涌现不变性：从符号化思考到接口细化

语言可以被视为思维的正式化部分：从更广泛的场境认知中推导出后果导向的符号结构。大规模训练的语言模型表现出补偿性涌现：稀疏的架构基础支持在场境内学习、多步推理、工具使用和链式思维。然而，基于语言的先验概率架构继承了相对人类认知的实质性、基础和高层次不完备性。它们的共存使LLM成为人类思维形式的生成器，从不完整的基础中重建越来越接近人类思维形式。我们询问补偿是否可以弥补所有缺失的区别。我们把哲学前提形式化为符号化-结构性论点，并引入涌现不变性。对于通过共享任务接口φ作用的规模指数化家族，$\mathcal{R}_s^*=\mathcal{R}_φ^*+C_s$：规模可以减少补偿差距$C_s$，而正向接口地板$\mathcal{R}_φ^*$保持不变。我们证明，在固定输入法的情况下，一个接口在完成其信息$σ$-场时，其信息量比另一个接口更不相关信息，总补偿恰好在两者接口地板和渐近补偿差距消失时发生。该框架统一了现有关于基础、记忆、位置、注意、贝叶斯继承、科学推理和推理控制的研究。在匹配的DeepSeek V4-Flash API研究中，当相关区别可用时，思考从$0/16$改善到$14/16$的指针追逐；精确的观测双胞胎仍然停留在$50\%$的构建地板；恢复决定性的记忆使匹配性能从$50\%$提升到$100\%$。这些结果为预测的界面内扩展与细化界面本身之间的分离提供初步证据。