#人工智能[超话]#

这三篇论文（DIKCA框架、意图条件化计算IIC、概率执行语义PPES）共同构成了一套对"计算与智能本质"的重新诠释，从哲学层面向上挑战了冯·诺依曼以来的计算范式。

三篇论文共享一个批判性立场，但从不同角度切入，形成互补的理论体系。
DIKCA框架是这批论文中哲学雄心最大的一篇。DIKCA是数据（Data）→ 信息（Information）→ 知识（Knowledge）→ 认知（Cognition）→ 行动（Action）的缩写，构成一条升级阶梯。它的核心论点是：当前主流AI研究把"知识"当作终点——能够存储、检索和生成知识就算成功。但DIKCA认为这是错误的目标设定，真正的智能体必须跨越知识层，达到"认知—行动"的控制能力。这不只是对AI的描述，更是一种重新定义评估标准的主张：一个AI系统好不好，不应该问"它知道多少"，而应该问"它能有效控制什么"。

**意图条件化计算（IIC）**是DIKCA"行动层"的计算模型对应物。它提出，冯·诺依曼架构以"指令序列"为核心的计算范式，正在被一种新范式取代——计算由"意图"条件化，而非由预先编写的步骤驱动。LLM接受自然语言指令并生成行为，其实已经是IIC范式的早期实践。IIC的贡献是把这个观察提升为一套理论主张，追问这种新计算方式的边界和形式性质。

概率执行语义（PPES）与共代数框架则是为上述哲学主张提供数学地基的两篇。PPES把"不确定性"纳入AI系统的执行语义——传统程序的执行是确定的，但基础模型的每次推理本质上是概率采样，PPES为这种执行提供形式化描述。共代数框架则用范畴论工具处理"上下文依赖"问题：同一个输入在不同上下文中可能产生不同输出，这是AI系统的根本特性，也是传统计算模型难以捕捉的部分。
放在一起看，这三篇论文代表了一种从哲学到数学的"理论建基"努力——它们不是要解决某个具体工程问题，而是要回答：当我们说一个AI系统"理解"或"执行"了某件事，这究竟意味着什么？

http://t.cn/AXfLBCCs

http://t.cn/AXfLBCNv
http://t.cn/AXVYM7Qk

http://t.cn/AXfLnuqr
http://t.cn/AXfLnuqd

#人工智能# http://t.cn/AXfLezsp