AI生成模糊认知图的智能体分块与贝叶斯去块化：修昔底德陷阱的一个模型

摘要

我们通过教会大语言模型智能体将文本切分为相互重叠的文本块，从文本中自动生成反馈因果模糊认知图（FCM）。对这些分块FCM进行凸混合，可得到一个具有代表性的循环FCM知识图谱。文本块可以具有不同程度的重叠。无论重叠程度如何，分块FCM仍可混合形成新的FCM因果知识图谱。该混合技术具备可扩展性，因为它利用稀疏因果分块矩阵进行轻量计算。这种混合结构支持一种算子层面的贝叶斯推断，可从混合FCM中产生“去块化”或类后验的FCM。这些去块化FCM本身即有实用价值，并可支持贝叶斯更新的进一步迭代。我们在Allison关于美国等主导大国与中国等崛起大国之间冲突的“修昔底德陷阱”模型的论文文本上演示了这些混合技术。FCM动力学系统在平衡至不动点或极限环吸引子的过程中预测结果。当我们通过开启并保持代表崛起大国野心与权利诉求的概念节点来刺激这8个FCM知识图谱时，其中7个预测出某种形式的战争。Gemini 3.1 LLM担任了分块AI智能体。

AI生成模糊认知图的智能体分块与贝叶斯去块化：修昔底德陷阱的一个模型：论文配图 — 图 1：人工智能自动对采样文本进行分块和去分块，以创建基于块的模糊认知图 (FCM) 和类似贝叶斯的后验 FCM。分块实验使用了格雷厄姆·艾利森在《大西洋月刊》上发表的题为“修昔底德陷阱：美国和中国走向战争吗？”的文章。作为输入。艾里森解释道：“当一个崛起的大国威胁取代一个统治大国时，本来可以遏制的标准危机，比如 1914 年大公被暗杀，可能会引发一连串的反应，进而产生任何一方都不会选择的结果。”分块过程将 Allison 的文章分成 nn 个重叠的连续文本块。然后，大语言模型 (LLM) Gemini 3.1 使用第 3 节中的定制系统指令从这些文本块中提取相应的 FCM ℱ1\mathcal{F}_{1}、ℱ2\mathcal{F}_{2}、...、ℱn\mathcal{F}_{n}。然后，这些 nn 个 FCM 通过凸组合进行混合，得到混合 FCM ℱ似然\mathcal{F}_{\text{似然}}。去块过程找到对应于似然 FCM ℱk\mathcal{F}_{k} 的后验 FCM 𝒫k\mathcal{P}_{k}。然后后 FCM 也通过凸组合进行混合，得到 ℱPosterior\mathcal{F}_{\text{Posterior}}。