相似度场论：智能的数学框架

我们认为，转换相似关系构成可理解动态系统的结构基础。本文引入相似度场论，一个形式化相似值在实体之间及其演化的原则的数学框架。我们定义：(1) 一个作用于实体宇宙 $U$ 上的相似度场 $S: U \times U \to [0,1]$，满足自反性 $S(E,E)=1$，并被视为有向关系场(允许非对称性和非传递性)；(2) 通过序列 $Z_p=(X_p,S^{(p)})$ 索引 $p=0,1,2,\ldots$ 的系统演化；(3) 作为诱导出纤维 $F_{\alpha}(K)={E\in U \mid S(E,K)\ge \alpha}$ 的概念 $K$，即一元映射 $S_K(E):=S(E,K)$ 的超水平集；(4) 产生新实体的生成算子 $G$。在此框架下，我们形式化一种智能定义：若给定包含属于 $K$ 纤维中实体的系统，$G$ 生成的实体也属于该纤维，则算子 $G$ 对于概念 $K$ 是智能的。相似度场论因此为表征、比较和构建智能系统提供了基础语言。在高层次上，该框架将智能和可解释性重新框定为相似度场上的几何问题——保持和组合水平集纤维——而非统计问题。我们证明了两个定理：(i) 非对称性阻止互包含；(ii) 稳定性要么导致锚坐标，要么在目标水平上逼近收敛(可达任意小的容差)。这些结果约束相似度场演化，激发一种可应用于大型语言模型的解释性视角。AI 系统可能更倾向于对人类可观察和可解释的人类安全观念进行对齐，而非完全决定底层安全概念。