NRR-Core：面向情境身份与歧义保留的非解决推理计算框架

当前的人工智能系统存在根本性的架构局限：它们过早地解决歧义。这种过早的语义坍缩——将多个有效解释坍缩为单个输出——源于神经架构中的经典身份假设。我们提出非解决推理（NRR），一种将歧义保留视为有效推理模式的框架。NRR 引入三个原则：（1）非身份（$A \neq A$）——同一符号在不同情境下指指代不同实体；（2）近似身份（$A \approx A$）——实体在结构上存在部分重叠但并非相同；（3）非解决——冲突解释共存无需强制收敛。我们通过多向量嵌入实现情境依赖的表示，通过非坍缩注意力实现平行解释保留，通过情境身份跟踪（CIT）在推理中维持 $A \neq A$。我们通过悖论处理、创意生成和情境依赖推理等案例研究展示了 NRR。在合成的两轮消歧任务中的功能验证表明，NRR-lite 在歧义轮次保持高熵（$H = 0.91$ 位，接近最大熵 $1.0$），而标准架构提前坍缩（$H = 0.15$ 位），保留了直至情境到达的解释灵活性。NRR 挑战了“必须坍缩才能有用”的假设。在后续系列中采用的狭义非评估性阅读中，关键实践点在于：保留的备选方案无需在证据不完整时进行重复的全分支比较评估。问题不在于 AI 是否应该解决歧义，而在于何时、如何以及由谁控制。