认知栖身何处：在最小完备认知架构中剖析涌现功能与计算功能

认知架构不止于负责推理的模块：它还必须决定思考多久、以及什么值得为之付出思考。我们构建了一个最小但完备的系统——一个带自适应停止的循环推理器、一个稳态控制场和一个价值模块——并逐一追问每个部分：这一功能是从梯度下降中涌现的，还是必须被显式计算？能力（Competence）是涌现的。停止似乎也是涌现的，且其价值高于一切可事先决定的部分，但这一表象源自测量方式：在相同平均算力下，收益从0.467（均匀停止）升至0.546（按难度）再到0.698（事前价值），而进一步升至0.921（事后自观察）未能通过审计。PonderNet式的停止返回隐藏状态的停止加权混合，而强制深度基线返回单一状态，且语言头只在混合上训练；拉平读出方式后，原生执行表面的优势荡然无存（残差+0.000 [0.000, 0.000]）。价值并不涌现：训练出的耦合在一个显式分配器可完全捕获的收益上捕获为零（+0.151，路由相关性+0.79），因此在价值与内容正交时——如本文按构造所设——必须显式计算那些能带来收益的二阶决策。在冻结的LLM执行器上，同样的测量手段表明自一致性投票是一个有实测边界的收益（+0.0236 [+0.0150, +0.0326]），而样本间一致性作为停止信号几乎毫无价值，其质量集中在错误答案上。我们主张的每一个零结果都附有机制与阳性对照，且该协议本身是贡献的一部分。执行我们自己的可证伪预测：在悬崖成本（cliff-cost）家族中，承诺下的价值带来+0.1312 [+0.1124, +0.1502]的收益，约为平滑家族估计的七倍——不是因为悬崖在事前改变了信息，而是因为它把可获得的收益范围放大了五倍（5.1x [3.4, 8.2]）。