反向推断与递归自举：结构化认知的原始-双语理论

本文提出一种统一框架，将情境-内容不确定性原理（CCUP）与最优传输（OT）通过原始-双语推断相结合。我们提出，认知表征并非静态编码，而是主动的双约束条件，这些条件塑造学习与推断的可行流形。将认知形式化为高熵情境与低熵内容之间的动态对齐，通过循环一致推断实现，最小化条件熵。该框架的核心是反向推断概念：一种目标驱动机制，反转条件化方向，以模拟符合内部目标的潜在轨迹。这种非对称推断循环闭合受约束优化中的二次gap，将情境（原始变量）与内容（双约束）对齐，并重新框定推断作为结构受约束的熵最小化。就时间而言，我们引入递归自举，每个推断循环都会锐化下一轮的结构流形，形成支持路径依赖优化和层次化目标分解的记忆链。就空间而言，我们通过层次化空间自举扩展该模型，连接到分层可导航小世界（HNSW）图，以实现对目标一致潜在状态的亚线性检索。总体而言，该框架为认知提供了一种计算理论，在该理论中，跨时间和空间的动态对齐支持高效的泛化、抽象和自适应规划。CCUP 作为慢速递归推理和快速结构感知识别的可扩展原理，通过多层原始-双语循环实现。