Teleodynamic Learning：面向可解释AI的新范式

我们提出Teleodynamic Learning，这是一种机器学习的新范式，在该范式中，学习不是固定目标的最小化，而是在约束下功能组织的涌现与稳定。在受生命系统启发，本框架将智能视为三个量的耦合演化：系统能够表示的事物、其参数如何适应、系统内部资源能够维持的变更。我们将学习 formalization为具有两个相互作用 timescales 的约束动力学过程：inner dynamics用于连续参数适应，outer dynamics用于离散结构变更，通过与之相连的内生资源变量进行链接，该变量既塑造又被其轨迹所塑造。该视角揭示了三个标准优化自然无法捕获的现象：在无需外部强加停止规则的情况下实现自我稳定，phase-structured学习动力学使其从非结构化经历teleodynamic growth到过度结构化，以及基于信息几何而非凸性的收敛保证。我们在Distinction Engine(DE11)中实现了该框架，该学习者基于Spencer-Brown的形式法则、信息几何和热带优化。在标准基准测试中，DE11在IRIS上实现93.3%的测试准确率，在WINE上实现92.6%的准确率，在乳腺癌上实现94.7%的准确率，同时产生可解释的逻辑规则，这些规则是从学习动力学中内生产生的，而非由人为施加。更广泛地说，Teleodynamic Learning将regularization、architecture search和资源受限推理统一于一个原则：在约束下，学习是结构、参数和资源的共演。这是一条通向自适应、可解释且自组织AI的热力学依据之路。