将动力学系统学习与基础模型集成：面向临床试验的元演化AI框架

人工智能（AI）已演化为一个各具特色的“物种”生态系统，每种“物种”都有其独特的优势。我们分析了两种：DeepSeek-V3，这是一个6710亿参数的Mixture of Experts大型语言模型（LLM），体现了规模驱动的通用性；NetraAI，这是一个基于动力学系统的框架，专为在小型临床试验数据集上实现稳定性和可解释性而设计。我们正式化了NetraAI的基础，将收缩映射、信息几何和进化算法结合起来，以识别预测患者队列。特征嵌入在度量空间中，并不断收缩以趋向稳定的吸引子，从而定义潜在子群。伪时间嵌入和长期记忆使我们能够探索更高阶的特征交互，同时内部进化环路选择紧凑、可解释的 2-4 变量捆绑（称为“Personas”）。为指导发现，我们引入了LLM Strategist作为元演化层，观察Persona输出，优先排序有前景的变量，注入领域知识并评估鲁棒性。这种两层架构模仿了人类科学过程：NetraAI作为实验家，LLM作为理论家，形成一个自我改进的循环。在病例研究（精神分裂症、抑郁、胰腺癌）中，NetraAI发现了小且高效应大小的亚群，这些发现将较弱的基线模型（AUC ~0.50-0.68）转化为几乎完美的分类器，且仅使用少量特征。我们将NetraAI置于动力学系统、信息几何和进化学习的交叉点，与 LeCun 的联合嵌入预测架构（JEPA）等新兴概念级推理范式相吻合。通过优先可靠、可解释的知识，NetraAI提供了一代自适应、自反思的AI，以加速临床发现。