nDNA——人工认知的语义螺旋

随着人工智能基础模型能力的提升，一个更深层的问题浮现：什么塑造了它们内部认知身份——除了流畅和输出之外？基准测试测量行为，但模型的灵魂 resides 在其潜在几何中。在本工作中，我们提出了神经 DNA(nDNA)作为一种语义-基因型表示，通过信念的内在几何捕获这种潜在身份。nDNA 的核心由三个原则且必不可少的潜在几何维度合成：谱曲率揭示概念在不同层之间的流动曲率；热力学长度量化穿越表示转换所需的语义努力；信念向量场描绘指导模型信念方向定向的语义扭转场。就生物 DNA 而言，它编码祖先、突变和语义继承，发现于微调和对齐的伤疤、文化痕迹和架构漂移。在命名它时，我们开启了一个新领域：神经基因组学，其中模型不仅是工具，而是具有可追溯内部认知的数字语义生物体。建模声明。我们将人工智能基础模型视为语义流体动力学：意义像流体在受形状导管中一样在各层之间传递；nDNA 是该流动的物理学级读数——一种以几何为主的衡量意义如何被弯曲、为之付出代价以及推动的度量，yielding 一种稳定、无坐标系的神经 DNA 指纹，与输入行为相联系；凭借这一指纹，我们跨越生物学：在预训练、微调、对齐、修剪、蒸馏和合并之间追踪血统；在检查点之间测量继承；检测漂移作为特征在新数据或目标下变化；最终，研究人工认知的演化，以比较模型、诊断风险并治理随时间的变化。