冗余调整人工年龄评分（AAS）下人工智能系统的长期持久性理论

arXiv:2608.04012v1 公告类型：新 摘要：人们越来越期望人工智能系统能够在交互、适应和更新的重复周期中运行，而不是通过孤立的一次性输出。这就提出了一个基本的理论问题：人工智能系统能否无限期地持续存在而不会导致无限制的结构老化？本文基于冗余调整人工年龄评分（AAS）为人工智能系统开发了一个长期持久性框架。该模型将 AAS 从静态评估测量扩展为周期级函数，可在重复操作中生成年龄序列。在每个周期，结构寿命是通过对组件一致性级别进行加权、冗余感知的对数惩罚来定义的。在这个框架内，循环水平年龄被证明是明确定义和统一界限的，从而排除了爆炸性点老化。在此基础上，本文定义了渐进机制的层次结构，包括负担持久性、零负担持久性、振荡持久性和累积终端负担。它还建立了比较排序、灵敏度界限、分量稳定下的收敛性、有限总变分下的持久性、阻尼周期间扰动下的几何稳定性以及非简并冗余条件下的零负担表征。主要结果是，无限循环延续不需要无限制的结构老化：人工智能系统可能会经历无限多个循环，而其结构年龄仍然有界，而在更强的规律性条件下，其边际老化消失，并且在最强的情况下，其循环水平负担收敛到零。因此，该框架为分析长期人为持久性作为有限结构负担问题而不是不可避免的累积恶化问题提供了正式基础。