人工锯齿智能：不均衡优化能量分配、再分配与优化治理

人工锯齿智能（AJI）指大型学习系统在某些领域表现强劲，而在其他领域则表现薄弱或脆弱的反复模式。本文发展了将 AJI 建模为不均衡优化压力分配的正式理论。我们将训练建模为一个有限预算过程，将梯度驱动的更新能量在参数空间中分配给与能力相关的方向。在该模型中，锯齿形能力轮廓源于目标结构的各异性、数据几何以及表征耦合，而非来自单一标量量称为智能。本文定义了能力收益、优化能量份额以及锯齿度，然后证明了持续集中累积更新能量会导致能力收益在离散度上的下界。有限预算权衡定理阐明了为何优先考虑单一能力会对其他能力施加机会成本，除非正向耦合或共享结构抵消该成本。分析还研究了再分配机制，包括能量方差正则化和辅助结构目标，作为重塑优化场的干预。最终的框架将不均衡出现、训练体系结构与优化治理联系起来。它预测，早期优化能量的集中应预测后续能力的锯齿度；在狭窄目标下进行规模化扩张不一定消除各异性；且明确资助的辅助目标可以唤醒被忽视的能力。因此，AJI 不仅是不均衡模型行为的描述性标签，而是一种可检验的理论，解释有限优化资源如何产生集中、延迟且结构性不均衡的能力形成。