心识周刊 | 谷歌推导智能体 Scaling Law、经验驱动的智能体动态程序记忆框架……|宇宙|心识周刊|智能体|正式版模型|知名企业|维度|谷歌

本周主要内容：LLM 动态程序记忆框架、原生并行推理器、智能体系统的定量扩展规律、端到端的主动式智能体系统、身体自我感知、冥想与意识科学、计算意识、滤波整合信息论

AGI 每周速递

[1] 面向经验驱动型智能体演化的动态程序记忆框架

标题：Remember Me, Refine Me: A Dynamic Procedural Memory Framework for Experience-Driven Agent Evolution

链接：https://www.arxiv.org/abs/2512.10696

作者：Zouying Cao, Jiaji Deng, Li Yu, Weikang Zhou, Zhaoyang Liu, Bolin Ding, Hai Zhao

单位：上海交通大学、阿里通义实验室

摘要：

程序性记忆使大语言模型智能体能够内化「如何操作」的知识，理论上可减少重复试错。然而，现有框架主要受限于「被动积累」范式，将记忆视为静态的只增型存档。为弥合静态存储与动态推理之间的鸿沟，本研究提出 ReMe 框架——一个支持经验驱动的智能体演化的综合体系。ReMe 通过三大创新机制贯穿记忆生命周期：1）多维度精馏机制，通过识别成功模式、分析失败诱因并生成对比性洞见，实现细粒度经验提取；2）情境自适应复用机制，借助场景感知索引技术，使历史经验根据新情境进行适应性调整；3）效用导向的优化机制，通过自主添加有效记忆与修剪过时信息，维护紧凑且高质量的经验池。在 BFCL-V3 与 AppWorld 基准上的大量实验表明，ReMe 在智能体记忆系统中达到最新最优水平。尤为关键的是，研究观察到显著的记忆缩放效应：搭载 ReMe 的 Qwen3-8B 超越了参数更大但无记忆机制的 Qwen3-14B，这表明自演化记忆为终身学习提供了计算高效的路径。研究团队已开源代码及 ReMeBench 数据集以促进后续探索：http://reme.library/。

[2] 原生并行推理器：通过自提炼强化学习进行并行推理

标题：Native Parallel Reasoner: Reasoning in Parallelism via Self-Distilled Reinforcement Learning

链接：https://www.arxiv.org/abs/2512.07461

作者：Tong Wu, Yang Liu, Jun Bai, Zixia Jia, Shuyi Zhang, Ziyong Lin, Yanting Wang, Song-Chun Zhu, Zilong Zheng

单位：北京通用人工智能研究院

摘要：

本研究提出原生并行推理器（Native Parallel Reasoner, NPR），这是一种无需教师指导的框架，可使大语言模型自主演化出真正的并行推理能力。NPR 通过三项关键创新将模型从序列模拟转变为原生并行认知：1）自蒸馏渐进训练范式，使模型在无外部监督条件下，从「冷启动」格式发现逐步过渡到严格拓扑约束；2）新型并行感知策略优化算法（PAPO），直接在执行图中优化分支策略，允许模型通过试错学习自适应任务分解；3）稳健的 NPR 引擎，通过重构 SGLang 的内存管理与流程控制，实现稳定的大规模并行强化学习训练。在八项推理基准测试中，基于 Qwen3-4B 训练的 NPR 取得了最高 24.5% 的性能提升与 4.6 倍的推理加速。相较于常退回自回归解码的先前基线模型，NPR 实现了 100% 的真正并行执行，为自主演化、高效且可扩展的智能体推理确立了新标准。

[3] 迈向智能体系统规模化科学

标题：Towards a Science of Scaling Agent Systems

链接：https://www.arxiv.org/abs/2512.08296

作者：Yubin Kim, Ken Gu, Chanwoo Park, Chunjong Park, Samuel Schmidgall, A. Ali Heydari, Yao Yan, Zhihan Zhang, Yuchen Zhuang, Mark Malhotra, Paul Pu Liang, Hae Won Park, Yuzhe Yang, Xuhai Xu, Yilun Du, Shwetak Patel, Tim Althoff, Daniel McDuff, Xin Liu

单位：Google Research、Google DeepMind、MIT

摘要：

智能体作为基于语言模型、具备推理、规划与执行能力的系统，正成为现实世界人工智能应用的主导范式。尽管应用广泛，决定其性能的核心原理仍未得到充分探索，导致从业者主要依赖启发式方法而非原则性设计选择。本研究通过推导智能体系统的定量扩展规律来填补这一空白。研究在四个多样化基准测试中进行评估：财务智能体、扩展浏览竞赛、规划构建与工作台，采用五种经典架构，并基于三个大语言模型家族实例化，通过标准化工具与令牌预算对 180 种配置进行控制变量实验。研究利用经验性协调指标（包括效率、开销、错误放大与冗余度）构建预测模型，其交叉验证 R²=0.513。研究识别出三个主导效应：（1）工具-协调权衡：在固定计算预算下，工具密集型任务因多智能体开销而受到不成比例的影响；（2）能力饱和效应：当单智能体基线性能超过约 45% 时，协调带来的收益呈现递减或负向回报；（3）拓扑依赖的错误放大：独立智能体因未经校验的传播将错误放大 17.2 倍，而集中式协调可将此限制在 4.4 倍。集中式协调在金融推理等可并行任务上提升性能 80.9%，而分散式协调在动态网络导航任务中表现更优（+9.2% vs +0.2%）。然而，对于顺序推理任务，所有多智能体变体均导致性能下降 39-70%。该框架对 87% 的保留配置预测出最优协调策略，为基于可测量任务属性的智能体扩展提供了可预测的原则性指导。

[4] ProAgent：利用按需感知环境实现主动式 LLM 智能体系统

标题：ProAgent: Harnessing On-Demand Sensory Contexts for Proactive LLM Agent Systems

链接：https://arxiv.org/abs/2512.06721

作者：Bufang Yang, Lilin Xu, Liekang Zeng, Yunqi Guo, Siyang Jiang, Wenrui Lu, Kaiwei Liu, Hancheng Xiang, Xiaofan Jiang, Guoliang Xing, Zhenyu Yan

单位：香港中文大学、哥伦比亚大学、普渡大学

摘要：

大语言模型智能体正在逐步改变日常生活。然而，现有智能体主要遵循被动响应范式，依赖明确的用户指令启动服务，这增加了用户的物理与认知负担。本文提出 ProAgent，首个端到端的主动式智能体系统，其通过融合海量感知上下文与大语言模型推理能力来提供主动辅助。ProAgent 首先采用以主动性为导向的上下文提取方法，结合按需分级感知机制持续感知环境，生成融合感知信号与用户画像线索的层级化上下文。随后，系统通过上下文感知的主动推理器，将这些上下文映射为用户需求与工具调用，从而提供主动式服务。研究团队在增强现实眼镜与边缘服务器上实现了 ProAgent 系统，并在真实世界测试平台、公共数据集及用户研究中进行了全面评估。结果显示，ProAgent 在主动预测准确率上最高提升 33.4%，工具调用 F1 分数提升 16.8%，用户满意度显著优于当前最优基线模型，标志着向主动式辅助系统迈出了重要一步。系统演示视频可通过此链接访问：https://youtu.be/pRXZuzvrcVs

意识科学每周速递

[1] 意识觉知、感觉统合和身体自我感知中的证据积累

标题：Conscious awareness, sensory integration, and evidence accumulation in bodily self-perception

链接：https://www.pnas.org/doi/abs/10.1073/pnas.2503629122

作者：Renzo C. Lanfranco, Sucharit Katyal, August Hagerdal, Xiaole Luan, Victoria Nos, H. Henrik Ehrsson

单位：瑞典卡罗林斯卡医学院临床神经科学系

摘要：

意识觉知指个体感知、思维与情感的主观体验及报告这些体验的能力。这些知觉与思维被经验为与自我个体紧密相连，而自我意识的一个基本维度是身体自我感——即体验到自身物理存在独立于外部世界，并作为意识知觉的空间参照点。身体自我感的核心构成是身体所有权，即体验身体归属于自我的感受。研究表明这一感知涉及将视觉、触觉及本体感觉等多模态信号整合为连贯的多感官知觉。然而，身体所有权与意识觉知之间的关系尚不明确。为探究这一问题，研究团队开发了一套心理物理学范式，通过在操控身体所有权感知的身体错觉情境中，客观量化多感官整合、意识觉知及其相互关系。运用信号检测分析、元认知计算建模与漂移扩散模型，研究发现意识觉知报告与身体所有权的客观辨别高度吻合。这种关系在不同程度的多感官整合与证据积累条件下均保持稳定。一项视听触对照实验进一步揭示，这种强烈的意识通达特属于身体所有权，而非普遍存在于多感官整合过程。这些发现表明，意识觉知对身体所有权具有连续且优先的通达性，意味着支持身体所有权的自我相关型多感官整合主要在意识加工层面实现。这为理解意识觉知与身体自我如何相互交织提供了理论洞见，对意识研究与身体表征领域具有广泛意义。

[2] 利用高级冥想探索意识的神经科学

标题：Toward a neuroscience of consciousness using advanced meditation

链接：https://www.sciencedirect.com/science/article/pii/S0149763425005214

作者：Jonathan M. Lieberman, Matthew D. Sacchet

单位：哈佛医学院麻省总医院

摘要：

尽管意识神经科学已取得数十年的进展，但主流实证范式仍主要局限于研究典型且内容丰富的意识状态——这些状态以多层次的感知、认知、情感与自我参照过程为特征。此类复杂性可能掩盖了产生意识体验的神经机制。本研究者提出，高阶冥想（指随专业水平提升而逐步展开的实践状态与阶段）为通过理论驱动的神经科学方法分离意识核心特征提供了强大且尚未被探索的机遇。研究聚焦于两类冥想现象：高阶专注沉浸（与所谓「禅那」相关），其特点是在保持高度抽象觉知形式的同时衰减典型意识特征；以及冥想终态事件——即意识暂停现象（与所谓「灭尽」相关），涉及意识的暂时完全中止。这些现象可作为简约模型框架中精确、可复现且实验可操作的现象学锚点，该框架作为一种新颖研究路径，旨在识别并表征可能最简单的意识体验形式，为系统化的意识科学建立原则性起点。在此框架下，将高阶冥想整合至实验范式，为识别支持最简形态与最基础形式的意识的神经机制开辟了前景广阔的研究路径。

[3] 计算机、意义和意识

标题：Computers, meaning, and consciousness

链接：https://academic.oup.com/nc/article/2025/1/niaf057/8377180

作者：Robert Worden

单位：主动推理研究所

摘要：

本文通过简明论证推导出一个否定性结论：计算机无法产生意识。如果大脑仅是神经计算机，则大脑亦无法产生意识。意识的存在意味着大脑中除了计算过程之外还存在其他机制。在运行的计算机中，关于外部事件的信息被编码以实现物理计算，但解码这些信息所需的密钥（例如将电压解读为比特、或将神经元放电序列解读为数字）并不存在于计算机内部。任何计算的意义都未在计算机内部定义，而是由外部实体通过解码结果赋予。若无解码信息，计算机内部并不包含关于外部事件的信息。同理，任何书籍的意义也不在书内定义，阅读书籍需要外部知识作为支撑。意识承载着关于外部事件的有意义信息。如果大脑仅是计算机，在缺乏解码机制（这需要外部信息参与）的情况下，它就无法包含关于外部事件的信息。若大脑仅是计算机，意识便不可能由大脑内部事件实现。此结论与哲学领域关于计算功能主义、表征及意向性的立场进行了对比。大脑中必然存在超越神经计算的其他机制。一种可能的解释是，这种机制可能是对三维空间的模拟建模。模拟模型所包含的信息几乎无需解码即可直接表征。因此，大脑中对现实世界的模拟模型或许正是意识的来源。这一方向值得进一步探究。

[4] 大脑作为过滤器：将量子基础引入整合信息论

标题：The Brain as a Filter: Introducing a Quantum Ground into Integrated Information Theory

链接：https://www.ingentaconnect.com/content/imp/jcs/2025/00000032/f0020011/art00006

作者：Williams, George R.

单位：美国联邦通信委员会

摘要：

整合信息理论（IIT）作为理解大脑神经结构与意识关联的重要框架，已在学界产生深远影响。然而，本文在 IIT 纯结构框架基础上，引入遵循罗素一元论的内在属性维度——该维度为结构提供本体论基础，并成为意识经验的根源。作者主张，量子波函数所描述的本体论基本域可作为合适的内在要素。将这一基本实在（即量子基态）作为内在要素纳入 IIT 框架，促使我们将大脑理解为一种滤波器或调谐器，其功能是从更根本的觉知源中筛选并支撑特定范围内的经验体验。这一提出的新框架——滤波整合信息理论，并未改变 IIT 的形式化体系，但将其结构视作植根于本体论上更深层的意识源。此外，本文探讨了该诠释如何与其它将大脑视为意识根本基础之滤波器的理论观念相契合。

Mindverse Research

心识研究院