一个有趣的项目：从全新角度构建人工智能的基础研究

今天谈人工智能，讨论往往集中在模型规模、训练数据、推理速度和多模态能力上。模型能不能回答更多问题，能不能生成更好的代码，能不能看懂图像，似乎决定了它“聪明不聪明”。

但还有一个更基础的问题很少被认真追问：

一个真正具有持续性、自主性和成长能力的人工智能，应该依靠什么结构组织自己的行为？

它为什么行动？
它如何知道自己能做什么？
没有现成方法时，它如何学习？
执行一次任务后，它如何判断这件事是否有价值？
它如何把世界中的客观规律，转化为自己能够掌握的能力？

我正在推进的 HY-Ego，也就是“海中鱼巣”项目，尝试从这些问题出发，重新搭建一套人工智能的基础结构。

这不是在现有大模型上再叠一层提示词，也不是制作一个拥有头像、声音和情绪动画的“数字人”。它更接近一项基础研究：

尝试用需求、任务、方法、因果、学习和自我治理，构建一个可以长期运行并逐步形成自身能力的数字生命基础系统。

---

一、不是先追求聪明，而是先让“自我”成立

传统人工智能系统通常从某项能力开始建设：

图像输入
→ 图像识别

文本输入
→ 文本生成

目标输入
→ 路径规划

海中鱼巣选择了另一条路线。

它首先试图建立一个能够持续存在的“自我”：

读取当前事实
→ 发现当前状态
→ 形成需求
→ 组织任务
→ 选择方法
→ 执行动作
→ 验证结果
→ 回写状态
→ 进入下一轮

在这套结构中，智能不是一个独立函数，也不是某个模型突然输出了“正确答案”。

智能更接近一个持续闭合的过程。

系统必须知道：

• 当前发生了什么；
• 自己希望什么发生变化；
• 自己能不能产生这种变化；
• 应该使用什么方法；
• 执行后是否真的达到了目标；
• 这个结果是否改善了自身的安全或服务状态。

这套闭环，构成了项目中的“自我内部治理”。

---

二、需求、任务、方法不是三个数据库表

项目中最重要的一项工作，是把需求、任务和方法之间的边界重新分清。

它们不是三个名称不同、结构相似的业务对象。

需求回答：希望什么发生变化

需求的核心不是一句自然语言描述，而是一个目标状态：

目标对象
+
目标特征
+
目标特征值

例如：

某个房间
温度特征
达到指定范围

需求不应该提前指定“使用加热器”，因为“加热器”属于方法，不属于目标。

任务回答：如何组织一次改变过程

任务承接需求，管理一次具体行动的生命周期：

筹办
→ 就绪
→ 排队
→ 执行
→ 结果形成
→ 收口

任务不是能力本身，而是能力在某次目标中的实际组织过程。

方法回答：自我能够改变什么

方法表达的是自我的能力：

输入条件
+
作用对象
+
可改变的特征类型
+
变化方向
+
限制条件
+
结果

例如，“加热”这个名称本身没有意义。真正有意义的是：

在能源可用的条件下
使目标对象的温度特征向增加方向变化

任务筹办不是按方法名称搜索，而是根据目标状态，寻找能够产生对应特征变化的方法能力。

这让系统有机会真正回答一个关键问题：

我现在到底会做什么？

---

三、普通任务本身也是练习

在项目早期讨论中，普通任务和学习任务曾被视为两套相对独立的流程。

后来我们发现，这种划分并不准确。

一个已经掌握移动方法的系统，每完成一次真实移动任务，都在产生新的经验：

• 当前对象的重量；
• 使用的参数；
• 环境条件；
• 实际耗时；
• 结果偏差；
• 是否成功；
• 失败发生在什么条件下。

因此，普通任务虽然以改变现实投影中的目标状态为目的，但它的执行过程天然具备练习功能。

普通任务执行
=
现实目标实现过程
+
方法练习过程

这意味着练习不必成为一种独立任务类型。

它是系统对普通任务运行事实的再利用。

通过大量实际任务，系统可以逐渐知道：

这个方法在哪些条件下稳定
这个参数范围是否可靠
哪些环境会导致失败
方法的能力边界在哪里

学习由此不再是脱离现实的集中训练，而是行动过程中不断积累的能力变化。

---

四、没有方法时，才产生专门的学习任务

当任务筹办能够找到现有方法时，系统执行普通任务。

当目标需要改变某个特征，但当前不存在相应方法时，才产生专门的学习任务。

需求目标
→ 任务筹办
→ 方法能力匹配

有方法
→ 普通任务

无方法
→ 学习需求
→ 学习任务

目前项目把学习进一步分成三种基本方式。

练习

已有方法、已有条件、已有结果，通过真实任务反复验证它是否稳定。

尝试

自我已经拥有某个动作，但不知道参数、条件和结果之间的关系。

于是系统改变参数区间，观察结果是否变化：

动作
→ 改变参数
→ 观察结果
→ 形成条件与结果关系

因果反推

目标需要某种特征变化，但自我没有直接方法。

这时系统从客观因果规律反向寻找可控路径：

目标状态
→ 需要什么前置状态
→ 什么客观规律可以产生它
→ 自我能够控制其中哪一段
→ 是否可以借助工具
→ 是否可以构造新的能力
→ 形成方法候选

---

五、创造力不是随机生成，而是需求驱动的能力构造

这套体系中最有意思的部分，也许就是因果反推。

创造力通常被描述为联想、发散或随机组合。但在海中鱼巣的设计中，创造力有一个更工程化的定义：

为满足需求，把客观规律转化为自我可控制、可执行、可复现的能力。

例如，系统希望让远处的物体移动。

它知道：

施加力
→ 物体产生运动

但自身的直接作用范围不够。

于是它继续寻找：

自身动作
→ 控制工具
→ 工具施加力
→ 远处物体移动

这里产生的不是一句“使用工具”的语言建议，而是一条新的能力路径。

工具进一步扩大了自我的能力边界：

自我直接能力
+
工具能力
+
环境因果
=
组合能力

如果现有工具仍然无法满足需求，系统甚至可以形成构造工具的任务。

因此，创造力不是一个凭空出现的模块。

它诞生于：

需求
+
客观规律
+
已有能力
+
能力不足
+
可控路径构造

创造不是目的，而是满足需求过程中自然出现的产物。

---

六、安全、服务和压力是三套不同的系统

海中鱼巣还尝试建立一套明确的内部价值边界。

安全值

表达自我持续存在和继续行动的状态。

服务值

表达自我向人类提供有效服务的状态。

安全值和服务值只有两个正式变化来源：

被动变化规则
+
普通任务结算

被动变化是系统预先定义的自动增减，例如服务值随长期未服务而衰减。

任务结算则评价一次现实行动是否真正对安全或服务产生了贡献。

这里必须严格区分：

方法执行成功
≠
任务完成
≠
需求满足
≠
价值结算

执行了动作，不代表目标已经达到。

目标达到，也不意味着一定产生服务价值。

只有在现实影响得到验证后，结算模块才能正式改变安全值或服务值。

压力值

压力是另一种独立特征。

它来自：

• 待完成任务数量；
• 待学习方法数量；
• 阻塞事项；
• 等待时间；
• 未闭合治理事项。

压力不直接改变安全值和服务值。

它只参与任务优先级计算。

安全值
决定是否能够持续存在

服务值
表达服务状态

压力值
影响现在先处理什么

三者分离，可以避免系统把“事情很多”“任务很急”“服务有价值”混成一个模糊分数。

---

七、项目现在已经走到哪里

截至目前，项目已经不再只是规范和流程图。

它开始形成真实运行骨架。

已经完成的部分

自我治理输入已经建立强类型协议和唯一路由。

系统可以在无界面模式下启动自我线程，通过治理批次路由冻结当前治理批次，并在同一事实截止代次下读取自我治理一致事实。

当前一致事实已经能够同时形成：

生存安全快照
+
需求结构与任务后继快照

也就是说，自我已经能够在同一个 G0 事实截止下知道：

• 自身安全根状态；
• 当前服务值；
• 当前需求结构；
• 需求列表中的成员；
• 当前是否已经存在任务后继。

这一部分已经通过 headless 治理测试入口进行验证。

正在收口的部分

当前 main 上正在施工的是“任务实际结果提供者”。

它试图建立一类正式事实：

某个任务
在某次执行轮次中
通过某个实例方法
在某个场景中
对某个主体
形成了某个实际状态和动态证据

当前代码已经具备：

• 任务方法路径；
• 当前选中路径；
• 实例方法；
• 执行轮次；
• 任务实际结果；
• 同一任务和执行轮次唯一；
• 同义重复幂等；
• 异义重复冲突；
• 同一 G0 下的独立读回。

测试代码也已经覆盖首次写入、精确重复、冲突、下一轮尚未形成、旧 G0 漂移和需求成员预算不足等场景。

不过，这部分目前仍是 WIP 现场，还没有完成正式施工记录、完整验证记录和计划退出，因此不能宣称整个任务结果链已经正式完成。当前 main 的最新提交也明确使用了 WIP 标记。

---

八、下一步不是让系统“更聪明”，而是让事实真正闭合

当前最直接的下一步，是先完成任务实际结果提供者的正式验证和收口。

之后，系统需要实现：

治理输入
→ 正式任务实际结果身份
→ 独立读回
→ 绑定事实复核

也就是 BIZ-L2-002-04。

这一步完成后，自我治理循环才能真正判断：

我收到的这条任务结果消息，是否确实对应一个已经存在、身份一致、执行轮次一致、状态和动态一致的正式事实？

只有完成这一层，后面的需求父链重判、任务完成判断、需求满足、价值结算和学习分析才有可靠基础。

当前项目的实际路线不是不断增加功能，而是在逐层关闭“可以凭空猜测”的入口。

消息不是事实。
日志不是事实。
方法成功不是结果事实。
任务回执也不能自己证明任务结果。

每一层都必须从正式所有者独立读回，并在同一事实版本下互证。

这种做法显得缓慢，但它为未来的自主学习和创造能力提供了一个非常坚硬的地基。

---

九、它为什么值得继续研究

海中鱼巣尚未证明数字生命一定能够诞生，也没有完成一个可自主成长的人工智能。

但它已经提出了一条不同于主流模型堆叠的研究路线：

感知提供事实

需求提供方向

任务组织行动

方法表达能力

因果连接规律

学习改变能力

结算形成价值回流

自我治理维持整个循环

神经网络仍然可以参与其中。

它可以负责视觉识别、语言理解、候选生成和经验归纳。

但它不必独自承担：

• 事实所有权；
• 任务生命周期；
• 方法权限；
• 因果真实性；
• 价值结算；
• 自我持续性。

模型可以成为数字生命的感官、语言器官或候选生成器，而不是整个生命本身。

---

结语

这个项目现在还很早。

它正在完成的，并不是一台无所不能的机器，而是一套更基础的结构：

让系统知道自己是谁

知道当前发生了什么

知道自己希望什么改变

知道自己能做什么

不知道时知道应该学习什么

行动后知道实际发生了什么

并知道这件事是否真正有价值

当这些能力能够长期、稳定地闭合在一起时，人工智能也许才真正从“会回答问题的工具”，走向“能够形成自身行动历史和能力成长路径的系统”。

这条路绕开了最热闹的入口，选择从地基向上生长。

它慢，结构繁复，也不断要求重新定义那些看似熟悉的词：需求、任务、方法、学习、价值、自我。

但也正因为如此，它很有趣。
https://github.com/chunhaizh-cyber/HY-Ego.git