集体智慧的符号向量注意力融合

当自主代理观察共享环境的不同域时，它们交换的每个信号都混合了相关和不相关的维度。没有现有的机制可以让接收器评估要吸收哪些维度。我们引入符号向量注意力融合（SVAF），这是集体智能的两级耦合引擎的内容评估部分。 SVAF 将每个代理间信号分解为 7 个类型的语义字段，通过学习的融合门对每个字段进行评估，并生成一个混音——来自两个领域交叉点的新知识。带通模型产生四种结果（冗余、对齐、防护、拒绝），解决了选择性和冗余问题。融合门独立地发现了一个跨域相关性层次结构：在准确度达到稳定之前，情绪在第 1 时期成为最高权重的字段——这与 LLM 情感表示在结构上沿着价唤醒轴嵌入的独立机械证据一致。 SVAF 构成网状内存协议 (MMP) 第 4 层；耦合引擎的另一半是第 6 层的每个智能体的闭式连续时间 (CfC) 神经网络，其学习的每个神经元时间常数 (tau) 创建了集体智慧出现的时间动态：快速神经元在几秒钟内同步跨智能体的影响，而慢速神经元则无限期地保留领域专业知识。 SVAF 决定什么进入每个智能体的认知状态； CfC 决定该状态如何演变。 SVAF 使用来自 273 个叙事场景的 237K 个样本进行训练，实现了 78.7% 的三级准确率。我们在跨 macOS、iOS 和 Web 的 7 个节点的实时部署中验证了完整的网格认知循环——从每个字段评估到重新混合、CfC 状态演化、tau 调制对等混合和自主操作。