单丘型人工智能：面向领域专用语言模型的认知分类学
人工智能
2026-03-03 v1
摘要
人工智能研究的主流范式等价于规模：更大的模型训练在更广泛的数据集上被认为能产生更强大的能力。尽管在通用应用方面具有实证效用，但这一假设掩盖了知识广度与深度之间根本的认识论张力。我们提出单丘型人工智能(Monotropic Artificial Intelligence)的概念——那些刻意牺牲通用性以在狭窄领域内实现卓越精度的语言模型。我们借助理解自闭认知的单丘主义理论，认为强烈的专门化不构成局限，而是另一种具有不同优势的认知架构，特别适用于安全关键型应用。我们形式化了单丘型模型的定义特征，与传统的多丘型架构进行对比，并通过 Mini-Enedina——一个 37.5 百万参数的模型——展示了其可行性，该模型在 Timoshenko 梁分析中实现近乎完美的性能，但在其领域之外故意显得不专业。我们的框架挑战了人工通用智能是 AI 研究唯一正当目标的隐含假设，提出在专门化系统与通用系统共存的认知生态系统中实现互补。
引用
@article{arxiv.2603.00350,
title = {Monotropic Artificial Intelligence: Toward a Cognitive Taxonomy of Domain-Specialized Language Models},
author = {Antonio de Sousa Leitão Filho and Allan Kardec Duailibe Barros Filho and Fabrício Saul Lima and Selby Mykael Lima dos Santos and Rejani Bandeira Vieira Sousa},
journal= {arXiv preprint arXiv:2603.00350},
year = {2026}
}