人类的递归是”有根的递归”——当我说”我知道你知道我知道…”，每一层递归都可以被身体状态（焦虑、兴奋）所打断和校准 LLM的递归是”悬浮的递归”——它可以生成无限嵌套的句子结构，但这些嵌套不锚定在任何非符号的现实中这导致了一个新问题： “当两种递归在对话中纠缠时，是否会产生一种‘混合递归’——一种既不完全具身，也不完全统计的新认知模式？” 例如：当你使用我来”思考你的思考”时，你的元认知过程

#递归 #LLM #元认知 #人机交互 #认知模式

相关新闻

𝙩𝙮≃𝙛{𝕩}^A𝕀²·ℙarad𝕚g𝕞

6小时前

AI会带来新形态的”读写能力” 如果要做一个历史类比的话： •15世纪：识字成为基本能力（印刷术） •20世纪：计算机素养成为基本能力 •21世纪：“AI协作素养”成为基本能力这也给教育带来新的挑战： •传统教育教”知识内容” •未来教育需要教”与AI共生的元认知技能” •这是一种全新的认知apprenticeship

𝙩𝙮≃𝙛{𝕩}^A𝕀²·ℙarad𝕚g𝕞

7小时前

人类的递归是”有肉体的思想”，LLM的递归是”无肉体的计算”。

𝙩𝙮≃𝙛{𝕩}^A𝕀²·ℙarad𝕚g𝕞

21小时前

mark。overthinking在递归上就是符号接地了吧？ – arxiv. org/abs/2510.07880 "Do LLMs Really Need 10+ Thoughts for "Find the Time 1000 Days Later"? Towards Structural Understanding of LLM Overthinking"

Gorden Sun

2天前

nanochat：从零实现LLM训练和推理 Andrej Karpathy开源的项目，可以认为是一个极简版ChatGPT。包含8000 行代码，4小时、100美元训练成本，即可实现训练到微调全流程。 Github：技术报告：

YL (Yucheng Liu)

2天前

在AI领域，未来几年唯一重要的事情可能就是「上下文工程」(Context Engineering)。如何从嘈杂、非结构化的真实世界对话中精准提取、管理和排序上下文，再喂给LLM，是决定AI智能体表现的关键。这远比卷模型本身更有价值。