SMGI：通用人工智能的结构理论

我们引入 SMGI，一种通用人工智能的结构理论，将学习在固定环境中优化假设的根本问题重塑为对学习界面本身的受控演化。我们通过一个带类型元模型 $\theta = (r,\mathcal H,\Pi,\mathcal L,\mathcal E,\mathcal M)$ 形式化通用智能结构模型（SMGI），将表示映射、假设空间、结构先验、多场景评估器和记忆算子作为显式类型化、动态组件。通过严格的数学分离 $\theta$（结构本体）和其诱导的行为语义 $T_\theta$，我们定义通用人工智能为一类满足四项义务的可接受耦合动力学 $(\theta, T_\theta)$：在类型化变换下保持结构闭合、经认证演化下的动力学稳定、受限的统计容量以及跨情境变迁下的评估不变性。我们证明了一个结构普遍性界限，将顺序 PAC-Bayes 分析与 Lyapunov 稳定性联系起来，提供容量控制和在可接受任务变换下漂移受限的充分条件。此外，我们建立了一个严格的结构包含定理，表明经典经验风险最小化、强化学习、程序先验模型（Solomonoff 风格）以及现代前沿智能体管道都作为 SMGI 的结构受限实例。