工作论文：迈向基于范畴论的通用人工智能比较框架
随着全球科技巨头在通用人工智能（AGI）领域投入前所未有的资源，AGI已成为人工智能研究的“圣杯”。然而，目前AGI领域仍缺乏统一的正式定义，现有的基准测试框架也多为经验性。一篇于2026年3月30日提交至arXiv的预印本工作论文，提出了一个开创性的解决方案：利用范畴论构建一个用于描述、比较和分析不同AGI架构的通用代数框架。
为何需要范畴论？
范畴论是数学中一个高度抽象的分支，专注于研究对象之间的“关系”和“变换”，而非对象本身的内部结构。这种特性使其成为分析复杂系统的理想工具。在AGI研究中，不同的架构（如强化学习、因果强化学习、基于图式的学习等）往往使用不同的数学语言和模型来描述，这使得直接比较它们变得异常困难。
该论文的核心主张是：范畴论与AGI将形成一种非常共生的关系。通过将各种AGI架构形式化为范畴中的对象和态射，研究者可以：
- 无歧义地揭示不同架构之间的共性与差异。
- 暴露未来研究的关键领域。
- 为AGI系统提供一个统一的形式化基础，整合架构结构、信息组织、智能体实现、智能体与环境交互、行为随时间发展以及属性经验评估等多个维度。
框架的初步探索与长远目标
这篇立场论文是更广泛研究计划的第一步。它从应用范畴论的角度出发，借鉴了“范畴中的机器”这一概念，旨在为“范畴中的AGI架构”提供一个现代视角。
作为初步实践，论文进行了首次尝试，将强化学习、因果强化学习和基于图式的学习这三种架构置于范畴论的框架下进行形式化描述。这不仅仅是简单的分类，而是旨在定义架构的句法和信息属性，以及智能体的语义属性，并评估它们在具有明确特征的环境中的表现。
对AI研究的意义与展望
当前，AGI的评估多依赖于像ARC-AGI这样的经验性基准测试。虽然这些测试至关重要，但它们往往侧重于特定任务的表现，而非从根本的数学结构上理解智能。本文提出的范畴论框架，有望从理论上补足这一短板。
如果这一框架得以完善和推广，它将可能：
- 成为AGI研究的“通用语言”，让来自不同子领域的研究者能在同一套形式化体系下交流与合作。
- 指导新架构的设计，通过明确现有架构的数学边界，启发更具潜力的新范式。
- 为AGI的安全性、可解释性和鲁棒性研究提供坚实的理论基础，因为形式化是进行严格推理的前提。
当然，这仍是一篇早期的“工作论文”，其提出的框架需要后续大量的研究工作来填充、验证和实际应用。但它指出了一个清晰的方向：要真正理解和创造通用智能，或许我们需要超越具体算法，转向更深刻、更统一的数学抽象。在通往AGI的漫长道路上，范畴论可能正是一把被忽视的关键钥匙。
