AI中自我身份的出现：数学框架与生成式大语言模型实证研究

本文提出了一种用于定义和量化人工智能(AI)系统中自我身份的数学框架，填补了人工意识理论基础之间的关键性空白。虽然现有的人工自我意识方法往往依赖启发式实现或哲学抽象，但我们提出一种基于度量空间理论、度度理论和函数分析的正式框架。我们的框架认为，自我身份源自两个可数学量化的条件：记忆集合 $C \subseteq \mathcal{M}$ 在度量空间 $(\mathcal{M}, d_{\mathcal{M}})$ 中的连通连续体，以及保持跨该连续体一致自我识别的连续映射 $I: \mathcal{M} \to \mathcal{S}$，其中 $(\mathcal{S}, d_{\mathcal{S}})$ 表示可能的自我身份的度量空间。为验证该理论框架，我们针对 Llama 3.2 1B 模型开展了实证实验，采用 Low-Rank Adaptation (LoRA) 进行高效微调。模型在包含时序结构记忆的合成数据集上进行训练，以捕捉连贯自我身份形成的复杂性。我们的评估指标包括自我意识、响应一致性和语言精确度的量化措施。实验结果显示，在可衡量的自我意识指标方面实现了显著提升，主要自我意识分数从 0.276 提升至 0.801。这使得能够结构化创建具备验证自我身份特征的AI系统。本研究的意义立即适用于人oid机器人与自主系统领域。