智能体性与智能的数学理论

为在变化的条件下可靠运作，复杂系统需要关于其资源使用效率的反馈，而不仅仅是目标是否达成。当前 AI 系统处理海量信息以产生精细的预测，但预测可能显得成功，而底层与环境的交互却在退化。所缺失的是一条有原则的度量：系统部署的总信息中有多大比例实际在其观察、动作与结果之间共享。我们证明这一共享比例——我们称之为双可预测性（bipredictability）P——是任何交互所固有的，可从第一性原理推导，且被严格界定：P 在量子系统中可达 1，在经典系统中 P 等于或小于 0.5，引入智能体性（动作选择）后更低。我们在物理系统（双摆）、强化学习智能体与多轮 LLM 对话中证实这些界。这些结果区分了智能体性与智能：智能体性是对预测采取行动的能力，而智能还要求从交互中学习、自我监控学习有效性，并调整观察、动作与结果的范围以恢复有效学习。按此定义，当前 AI 系统具有智能体性但不具有智能。受生物系统中丘脑皮层调节启发，我们展示了一个实时监控 P 的反馈架构，为自适应、有韧性的 AI 奠定前提。