先把单个神经元的时间性做对,再谈网络与自由能。否则我们只是把 LLM 的 token 换成了脉冲。
01LIF 基底
我们保留全真 LIF 动力学:漏电、阈值、重置、不应期、突触延迟与噪声。膜电位是连续的信念状态,脉冲是离散的通信事件。
原型记录:10 个脑区、3328 个 LIF 神经元、31232 个突触,dt = 1ms,STDP 时间窗 12 步,学习率 0.004。脑区不是标签,是功能回路:脊髓反射弧、丘脑 WTA、海马体、杏仁核、基底节、下丘脑、小脑、前额叶、联合皮层、语言区。
tau_m · dV/dt = −(V − V_rest) + R · I(t)
if V ≥ θ → spike, V ← V_reset, refractory
这不是“简化版神经元”,而是我们要求内核保留的时间结构。去掉不应期,脉冲就会退化成阈值检测;去掉漏电,系统就没有遗忘。
02精度
自由能不修改膜方程,而是给每个神经元增加一个对输入的生成模型:预测均值、预测误差、精度。精度决定“她现在多在意这个误差”。
这解决了一个 LIF 没有回答的问题:同样是误差,为什么有时会引发行动,有时会被忽略?答案不能只在网络权重里,必须在状态里。
03脉冲
脉冲不是“信念”,而是精度加权的预测误差广播。它同时携带事件与置信度;接收端根据精度决定是否更新。
这套语言必须接受反例:如果去掉精度,行为是否只是变差,而不是完全不变?如果完全不变,精度就是装饰。
04实验
- 自由能是否随学习下降,和打乱权重的对照组比;
- 预测误差是否在可预测输入下下降、在意外输入下上升;
- 去掉不应期/精度/内稳态,行为是否有可测差异;
- 同一刺激在不同内态下,反应是否不同。
实验必须可以失败。不能失败的实验不是研究,是演示。
05失败边界
当前 FE-LIF 只到“可交互骨架 + 可视化”,还没有完整可复现的训练/消融结果。任何把它说成“已完成内核”的页,都是不诚实的。
我们只做出了 1%。但它是真的。
下一步:把 LIF、精度与内稳态接到同一个最小闭环,先证明一个可重复的行为差异,再谈更大网络。
ADLP / KERNEL NOTE / 2026.11
← 返回研究纲领