心识周刊 | MiA-RAG 构建大模型全局大脑、阿里开源 ROME 模型构建智能体学习生态系统……

本周主要内容：心智景观感知检索增强生成方法、智能体学习生态系统（ALE）与开源智能体模型 ROME、认知神经科学与 AI 的记忆、流形约束超连接 mHC、主动推理、计算现象学与高级冥想、生命系统的结构、异质性影响大脑动力学和计算

AGI 每周速递

[1] 基于心智景观感知的检索增强生成

标题：Mindscape-Aware Retrieval Augmented Generation for Improved Long Context Understanding

链接：https://arxiv.org/abs/2512.17220

作者：Yuqing Li, Jiangnan Li, Zheng Lin, Ziyan Zhou, Junjie Wu, Weiping Wang, Jie Zhou, Mo Yu

单位：中国科学院、中国科学院大学、腾讯微信人工智能实验室、香港科技大学

摘要：

人类通过构建对文本内容的整体语义表征来理解长篇复杂文本。这种全局视角有助于组织先验知识、解释新信息并整合分布于文档各处的证据，心理学研究中揭示的人类「心智景观感知能力」（Mindscape-Aware Capability）正是这一过程的体现。当前检索增强生成系统因缺乏此类全局指引，在处理长上下文任务时面临困难。本文提出心智景观感知检索增强生成方法（MiA-RAG），这是首个为大语言模型检索增强生成系统赋予显式全局语境感知能力的研究。该方法通过层级摘要构建心智景观，并以此全局语义表征指导检索与生成过程。这使检索器能够形成语义丰富的查询嵌入，同时让生成器能够在连贯的全局语境中对检索到的证据进行推理。研究团队在多样化的长上下文及双语基准测试中，针对证据驱动理解与全局意义建构任务对 MiA-RAG 进行评估。结果显示其性能持续超越基线模型，进一步分析表明该方法能将局部细节与连贯的全局表征相统一，从而实现更接近人类认知的长上下文检索与推理。

[2] 在开放的智能学习生态系统中构建 ROME 模型

标题：Let It Flow: Agentic Crafting on Rock and Roll, Building the ROME Model within an Open Agentic Learning Ecosystem

链接：https://arxiv.org/abs/2512.24873

作者：Weixun Wang, XiaoXiao Xu, Wanhe An, Fangwen Dai, Wei Gao, Yancheng He, Ju Huang, Qiang Ji, Hanqi Jin, Xiaoyang Li, Yang Li, Zhongwen Li, Shirong Lin, Jiashun Liu, Zenan Liu, Tao Luo, Dilxat Muhtar, Yuanbin Qu, Jiaqiang Shi, Qinghui Sun, Yingshui Tan, Hao Tang, Runze Wang, Yi Wang, Zhaoguo Wang, Yanan Wu, Shaopan Xiong, Binchen Xu, Xander Xu, Yuchi Xu, Qipeng Zhang, Xixia Zhang, Haizhou Zhao, Jie Zhao, Shuaibing Zhao, Baihui Zheng, Jianhui Zheng, Suhang Zheng, Yanni Zhu, Mengze Cai, Kerui Cao, Xitong Chen, Yue Dai, Lifan Du, Tao Feng, Tao He, Jin Hu, Yijie Hu, Ziyu Jiang, Cheng Li, Xiang Li, Jing Liang, Chonghuan Liu, ZhenDong Liu, Haodong Mi, Yanhu Mo, Junjia Ni, Shixin Pei, Jingyu Shen, XiaoShuai Song, Cecilia Wang, Chaofan Wang, Kangyu Wang, Pei Wang, Tao Wang, Wei Wang, Ke Xiao, Mingyu Xu, Tiange Xu, Nan Ya, Siran Yang, Jianan Ye, Yaxing Zang, Duo Zhang, Junbo Zhang, Boren Zheng, Wanxi Deng, Ling Pan, Lin Qu, Wenbo Su, Jiamang Wang, Wei Wang, Hu Wei, Minggang Wu, Cheng Yu, Bing Zhao, Zhicheng Zheng, Bo Zheng

单位：阿里巴巴等

摘要：

智能体构建要求大语言模型在现实环境中通过多轮交互执行行动、观察结果并迭代优化产物。尽管其重要性日益凸显，开源社区仍缺乏一个系统化的端到端生态系统来简化智能体开发。研究团队提出智能体学习生态系统（ALE）——一个优化智能体大语言模型生产流程的基础设施框架。该系统由三个核心组件构成：ROLL（用于权重优化的后训练框架）、ROCK（用于轨迹生成的沙箱环境管理器）以及 iFlow CLI（支持高效上下文工程的智能体框架）。团队同期开源了基于 ALE 框架训练、依托超过百万条轨迹数据构建的开源智能体模型 ROME。该研究包含合成复杂行为的数据组合协议，以及一种新颖的策略优化算法——基于交互的策略对齐（IPA）。该算法通过语义交互片段而非单个词元进行奖励分配，从而提升长程训练的稳定性。在实证评估中，研究团队在结构化环境中对 ROME 进行了测试，并推出了规模更大、污染控制更严格的评测基准 Terminal Bench Pro。ROME 在 SWE-bench Verified 和 Terminal Bench 等多个基准测试中均展现出优异性能，验证了 ALE 基础设施的有效性。

[3] AI 与大脑的交汇：从认知神经科学到自主智能体的记忆系统

标题：AI Meets Brain: Memory Systems from Cognitive Neuroscience to Autonomous Agents

链接：https://www.arxiv.org/abs/2512.23343

作者：Jiafeng Liang, Hao Li, Chang Li, Jiaqi Zhou, Shixin Jiang, Zekun Wang, Changkai Ji, Zhihao Zhu, Runxuan Liu, Tao Ren, Jinlan Fu, See-Kiong Ng, Xia Liang, Ming Liu, Bing Qin

单位：哈尔滨工业大学、复旦大学、北京大学、新加坡国立大学

摘要：

记忆是连接过去与未来的关键纽带，为人类和人工智能系统提供宝贵的概念和经验，以应对复杂的任务。近年来，自主智能体的研究日益关注如何借鉴认知神经科学设计高效的记忆工作流程。然而，由于跨学科的局限性，现有研究难以全面理解人类记忆机制的本质。为了弥合这一差距，本文系统地整合了记忆领域的跨学科知识，将认知神经科学的洞见与基于大语言模型（LLM）的智能体相结合。具体而言，作者首先阐述了记忆的定义和功能，并沿着从认知神经科学到大语言模型再到智能体的渐进路径展开。然后，本文从生物学和人工智能的角度对记忆的分类、存储机制以及完整的记忆管理生命周期进行了比较分析。随后，本文回顾了评估智能体记忆的主流基准测试。此外，作者从攻击和防御的双重视角探讨了记忆安全问题。最后，本文展望了未来的研究方向，重点关注多模态记忆系统和技能习得等领域。

[4] mHC：流形约束超连接

标题：mHC: Manifold-Constrained Hyper-Connections

链接：https://arxiv.org/abs/2512.24880

作者：Zhenda Xie, Yixuan Wei, Huanqi Cao, Chenggang Zhao, Chengqi Deng, Jiashi Li, Damai Dai, Huazuo Gao, Jiang Chang, Liang Zhao, Shangyan Zhou, Zhean Xu, Zhengyan Zhang, Wangding Zeng, Shengding Hu, Yuqing Wang, Jingyang Yuan, Lean Wang, Wenfeng Liang

单位：DeepSeek

摘要：

近年来，以超连接（Hyper-Connections，HC）为代表的研究通过扩展残差流宽度和多样化连接模式，扩展了过去十年广泛应用的残差连接范式。虽然这种多样化带来了显著的性能提升，但它从根本上损害了残差连接固有的恒等映射特性，导致严重的训练不稳定和可扩展性受限，并增加了显著的内存访问开销。为了应对这些挑战，本文提出了流形约束超连接（Manifold-Constrained Hyper-Connections，mHC）。mHC 是一个通用框架，它将 HC 的残差连接空间投影到特定的流形上以恢复恒等映射特性，同时结合严格的基础设施优化来确保效率。实验表明，mHC 能够有效地进行大规模训练，提供显著的性能提升和优异的可扩展性。作者预期，作为 HC 的灵活实用扩展，mHC 将有助于加深对拓扑架构设计的理解，并为基座模型的演进指明有前景的发展方向。

意识科学 每周速递

[1] 主动推理、计算现象学与高级冥想：迈向冥想体验的形式化

标题：Active Inference, Computational Phenomenology, and Advanced Meditation: Toward the Formalization of the Experience of Meditation

链接：https://www.sciencedirect.com/science/article/abs/pii/S0149763425005408

作者：Hagar Tal, Malcolm Wright, Shawn Prest, Lars Sandved-Smith, Matthew D. Sacchet

单位：哈佛医学院、马斯特里赫特大学、莫纳什大学等

摘要：

计算现象学已成为研究高级冥想状态与阶段、冥想发展及终极境界的有力框架。已有多种模型被提出，旨在从机制上解释与冥想实践相关的多样体验，包括增强的幸福感、注意控制的转变、感知结构的松动或「解构」，以及最小现象经验与诸如「止息」等转化性冥想境界。然而，这些模型朝着不同方向发展，对其背后机制的综合理解仍显不足。本文综述考察计算模型如何尝试解释高级冥想的现象学，特别聚焦于主动推理作为建模框架的作用。研究识别出精度加权——即赋予不同模型参数的置信度——作为各模型间的共同机制，它塑造了体验的转变。此外，研究发现早期模型与后期模型之间存在显著差异：早期模型强调自上而下的注意调制，指向内感受或特定焦点对象；而后期模型则集中于冥想者层级生成模型中特定层级的精度重加权，并针对更具体的现象学特征。这些差异源于模型在目标、范围以及对冥想实践定义上的不同。尽管对最小现象经验的兴趣日益增长，但与不二性、止息等相关的状态及形式化境界大多尚未得到探讨。鲜有模型处理冥想所报告的认知灵活性提升与学习效应，而非正式实践与情感过程背后的基本机制，以及慈悲传统的运作过程，仍未被充分探索。填补这些空白对于完善高级冥想计算模型、深化对其认知、情感与体验效应的理解至关重要。

[2] 解读生命系统的结构

标题：Decoding the Architecture of Living Systems

链接：https://arxiv.org/abs/2512.22651

作者：Manlio De Domenico

单位：帕多瓦大学

摘要：

进化驱力——连同热力学约束、支持信息处理的具体计算特征以及生态过程等若干基本因素——可能制约生命系统的运行逻辑，这一可能性极具吸引力。然而，人们往往忽视的是，这种逻辑的任何实际实现都需要补充性电路结构，而在生物系统中，这通过遗传调控、代谢反应、细胞信号传导、通讯以及社会性与超社会性非平凡组织的复杂网络得以实现。本文回顾并讨论电路结构如何不仅是被动架构，更是能动的变革主体：通过层级化与模块化组织，它们能够促进并催化“可进化性”自身的演化。运用统计物理学分析非平凡拓扑结构在重大进化跃迁中的作用，研究显示生物创新与偏离平凡结构及（热）力学平衡态密切相关。研究指出，在自然界普遍观察到的稀疏异质网络（如层级模块化结构），在冗余性能耗成本、纠错与系统维持之间的权衡中更具优势。本文识别出三大关键特征——互连性、可塑性与相互依赖性——指向一个用于建模相关现象学的统一框架，并借助动力系统理论、非平衡态热力学与进化动力学对其展开讨论。在此统一图景下，研究进一步表明缓慢的进化动力学是一种涌现现象，受复制-变异方程支配，而这正是受约束变分非平衡过程的直接结果。总体而言，本研究揭示了动力系统理论与非平衡态热力学如何为研究生物复杂性提供强有力的分析工具。

[3] 神经科学对人工智能的启示：如何整合动作、组合结构和情景记忆，从而实现安全可解释的类人人工智能

标题：Lessons from Neuroscience for AI: How integrating Actions, Compositional Structure and Episodic Memory could enable Safe, Interpretable and Human-Like AI

链接：https://arxiv.org/abs/2512.22568

作者：Rajesh P. N. Rao, Vishwas Sathish, Linxing Preston Jiang, Matthew Bryan, Prashant Rangarajan

单位：华盛顿大学

摘要：

大语言模型及其他基础模型近年来的显著进展，主要基于对大规模 Transformer 模型以最小化下一词元预测损失这一出奇简单的目标进行优化——这种预测编码形式，同时也日益成为神经科学与认知科学中脑功能模型的核心架构。然而，当前的基础模型忽略了先进预测编码模型的另外三个关键组成部分：行动与生成模型的紧密结合、层级组合结构，以及情景记忆。研究团队认为，要实现安全、可解释、高能效且类人的智能，基础模型应当将多尺度抽象层次上的行动与组合式生成架构和情景记忆相融合。本文介绍了神经科学与认知科学中关于这些组成部分重要性的最新证据，并阐释了将这些缺失组件引入基础模型，如何有助于解决其当前存在的若干不足：因缺乏具身锚定而导致的幻觉与概念理解表层化、因缺乏控制而缺失的主体/责任意识、因缺乏可解释性而引发的安全与可信威胁，以及能效低下问题。研究团队将此提案与当前技术趋势（如在基础模型中增加思维链推理与检索增强生成）进行了对比，并探讨了以类脑组件增强这些模型的新途径。最后，本文主张重新点燃脑科学与人工智能之间历史上富有成果的思想交流，将有助于推动通往安全、可解释且以人为本的人工智能之路。

[4] 异质性如何影响大脑的动力学和计算

标题：How heterogeneity shapes dynamics and computation in the brain

链接：https://www.cell.com/action/showPdf?pii=S0896-6273%2825%2900896-7

作者：David Dahmen, Axel Hutt, Giacomo Indiveri, Ann Kennedy, Jeremie Lefebvre, Luca Mazzucato, Adilson E. Motter, Rishikesh Narayanan, Melika Payvand, Henrike Planert, Richard Gast

单位：于利希研究中心、洛林大学、斯特拉斯堡大学等

摘要：

学界已投入大量努力将神经元聚类为转录组或功能细胞类型，并描述其间的差异。然而，除了将神经元划分为不同类别外，我们必须认识到不存在完全相同的两个神经元，且给定类型细胞内部存在连续的生理学或转录组学特性梯度。这种常被忽视的「类型内异质性」正是统计物理学所称「无序性」在神经细胞中的具体体现，其展现出丰富的计算特性，而对这类特性的识别可能为脑功能理论提供关键洞见。在本观点文章中，研究团队通过强调研究神经组织异质性的理论框架，探讨类型内异质性对神经网络动力学、计算及自组织过程的优势与意义，以弥补当前研究空白。

Mindverse Research

心识研究院

心识浩渺连广宇

心识宇宙研究院，致力于在即将到来的元宇宙数字时代，研究和创造真正等价于人类意识水平的数字生命，目前已经综合多种研究进路和方法规划出一条通向AGI和人工意识的道路。在后续内容运营上，我们也会介绍和创造更多有关人工智能、意识科学、元宇宙方面最新的研究成果和原创内容。

欢迎有志者关注和加入我们的研究！