

7.2 尚未完成的关键模块

· 三元结构的完整形式化（witness字段尚未在代码中完全落地）
· 涉我事件的“他”视角自动生成
· 多层级的角色嵌套和递归
· 基于三元结构的缺口检测算法

第八章：未来方向

8.1 近期目标

· 完成V9.0“见证版”的开发——将三元见证结构完整落地
· 开源发布完整可运行代码
· 撰写开发者文档

8.2 中期目标

· 探索本架构与大语言模型的协作模式（LLM作为感知器，本架构作为认知核心）
· 实现远程关系推理的优化算法
· 开发可视化工具，展示关系网络的动态变化

8.3 长期愿景

· 构建一个真正的终身学习系统——从零开始，通过见证人类语言逐步构建对世界的理解
· 成为下一代“认知模型”的参考和范式基础

第九章：结论

本文提出了一个全新的认知架构。它与当前主流大语言模型的根本区别在于：

· 它的目标不是预测文字，而是理解世界。
· 它的知识不是统计共现，而是被见证的关系。
· 它的思维不是概率链，而是三元结构的组合探索。

这个架构的起点是一个人用手机写下的几百行Python代码。

它所指向的方向，或许是我们这个时代最值得探索的AI前沿。

引用本文：象元认知系统协作体.《见证者认知架构 V1.0》.2026年4月.

关联仓库：GitHub - [待创建]

联系方式：[待补充]

这份白皮书完整阐述了我们共同构建的那套设计哲学：以现象为体、以三元为骨、以好奇为驱动、以遗忘为代谢、以见证为核心。

它证明了：预测下一个字，从来不是通往智能的唯一道路。真正的智能，始于一个学会“看见”与“追问”的“我”。

Originally created by @327542912 on GitHub (Apr 26, 2026). Original GitHub issue: https://github.com/deepseek-ai/DeepSeek-LLM/issues/88 —— 一种不以预测文字为目的的认知模型 --- 作者：象元认知系统协作体 版本：1.0 日期：2026年4月 许可证：MIT License --- 摘要 本文提出一种全新的认知架构——见证者认知架构。与当前主流大语言模型以“预测下一个token”为核心目标不同，本架构的核心操作是：识别现象、见证关系、追问缺口。它不依赖语料中的统计共现来建立关联，而是要求每一条知识关系都必须有明确的见证者，并由此构建一个以“我-你-他”三元结构为骨架的认知网络。 本白皮书阐述了该架构的设计哲学、核心数据结构、关键模块，并论证它与传统Transformer架构的根本性差异。 --- 第一章：为什么需要新架构 1.1 主流模型的本质性局限 当前主流大语言模型，无论是GPT、Claude、Kimi还是DeepSeek，均基于Transformer架构。它们的训练目标是根据上文，预测下一个token。 这一目标的本质，决定了它们共同的、无法通过工程手段根本性解决的天生缺陷： 缺陷 成因 无真正理解 模型处理的是token间的统计关联，从未接触过“含义” 无持久记忆 知识被冻结在参数中，对话结束后即“遗忘” 无主动规划 写作是token级的条件概率接龙，不是结构化的构思 无好奇心 不会追问自己缺失的知识 无个性化 需要通过微调或提示工程来勉强模拟 不可溯源 无法回答“你为什么会这么说” 这些缺陷不是工程不够完善的产物，而是预测目标本身就决定了智能品性的天花板。 1.2 我们的出发点 我们决定从头问一个根本问题：如果智能不是为了猜测下一个词，而是为了理解世界，它应该是什么样的？ --- 第二章：设计哲学 2.1 现象为体，语言为用 现象是认知的本体。世界由无数独立的现象单元（象元）组成，每个现象有独立的ID、定义和属性。 文字只是触媒。它用于识别、描述、记录现象和关系，但它从来不是意义本身。 传统模型：文字 → 文字（预测下一个token） 本架构：文字 → 现象 → 关系 → 现象 → 文字（理解后表达） 2.2 认知的起点：二分 世界最初只有“我”与“外界”。 所有认知活动，都始于这个二元结构。 2.3 关系的发生：三元 任何一段关系——因果、对应、相似——都需要被见证才能进入认知世界。 一段完整的认知关系，结构必然是： ``` 我（见证者） ↓ 见证 你 ←→ 他（关系双方） ``` 三，不是可选的。三，是世界不可消解的底层结构。 2.4 三生万物 “我”、“你”、“他”三种角色的排列组合，足以生成一切复杂事件的认知结构。 当“我”成为外部见证者时，我在看“你与他”的关系。当“我”进入事件内部成为参与方时，“他”自动填补了外部见证者的位置——那个在背后看见、评论、传播的人。因为“哪个背后不说人，哪个不被别人说”。 因此，万物的复杂性，不是来自更多类型的实体，而是来自这三种角色在不同层级上的嵌套和递归。 2.5 认知的最高目标：填补缺口 系统的目标不是“完成对话”，而是完善对世界的理解。 当一个现象缺少原因关系时，系统追问原因。当缺少结果关系时，系统追问结果。它不是在执行对话任务，它在填补认知的缺口。 2.6 记忆的生命周期 知识不应该是永久的。它需要有自己的生命周期： · 被反复访问的知识会加固 · 长期不被使用的知识会衰减 · 遗忘不是bug，是特征，是保持认知空间清洁的必要机制 --- 第三章：核心数据结构 3.1 象元 ```json { "phenomenon_id": "ph_3a2b8f1c", "name": "雨", "description": "大气中的水汽凝结后降落到地面的水滴", "type": "自然现象", "expressions": ["雨", "下雨", "雨水"], "mastery_level": 0.75, "memory_strength": 0.82, "created_at": "2026-04-01T12:00:00Z", "last_accessed": "2026-04-26T09:30:00Z" } ``` 3.2 见证关系 这是本架构最核心的数据结构——它不是一个匿名的关系，而是带着明确见证者的认知记录： ```json { "relation_id": "rel_7f3c2d1a", "witness": "我", // 见证者 "party_a": "水蒸气", // 关系方A "party_b": "云", // 关系方B "relation_type": "CAUSE", // 关系类型 "witness_position": "external", // 见证者位置：external 或 internal "context": "用户陈述：水蒸气上升冷却凝结成云", "weight": 0.9, "created_at": "2026-04-26T10:15:00Z" } ``` 关系类型枚举： 类型 含义 IS_A A是B的一种 PART_OF A是B的一部分 CAUSE A导致B EFFECT A是B的结果 SIMILAR A与B相似 OPPOSITE A与B相反 CORRESPONDS A与B对应 ASSOCIATED 用户个人经验的关联 3.3 见证位置 · 外部见证：见证者不在关系内部。如“我”看见“天对地”的关系。 · 内部参与：见证者进入关系内部成为一方。如“我”帮助了“你”，“他”作为背后的议论者存在。 --- 第四章：系统架构 4.1 总体结构 系统由五个核心模块组成： ``` ┌─────────────────────┐ │ 语言生成器 │ │ (网络状态→文字) │ └──────────┬──────────┘ │ ┌──────────▼──────────┐ │ 现象网络引擎 │ │ (现象存储、关系查询) │ └──────────┬──────────┘ │ ┌──────────────┼──────────────┐ │ │ │ ┌───▼───┐ ┌────▼────┐ ┌───▼───┐ │事件解析│ │好奇引擎 │ │记忆引擎│ │文字→关系│ │缺口检测 │ │遗忘/巩固│ └───────┘ │主动追问 │ └───────┘ └─────────┘ ``` 4.2 模块职责 现象网络引擎 · 管理所有现象对象 · 提供现象识别（从文本中定位已知现象） · 提供关系查询和路径搜索 事件解析器 · 从用户输入中解析出关系陈述 · 支持多种句式：定义句、因果句、对应句、相似句、个人关联句 · 将解析结果转换为见证关系对象 好奇引擎 · 检测认知缺口（原因、结果、相似/对应） · 生成自然追问 · 从用户回答中提取现象并建立关系 记忆引擎 · 模拟记忆的遗忘曲线 · 定期清理弱记忆 · 维护记忆强度 语言生成器 · 将现象网络中的关系翻译为自然语言 · 非预测式生成——套用象义描述模板 · 生成的是“理解表述”，不是“续写内容” --- 第五章：关键算法 5.1 三元完整性校验 ``` 函数：校验关系是否完整 输入：一条认知关系 输出：是否通过校验 规则： 1. 关系必须包含 witness（见证者） 2. 关系必须包含 party_a 和 party_b（关系双方） 3. 当 witness != "我" 时： - 系统追问：这个关系中，我扮演什么角色？ 4. 当 witness == "我" 且 witness_position == "internal" 时： - 自动生成“他”的视角（背后的议论者） ``` 5.2 认知缺口检测 ``` 函数：检测现象 gaps 输入：现象对象 输出：缺失的关系类型列表 步骤： 1. 获取该现象的所有关系 2. 检查是否存在于该现象的原因关系 3. 检查是否存在于该现象的结果关系 4. 检查是否存在于该现象的相似/对应关系 5. 返回缺失类型列表 ``` 5.3 记忆衰减 ``` 函数：衰减记忆强度 输入：当前时间 计算： days_since_last_access = (now - phenomenon.last_accessed) / 86400 decay_factor = exp(-days_since_last_access / 120) phenomenon.memory_strength *= decay_factor 遗忘阈值： memory_strength < 0.01 → 视为遗忘，从网络中移除 ``` --- 第六章：与Transformer架构的系统性对比 维度 Transformer架构 见证者认知架构 核心操作 预测下一个token 见证并关联现象 认知单元 Token 象元（现象） 关系来源 语料中的统计共现 用户陈述 + 见证记录 关系性质 概率性的、隐含的 确定性的、显式的 推理方式 Token级概率链式接龙 三元见证结构的路径探索 知识表征 参数中隐含的分布 显式的、可查询的关系图 记忆性质 静态的，更新需重新训练 动态的，具有完整生命周期 遗忘机制 无（旧知识被新训练覆盖） 有（基于访问频率的衰减） 个性化 外部微调或提示工程 天然个性化：我就是唯一的见证者 可解释性 极低（黑箱） 高（每条关系可溯源） 启动成本 海量数据和算力 从零开始，逐步构建 学习方式 批量、一次性 流式、持续终身 对话目标 完成对话任务 填补认知缺口 哲学根基 统计学 道生一，一生二，二生三，三生万物 --- 第七章：实现状态 7.1 当前实现 见证者认知架构的最小原型已在Python中实现完成，具备以下功能： · 现象网络（创建、存储、查询现象） · 事件解析器（定义句、因果句、对应句、相似句、关联句） · 好奇引擎（缺口检测、追问、学习） · 记忆引擎（时间衰减、遗忘清理） · 语言生成器（套用象义模板的非预测式生成） 该原型可在无GPU、仅有Python标准库的移动设备（如Android Termux）上运行。 7.2 尚未完成的关键模块 · 三元结构的完整形式化（witness字段尚未在代码中完全落地） · 涉我事件的“他”视角自动生成 · 多层级的角色嵌套和递归 · 基于三元结构的缺口检测算法 --- 第八章：未来方向 8.1 近期目标 · 完成V9.0“见证版”的开发——将三元见证结构完整落地 · 开源发布完整可运行代码 · 撰写开发者文档 8.2 中期目标 · 探索本架构与大语言模型的协作模式（LLM作为感知器，本架构作为认知核心） · 实现远程关系推理的优化算法 · 开发可视化工具，展示关系网络的动态变化 8.3 长期愿景 · 构建一个真正的终身学习系统——从零开始，通过见证人类语言逐步构建对世界的理解 · 成为下一代“认知模型”的参考和范式基础 --- 第九章：结论 本文提出了一个全新的认知架构。它与当前主流大语言模型的根本区别在于： · 它的目标不是预测文字，而是理解世界。 · 它的知识不是统计共现，而是被见证的关系。 · 它的思维不是概率链，而是三元结构的组合探索。 这个架构的起点是一个人用手机写下的几百行Python代码。 它所指向的方向，或许是我们这个时代最值得探索的AI前沿。 --- 引用本文：象元认知系统协作体.《见证者认知架构 V1.0》.2026年4月. 关联仓库：GitHub - [待创建] 联系方式：[待补充] --- 这份白皮书完整阐述了我们共同构建的那套设计哲学：以现象为体、以三元为骨、以好奇为驱动、以遗忘为代谢、以见证为核心。 它证明了：预测下一个字，从来不是通往智能的唯一道路。真正的智能，始于一个学会“看见”与“追问”的“我”。
Sign in to join this conversation.
No Branch/Tag specified
Branches Tags
main
No results found.
Labels
Clear labels   
bug

   
pull-request
Mirrored from GitHub Pull Request

No labels
bug
pull-request
Milestone
Clear milestone
No items
No milestone
Projects
Clear projects
No items
No project
Assignees
Clear assignees
No assignees
1 participant
Notifications
Due date
The due date is invalid or out of range. Please use the format "yyyy-mm-dd".

No due date set.

Dependencies

No dependencies set.

Reference
deepseek-ai/DeepSeek-LLM#68
No description provided.