“罗伯特·布朗顿”奇点：递归AI中的语义隧穿与流形展开
机器学习
2026-02-04 v1 人工智能
计算与语言
计算物理
摘要
基于递归合成数据训练的生成式人工智能的稳定性通常通过困惑度（PPL）进行监控。我们展示在L=128的上下文稳定 regime下，PPL是一种欺骗性指标。使用严格的滑动窗口协议（N=1500），我们识别出一种新型失效模式，称为“语义隧穿”。虽然基线模型保持高语言 fluency（PPL约83.9），但在语义多样性方面遭受了灾难性损失，在七次生成中收敛到单个低熵叙事吸引子：“罗伯特·布朗顿”奇点。这种现象代表了潜在流形（全局有效秩3.62 -> 2.22）的完全崩溃，模型放弃多样化的世界知识，仅为统计上安全的语法模板优化。为此，我们应用了Hou (2026) [arXiv:2601.11594]中最近确立的多尺度负耦合信息系统（MNCIS）框架。我们展示了自适应谱负耦合（ASNC）作为一种拓扑算子，主动诱导“流形展开”。MNCIS迫使模型将有效秩从各向异性基线的3.62扩展到5.35的超高多样性状态，有效构建一个抵抗语义吸引子引力、保留训练数据长尾分布的“人工流形”。
引用
@article{arxiv.2602.02526,
title = {The "Robert Boulton" Singularity: Semantic Tunneling and Manifold Unfolding in Recursive AI},
author = {Pengyue Hou},
journal= {arXiv preprint arXiv:2602.02526},
year = {2026}
}
备注
Companion paper to arXiv:2601.11594. Provides empirical validation of the MNCIS framework in Large Language Models (GPT-2) using a recursive training protocol (N=1500). Includes complete, reproducible Python implementation of Adaptive Spectral Negative Coupling (ASNC) and Effective Rank metrics in the Appendix