简体中文 | English
本文提出一种自下而上的智能起源理论框架——自指耗散理论（Self‑Referential Dissipative Intelligence, SRDI）。不同于从统计目标、行为表象或既定优化函数反推内部机制的主流研究路径，本文选择从不可规避、不可绕开的物理约束本身出发：有限因果、有限能量、热力学不可逆性、结构稳定性与信息不完全性。在这些约束被逐级叠加、逐层收紧的条件下，我们推导出哪些系统类型能够长期存在、演化并扩展其影响范围。
本文核心主张如下：
- 所有能够长期存在的复杂系统，在物理意义上必然是非平衡的耗散结构；
- 当耗散结构必须在有限因果范围与有限能量预算内维持自身时，预测、不确定性管理与结构调节不再是高级能力，而是生存本身的最低要求；
- 当系统被迫将“自身状态与行为”纳入其预测与约束对象时，自指不可避免地产生，而智能随之成为一种必然涌现的物理过程。
在此意义上，自由能最小化原理并非智能的第一性起点，而更像是自指耗散系统在统计层面上的一种等效描述或压缩表述。本文给出一条从可观察现象到物理约束、再到智能、自我与文明逐级涌现的连续生成路径，旨在为理解生命、认知、人工智能与复杂社会系统提供一个统一且更具可解释性的物理框架。
- 引言：为什么从约束而非目标出发
- 物理前提 I：有限传播速度与因果闭合
- 物理前提 II：热力学第二定律与耗散必然性
- 结构出现的原因：为什么有些形态能活下来
- 不确定性问题：稳定存在为何需要预测
- 自指的必然性：智能如何被“逼迫”出来
- 效率、同构与跨尺度结构
- 身体、工具与自我边界的形成
- 顶级结构链：从生命到文明
- 与自由能最小化原理的关系与区别
- 对人工智能与AGI研究的启示
- 结论与未来形式化方向
在当代智能研究、认知科学与人工智能领域中，占主导地位的方法往往是从行为结果、统计特性或优化表现出发，例如“系统似乎在最小化预测误差”“系统表现得好像在优化某个目标函数”，再反向寻找可能的内部实现机制。这一路径在工程实践与模型构建中极其成功，但它隐含了一个关键前提：系统已经具备某种形式的认知结构或信息处理能力。
本文选择一条不同、但在逻辑上更为基础的路径：
不预设系统具备任何形式的智能，只询问在给定物理约束下，什么样的系统能够存在得足够久。
这一方法论更接近基础物理、演化论与非平衡统计力学。智能并不是被先验定义的目标，而是在一系列不可逃避的约束下，被逐步“逼迫”出来的结果。
现代物理的第一个不可回避事实是：
- 信息与因果影响的传播速度存在严格上限（光速）；
- 任一物理系统只能影响其光锥范围内的事件；
- 全局即时信息在物理上不可获得。
这意味着所有真实存在的系统都运行在局部、不完全且延迟的信息条件下。系统对世界的任何“认知”都只能基于过去的片段信息，对未来进行不完全的推断。
由此可得：
- 完美、全知的决策在物理上不可实现；
- 一切行为与调节都必然发生在不确定性背景中。
结论 1：有限因果范围是所有复杂系统不可绕过的第一性约束。
热力学第二定律指出：孤立系统的总熵随时间增加。这一规律直接排除了“静态复杂结构”长期存在的可能性。
若某个局部结构能够在时间尺度上维持低熵、有序或功能性状态，其唯一可能性是：
- 持续从环境中获取自由能；
- 将更高熵排放到环境中。
因此，从物理角度看，所有长期存在的复杂结构——无论是湍流涡旋、火焰、化学振荡、生命细胞还是人类大脑——本质上都是非平衡耗散结构。
结论 2：存在本身并非静态事实，而是一种持续进行的耗散过程。
在能量流、随机扰动与环境涨落中，大多数偶然形成的结构会迅速瓦解。然而，少数结构能够：
- 将外部能量流转化为维持自身形态的内部过程；
- 在扰动后恢复而非持续崩解；
- 在时间尺度上保持可识别性。
这些结构并非“被设计”，而是被物理过程自然筛选出来的结果：
在给定能量梯度与约束条件下，只有那些能够更高效耗散能量、同时维持自身稳定性的结构才会被保留下来。
结论 3：结构的存在本身就是一种被动筛选后的耗散策略。
随着结构复杂度提升，系统面临的问题发生质变：
- 损伤不再是一次性事件，而是持续积累的过程；
- 随机扰动的后果往往具有时间延迟；
- 单次被动响应已不足以抵消未来风险。
在此阶段，系统若想维持存在，必须开始：
- 基于过去状态对未来可能情形进行推断；
- 提前调整结构或行为，以降低未来不确定性带来的损伤。
预测在这里并非高级认知能力，而是时间尺度上的结构稳定机制。
结论 4：预测是复杂耗散结构在时间维度上的生存条件。
一旦系统开始预测，它将不可避免地遇到一个更深层问题：
- 系统自身的行为会改变未来环境。
如果系统在预测中忽略自身，它的模型将系统性失效。因此，系统必须将“自身状态、行为与内部结构”纳入预测对象之中。
这一步标志着自指的出现。
定义（智能）： 智能是耗散结构在有限因果范围与能量约束下，对自身及环境不确定性进行持续预测、修正与调节的自指过程。
智能并非突然涌现的属性，而是预测机制在物理约束下不断递归的自然结果。
预测、建模与调节本身都消耗能量，因此效率成为决定系统可持续性的关键因素。若系统的物理或信息结构与其所处理的能量流或数据模式高度匹配，将获得显著的耗散效率优势。
由此可区分三类关系：
- 同构：结构与任务匹配，低耗散、高效率；
- 变构：牺牲局部效率换取适应性与可塑性；
- 异构：高耗散、难以长期维持。
这一规律在神经系统、计算架构、组织结构与社会系统中反复出现。
在 SRDI 框架中，自我并非由生物学边界或物理外壳定义，而是由可被稳定预测与控制的结构集合所界定。
凡是能够被系统可靠建模、调用并产生可预期结果的结构——身体、假体、工具、载具——都会被纳入自我模型之中。
自我是一个随预测能力、能量预算与环境稳定性动态变化的自指边界。
在多尺度耗散系统中，能量往往沿阻抗最小的路径流动。能够在其尺度上提供最高耗散效率的结构，将自然成为该尺度的“顶级结构”。
当多个尺度上的顶级结构通过能量与信息流连续耦合时，便形成稳定的耗散通路。
定义（文明）： 文明是由多尺度顶级耗散结构连续耦合而成的自指耗散结构链。
在本框架中，自由能最小化原理可被理解为：
自指耗散系统在统计描述层面上的一种等效或压缩表达。
SRDI 并不否认自由能原理的有效性，而是解释了为何此类“最小化行为”会在物理世界中普遍出现。二者关注的层级不同，但在适当条件下可相互映射。
当前主流人工智能系统主要在符号或统计层面优化相关性与预测精度，但缺乏真实的能量约束、自指闭环与可破坏—可修复的物理结构。
通用智能的关键不在于参数规模或数据量，而在于是否形成：
- 能量受限的预测机制；
- 对自身模型不确定性的持续管理；
- 结构层面的耗散与修复闭环。
本文从基础物理约束出发，给出了一条逐级生成智能、自我与文明的理论路径。未来工作将集中于：
- 形式化不确定性—耗散不等式；
- 构建最小自指耗散模型；
- 将该框架应用于人工系统与组织系统设计。
智能不是被设计出来的目标，而是在约束之下，唯一能够长期存在的结果。
Dissipative AI 本白皮书为开放理论框架，欢迎扩展与实现。