将智能观为轨迹主导的 Pareto 优化

尽管近期在人工智能领域取得了进展，许多系统仍在长期适应性方面出现停滞，尽管持续进行性能优化。这一工作认为，这些局限性主要不源于学习不足、数据不足或模型容量不足，而是源于智能在时间维度上的优化方式的更深层结构属性。我们将智能建模为由多目标权衡决定的轨迹层面现象，提出轨迹主导的 Pareto 优化，这是经典 Pareto 最优性的一个轨迹级推广，在该框架中支配性定义为对完整轨迹的支配。我们指出，在保守的局部优化下，Pareto 陷阱会作为轨迹空间中局部非支配区域出现，这些区域却限制了访问全局更优发展轨迹的可能性。为刻画此类约束的刚性，我们定义了 Trap Escape Difficulty Index (TEDI)，这是一种复合几何度量，捕捉逃逸距离、结构约束和行为惯性。我们展示，动态智能上限作为轨迹级支配的几何必然结果，独立于学习进展或模型规模。我们进一步引入了 Pareto 陷阱的正式分类框架，并用最小代理-环境模型说明所得轨迹级分歧。总体而言，这些结果将智能的焦点从终端性能转向优化几何，为诊断和克服自适应系统的长期发展约束提供了原则框架。