Remapping and navigation of an embedding space via error minimization: a fundamental organizational principle of cognition in natural and artificial systems

新兴的多样性智能领域致力于对来自不同源头、具有不同构成和基质的智能体在解决问题方面的共性建立一种整合性的理解。从亚细胞级的化学网络到有机体群落，跨越进化形成、人工设计以及嵌合系统，人们推测其中存在尺度不变的决策原理。我们提出，无论是自然系统还是合成系统中的认知过程，都可以通过两个同等重要的不变量之间的相互作用来刻画和理解：（1）嵌入空间的重构，以及（2）在这些空间中的导航。从单个细胞到完整有机体（乃至更复杂的系统），生物群体通过重构转录组、形态、生理或三维空间以维持稳态并实现结构再生，同时借助分布式的误差校正机制在这些空间中进行导航。现代人工智能（AI）系统，包括变换器（transformers）、扩散模型和神经细胞自动机，则通过将数据映射到潜在嵌入空间，并通过上下文化不断迭代优化这些表示，实现了类似的过程。我们认为，这种双重原则——即通过迭代误差最小化实现嵌入空间的重构与导航——构成了跨基质的认知不变性。认识到这一共享机制不仅揭示了生命系统与人工模型之间深刻的相似性，也为在不同尺度上构建适应性智能提供了一个统一的理论框架。

论文试图解决的问题是：不同来源、组成和基质的智能体（从亚细胞化学网络到有机体群体，再到人工系统）是否遵循跨尺度的、尺度不变的决策与问题解决原则。作者假设，认知过程可以被理解为一种基质无关的通用机制，从而建立一个统一框架来理解和设计适应性智能。这是一个较新的问题，旨在超越传统AI或生物学独立研究的局限，探索跨自然与合成系统的普适认知原理。

论文提出认知的核心在于两个不变量的协同作用：(1) 嵌入空间的重构（remapping of embedding spaces），即系统将输入或状态转换到更适合处理的表示空间；(2) 在这些空间中的导航（navigation within these spaces），通过分布式误差修正或迭代优化实现目标。这一双机制在生物系统（如细胞再生、群体行为）和现代人工智能（如Transformer、扩散模型、神经元胞自动机）中均存在，构成了一种基质无关的认知通则。其新意在于打破了生命系统与人工系统之间的界限，提出了真正跨领域的认知统一理论框架。

亮点包括：首次系统性地将生物集体智能与前沿AI模型在‘空间重构-导航’范式下进行类比分析；引入‘尺度不变’的认知原则概念，支持从分子到群体的广泛适用性；虽无传统实验，但通过多领域现象的理论整合构建强论证；启发未来可设计融合生物启发机制与深度学习架构的新型自适应系统。目前未提及具体数据集或开源代码，但为后续开发具有再生、自稳特性的AI系统提供了理论基础，值得深入研究如何形式化‘嵌入空间’并量化导航动态。

1. "The Measure of Intelligence" by François Chollet 2. "Lifelong Learning in Artificial Intelligence" - Trends in Cognitive Sciences, 2023 3. "Embodied Intelligence: From Biological to Artificial Systems" - Nature Machine Intelligence, 2022 4. "Scaling Laws in Neural Networks and Animal Brains" - arXiv:2304.05335 5. "Collective Cognition in Swarms and Neural Networks" - Proceedings of the AAAI Conference on AI, 2023