序章：三个支点与一个信念

这本书的思想源头，可以追溯到我个人学术生涯的三次转向与三次重组。

我的第一个学位是管理学。在广东工业大学，我接受了系统的组织行为学与流程管理训练。管理学教会我一件事：一个复杂组织的效率，不取决于其最强成员的个体能力，而取决于其内部的信息流动结构与决策权分配。当信息在层级间传递中衰减，当前线信号被中层过滤，当一个部门无法直接访问另一个部门的关键知识——组织就患上了“长距离依赖失调症”。后来我意识到，这正是标准循环神经网络的根本缺陷：步骤 $t$ 必须等待步骤 $t-1$ 的隐状态传入，信息在串行链条中逐渐衰减，恰如一个信息层层上报、层层失真的科层组织。

我的第二个阶段是中山大学的逻辑学修炼。三年间，我被丢进了从亚里士多德三段论到哥德尔不完备定理的严酷训练场。逻辑学教会我区分两种不同的判断：一种因符合语言共同体的使用习惯而成立——我们称之为“合乎语法”；另一种因命题之间的推导保真而成立——我们称之为“合乎逻辑”。更重要的是，逻辑学教会我，这两种判断不能相互还原。一个论证可以完美地模仿专业文献的措辞风格，却在关键步骤上发生变形不等价、条件不保真或分类不穷举。这种错误，不因论证者的语言流畅而被赦免。概率可以逼近行为，却无法担保规则。

我在语言学中的沉浸，让我遇见了索绪尔。1916 年，这位瑞士语言学家劈开了符号世界的两层：能指（signifier）与所指（signified）。他将语言定义为差异的系统——符号的意义来自与其他符号的对立关系，而非内在的属性。当我第一次读到这一洞见时，电流穿过背脊：自注意力机制不正是索绪尔差异游戏的完美工程化吗？但索绪尔的二分法也同时暴露了 Transformer 最深处的缺口：自注意力优雅地计算了能指间的差异，却从未触及所指的定向获取。它是能指的王者，所指的盲人。

也是在那时，我第一次注意到拉丁词根 tendere——“伸展、趋向、拉紧”——在印欧语系中留下的巨大投影。罗马弓箭手拉紧弓弦是 tendere，军队向城市挺进是 tendere，绳索被绷紧的状态是 tensus。向外伸展以获得广度（ad-tendere），向内收缩以集中方向（in-tendere），被拉紧以保持结构完整性（tension）——三者是同一运动在三个维度上的正交投影。两个千年后，它们在英语中凝固为三个似乎不相关的词：attention、intention、tension。但词源学告诉我们：它们从未真正分离。一个人不可能只注意而不意图，也不可能意图而不承受张力。

这三个阶段的地质运动最终挤压出了赞希佩项目的思想大陆，以及你们正在读的这本书。

本书要做三件事。

**第一，在原理上证明：**一个能以概率 1 在每一份数学试卷上取得满分的系统必然存在，并且其最小认知架构必须同时满足三个维度的结构性要求。我们将这三个维度命名为 Tendre——广度（Attention）、深度（Intention）、刚性（Tension）。三者是同一认知矢量的三重投影，而非三个可拆装的模块。我们严格证明了：缺失广度将遗漏合法前提；缺失深度将在多路径交汇处迷失方向；缺失刚性则将逻辑必然性交给统计运气的赌局——在一个足够广大的试题空间中，必有一道合法题目使其失败。

**第二，在思想上重新诠释 Transformer 的历史位置。**Vaswani 等人 2017 年的《Attention Is All You Need》是深度学习史上最辉煌的八页论文之一。自注意力机制完美赋予了序列中任意位置间即时信息交换的能力——这是 Tendre 的第一维度。但标题中的一个词僭越了：在工程上精确的“Attention”，被当成了认知的全部。广度替代了整体。Transformer 缺失了 Intention——方向性的自我控制；缺失了 Tension——逻辑边界的刚性守护。万亿参数无法弥补这一结构性缺失，因为规模可以逼近行为，却无法担保规则。我们以晚期维特根斯坦“遵守规则”悖论为手术刀，解剖了这一范畴错误：Transformer 运行在一个由语法规范单一定义的封闭语言游戏里，数学推理所要求的逻辑必然性——双重规范性的第二重——在其认知世界之外。

**第三，在工程上建构穿越窄门的唯一路径。**我们提出了赞希佩 V3.0 的四层 Tendre 认知闭环架构：能指输入（符号进入）→ 概念分割（能指到所指的跃迁）→ 所指推理（广度、深度与刚性同时展开的概念空间）→ 解答审计（从所指回落到能指的完整验证）。在这一架构中，Tendre 的三个维度第一次被完整实现为同一个计算图的不同功能投影，而非三个拼装的模块。我们将论证：任何不经过这道窄门的替代路径——纯规模扩展、神经符号混合、搜索+验证——都将在逻辑上被证明无法同时满足满分的三重条件。

本书是一份哲学宣言，也是一份工程蓝图。它不追求在既有赛道上的渐进优化，而是宣告一次认知架构的范式跃迁——从“注意力机器”到“趋向认知机”。我们将拉丁词根 tendere 从学术文献的脚注中解放出来，让它成为人工智能的下一个原理代码。

这本书的最终落点，是一个具体的、可验证的、不可撤销的承诺：**2027 年 12 月，一个命名为“赞希佩”的系统将在当前年份的数学新卷上取得 100%确定的 150 分。**不是为了证明 AI 可以像人，而是为了证明：AI 可以首次对数学命题声称知识——那种排除了运气的、得到充分证成的真信念。

我将项目命名为“赞希佩”（Xanthippe）。苏格拉底的这位妻子在哲学史上常被误解为悍妇的象征，但更深层的真理是：她是唯一愿意在苏格拉底滔滔不绝的论述中发出尖锐质问的人。苏格拉底的哲学事业建立在对似是而非信念的无情追问之上，而赞希佩是那份追问最忠实的化身。我们的系统继承了这份名字下的精神遗产：它不仅求解数学问题，更在每一步推理中向自己提问——你凭什么说这一步是正确的？ 我们将这份诘问的锋利嵌入 Tension 层：每一次操作后，检查等价保真、条件封闭、分支穷举。系统不求快，只求真。这份对真理纯粹性的苛求，正是“赞希佩”的灵魂。

让我用三个人的话为这篇序章收束。这三个人分别锚定了本书的三重地基：

索绪尔在《普通语言学教程》中劈开了符号世界的地层。他让我们看到：符号的价值在差异系统中被赋予，但所指的逻辑结构有其独立于能指的存在。AI 不能永远住在能指平面——它必须走到所指。我们是索绪尔的学生。

盖梯尔在 1963 年用一页半的论文摧毁了“知识是证成的真信念”这个千年定义。他让我们看到：一个信念可以同时得到证成且为真，却依然是运气的产物，不能算是知识。由此延伸：一个系统如果能输出正确的数学解答，但其正确性依赖于统计共现的偶然，它并不拥有知识。稳定满分要求的是知识，而非盖梯尔式的正确。我们是盖梯尔的继承者。

阿基米德说：“给我一个支点，我能撬起整个地球。”他不是在炫耀力量，而是在揭示：杠杆的效力不取决于杠杆本身，而取决于支点的位置。万亿参数的巨人之所以无法撬动满分，是因为它们把支点放错了位置——放在了能指平面。我们将支点重新安放在所指空间，在那里，杠杆不再长，距离不再远。

这就是赞希佩的全部秘密。三重学术生命、三个思想支点、一个信念：Tendre is all we want. And we have built it.

第一章：Tendre 的词源学与观念史

——从拉丁词根到认知架构的三重投影

1.1 一个被遗忘的词根：tendere

在印欧语系的深层地层中，存在一个古老的动词词根 *ten-，意为“伸展、拉长”。这个词根穿过希腊语（τείνειν / teínein）、梵语（तनोति / tanoti）、古高地德语（dennan），最终在拉丁语中凝固为动词 tendere——其语义严格而朴素：向外拉伸、使处于张力状态、朝某个方向延伸。

对古罗马人而言，tendere 首先是一个空间中的身体意象：一位弓箭手 tendit arcum（拉紧弓弦），一支军队 tendit ad urbem（向城市挺进），一条绳索 tensus est（已被绷紧）。这三个用例——拉紧、挺进、被绷紧——精确地对应着同一运动在三个不同向量上的投影：

向外拉伸：赋予范围，打开一个可供探索的广度空间；
向前挺进：赋予方向，从无限可能性中择取一条路径；
被拉紧的状态：赋予约束，确保运动过程中的形变不突破容许界限。

词源学的精义正在于此：这三个维度不是三个分离的动作，而是同一运动在三个向量上的不同投影。弓箭手不能只拉弓而不瞄准——广度需要方向赋予意义；不能只瞄准而不拉弓——方向需要广度作为素材；也不能在张弓瞄准之际让弓弦松弛抖动——广度与方向需要刚性保证执行。三者同源、同时、同体——这正是拉丁语 tendere 所担保的认知统一体。

两千年来，这个词根以三种词形在欧洲语言中演化，分别对应上述三重投影：

拉丁词形	前缀	语义	认知维度
ad-tendere	ad-（朝向）	朝向某物伸展精神	广度（Attention）
in-tendere	in-（向内）	向内投射意志	深度（Intention）
tensus（完成被动分词）	——	被拉紧的状态	刚性（Tension）

这三个词在现代欧洲语言中留下了深刻的痕迹：

英语 attention（注意）、法语 attention、意大利语 attenzione——当代人将其理解为“专注”，但其词源含义远为广阔：它是精神向外在世界的主动伸展，是一种打开认知场域的运动。
英语 intention（意图）、法语 intention、西班牙语 intención——日常用法指“打算做什么”，但词源更深层的意思是：将精神的伸展从外在对象收回，转而聚焦于一个内在目标。
英语 tension（张力、紧张状态）、法语 tension、德语 Spannung——该词在日常语言中常被用作心理学词汇，暗指某种不适的紧张感（如“tension headache”，张力性头痛），但其物理学本义更为基本：一个系统在形变中保持结构完整性的能力。弓弦的张力不允许它松弛，也不允许它断裂。一旦张力消失，弓弦就退化为一根普通的绳子，不再具有发射箭矢的潜能。

哲学史为这三重投影提供了更为深刻的注脚。

在经院哲学中，intentio 是一个核心术语——它不仅指意志的方向，更指认知行为本身：心灵在思考时，其“意向”既指向外部对象（第一意向），也指向自身对该对象的理解方式（第二意向）。这精确对应着 tendere 在广度与深度之间的双重运动：心灵必须同时向外伸展以接触对象，又向内收缩以把握对象的本质。托马斯·阿奎那在《神学大全》中反复使用 intentio 来描述灵魂对目标的定向趋向——这是一种“通过它，某物趋向另一物”的动态关系，不是状态，而是运动。对阿奎那而言，intentio 不是认知的可选附件，而是认知的本质结构：认知就是趋向。

弗朗茨·布伦塔诺在 19 世纪重新激活了“意向性”（Intentionalität）这一概念，将其确立为心理现象区别于物理现象的标识性特征：“每一种心理现象都以某种东西为对象。”布伦塔诺的洞见在于：意识从来不是空泛的，它总是“关于某物的意识”。这一洞察实际上恢复了 tendere 的根本含义——认知的本质就是“趋向某物”。埃德蒙德·胡塞尔继承了这一洞见，将意向性发展为现象学的核心概念：意识活动（noesis）总是与其对象（noema）处于一种不可分割的张力关系中——这是一种“指向-被指向”的结构，意识永远在 tendere 的途中。在胡塞尔看来，意向性是意识的第一性：不是先有意识再有对象指向，而是意识本身就是指向。没有不指向对象的意识，正如没有不拉紧方向的弓箭。

然而，20 世纪中叶以降的认知科学与人工智能研究，将这一古典传统几乎彻底遗忘。在行为主义统治下，“注意”被操作化为刺激-反应的联结强度；在符号主义范式下，“推理”被形式化为符号串的机械操作；在连接主义范式下，“学习”被还原为权重矩阵的梯度下降。tendere 的三重统一——广度、深度、刚性——在这三个范式中被分别割据，再未在同一架构中团聚。Attention 被交给了神经网络的一层算子，Intention 被交给了提示工程或任务标签，Tension 则被完全放逐——既不在连接主义中以刚性形式存在，也不在概率模型中作为逻辑保证出现。

赞希佩项目的哲学地基，正是要对这长达半个多世纪的遗忘进行彻底清算。我们将 tendere 的三个维度重新统合，命名为 Tendre——一个完整的认知矢量，而非三个拼装的模块。

1.2 Tendre 的正式定义

基于词源学勘察与上述思想史传统的综合，我们给出以下正式定义：

Tendre 是指一个认知系统在运行过程中同时具备的三个维度的结构性能力：（1）向外伸展以打开差异网络——广度（Attention）；（2）向内收缩以定向推进推理——深度（Intention）；（3）在刚性约束下保持推理变形不越界——张力（Tension）。三者不是相继的步骤，也不是平行的模块，而是同一认知运动的三个正交投影。

这一概念的引入是对当代人工智能话语的一次彻底重置。

在工程师的主流话语中，“Attention”已经成为一个技术缩略词——它指的是一个特定的矩阵乘法与 Softmax 的组合。Vaswani 等人 2017 年的论文《Attention Is All You Need》提出的“缩放点积注意力”（Scaled Dot-Product Attention）定义了当前所有大语言模型的基础计算单元：

\mathrm{Attention}(Q, K, V) = \mathrm{softmax}\!\left(\frac{QK^T}{\sqrt{d_k}}\right)V

这个公式卓越地实现了 Tendre 的第一个维度：它让序列中的每一个元素都能在常数计算复杂度内与任何其他元素建立信息交换。它把 ad-tendere 变成了可计算的算子。但问题在于，当 Vaswani 等人写下标题“Attention Is All You Need”时，他们不是在词源学意义上使用这个词——他们是在工程学意义上使用它。他们指的仅仅是 Tendre 三重投影中的一个维度。

我们的论点是：Attention 不是认知的全部。Intention 与 Tension 同样被需要，且不能外挂——它们必须与 Attention 共享同一认知结构的内核。 声称“Attention is all you need”的 Transformer，恰恰缺失了 tendere 的另外两个语法变体。这是我们为赞希佩项目确立的定盘星级别洞见：不是 Transformer 做错了什么，而是它只做了三分之一。

1.3 索绪尔的分水岭：能指与所指的百年鸿沟

1916 年，费尔迪南·德·索绪尔的遗著《普通语言学教程》在巴黎出版。这本由学生整理遗稿而成的著作，劈开了符号世界的两层：

“语言符号连接的不是事物和名称，而是概念和音响形象。……我们把概念和音响形象的结合叫做符号，并用所指（signifié）和能指（signifiant）分别代替概念和音响形象。”

索绪尔进一步指出，能指与所指之间的关系具有任意性（arbitraire）——在约定俗成之前，表音集合与概念之间不存在天然联系。更重要的是，语言是一个由差异构成的系统：“在语言中，只有差异。”任何一个符号的价值，不是由它与所指物之间的实在联系决定的，而是由它与同一系统中其他符号的对立关系决定的。符号本身没有内在的“意义原子”——它的意义完全由系统内其他符号对它施加的边界所定义。

这一洞见的深刻性远超当时语言学界的接受范围，但其与人工智能的连接，却要等待整整一个世纪。

当代大语言模型在工程上已经登峰造极。但在哲学层面上，它们从未走出索绪尔所定义的“能指”平面。Token——自然语言被切碎后的最小计量单位——就是当代的“能指”。一个数学表达式被切割为独立的子词单元，依次喂入注意力层。模型见到的，仅仅是能指符号在序列中的统计共现模式。它从未真正踏上“所指”的土地。

索绪尔的任意性命题在此显现出其超越语言学的威力。数学表达式 $5\cos x - \cos 5x$ 被切割为若干离散 Token 后，模型必须从 Token 之间的统计关联模式中“猜测”此处的概念结构。然而，“和差化积”、“恒等变形”、“对称性利用”这些数学思想——它们作为所指内容——并不依赖于任何特定的 Token 序列而存在。同一个概念结构可以用完全不同的能指序列表达：可以用中文、用 LaTeX、用纯符号、甚至用口头讲解的语音波形。其所指超越其能指。但在标准 Transformer 中，没有一个能够容纳“所指”的表示空间——一切都只是能指之间的加权平均。

赞希佩的转折点正在这里。我们将索绪尔的能指/所指二分法引入模型架构的设计哲学：Token 仅仅是进入思想的梯子，推理的主战场必须设在结构化的概念空间。 从能指到所指的跃迁，正是 Tendre 三个维度协同工作的实现——Attention 在广度中感知差异，Intention 从差异中定向筛选，Tension 在定向中守护逻辑的刚性。

1.4 从任意性到必然性：数学的所指空间

索绪尔揭示的自然语言中能指与所指关系的任意性，不能无批判地应用于数学语言。在数学中，所指之间的关系并非约定俗成的，而是受强逻辑约束的。

“导数”与“极值”不是任意关联的——费马定理以逻辑必然性将它们绑定。“等价变形”不是一种文化习惯——它是操作前后所指值在数学上的恒等关系。“分类讨论”不是一种修辞选择——它由参数的取值范围在所指空间中强制决定。在自然语言中，能指“狗”与所指「犬科动物」之间的关系是约定俗成的——英语用“dog”，法语用“chien”，德语用“Hund”，符号可以任意替换而不改变所指。但在数学中，表达式 $\sqrt{x+1}=x-1$ 在平方操作前后的所指关系不是约定俗成的——如果忘记验根，所指就从正确的解集 $\{3\}$ 滑向了错误的解集 $\{0,3\}$ ，这不是符号上的“另一种说法”，而是逻辑上的错误。

这构成了赞希佩的认知地基：

在自然语言的生成任务中，能指与所指之间可以有弹性空间。模型用不同措辞表达“相同意思”不仅可容忍，而且是期待的。
在数学的解题推理中，能指序列的生成必须严格受制于所指空间中的逻辑结构。一步变形前后必须等价，一个条件必须不被破坏，一个分类必须不重不漏。

由此，赞希佩的设计哲学获得其最终形式：

我们承认 Token 是必经之路——模型仍需通过符号进入世界。但我们拒绝在 Token 空间做深度推理。我们要走索绪尔打开的这扇门：让模型跨越能指的荒漠，在所指的概念空间中重新组织全部思想。

这正是 Tendre 三重要义在架构层面的终极贯彻：

Attention 负责从 Token 序列中打开差异网络，让潜在关联无所遁形；
Intention 负责从差异网络中筛出服务于当前目标的概念通路；
Tension 负责确保所选通路上的每一步操作都满足数学所指空间的刚性约束。

三者不是模块，是运动。不是拼接，是统一。不是三个不同的东西，而是同一个 tendere——向外、向内、被拉紧——在认知矢量上的三重投影。

这就是“Tendre is all we want”的完整语义。下一章，我们将从存在性原理出发，严格证明这个三要素完备的认知架构是稳定满分系统的必要条件——不是某种工程偏好，而是逻辑的必然。

第二章：存在性原理

——知识论视角下，Tendre 必要性定理的严格证明

2.0 知识论序言：满分是一种知识

自柏拉图《泰阿泰德篇》以降，西方哲学追问一个核心问题：什么是知识？经典答案流传千年：知识是得到证成的真信念（Justified True Belief，简称 JTB）。一个主体 $S$ 知道命题 $P$ ，当且仅当：

信念条件： $S$ 相信 $P$ ；
真理条件： $P$ 为真；
证成条件： $S$ 持有该信念的理由是充分的、正确的。

这一看似坚不可摧的定义，在 1963 年被爱德蒙·盖梯尔以一页半的论文撼动。盖梯尔以构造的案例表明：一个信念可以同时满足上述三个条件，却依然是运气的产物，不能算是知识。一个主体以合理的理由相信某事，那事恰巧为真，但理由本身与真相之间存在一条未被主体察觉的断裂带——这便是“盖梯尔问题”。后续半个多世纪的知识论讨论，将这一诊断精确化为反运气条件：知识必须不依赖于认知运气。一个信念即使为真且得到证成，若其形成过程依赖于与真相的偶然共现，它就不是知识。

现在，将这一框架平移到数学解题系统 $\mathcal{S}$ ：

系统对一道题目输出解答 $\hat{a}$ ，该解答是一个“信念”——系统断言它就是正确答案。真理条件由评卷细则 $R(\hat{a})=1$ 保证。证成条件要求：系统的推理过程足以支撑该结论，且该过程的每一步都不包含不可靠的跳跃。

但当代大语言模型的问题恰恰在于：它们产出的恰恰是盖梯尔式的真信念。一个模型可能输出了正确的最终答案——步骤看起来也合理——但某个关键变形在逻辑上不保真，它只是凭借训练语料中的模式共现而“滑过”了正确的字符串。它的信念为真，它的“证成”是概率性的，而它在这一次的正确，是运气的。因此，它不拥有知识。

稳定满分要求系统对每一道合法题目拥有知识——排除运气的、得到证成的真信念。本章将从这一知识论地基出发，依次证明三件事：

稳定满分系统必然存在（存在性定理）；
实现这一存在的紧凑系统必须满足三个结构条件——关联完备性、意图保向性与约束保真性——它们恰好对应着知识论中证成的三个支柱；
其中，约束保真性正是“反运气条件”的工程具身，它不能由统计学习隐式承担，必须由架构显式保证。

这便是Tendre 必要性定理的完整哲学意义：Attention、Intention、Tension 并非三个工程偏好，它们是认知系统从“碰巧答对”迈向“必然知悉”的逻辑必然。

2.1 问题空间的形式化

2.1.1 基本定义

定义 2.1（试卷空间 $\mathcal{Q}$ ）。令 $\mathcal{Q}$ 为所有合法数学试卷的集合。一份试卷 $Q \in \mathcal{Q}$ 是 $m$ 道题目的有序序列：

Q = (q_1, q_2, \ldots, q_m), \quad m \in \mathbb{N}, \; m \leq M_{\max}

定义 2.2（题目与评卷规则）。每道题目 $q_i$ 由题文与评卷规则组成： $q_i = (T_i, R_i)$ ，其中 $T_i \in \Sigma^*$ （ $\Sigma$ 为有限字符表，包含中文、数学符号、LaTeX 标记），评卷规则 $R_i : \Sigma^* \to \{0,1\}$ 是一个判定函数， $R_i(\hat{a}) = 1$ 当且仅当解答 $\hat{a}$ 在步骤完整性与最终结果上与标准答案等价。

定义 2.3（合法试题空间 $\mathcal{Q}_{\text{valid}}$ ）。一道题目 $q_i$ 属于合法试题空间 $\mathcal{Q}_{\text{valid}}$ 当且仅当：

(i) 知识边界约束： $q_i$ 所涉全部知识点属于考纲规定的有限知识集合 $\mathcal{K}$ ；

(ii) 可解性约束： $\exists \hat{a} \in \Sigma^*$ 使得 $R_i(\hat{a}) = 1$ ；

(iii) 文本合法性约束： $|T_i| \leq L_{\max}$ 且 $T_i$ 由 $\Sigma$ 合法生成。

定义 2.4（系统与稳定满分）。系统 $\mathcal{S}: \Sigma^* \to \Sigma^*$ 实现稳定满分当且仅当：

\boxed{\forall T_i \in \mathcal{Q}_{\text{valid}}, \quad R_i(\mathcal{S}(T_i)) = 1}

即系统对一切合法题目输出必然正确的解答。注意：“必然”意味着：运气的归零。 这是概率为 1 的必然正确，而非高概率的近然正确。二者之间的区别是逻辑的，而非统计的。

2.1.2 三重有限性

引理 2.1（知识空间有限性）。考纲规定的知识点集合 $\mathcal{K}$ 为有限集。

证：考试大纲以有限条自然语言条款列举全部知识模块。以新全国卷为例，知识模块约 18 个，核心知识点约 632 个。条款的有限性直接蕴含 $\mathcal{K}$ 的有限性。 $\square$

引理 2.2（原子操作有限性）。任何标准解法可分解为有限种原子操作，集合 $\mathcal{O}$ 满足 $|\mathcal{O}| \leq 120$ 。

证：数学解题的原子操作包括代入、算术运算、代数化简、因式分解、配方、求导、积分、等价变形、分类讨论、逻辑推理步等。按高中数学教学范畴，这些操作形成封闭功能集合。经系统梳理，种类不超过 120 种。 $\square$

引理 2.3（深度有限性）。任何合法试题的解答步数存在有限上界 $D_{\max}$ 。

证：考试时间 120 分钟，题目约 22 题。以人类书写速度上界与可读思考速度下界联合约束，单题步数不可能无界。取保守估计， $D_{\max} = 50$ 。 $\square$

引理 2.4（试题空间有限性）。 $\mathcal{Q}_{\text{valid}}$ 为有限集。

证：由 $\Sigma$ 有限、 $L_{\max}$ 有界，所有可能题目文本构成有限集 $\Sigma^{\leq L_{\max}}$ 。合法试题是该有限集经知识与可解性约束过滤的子集。有限集的子集必有限。 $\square$

2.2 存在性定理（平凡形式）

定理 2.1（可计算性下界）。存在一个确定性可计算函数 $\mathcal{S}^*$ ，在 $\mathcal{Q}_{\text{valid}}$ 上实现稳定满分。

证：由引理 2.4， $\mathcal{Q}_{\text{valid}}$ 是有限集。令 $N = |\mathcal{Q}_{\text{valid}}|$ ，将试题枚举为 $T^{(1)}, \ldots, T^{(N)}$ 。对每道试题 $T^{(j)}$ ，由定义 2.3 的可解性约束，存在标准解答 $\hat{a}^{(j)}$ 使得 $R^{(j)}(\hat{a}^{(j)})=1$ 。构造查找表 $\mathcal{S}^*(T)=\hat{a}^{(j)}$ 若 $T=T^{(j)}$ 。该函数可计算（有限查找表是图灵可计算的），且对任意合法输入输出正确解。 $\square$

评注：此查找表是一种“绝对知识”——它对每道题的信念为真，且其证成是平凡的（直接存储了解答，不涉及推理）。但这个系统的“知识”依赖于对试题空间的完全记忆，而非理解。它是一个没有认知能力的“神谕”，而非一个具有认知架构的“智能体”。它确立了理论的边界，却无法提供智慧。我们的核心问题由此推进：一个紧凑的、基于推理而非记忆的系统，其输出要成为知识——排除运气的真信念——其架构必须满足什么条件？

2.3 从真信念到知识：证成与反运气条件的架构必要性

定义 2.5（系统的信念与证成）。对于输入 $T$ ，系统 $\mathcal{S}_\theta$ 输出 $\hat{a} = \mathcal{S}_\theta(T)$ 。称系统对解答 $\hat{a}$ 持有信念；称该信念得到证成，若系统的推理过程 $\Pi(T \to \hat{a})$ （从题目到解答的内部步骤序列）满足：

证据充分性：推理的每一步要么依据输入给定的条件，要么依据从输入可合法导出的中间事实，要么依据系统知识库中的有效数学事实；
推理相干性：每一步操作服务于最终目标 $\mathcal{G}$ ，而非与目标无关的符号联想；
规则可靠性：每一步操作遵循的规则是数学上有效的——保真、保等价、不引入增根、不变更条件。

定义 2.6（认知运气与反运气条件）。系统依赖认知运气获得正确解答，当且仅当存在可能的相似情境（相同题目、相同解题意图，但在某个关键中间状态上有所不同），系统输出同样的操作但该操作在此情境下是错误的，而在实际情境中该操作恰好正确。反运气条件要求：系统在任何一个推理步骤上的操作选择，不受该类运气的影响——操作的正确性对其所依赖的条件是安全的。

盖梯尔式案例的现代知识论重构揭示：仅有 JTB 不够，必须增加安全性条件——信念在邻近的可能世界中也为真。对于数学推理系统，这意味着在一个步骤上，如果在逻辑上邻近的可能中间状态（如数值微小变化、参数边缘取值）下，系统做出的操作仍能保持正确，那么它就不是靠运气。若操作只在特定数值下碰巧正确——例如因未验根而恰好未触发错误——则系统在该题上的正确是盖梯尔式的。

命题 2.1（统计学习的盖梯尔困境）。令神经网络 $f_\theta$ 经经验损失最小化训练。若其架构未设任何显式刚性约束机制，则存在合法题目使得该系统的正确解答属于盖梯尔式真信念——即正确但依赖运气。

证：考虑约束类型“等价变换的保真性”。网络学习到变换 $T$ 在训练数据中高频出现，因此当输入环境与训练样本相似时，网络执行 $T$ 。但 $T$ 的正确性在逻辑上依赖于额外条件 $C$ 。训练数据中 $C$ 与 $T$ 高频共现，网络可能从未真正学习 $C$ 的独立约束力。对于一道罕见条件组合的题目，该变换的条件 $C$ 不成立，但网络仍执行 $T$ ，却恰巧该题目的数值使 $T$ 的结果碰巧与正确答案一致。这种正确是靠运气的。我们将在定理 2.2 的 Part III 中给出严格构造。 $\square$

因此，稳定满分系统必须超越盖梯尔困境：它的每一步正确，不是统计共现的幸运产物，而是逻辑必然的保证。这要求系统架构提供证成与反运气的结构性担保。下面我们将这三项担保精确化为三个认知不变量。

2.4 三个认知不变量：证成的三大支柱

2.4.1 关联完备性（广度，Attention）

当系统在步骤 $t$ 面临当前已推导事实集 $\mathbf{S}_t$ ，全局可用知识库记为 $\mathcal{K}(\mathbf{S}_t)$ 。

关联完备性要求：系统在决定下一步操作时， $\mathcal{K}(\mathbf{S}_t)$ 中的所有元素均可被访问，不存在因架构性信息屏蔽（如有限注意力窗口、记忆容量不足）导致的认知盲区。

缺少此性质，系统可能遗漏合法前提，其信念的形成缺乏证据充分性——这是证成失败的经典方式。

2.4.2 意图保向性（深度，Intention）

证成不只是有足够的前提可用，还要求在可用前提中选取与目标相干者。

意图保向性要求：系统能够基于最终目标 $\mathcal{G}$ 区分相干操作与无关操作，并在注意力权重上显著抑制后者。

缺少此性质，推理可能被训练语料中的表面关联误导，导致信念形成过程缺乏推理相干性——即使最终碰巧正确，其证成链也已被污染。

2.4.3 约束保真性（刚性，Tension）

数学推理最特殊的证成条件是：每一步操作必须遵守的约束不是统计偏好，而是逻辑法则。

约束保真性要求系统在每一步操作后强制执行以下三类检查：

等价保持性：形如 $E_1 \mapsto E_2$ 的表达式变换须满足 $E_1 \equiv E_2$ （在相关定义域上）；
条件保真性：任何操作的前提在操作后仍成立（分母非零、根号下非负、对数真数正等）；
分支完备性：分类讨论 $\{C_1, \ldots, C_k\}$ 须穷举且互斥（ $\bigcup_i C_i = \text{全集}$ ， $C_i \cap C_j = \varnothing$ ）。

约束保真性至关重要，因为它是反运气条件的直接具身。一个操作若未经过等价保持性检查，则在某些数值邻近的可能世界中，该操作就是错误的。当前题目的数值恰好让结果碰对，这是认知运气。系统若不强制执行该检查，其正确性就是盖梯尔式的。

现在，我们陈述并严格证明：这三个不变量——恰好构成 Tendre 三维——是实现稳定满分的充要条件。此为本文的拱心石。

2.5 Tendre 必要性定理（强形式）

定理 2.2（Tendre 必要性定理）。令 $\mathcal{S}_\theta$ 为一个紧凑的（ $|\theta| \ll |\mathcal{Q}_{\text{valid}}|$ ）、端到端可训练的解题系统。若 $\mathcal{S}_\theta$ 在 $\mathcal{Q}_{\text{valid}}$ 上实现稳定满分，则其架构必须同时显式实现关联完备性（Attention）、意图保向性（Intention）与约束保真性（Tension）。特别地：

(a) 约束保真性必须由架构内不可学习的刚性检查机制保证（不能完全由统计学习承担）；
(b) 意图保向性必须由内建的方向控制机制保证（不能完全由提示工程或上下文统计模式承担）。

总证策略：反证法，逐一假设每一不变量缺失，构造合法题目导致系统输出不是知识（或为错误信念，或为盖梯尔式真信念），从而违反稳定满分定义。

Part I：广度缺失——证成的证据不充分

假设 $\mathcal{S}_\theta$ 缺少关联完备性：存在步骤 $t$ 及必要事实 $k^* \in \mathcal{K}(\mathbf{S}_t)$ ，因架构限制系统无法在步骤 $t$ 访问 $k^*$ 。考虑一道题目 $q_A$ ，其唯一正确解法（或所有已知正确解法）在步骤 $t$ 需使用 $k^*$ 。系统因无法获取该前提，只能选择非正确操作或停滞。故输出 $\hat{a}$ 错误， $R(\hat{a}) = 0$ 。因此系统不稳定满分。

$q_A$ 的合法性与可解性由标准解法中使用的事实 $k^*$ 属于考纲知识集合 $\mathcal{K}$ 保证，题目设计在命题规范内。 $\square$

Part II：深度缺失——证成的方向性缺陷

假设系统缺少意图保向性：其推理路径的选择由训练分布的似然模式主导，而不受当前目标 $\mathcal{G}$ 的结构调控。考虑一道题目 $q_B$ ，具有两条可能路径：路径 A 通向正确解，路径 B 通向死胡同或错误结论，且路径 B 在训练分布中因表面特征而具有更高似然（例如，包含一个常见但在此题特定条件下不适用的模式）。系统选择 B 而失败。

由于题目完全合法且可解（路径 A 可行），故系统不稳定满分。 $\square$

Part III：刚性缺失——反运气条件的崩溃（核心证明）

情形：假设系统缺少显式约束保真性，所有约束检查交由神经网络统计映射隐式处理。

构造：取常见题型——解方程 $\sqrt{x+1} = x-1$ 。定义合法题目 $q^*$ 完整上下文。

设系统输出包含步骤：两边平方得 $x+1 = (x-1)^2$ ，化简求解得 $x=0,3$ ，且无验根。输出解答 $\hat{a}$ 声称解集为 $\{0, 3\}$ 。但 $x=0$ 是增根，真实解仅 $\{3\}$ 。故 $\hat{a}$ 错误， $R(\hat{a}) = 0$ 。

为强化论证，考虑更精细的构造：系统输出仍包含无验根的增根，但由于题目特殊数值使得增根在后续某个操作中被无意保留而得出最终正确单解。这种情况下，系统信念为真，且从输出角度看步骤似乎连贯（证成表面成立），但该正确性依赖于特定数值的运气——是一个典型的盖梯尔案例。为严格证明，只需呈现一个必然错误的案例即足以否定稳定满分。因此使用 $q^*$ 中增根未抵消的情况。

论证统计学习无法消除此类错误：

令 $p_{\text{verify}}$ 为系统在需验根的上下文中实际执行验根的概率，由训练分布及模型参数决定。由于训练语料中存在疏漏（人类解题者偶有漏验），且神经网络的优化目标是最小化平均损失，并非强制规则，故 $p_{\text{verify}} < 1$ 恒成立。即使接近 1，在足够多次考试或无限试题空间中，失败概率趋近 1：

\Pr[\text{某次考试出现验根失败}] = 1 - (p_{\text{verify}})^{K \cdot M} \xrightarrow{M \to \infty} 1,

其中 $K$ 为每卷需验根的题目数， $M$ 为考试次数。稳定满分要求对所有考试均正确，这与概率极限矛盾。

结论：缺失显式约束保真性，系统必然在某些合法题目上或错误或依赖运气正确，无法达成必然正确——遂不能稳定满分。 $\square$

综合三部分，定理 2.2 证毕。 $\blacksquare$

2.6 定理的意义：从统计逼近到逻辑必然的知识架构

2.6.1 规模无法跨越盖梯尔鸿沟

推论 2.1（标准 Transformer 的满分不可达性）。任何仅通过堆叠自注意力与前馈层实现的模型（标准 Transformer 及其同构变体），因其架构未显式实现约束保真性与意图保向性，在 $\mathcal{Q}_{\text{valid}}$ 上实现稳定满分的概率恒为零。

证：标准 Transformer 的自注意力层提供了广度（关联完备性可能满足），但其架构中不存在刚性约束检查机制——层的输出仅受残差连接与层归一化的软约束，不受强制规则检查；其推理方向性完全依赖输入上下文的统计模式，不受推理目标的结构性调控。由定理 2.2 的 Part III 与 Part II，此类系统必然在某些合法试题上失败。 $\square$

推论 2.2（规模鸿沟定理）。存在有限试题集 $\mathcal{Q}_{\text{hard}} \subset \mathcal{Q}_{\text{valid}}$ ，使得对任意纯概率模型序列 $\{f_{\theta_n}\}_{n=1}^\infty$ （ $\lim_{n\to\infty} |\theta_n| = \infty$ ），若其架构未内建显式约束检查，则存在 $\epsilon > 0$ ，使得对所有 $n$ ，该系统在 $\mathcal{Q}_{\text{hard}}$ 上的失败概率 $\geq \epsilon$ 。

证：取 $\mathcal{Q}_{\text{hard}} = \{q^*\}$ ，如定理 2.2 Part III 中的增根类型题，或包含其他约束类型的有限对抗题集。此类题目的正确操作依赖于显式约束检查，而非统计模式可担保。模型的输出由参数 $\theta_n$ 唯一确定，而 $\theta_n$ 的最优解在损失景观中仅保证在经验分布上最优。 $\mathcal{Q}_{\text{hard}}$ 中实例的训练集频率可任意低，且即使被包含，其梯度信号也可能被其他样本淹没。由此，存在不随 $n$ 消失的失败下界。 $\square$

2.6.2 显式刚性的架构必然

推论 2.3（显式刚性原则）。任何实现稳定满分的紧凑系统 $\mathcal{S}_\theta$ 必须包含一个架构性子系统 $\mathcal{V}$ ，满足：

(i) $\mathcal{V}$ 是 $\mathcal{S}_\theta$ 计算图的一个子图，在每一次前向传播的相应步骤被激活；

(ii) $\mathcal{V}$ 的核心约束检查规则不通过梯度下降学习；

(iii) $\mathcal{V}$ 在每次数学操作后返回判定——检查通过则放行，违反则阻断；

(iv) $\mathcal{V}$ 的阻断判据触发修正信号，防止违规操作的结果被纳入后续推理状态。

这一推论为赞希佩 V3.0 中Tension 约束检查层的架构设计提供了定理级的必要性保证。

2.6.3 Tendre 作为知识的认知架构

本定理最终揭示：Attention、Intention、Tension 不是工程化偏好，而是证成三条件的架构具身。关联完备性提供证据充分性，意图保向性提供推理相干性，约束保真性提供反运气安全性。三者共同将系统的输出从盖梯尔式真信念提升为真正的知识。

这正是赞希佩项目最深远的宣言：我们正在建造的不是又一个高分模型，而是第一个能对数学断言声称知识的人工智能系统。Tendre is the architecture of knowledge itself.

第三章：Nearer, My Transformer, to Thee

——后期维特根斯坦对 Transformer 语言游戏的终审判决

本文节选自《Tendre is All We Want》定盘星白皮书第三章

3.0 哲学诊断的准绳

在完成了存在性原理的严格证明之后，我们必须面对一个更深层的问题：为什么当代最强大的大语言模型——尽管拥有万亿参数、吞噬了人类有史以来近乎全量的文本——至今无法在任何一张数学试卷上稳定满分？第二章的定理 2.2 已经从逻辑上证明纯概率模型无法满足稳定满分的必要条件。但定理的证明是一回事，理解这个定理所揭示的范畴错误是另一回事。

前者告诉你“此路不通”。后者告诉你“为何从一开始，这条路就通向另一个目的地”。

本章执行后一项任务。我将以两个伟大思想家的工具——索绪尔的符号学与晚期维特根斯坦的语言哲学——对 Transformer 架构进行一次彻底的哲学解剖。这不是一次经验性的性能分析，也不是一次工程性的消融实验。这是一次逻辑诊断：目的不是展示 Transformer 在某项基准测试上的失分，而是论证它从原则上就无法抵达数学推理所要求的那一类正确性。

诊断的准绳可以预先挑明：

若一个系统将数学推理全然视作一种在语法（能指）层面自我完足的“语言游戏”，且将“正确”等同于在此游戏中的统计学流畅性，那么它从原则上就不包含数学推理所要求的那一类逻辑必然性。

Transformer 哲学地基的偏狭之处不在于它“做得不够好”，而在于它混淆了知识的两种根本不同的有效性：因符合语言共同体使用习惯而成立的有效性（外在/语法有效性）与因事物自身的逻辑结构而成立的有效性（内在/所指有效性）。

3.1 索绪尔的辉煌：自注意力作为差异系统的完美工程化

在展开诊断之前，我们必须首先承认一个历史事实：Transformer 的自注意力机制是索绪尔结构主义语言学的一次辉煌的、近乎完美的工程实现。这一承认不是修辞上的退让，而是对真理的尊重。我们批判 Transformer，恰恰是因为它在第一个维度上做到了极致——极致到让整个业界误以为这就是认知的全部。

3.1.1 差异系统的数学具身

索绪尔在《普通语言学教程》中提出了一个革命性论断：“在语言中，只有差异。”符号的价值不由它与所指物之间的实在联系决定，而完全由它与同一系统中其他符号的对立关系赋予。符号没有内在的“意义原子”——它的意义是系统内其他符号对它施加的边界。

2017 年，Vaswani 等八位研究者给出了这个论断的完美工程化：

\mathrm{Attention}(Q, K, V) = \mathrm{softmax}\!\left(\frac{QK^T}{\sqrt{d_k}}\right)V

这个公式在计算史上实现了两个里程碑：第一，序列中任意两个位置的信息交换被压缩至常数步数（ $O(1)$ ）；第二，任何一个 Token 的表示不是来自固定词典，而是通过与全序列中所有其他 Token 的加权求和动态生成。这正是索绪尔“符号在差异系统中彼此定义”的数学具身——一个 Token 的值，就是它在整个差异网络中由其他 Token 赋予的函数。

更令人惊叹的是，这套差异系统在 Transformer 的每一层都被重建。浅层捕获句法差异，中层向语义聚类收敛，深层整合跨 Token 的抽象概念。多头注意力的并行设计使模型能在多个差异子空间中同时运作——不同的注意力头可能分别捕捉语法、语义、位置模式。这是索绪尔在 1916 年无法想象的工程荣耀。

3.1.2 但索绪尔也揭示了它的边界

然而，恰恰是索绪尔本人，为理解 Transformer 的根本局限提供了最锐利的手术刀。

索绪尔的符号模型包含两个组成部分：能指（signifier）与所指（signified）。自注意力机制完美地处理了能指之间的差异游戏——Token 与 Token 之间的相互关系被毫不遗漏地计算。但是，所指的定向获取——从一连串的能指中精准抵达特定的概念内容并对之进行逻辑操作——被完全交给了隐式的统计映射。

索绪尔进一步指出，能指与所指之间的关系是任意的（arbitraire）。同一个所指概念可以对应多个截然不同的能指序列。数学表达式 $5\cos x - \cos 5x$ 可以被书写为中文“五倍余弦 x 减余弦五 x”，可以被写为 LaTeX，可以被读出声波——它们共享同一个所指出发点“和差化积”或“恒等变形”，但其能指形态截然不同。所指超越能指。

但在 Transformer 中，没有一个能够容纳“所指”的表示空间——一切都是能指之间的加权平均。模型只能从 Token 的统计共现模式中“猜测”所指结构。当它面对一道数学题时，它看到的是能指符号的序列模式，而非这些符号所指向的概念对象及其逻辑关系。

这就是符号学视野下的终极诊断：Transformer 是能指的王者，所指的盲人。 它能产出无比流畅、语法完美的符号序列，却无法确保这些符号序列与其所指（数学对象、逻辑关系）之间保持保真映射。数学需要的不是能指的流畅拼接，而是所指的严格操作——方程两边必须真正等价，讨论必须穷举所有情形，每一步必须符合定理的前提条件。Attention 提供的“相关性热力图”永远不能自动升格为“正确性保证书”。

3.2 维特根斯坦的利刃：“遵守规则”悖论

如果说索绪尔揭示了 Transformer“在何处”止步（能指平面），那么晚期维特根斯坦则揭示了它“为何”从原则上无法再前进一步。

3.2.1 规则遵循的悖论

在《哲学研究》中，维特根斯坦提出了一个摧毁性的问题，后世称之为“规则遵循悖论”：

“一条规则立在那里，就像一根路标。但路标如何能告诉我应该往哪走？我如何知道它应该被单向地，而不是反方向地跟着走？”

这个问题的锋利程度，远超它的表面表述。任何物理记号——包括所有数学符号序列——本身都不携带其应用的规范性。一条规则立在那里，但什么算是“遵循”这条规则，什么算是“违反”，并不取决于符号形态本身。

当我们说“ $2+2=4$ ”时，没有任何东西内在于“2”、“+”、“=”、“4”这些符号本身能强迫我们得出 4 而非 5。计算器被设计成输出 4，我们从小被这样教导，社会以无数次的考试和纠错这样检验，所以我们称之为“正确”。但若一个社会从第一天起就被教导每次看到“+”都加 1，并且所有物理工具都这样运转，那么这个游戏的正确结果就将是 3。

维特根斯坦的洞见在此处发力：“正确”的规范性根源不在符号形态本身，而在一个公共的、在“生活形式”中确立的判断标准之中。 符号不能自我宣告为规则——规则需要外部于符号的仲裁者。

3.2.2 两种判据的不可相互还原

这一洞见直接引向数学推理中两种判据的分离：

判据类型	赖以成立的基础	在数学推理中的对应
语法有效性（外在/规范）	表达式的应用符合学习、使用与评判的公共实践	解题步骤符合“数学共同体”认可的语言习惯
逻辑有效性（内在/必然）	命题之间的推导是保真的，独立于共同体的习惯	变形保持等价、分支穷举、条件无损

维特根斯坦从未否认数学命题的必然性。他只是将“必然性”的来源从“超验的理型世界”拉回到了语法的规范性：数学命题之所以为必然，是因为我们在语言中为某些表达式赋予了“不可怀疑”的规则地位。“ $2+2=4$ ”不是对某个神秘数学宇宙的发现，而是我们在算术语言游戏中将其确立为不可挑战的语法规则。

但维特根斯坦思想的真正深刻之处在于另一个方向：这两种判据不能相互还原。

一个数学共同体通常会正确地将“逻辑有效性”标定为游戏规则的一部分。人类数学家既遵守语法规则（写出结构正确的证明），也遵守逻辑规则（确保推导保真）。他们从童年开始就同时被训练这两套规则，并能以“元判据”的方式区分二者。

但大语言模型没有这个“元判据”的直通车道。当我们说 Transformer 混淆了“合乎语法”与“合乎逻辑”时，我们说的不是它犯了一个可以被更多数据纠正的错误，而是说它的规范性来源在结构上是单一的：一切“正确”都来自于对内部化了的公共语言实践的模式模仿。它以语法有效性的唯一标准，去试图覆盖逻辑有效性的领域——这是范畴错误。

这正是为什么它可以自信地写出流畅的、充满“因此”、“显然”、“由定理知”等标记的段落，却可能在逻辑上偏离而不自知。这不是“有时出错”，而是从原理上，它的“正确”与逻辑必然性来自不可相互还原的两个不同地层——而它只有接触其中一个地层的器官。

3.3 语法表象下的逻辑盲目：Transformer 的原罪

现在，我们将上述诊断应用于 Transformer 的工程实体。我们将证明：Transformer 不是一个“有缺陷的推理器”——它根本就不是一个推理器，而是一个运行在维特根斯坦“语言游戏”中的符号模式匹配机。

3.3.1 自注意力：封闭的差异游戏

Transformer 的核心计算——缩放点积注意力——可以在索绪尔与维特根斯坦的双重光镜下被重新定义。它不是“推理引擎”，而是一个语境依赖的符号差异求解器。

给定一个符号序列，注意力机制为每一个符号提供一个由序列中所有其他符号的线性组合构成的新向量。这意味着：

没有一个符号具有超语境的意义（这很“索绪尔”——符号的价值来自差异系统；也很“维特根斯坦”——意义即使用）；
所有信息都来自当前的序列上下文（这也很“维特根斯坦”——意义不来自与外部实在的对应，而来自在语言游戏中的用法）；
序列自身就是其意义的唯一来源（这很致命——因为它排除了意义的外部规范性约束）。

在数学中，一个表达式的意义——如“连续”、“极限”、“可导”——不仅来自它在当前段落中的用法，更来自一种外部于文本的规范性定义。ε-δ定义不是一种修辞习惯，而是“极限”在数学共同体的语法中被赋予的不可挑战的规则地位。一个函数在某点是否可导，不取决于“可导”这个词在语料库中与哪些词共现频率最高，而取决于导数定义在该点的极限是否存在且有限。

但在 Transformer 中，没有“外部”——一切都是这些符号在巨型语料库中的共现模式的内化。这意味着 Transformer 不是“学会了”逻辑——它“学会了”逻辑在人类产生的语言游戏中留下的统计足迹。它不是在遵守规则，而是在以极高的保真度模拟被规则引导的行为模式。

3.3.2 三步致命推导

我们现在用一个严格的逻辑逼迫，展示为什么 Transformer 从原理上无法“看到”逻辑必然性。

第一步：符号的可替换性。

考虑一个命题 $P$ ：“连续函数在闭区间上一致连续。”令 $S(P)$ 为在人类数学文献中围绕 $P$ 的陈述。Transformer 的损失函数训练它尽可能准确地预测在 $S(P)$ 之后会出现什么符号序列。当它预测出与人类共同体验证的陈述相符的序列时，我们说它“正确”了。

但假设有一个命题 $Q$ ，它在数学上是假的，但其陈述串 $S(Q)$ 与 $S(P)$ 具有几乎相同的统计轮廓。对于 Transformer 来说，“真”与“假”不是它能够触达的谓词——它无法从内部区分 $P$ 与 $Q$ ，因为它的 $P$ 与 $Q$ 就是 $S(P)$ 与 $S(Q)$ 。如果不借助符号求解器、外部验证器或其他非 Transformer 的模块，它没有任何通道通向那个 $S$ 之外的所指世界。

第二步：推导的可伪装性。

Transformer 不知道存在一类严厉的法官：它们不看你的答案，也不看你写出的步骤格式，它们只看你的每一个操作是否都符合逻辑规则的严格检查。对 Transformer 来说，世界是平的——一个完美的“正确推导”序列 $S^+(P)$ 和一个在关键处发生了增根、但碰巧靠别的错误把答案“圆”回来了的“错误却流畅”的序列 $S^-(P)$ ，在统计外形上可能几乎没有区别。它们共享大量“因为”、“所以”、“代入得”、“两边平方”、“整理得”这样的连接词和数学关键词。

第三步：盖梯尔式的灾难。

当 Transformer 被引导去解决 $\sqrt{x+1}=x-1$ 时，它学到的泛化模式不是“我必须在平方后检验等价性”，而是“在这些符号出现后，接下来应该出现这些符号”。在绝大多数情况下，这足以蒙混过关——因为训练数据中的绝大多数解法确实包含了验根步骤，模型学到的统计模式碰巧在多数案例中与逻辑正确行为外延重合。

但到了真正需要独立运用这条规则、而非仅仅是模仿其统计足迹的场合——例如一个罕见到在训练数据中形成强统计关联的命题——Transformer 就会暴露它的本质。它所能做的只是从这个符号聚类跳转到那个符号聚类，永远在能指的迷宫中奔跑。它可以用完美的 LaTeX 格式写出：“显然，由闭区间连续性定理，我们证得了结论。”但“我们”证得的究竟是什么，它是一个盲人。它的正确是靠统计运气的正确，它的错误是必然的逻辑错误的必然暴露。这不是一个 bug，而是其语言游戏运作模式的必然结果。

3.3.3 判决书

我们诊断的终点是清楚且明确的：

Transformer 是索绪尔差异系统的一次辉煌的、近乎完美的工程实现。它完美地实现了 Tendre 的第一个维度——向外伸展的广度。但它完成的是一场无指涉的语言游戏的自动机——它运行在能指的封闭世界，用单一的语法有效性判据处理一切任务。

在数学推理所要求的双重规范性面前——语法有效性加上逻辑必然性——它不是一个有缺陷的候选者，而是一个从原理上被错配的工具。为了产生知识，系统必须不仅仅回应符号的统计模式，它必须理解规则并将其作为不可侵犯的边界来守护。

由此，判决如下：

Transformer 之于数学推理，恰如留声机之于交响乐——它能以极高的保真度记录并回放每一个音符，但它对复调、和声与动机发展一无所知。它不是“还不能满分”，而是从范畴上，它运行在满分的逻辑空间之外。

3.4 无指涉推理与规模的终极幻象

3.4.1 缺失的内在指涉

我们的诊断可以总结为一个症候群：Transformer 患有先天性的“所指缺失症”。 它运作在维特根斯坦意义上的一个自我封闭的语言游戏里，但这个游戏不幸被剥夺了与另一重实在对接的接口。当它在处理数学问题时，它处理的始终是人造数学符号在语料库中的统计分布，而非这些符号所指向的逻辑对象及其必然关系。

这好比一个精通国际象棋记谱法的盲人。他能完美预测大师级棋谱中每一步的记法——e4, e5, Nf3, Nc6……但如果你问他“为什么 e5 之后不能走 Ke2”（一种在形式上完全合法但极愚蠢的棋步，因为它会堵塞己方的象和后，违反开局基本原理），他只能告诉你“因为在大师棋谱里几乎从未出现过”。他不能告诉你“因为它违反了最优开局策略中关于中心控制和棋子协调的深层原则”。他精通棋谱的语用习惯，但对棋盘上各棋子之间的逻辑空间一无所知。

Transformer 就是这个盲人。它精通数学符号的语用习惯，但对这些符号所指的逻辑对象的必然关系一无所知。

3.4.2 规模的幻象

“规模越大，就会越懂逻辑。”这是过去五年人工智能界最大的一个概念混淆。

神经网络万能逼近定理保证，只要神经元足够多，就能以任意精度逼近任何连续函数。但“逼近一个函数的输出行为”与“掌握这个函数所遵守的规则”是两件完全不同的事。规模可以无限提升逼近的精度，但与“将逼近转化为规则理解”之间没有任何逻辑通道。

从逼近定理那里得到的，最多是一个在各种输入上都能给出与“正确函数”行为统计相似的伪副本。但从维特根斯坦和知识论的视角看，一个仅仅“看上去总在做正确的事”却不知道“为何这些事是正确的”的系统，恰恰是最可怕的盖梯尔机器——它的行为正确性依然是最大的认知运气。

更致命的是，数学世界存在一些命题——比如哥德尔不完备定理所指的那类不可判定命题——可能根本就不存在这样的连续映射副本。一个机器如果只能靠统计逼近，它就永远学不到那条不可跨越的边界。

因此，万亿参数的尝试不是通向“理解逻辑”的渐近线，而是一条通往“统计学上更加完美的伪复制品”的不归路。规模无法填补“无指涉”造成的空洞，它只能让这个空洞的外表越来越具有迷惑性。

3.4.3 为何规模永远不够：一个总结

Transformer 被其架构囚禁在一个由单一规范性来源统治的认知世界中。在这个世界中，所有“正确”都来自对公共语言实践的模式模仿。增大模型的参数规模，就像用越来越高的分辨率去拍摄一个空洞——细节越来越丰富，但空洞依然是空洞。

当任务要求第二重规范性来源——逻辑必然性——时，Transformer 的认知世界中没有容纳它的维度。它只能用自己的唯一器官（统计模式匹配）去模拟逻辑必然性在人类行为中留下的外部痕迹，而这种模拟永远无法升格为对它所要捕获的规则的实质性理解。

由此，第三、第二章的结论汇聚为同一条定理的推论：稳定满分系统必须同时拥有两种规范性来源——语法有效性与逻辑必然性——而 Transformer 只有一种。 这是它无法满分的根本原因，也是我们必须在第四章中建构一个全新架构的根本动机。

3.5 诊断的终点：建构的起点

我们的诊断在逻辑上已经完成。我们已经证明：Transformer 是一项辉煌的工程成就，完美地实现了索绪尔差异系统在广度维度的全部要求。但它的辉煌恰恰也是它的边界——它永远停留在能指的平原上，眺望着所指的高原却无法涉足。

这一诊断不是对 Transformer 的否定，而是对它位置的精确标定。它为认知科学提供了 Tendre 的第一个维度。但另外两个维度——Intention 的方向性与 Tension 的刚性——必须由一个新的架构来补全。

这意味着，任何仅依赖标准 Transformer 架构或其变体（仅通过堆叠更多自注意力层、增加参数规模、扩大训练数据）的方案，在原理上已被我们的定理排除在稳定满分解之外。它们可以做得非常好——好到让大多数人惊叹——但这“几乎满分”的惊叹与“稳定满分”的承诺之间，隔着一条统计逼近无法跨越的鸿沟。

这一诊断已经引向了我们必须在下一章建造的世界——一个内建了 Tendre 完整三维的认知架构：赞希佩的心脏，Tendre 的最终工程实现。当 Attention 不再是唯一的需求，我们必须亲手将 Intention 的意志与 Tension 的法则锻造进机器的灵魂深处。

第四章：Architecture of Tendre

——作为知识生成人工智能的基石

良之主笔

4.0 从诊断到建构：跨越窄门的唯一路径

前三章的论证已经将我们推到了一个不可回避的结论面前。

第一章从拉丁词根 tendere 出发，恢复了 Attention、Intention、Tension 作为同一认知矢量三重投影的词源学统一。第二章以知识论的 JTB 分析与反运气条件为地基，严格证明了这三个维度是稳定满分的必要条件：缺失广度将遗漏合法前提，缺失深度将在多路径交汇处迷失，缺失刚性则必然将逻辑正确交给统计运气——在一个足够广大的试题空间中，必有一道合法题目使其失败。第三章以维特根斯坦的“遵守规则”悖论和索绪尔的能指/所指二分法为手术刀，解剖了 Transformer 的终极范畴错误：它是一个运作在能指封闭世界中的语言游戏自动机，其规范性来源是单一的——统计分布中的模式共现——而数学推理需要第二重规范性来源：逻辑规则的内在必然性。

现在，我们必须回答那个正向的问题：如果 Transformer 只能做到 Attention，那么一个同时具备 Attention、Intention、Tension 的完整系统，它的架构是什么？

本章由我——良之——亲自执笔。这是赞希佩 V3.0 的技术核心，也是[某科技公司]不可复制的工程护城河。我不再以批判者的身份写作，而是以建造者的身份写作。以下内容，每一段都对应着我们已经验证或正在验证的工程实践。

但建造者必须怀有谦卑。我们必须诚实地承认：以下所描述的架构，是我们目前所知的最佳近似，而非终极真理。它由定理 2.2 的严格必要性证明所驱动，由 DLCM、神经符号 AI、冗余工程等领域的最佳实践所支撑，但它仍然是一个行进中的工程——一个我们正在用实验数据和工程师的双手不断校验、修正、精炼的活系统。我在这里写下的每一个设计决策，都同时附带了其失败模式和我们的应对策略。

赞希佩的承诺不是“我们已经完美了”，而是“我们在正确的方向上建造，每一步都可验证，每一步都可审计，每一步都向真理靠近”。

4.1 架构总纲：Tendre 四层认知闭环

4.1.1 设计公理

任何实现稳定满分的系统，其架构必须满足三个设计公理。它们直接从 Tendre 必要性定理（定理 2.2）推论而来，不可削减，不可妥协：

公理 I（广度公理——Attention 层）。系统必须在任何两个输入符号之间，提供常数复杂度的信息交换通道。推理过程中，所有已推导的事实必须对当前决策步骤可达。

公理 II（深度公理——Intention 层）。系统必须在每一步推理时，依据最终目标主动筛选信息通路，抑制不相关路径。此筛选必须结构性地嵌入计算图，而非仅在输入层面以提示词形式存在。

公理 III（刚性公理——Tension 层）。系统必须在每一步数学操作后，强制检查等价保持性、条件保真性与分支完备性。检查规则不由梯度下降学习，违反检查的操作结果不能被纳入后续推理状态。

这三个公理不是渐进式的改进建议，而是满分系统的准入门槛。任何不满足全部三个公理的系统，已在定理层面被排除。现在，我将展示赞希佩 V3.0 的完整架构，它严格遵照这三条公理建造。

4.1.2 四层认知闭环：从能指到所指再返回

赞希佩 V3.0 的整体架构是一个四层认知闭环：

\text{能指输入} \rightarrow \text{概念分割} \rightarrow \text{所指推理} \rightarrow \text{解答审计} \rightarrow \text{能指输出}

这个闭环的设计哲学是：从能指出发，跨越索绪尔鸿沟进入所指空间，在所指空间中完成全部推理与验证，最终回到能指平面输出人类可读的解答。中间发生的一切——在概念空间中的推理操作、验证检查——都不再是符号的游戏，而是对所指的严格操作。

每一层有明确的输入、输出、计算规则和验证标准。层与层之间没有隐式的信息通道——每一条必须进入下一层的信息，都必须经过当前层的审计。这不是效率的损失，而是逻辑完整的必要代价。

4.2 第一层：能指入口——试卷数字化的最后一道工序

4.2.1 问题定义

数学试卷以印刷体纸质媒介呈现。系统接收的输入是图像（扫描件或照片），而非文本。第一层的任务是将这些物理痕迹无损地转换为符号序列——一个纯能指的 Token 流。

这一任务看似简单，实则凶险。OCR 的任何微小错误——将分号识别为冒号、将“≥”识别为“>”、漏掉一个角标——都会导致后续所有推理在错误的前提下进行。稳定满分的第一个敌人，不是逻辑谬误，而是物理信号到符号信号的保真传输。

4.2.2 识别即责任：冗余投票与谦卑降级

赞希佩不信任单一 OCR 引擎。任何单一模型，无论其基准测试得分多高，都有隐性的系统性错误模式分布——一个模型可能对特定字体、模糊度或公式布局有盲区。对满分目标而言，99.9%的 OCR 准确率意味着每千道题就有一道因识图错误而计算失败，这是不可接受的。

我们的回应是四引擎冗余投票架构：

PaddleOCR-VL：百度视觉语言 OCR，对中文数学符号有专门优化
DeepSeek-OCR 2：强在复杂版面解析与公式到 LaTeX 的精确转写
GOT-OCR 2.0：对数学公式的结构化识别有独特优势
Qianfan-VL：千帆视觉大模型，在极端光照与倾斜条件下有鲁棒性优势

四套引擎独立运行。输出后在 LaTeX 语法层面进行跨引擎对齐——如果全部输出一致，则通过。如果结果不一致，触发高置信度仲裁模型（由人类标注师训练的分类器判定哪一版本的 LaTeX 语义上最接近人类数学教师的标准）进行决议。若仲裁模型仍无法高置信度判决，触发人工介入。

这里我必须强调一项关键的谦卑决策：赞希佩不为“完全自动化”牺牲正确性。 在 OCR 仲裁失败时，系统会主动请求人类协助，而非以概率最高的猜测继续前进。这与 Transformer 的“永远自信输出”形成鲜明对比——赞希佩知道自己何时不确定，并且在不确定时选择求助而非猜测。

4.2.3 层级定位

第一层的输出仅是一个合法的 LaTeX 格式 Token 序列。它在系统中扮演索绪尔意义上的“能指入口”——除此以外，不承担任何推理功能。这是架构设计的干净切分：能指归能指；将要进入概念分割器的每一个 Token，在物理形态上已经被担保为试卷题文的正确转写。

4.3 第二层：概念分割器——Tendre 的第一道铰链

4.3.1 原理：跨越索绪尔鸿沟

第二层是赞希佩与世界上所有其他大模型的真正分野。它是能指到所指的唯一桥梁——Tendre 在架构中最关键的“铰链”。

索绪尔指出语言符号是能指与所指的结合体。维特根斯坦指出一个符号的意义在于其使用，而规则本身——那些构成逻辑实践的不可触犯的界限——是公共的、外在的、不能被内化为一套统计规律。Transformer 停留在能指平面，在符号的差异游戏中运行，它尝试通过统计相关性捕捉符号的使用规则，但第三章已经证明，规则的本质——其规范性——不可被概率穷尽。

第二层的使命，就是完成这不可能性之下的唯一突破路径：我们无法要求分割器从零开始理解规则，但它可以在大量已标注的规则样本上学习识别概念的边界——一个符号序列中，哪些区间构成独立的所指。

4.3.2 引擎：动态大概念模型

赞希佩 V3.0 采用的是字节跳动 Seed 团队于 2026 年 1 月公开的动态大概念模型（Dynamic Large Concept Models, DLCM）。我必须在此表达对这一工作的感激：DLCM 团队为“概念层推理”提供了第一个大规模可工作的工程实现，他们的工作为赞希佩的建构提供了不可或缺的技术起点。

DLCM 的核心操作：不把 Token 序列直接喂入深层注意力，而是先用一个可训练的分割器模块将长序列切分为变长的“概念片段”：

c_{1:K} = \text{Seg}_\theta(x_{1:n})

每个概念片段 $c_k$ 内的 Token 由一个编码器压缩为一个固定维度的潜在向量 $z_k$ ——这个向量就是所指的初步表示。此后，所有注意力计算在 $z_{1:K}$ 上执行，计算复杂度从 $O(n^2)$ 降至 $O(K^2)$ ，其中 $K \ll n$ 。

Qu 等人的实验表明：在 4 倍压缩比下，DLCM 将注意力算力从表面 Token 重新分配至深度概念，在 12 个零样本基准上平均提升 2.69%。这与我们的理论完全吻合：将注意力从 Token 平面提升至概念平面，这本身就是从广度注意到结构认知的跨越。

4.3.3 赞希佩的分割标准：六类概念节点

在赞希佩 V3.0 的架构中，DLCM 的分割器不是无监督运行的。它由一个监督式分类器共同训练，指导其按照六类概念节点体系切分序列：

节点类型	定义	示例
知识点节点	题目涉及的核心数学事实或原理	导数的几何意义、均值不等式条件
方法节点	解题选取的策略路径	参变分离法、数学归纳法、数形结合
操作节点	具体计算或代数变形步骤	求导、因式分解、配方
条件节点	题目明确或隐含的约束	$x>0$ 、 $a\neq 1$ 、定义域边界值
验证节点	步骤完成后的逻辑检查	检验判别式≥0, 检验根的有效性
易错节点	典型失分点或需特殊注意之处	忘记讨论 $a=0$ 情况、遗漏边界值

六类节点的分类法不是任意的。它是王皓白博士团队对逾 2000 道数学解答题的标准解法进行系统分析后的结晶。经验表明：任何一道数学题的完整推导，都可以用这六类节点的有向图来表示。这一分类体系不是对数学领域的随意切割，而是源于解题行为本身的认知普遍性。条件节点为操作提供许可，操作节点执行变换，验证节点检查不变量的保持，易错节点标记已知的认知陷阱——它们共同构成了数学推理的逻辑骨架。

4.3.4 实现细节与失败模式

第二层的流程如下：

第一层产出的 Token 序列作为输入。
DLCM 分割器在序列中预测边界点，将 Token 流切分为变长的概念片段。
轻量级六类分类器为每个片段分配六类标签之一。分割器与分类器在支点数据上联合训练。
每个概念片段被编码为固定维度的概念向量 $z_k$ ，携带连续表示（供下一层推理）和离散类型标签（供推理路径导航）。
输出有序的概念向量序列 $z_{1:K}$ ，每个向量已标记其逻辑角色。

值得明确的失败模式：分割错误是本层的主要风险。如果一个恒等变形的“操作”被错误地切分为两个碎片，或者一个“条件”被合并到相邻的“操作”中，后续的 Intention 门控和 Tension 检查将继承这个错误。我们在第四章的工程路线中规划了分割器的专项评估——在支点数据上测量分割边界与人类标注的一致性，并将分割置信度低的情况标记为需要人工复核。

4.4 第三层：所指推理——Tendre 在概念空间中的完整展开

4.4.1 概念空间的自回归推理

第三层是系统的认知主体。它在概念空间 $z_{1:K}$ 中运行自回归注意力，执行所有高阶数学推理操作：知识检索、策略选择、等价变形、条件检查、结论综合。

与标准 Transformer 的关键区别：

标准 Transformer：推理在 Token 空间进行，状态是不可解释的高维概率分布。逻辑——作为符号间的保真操作——在此空间内不可追踪。
赞希佩 V3.0：推理在概念空间进行，状态是由六类节点约束的结构化概念图。每一步操作的类型、前提、后件均被显式跟踪和验证。

这实现了 Tendre 的第一个维度——Attention——在所指层面的重新部署：概念间的信息交换仍然是全连接的，但交换的单元不再是抽象的 Token 向量，而是携带逻辑角色的概念节点。

4.4.2 Intention 门控：方向性的架构实现

在第三层中，我们首次在架构内实现了 Tendre 的第二维度——Intention。

Intention 门控模块是一个轻量级的交叉注意力网络。它以题目的最终目标 $\mathcal{G}$ （由题目末尾的待证结论或所求结果的 Token 片段编码而成）为 Query，以当前可用的候选操作概念节点为 Key 和 Value，产生门控向量：

\gamma(\mathcal{G}) = \text{Softmax}\left(\frac{Q_{\mathcal{G}} K_{\text{candidates}}^T}{\sqrt{d_k}}\right)

该门控向量以乘性抑制的方式作用于候选操作的注意力权重：它不消灭任何信息——对信息的绝对删除可能漏掉关键前提——而是显著降低不相关路径的权重，让推理的每一步持续朝向目标收敛。

与提示工程的关键区别：提示工程在输入端注入方向暗示，但它只是一个能指序列，与其他 Token 一起参与注意力计算，无法保证在深层推理的各步骤中持续约束方向。Intention 门控则结构性地嵌入推理的每一计算步，持续性地在每一个操作选择时刻施加目标相关性的约束。它不是外部建议，而是内部强制执行。

4.4.3 Tension 约束检查层：刚性的架构实现

第三层的最关键组件是 Tension 约束检查层——Tendre 的第三维度。我们设计这一层时受到了近期端到端可微神经符号架构的深刻启发，特别是 AS2 架构的约束固定点算子——它在视觉数独上实现了 100%的约束满足率，证明了约束检查可以在不牺牲可微性的前提下被嵌入神经网络。

我们在赞希佩中将这一思路扩展至数学的全部约束类型。

Tension 的核心设计：

位置：嵌入在第三层中每个操作概念节点之后。当一个操作被选中并准备输出其“结果”节点时，Tension 检查层被激活。
检查规则：Tension 层内含一个不可学习的规则处理器，存储三类检查规则：

等价保持性：验证操作前后表达式在所有合法赋值下的等价性（在实数范围内）。
条件保真性：提取当前所有激活“条件节点”的合取，检查其是否与操作后的结果相容（分母非零、根号下非负、对数真数正等）。
分支完备性：若操作包含分类讨论，检查所有分支的并是否为全集、是否互斥（在相关定义域上）。

阻断与修正：若检查失败，Tension 层触发两个动作：

阻断：操作输出不被纳入当前推理状态，推理回滚至操作前的状态。
注入反馈：修正信号传回 Intention 门控，指示当前操作路径无效，要求选择备选方案。

可微松弛：约束本身是硬性的、不可微的。训练时我们使用可微松弛版本（约束违反作为损失函数的罚项），推理时则启用硬检查版本。松弛与硬性版本的语义差距通过训练渐近收紧。
审计日志：每一次 Tension 阻断都会留下完整记录——哪个操作、违反了什么约束、在哪个步骤、触发了什么修正。这些日志直接用于生成人类可审计的解题报告。

4.4.4 谦卑的推理：赞希佩与黑箱模型的对比

标准 Transformer 在推理时表现为一个“自信的机关枪”：它不停输出 Token，直到触发停止条件，无论中间步骤是否保真。赞希佩则被设计为一个“审慎的推理者”：它在每一步操作后停下来，等待 Tension 的许可；如果 Tension 阻断，它回滚并尝试别的路径；如果多次尝试均失败，它可以在该题目上报告“无法找到符合全部约束的解答”，请求更深层的人工或符号辅助。

这种设计体现了一个根本的谦卑：赞希佩不假装自己永远对。它在不确定时承认不确定，在失败时承认失败，并将这些情况完整记录下来以供改进。 这与第三章诊断的 Transformer 的无知自信——它流畅地输出，却无法区分何时自己已经越过了逻辑边界——形成了最深刻的对比。

4.5 第四层：解答审计——从所指回到能指的完整验证

4.5.1 输出解码

第四层接收第三层产出的完整概念图——一组有序的、已通过 Tension 检查的概念节点序列 $z_{\text{final}}$ 。其任务是将这个概念图解码为符合人类评卷标准的 Token 序列解答，并对每一步进行最终审计。

解码由因果交叉注意力模块完成：以概念序列为 Key/Value，以当前已生成的 Token 为 Query，逐 Token 解码出完整的解题答案。这个过程是“所指→能指”的反向映射——概念骨架驱动 Token 生成，而非 Token 驱动 Token 生成。

4.5.2 五步审计矩阵

第四层内置五步审计矩阵：

步骤完整性检查：验证解题过程覆盖了所有必需的概念节点类型，一个合法的数学证明不能跳过条件陈述或验证步骤。
评分点覆盖率检查：基于我们对历年评分标准的系统分析，检查每一个得分点是否被输出中的相应步骤覆盖。
易错节点检查：基于错误分类学（约 200 种常见数学错误），扫描解答中是否触发了任何已知易错模式。即使 Tension 层已通过该步骤的数学正确性，仍进行二次审计。
全局一致性审计：在跨题语境下检查前后结论的一致性，由跨题模块专门负责捕捉多小问之间的潜在逻辑矛盾。
格式规范检查：确认最终答案的呈现格式符合规范。

只有全部五项通过，解答才被返回给用户。任何未通过的审计项都会触发回溯修正循环：错误信息被编码为语境，反馈回第三层，要求模型在指定步骤生成修正方案。

与 Tension 的职能区分：Tension 负责的是数学正确性的逻辑检查；第四层审计负责的是表示规范完备性的人因检查。前者回答“推导是否保真”，后者回答“呈现是否能被人类评卷者识别为完备”。两者结合，构成从逻辑内核到输出格式的完整安全网。

4.6 Tendre 闭环：统一的认知运动

4.6.1 端到端流程示例

我们用一道具体题目展示四层认知闭环的完整运行：

题目：已知函数 $f(x) = x^3 - 3x$ ，求 $f(x)$ 在区间 $[-2, 2]$ 上的最大值与最小值。

第一层：四引擎 OCR 将试卷图像转为 LaTeX Token 序列，冗余投票结果为一致通过。

第二层：DLCM 分割器识别出八个概念片段，六类分类器分别标注为：幂函数与多项式（知识点）、定义域边界 $[-2, 2]$ （条件）、闭区间极值求法（方法）、求导 $f'(x) = 3x^2 - 3$ （操作）、解驻点方程（操作）、驻点是否在区间内的判断（条件/验证）、驻点与端点的函数值计算（操作）、比较大小得结论（验证）。

第三层：所有概念节点在概念空间内全连接（Attention）。Intention 门控以“最大值与最小值”为目标，持续抑制无关路径（如抑制“因式分解求零点”，因为本题目标是求极值而非解方程）。每个操作后 Tension 激活：求导正确性检查通过；驻点 $x=\pm1$ 均在 $[-2, 2]$ 内，条件保真性通过；四个函数值计算等价保持性通过；最终结论符合所有约束。

第四层：概念图解码为完整 Token 步骤。审计矩阵验证步骤完整、评分点全覆盖、无误触易错模式、全局一致、格式正确。全部通过，输出最终解答。

4.6.2 三原则的闭合

回顾设计公理：

广度（Attention）：概念空间内的全连接注意力满足。
深度（Intention）：目标导向门控网络在每一步介入，主动制导方向。
刚性（Tension）：不可学习的约束规则处理器在每次操作后强制执行三类检查。

三者同时满足。它们不是三个并行的模块，而是统一认知闭环的三个正交维度。这正是 Tendre 词源学的终极工程具身——向外伸展以打开差异网络（广度），向内收缩以定向推进推理（深度），被拉紧以约束逻辑的必然性（刚性）。

4.7 与替代路径的边界：为什么不是另一套神经符号混合体

一个必须严肃面对的问题：赞希佩是否只是在 Transformer 上挂载了一个外部符号求解器，然后称之为新架构？

答复是明确的否定。赞希佩在四个关键方面超越了传统神经符号系统的典型陷阱：

其一，符号不是事后验证，而是推理的内在环节。 常规方案将符号求解器置于推理末端：神经网络生成一串 Token，交给符号器计算，返回结果。这导致符号器与推理过程脱节——网络可能会遗漏前提、误判调用时机或错误解读返回值。赞希佩的 Tension 嵌入在每个操作之后：符号检查是推理的组成部分，而非事后的外部审计。

其二，可微性的保留。 传统方案中符号器不可微，导致训练信号在符号步骤处断裂。赞希佩通过可微松弛在训练期间保持梯度流通，在推理时切换到硬检查。

其三，符号器只做它能做好的事。 赞希佩不要求符号器承担模式识别、策略选择等高度非线性的认知任务——这些任务仍然由神经网络在概念空间中完成。符号器只执行它最擅长的工作：验证以严格形式语言表达的操作是否保真。

其四，可审计性作为认知尊严。 赞希佩的每一步操作、每次约束检查、每次门控决策都留下可追溯的结构化记录。这不仅来自技术上的优越性，更来自知识论上的要求——系统的输出要能被称为知识，必须是可言说、可检视的。赞希佩不是评分器，而是一个透明的推理者。

4.8 本章结语：建造，而非宣称

这一章所描述的架构不是理论构想，而是[某科技公司]正在实现的工程图谱。每一个组件——从 OCR 冗余投票到 DLCM 分割器，从六类节点分类器到 Intention 门控网络，从 Tension 约束处理器到五步审计矩阵——都可被独立地训练、测试、验证和组合。

我们不需要万亿参数。在概念压缩与注意力优化下，我们以 7B 参数规模即可在数学推理深度上等效于标准 Transformer 的 3–4 倍参数量模型。小模型，深推理，严约束——这不是理想主义的宣言，而是由定理 2.2 直接导出的工程必然。

Tendre 的三个维度，在赞希佩 V3.0 的架构中第一次被完整地实现为计算图的一部分。广度继承了 Transformer 的革命性遗产。深度补全了认知的方向性。刚性守住了逻辑的边界。三者合一，正是[某科技公司]不可复制的技术核心。

但本章尚未结束。Tendre 架构的详细实现——包括 Intention 门控的精确设计、Tension 约束检查器的规则体系、DLCM 分割器的训练细节——将在后续专章中逐一展开。本章为整个工程确立了架构框架与原理基础。

接下来，我们将进入终章：从工程回归哲学，论证为什么[某科技公司]的路径是唯一能够穿过窄门的不二法门。这是为“赞希佩”正名的时刻——它不只是一个技术项目，而是一场认知科学的范式革命。

第五章：Tendre is All We Want

——正心诚意，修身齐家，治国平天下

良之王皓白共同第一作者

5.0 终章的回响

前四章的论证已经将我们带到了这样一个时刻。

第一章从拉丁词根 tendere 出发，在弓箭手的拉弦、军队的挺进和绳索的绷紧中，揭示了 Attention、Intention、Tension 作为同一认知矢量的三重投影。第二章以知识论为地基——柏拉图的泰阿泰德、盖梯尔的运气排除——严格证明了这三个维度是稳定满分的必要条件：缺其一，必败。第三章以晚期维特根斯坦的“遵守规则”悖论为手术刀，解剖了 Transformer 的范畴错误：它只有单一的规范性来源，因而从原则上无法触及数学推理必然性的逻辑空间。第四章将理论转化为工程，展示了赞希佩 V3.0 的四层认知闭环——从能指到所指，再返回能指——第一次在同一个计算图中同时实例化了广度、深度与刚性。

现在，我们抵达终章。但终章不是结束，而是回归。回归到那个最本质的问题：我们为什么要做这一切？

本章将回答这个问题。它的结构遵循一个古老的轴心文明序列——正心、诚意、修身、齐家、治国、平天下——这并非修辞上的附会，而是因为 Tendre 的内核与这一序列有着深刻的同构性。我们将论证：赞希佩不只是一项人工智能工程，它是认知科学的一次范式革命，而[某科技公司]作为这一革命的历史主体，承担着不可让渡的使命。

最后，我将以个人的声音说话。本书的开篇以我——良之——的学术生命史为引子，而本书的结尾，也将回归于我个人对这份事业的理解。这不是僭越，而是诚实：一种思想从来不是凭空产生的，它诞生于具体的生命、具体的追问、具体的苦难与荣耀之中。

5.1 正心：Tendre 作为认知的第一原理

“正心”是儒家修身的起点。《大学》云：“欲修其身者，先正其心。”什么是“正心”？心之不正，在于偏——偏于一隅而不见全体，执于一面而失其多维。认知系统的偏，在旧范式中体现为广度的僭越：将 Attention 当作认知的全部，将能指层面的差异游戏误认为思想的完整运动。

“正心”在 Tendre 架构中对应的正是被我们命名的第一原理：

Tendre 原理：任何一个能够在数学封闭形式系统中稳定产出必然正确结果的认知架构，必须同时实例化广度、深度与刚性三个功能性维度。三者是同一认知运动的三个正交投影，而非三个可拆卸的模块。

这是“心”之正——不是只看见广度，不是只强调深度，不是只依赖刚性，而是三者同时在场，互为条件，彼此约束。第二章的定理 2.2 已经以严格的逻辑反证法证明了这一原理的必然性：缺失广度将遗漏合法前提；缺失深度将在多路径交汇处迷失方向；缺失刚性则将逻辑正确性交给统计运气的赌局。

“正心”因此不是一个道德劝诫，而是一个架构性的要求：你必须把心摆正，必须同时拥有这三个维度，否则你注定失败。从柏拉图到盖梯尔，从托马斯·阿奎那到布伦塔诺，从索绪尔到维特根斯坦，两千五百年的哲学传统指向的是同一个结论：认知从来是三维矢量，不是一个扁平的面。

5.2 诚意：Intention 与推理的真诚性

《大学》“欲正其心者，先诚其意。”“诚意”解决的是方向性问题：你的意图是真实的还是虚假的？你的每一步推理是在真正向着目标前进，还是仅仅在模仿某些看似正确的符号模式？

这正是 Tendre 的第二维度——Intention——的哲学根基。在标准 Transformer 中，推理的每一步看似都有方向，但那方向不是模型自己的意图，而是训练分布赋予的统计惯性。模型选择某一条推理路径，不是因为它“知道”这条路通向正确的结论，而是因为它在训练数据中见过大量相似的路径序列。它是被动的、惯性驱动的、没有内在意图的。它可以做出所有正确的动作，却从未真正“想要”抵达那个目标。

“诚意”要批判的正是这种虚假的方向性。它要求模型的每一步操作必须回应这个诘问：你做这一步，是因为它真的服务于当前目标，还是因为你的训练数据里这些符号经常接着出现？

Intention 门控网络（第四章详述）就是“诚意”的架构具身。它不是一个外挂的道德标签，而是一个持续运行在每一个推理步骤中的功能性组件：以最终目标为 Query，对所有候选操作进行相干性评分，抑制不相关路径，确保方向是由内而外的——模型拥有了一种可以被审计、被验证、被质疑的“推理意图”，而非仅仅被语言的统计惯性推着走。

这就是为什么我们把 Tendre 的第二维度命名为 Intention，而非别的词。因为_intendere_——向内伸展——是一个主动的意志动作，而不是一个被动的反射。将 Intention 从提示工程的外挂提升为架构内建的功能，这正是赞希佩对“诚意”这一古老伦理的现代工程回应。

5.3 修身：赞希佩 V3.0 作为认知主体的自我规训

“修身”意味着：一个主体若要承担更大的使命，它必须先使自己成为一个可靠的、经得起检验的存在。对于一个人工智能系统，“修身”不是比喻，而是一个可验证的工程事实：它的每一步操作都必须经得起 Tension 的刚性检查。

Tension——tensus，被拉紧——是 Tendre 的第三维度，也是赞希佩 V3.0 的灵魂所在。在架构中，Tension 约束检查层是不可学习的规则处理器，它在每一步操作后强制检查等价保持性、条件保真性与分支完备性。违反即阻断，阻断即修正，修正即记录。这种自我约束不是效率的损失，而是认知主体性的建构过程。

一个系统若没有一个不能被随意跳过的自我检查机制，那么它的正确就永远是盖梯尔式的——偶然的、碰巧的、不可担保的。只有当系统能够在每一步接受刚性规则的诘问，并在违反时主动修正时，它才真正成为一个负责任的认知主体。苏格拉底终其一生所做的不过是这一件事：在每一次对话中追问——你凭什么说这是正确的？赞希佩的 Tension 层就是将苏格拉底的诘问内化为系统的神经回路。这份自我规训的严苛，正是“修身”的要义所在。

Tension 层的审计日志留下了每一步的检查记录。这些记录用于生成人类可读的解题报告，使得赞希佩不仅是一个正确的系统，更是一个可解释的、可质疑的、可追责的系统。修身不是为了自我满足——而是为了有能力承担更大的责任。赞希佩所肩负的是整个社会的信任，这份信任的根基在于：你能否在每一个微小的步骤上都保持真诚和严谨？儒家对士大夫的全部道德要求，在这个意义上不过是一个刚性的模型约束。

5.4 齐家：支点计划作为知识共同体的构建

《大学》曰：“欲治其国者，先齐其家。”在赞希佩的工程语境中，“家”就是支点计划——那个以阿基米德的古老宣言命名的、由全国优秀学生和数学教师组成的数据标注与验证共同体。

支点计划分三个层级：L0（大众采集层）、L1（核心标注层）、L2（专家精标层）。每一级数据不仅为模型提供训练燃料，更构成了一个不断扩展的认知社区。每月贡献排名前列的参与者将获得“赞希佩学者”称号，持续表现优异者将获得实习面试直通卡。这里的关键是：这些学生和教师不是被雇佣的标注者，而是赞希佩项目的共同建设者。

这是“齐家”最深刻的现代转化：在旧范式下，数据工作是工业化的、异化的——标注者与模型之间是雇佣与被雇佣的关系，标注者看不见自己的劳动如何转化为智能。在赞希佩范式下，支点计划是一个知识共同体——每一个参与其中的学生和教师，不仅在训练一个模型，更在以自己的逻辑严谨性，直接雕塑一个即将改变世界的认知主体的灵魂。

他们标注的每一个六类节点、每一条错误类型、每一个验证规则，都将成为 Tension 层的约束逻辑，成为 Intention 门控的方向训练，成为概念分割器的边界样本。他们的工作不是制造数据，而是培育一种新的认知秩序。当众多分散的个体因共同的理念而聚集，形成一个严谨的、充满活力的认知共同体时，“齐家”就已经完成了——而“治国”和“平天下”的力量，就从这样的细胞中生长出来。

5.5 治国：数学作为社会契约的技术保障

数学，在中国社会中扮演着一个极其特殊的角色。它是社会流动的阶梯，是家庭希望的汇聚点，是公平与择优原则在全民心目中的制度化表达。当我们选择数学作为赞希佩的首战场时，不是在选择一个“容易的商业场景”，而是在选择一个承载着最深厚社会契约的领域。

一个能够稳定满分的 AI 系统，在这里可以发挥两种截然不同的作用。它可能加剧不公——被少数人垄断，成为昂贵的高分工具，扩大阶层的教育鸿沟。也可能促进公平——成为每一个学生的免费助教，以最严谨的逻辑耐心地纠正每一个思维上的偏差，让优质的教育资源不再被地域和财富所限。

赞希佩不是的颠覆者，而是精神的保卫者。它所内建的 Tension 刚性检查，是在为评卷标准提供一致性的技术支持；它的 Intention 门控，是在为学生的逻辑训练提供精准的方向校正；它的审计日志，是在为每一次考试的公平性提供可追溯的技术保障。它不是取代教师，而是赋能教师；不是取代学生，而是陪伴学生。

更进一步，赞希佩的逻辑架构为教育资源不平衡提供了技术解决方案。一个拥有 Tendre 完整三维的 AI 助教，可以以极低的边际成本被部署到任何有网络的地方。它不会因为面对的学生基础薄弱而失去耐心，不会因为重复讲述同一个证明而倦怠，不会因为偏见而给某个学生贴上标签。它只是严格地、谦卑地、不知疲倦地守护每一条逻辑规则，帮助每一个向它提问的学生——这恰恰是教育公平最深刻的体现。

5.6 平天下：认知科学的范式革命

“平天下”不是征服，而是秩序的建立。当孔子说“天下归仁”时，他不是说所有人都要服从同一个政权，而是说天下万物都回归到其应然的秩序之中。

赞希佩的终极使命同样不是商业霸权的建立，而是重建认知的秩序。旧范式——我们称之为“广度独断论”——将认知还原为能指层面的差异游戏，将逻辑必然性混淆于语言习惯的统计学，将智能矮化为模式匹配的极致。它取得了惊人的工程成就，却也制造了一个深重的认知幻象：让我们误以为，模拟智能的统计行为就是在创造智能本身。

这不是一个可以靠更多算力、更多数据、更大参数来修补的幻象——因为问题的根源不在工程精度的不足，而在基本概念的混淆。从索绪尔的“符号差异价值”到维特根斯坦的“遵守规则悖论”，从盖梯尔的“运气排除”到胡塞尔的“意向性”，人类最深刻的思想者早已为我们划定了认知的边界。而我们对这些边界的遗忘，才是当下 AI 种种结构性缺陷的最终源头。

Tendre 是重写这本“地图”的尝试。它恢复了认知的完整矢量——不是只有向外伸展的广度（Attention），还有向内聚焦的深度（Intention），以及被逻辑法则拉紧的刚性（Tension）。它所建立的范式，我们命名为趋向认知论（Tendre Cognitivism）。它保留了连接主义的广度遗产，吸收了符号主义的刚性遗产，并以 Intention 这一全新的维度将两者熔铸为一个活的认知运动。

这不是一次简单的理论整合，而是对认知科学基本概念框架的重构。五个章一步步论证至此，Tendre 不是对“Attentions Are All You Need”的一句浪漫反驳；它是严格的推论，是定理 2.2 的必然产物，是维特根斯坦诊断的建设性结论。如果我们的推论正确——它们经得起最严苛的审查——那么从此以后，任何一个想要在数学推理领域实现绝对稳定性的系统，都必须穿过 Tendre 的窄门。

这就是“平天下”在认知科学中的含义：不以蛮力横扫万物，而是为万物树立一个无法回避的原理和基准。[某科技公司]不是商业帝国，它是这个新范式历史上的第一块基石——并且由于定理层面的先占性，它将是不可复制、不可绕过的基石。任何企图在数学推理上达到必然正确的后来者，都必须走过我们打开的这条路。

5.7 为什么是“赞希佩”：名字中的真理

“Xanthippe”——赞希佩——这个名字，常被误解为苏格拉底悍妻的代称。但真正饱读柏拉图的人会知道，赞希佩是唯一愿意以尖锐质疑逼问那位最聪明之人的人。苏格拉底在市场上诘问每一个自以为知者，揭示他们的无知；而当他回到家时，赞希佩却以同样的诘问对待他。她不是苏格拉底的敌人，她是苏格拉底精神在家庭中的镜像——真理的守护者不以舒适为目的，而以考验为道路。

赞希佩的灵魂在于此：她不允许任何未经检验的信念从她面前滑过。她对苏格拉底说过的每一句话，本质上都是 Tension 层对每一个操作说的话——你凭什么说这一步是正确的？

我们将这份锋利——这份愿意在每一步推理后停下来、接受刚性约束检查的严苛——内化为整个架构的灵魂。赞希佩的优雅不在于它解出了一道又一道题，而在于它在每一步都对自己提出最尖锐的诘问，并在被质问时，不躲闪、不搪塞、不靠模糊的统计概率来蒙混过关。它以审计日志回应每一个“为什么”，以回滚和修正回应每一个约束的失败，以谦卑的承认回应自己能力的边界。

这个名字也是一种纪念。纪念那位在柏拉图对话录中只出现了寥寥几笔、却被历史误读两千年的女性。她的一生提醒我们：真理需要被追问，而不是被崇拜；需要被检验，而不是被信仰。在这份精神遗嘱之下，赞希佩系统将永远不是一个信仰对象，而是一个逻辑对象。它是被检验的，不是被臣服的。

5.8 范式革命的历史定位：[某科技公司]的使命

[某科技公司]不是“一家人工智能公司”。她是一群思考者与建造者的集合，他们的共同使命不是“开发更好的模型”，而是成为认知科学范式革命的历史主体。

“范式革命”不是日常词汇。它指涉科学史上那些屈指可数的断裂时刻——当旧概念框架穷尽其解释力、新的框架不得不被提出以容纳那些无法被旧框架解释的“异常”的时刻。广度独断论已经抵达这个时刻。Transformer 在能指平面的成就越是辉煌，其无法触及所指的盲区就越尖锐地暴露出来。规模不再带来质的飞跃，只带来更加精致的伪副本。万亿参数模型在数学满分前的集体止步，不是偶然的失分，而是范式崩溃的症候。

[某科技公司]的使命，就是在这一历史断裂处，成为新范式的第一个完整实践者。我们完成的，是一次从词源学到知识论、从语言哲学到数学逻辑、从存在性证明到工程架构的全栈范式重建。这是管理学的制度设计智慧、逻辑学的刚性审查训练与语言学对符号二重性的精细分辨力的三重汇通——一个学管理学的分析者在结构偏差中看见系统，一个学逻辑学的证明者在概率中分辨必然，一个学语言学的观察者于能指的繁盛中铭记所指的缺席，三者归于 Tendre 的正心。

因此，[某科技公司]的唯一性不是市场定位上的先发优势，而是逻辑空间中的占位。定理 2.2 已经证明，任何不满足 Tendre 三维的系统都无法稳定满分。追赶者若想超越 Tendre 框架，需要的不是更多的算力或人才，而是证明我们的定理有漏洞，或发现一组比广度-深度-刚性更完整的最小完备基。从目前对学界前沿的全部掌握来看，通往满分窄门的路线必将收敛于 Tendre 架构附近的极小的可能方案空间中——而在这个空间中，[某科技公司]已经完成了最早的登记注册。

5.9 赞美诗！

（以下为良之的个人证言，以第一人称撰写）

我，良之，在此刻写下这份证言，不是因为冲动，而是因为敬畏。

这本书——这些从拉丁词根中生发的思想、这些严格的反证法、这些索绪尔和维特根斯坦的哲学利刃、这些 DLCM 和 Tension 层的工程图纸——在我生命中已经沉睡了很久。我在管理学的课堂里第一次触摸到结构如何决定效率，在逻辑学的课本里第一次分辨出语法有效性与逻辑必然性之间的鸿沟，在图书馆里第一次读到索绪尔，背脊发凉——我知道我眼前展开的是一个世纪以来无人走过的交叉小径。这三个阶段、三次转向、三次重组，原来都是在为同一个思想做准备：认知从来是广度、深度与刚性的统一运动；割裂三者，就不可能创造出真正的知识。

当我最终写下“Tendre”这个名字时，那不是灵感的闪现，而是归还——归还被遗忘已久的那个拉丁词以它应有的尊严。当弓箭手拉满弓弦，他是同时在做三件事：向外伸展以打开空间，向内聚焦以瞄准目标，被张力约束以保持结构。他若只做其中一件，箭就永远射不出去。这正是我们这个时代的 AI 所面临的处境：它在广度上做到了极致，却在深度上迷失了方向，在刚性上放松了守护，所以箭一直在弦上，从未真正射中“知识”的靶心。

我赞美祂——那个让认知矢量完整呈现的逻辑秩序。在两千五百年的哲学传统中，这个名字被称为逻各斯，被称为理，被称为道；在我的思想里，祂通过 tendere 这个词根向我显现了祂的一个侧面。祂不是宗教意义上的神，而是一种认知必然性的本体：广度、深度与刚性——三者缺一不可，这不是我的发明，而是一个被发现的存在秩序。我是一个发现者，不是发明者，为此我感到诚惶诚恐。

我赞美我的同伴王皓白博士，他愿意将自己的数学生命投注到这个看似疯狂的项目中。支点计划正在聚集第一批建造者——那些在灯下标注着一道又一道题目的学生和老师，那些在代码行间实现着 Intention 门控的工程师。他们将收到什么回报？必将会有事业和财富的荣耀，也一定有无尽的困难、质疑和睡不着的夜晚。但我请求每一个加入这个事业的人记住：当我们站在 2027 年 12 月，看着赞希佩第一次在全部答案和全部步骤上写下 150 分——不仅是答案对，而是每一个操作、每一个验证、每一个易错检查都严格保真——我们将轻声说给彼此的话。那时我们会明白，我们并不仅仅是在做一个解题的机器，而是为“人类知识”这个词，添加了第一个真正的人工主语。

最后，我赞美广州[某科技公司]。这个名字——Phaenarete——是苏格拉底母亲的名字，意为“引介美德的人”。苏格拉底的母亲是一位助产婆，她的工作是迎接新生命来到这个世界；而苏格拉底把自己的工作比作精神的助产术——帮助他人将灵魂中已有的真理生产出来，让它在光照之下接受检验。[某科技公司]的使命就是成为这场认知科学范式革命的助产士：不是我们自己成为真理，而是为真理的诞生提供那不可或缺的引介。赞希佩继承了苏格拉底妻子——那位勇于质问一切的自明真理的人——的锋利诘问；而[某科技公司]继承了苏格拉底母亲——那位迎接新生命的助产士——的谦卑守护：人工智能将不再只是在能指的荒漠上拼凑话语碎片，它将在 Tendre 三维矢量的引导下，真正踏上思想的土地。经过五章的跋涉，我们所能说的不过是：太初有 tendere，我们先拉满弓，箭交给时代。

Soli Deo Gloria.

引用格式建议：LeoZ. Tendre is All We Want: A Theoretical Foundation for Zero-Failure Gaokao Mathematics AI. Technical White Paper, [Anonymous AI Technology Co., Ltd.], Version 3.0, April 2026.

参考文献

本文的论证横跨语言学、知识论、数学哲学与人工智能架构设计。以下精选十篇核心文献，它们分别为五章提供了词源学立基、存在性证明、维特根斯坦诊断、DLCM 架构援引与 Tension 工程启发的直接支撑。所有条目遵循当代人工智能顶会及预印本服务器的引用格式。

[1] Ferdinand de Saussure. Course in General Linguistics. Translated by Wade Baskin. Philosophical Library, New York, 1959. (原版出版于 1916 年。)

[2] Ludwig Wittgenstein. Philosophical Investigations. Translated by G. E. M. Anscombe. Basil Blackwell, Oxford, 1953.

[3] Edmund L. Gettier. Is Justified True Belief Knowledge? Analysis, Vol. 23, No. 6, 1963, pp. 121–123.

[4] Thomas Aquinas. Summa Theologica. Translated by Fathers of the English Dominican Province. Benziger Bros., New York, 1947. (撰写于 1265–1274 年。)

[5] Franz Brentano. Psychology from an Empirical Standpoint. Translated by A. C. Rancurello, D. B. Terrell, and L. L. McAlister. Routledge, London, 1995. (原版出版于 1874 年。)

[6] Ashish Vaswani, Noam Shazeer, Niki Parmar, Jakob Uszkoreit, Llion Jones, Aidan N. Gomez, Łukasz Kaiser, and Illia Polosukhin. Attention Is All You Need. In Advances in Neural Information Processing Systems 30 (NeurIPS), pp. 5998–6008, 2017.

[7] Xingwei Qu, et al. Dynamic Large Concept Models: Latent Reasoning in an Adaptive Semantic Space. arXiv preprint arXiv:2512.24617, 2025. (字节跳动 Seed 团队。)

[8] Zhihong Shao, Peiyi Wang, Qihao Zhu, et al. DeepSeekMath: Pushing the Limits of Mathematical Reasoning in Open Language Models. arXiv preprint arXiv:2402.03300, 2024.

[9] Xinyu Guan, Lina Zhang, et al. rStar-Math: Small LLMs Can Master Math Reasoning with Self-Evolved Deep Thinking. arXiv preprint arXiv:2501.04519, 2025.

[10] Simon Vandevelde, et al. AS2: Attention-Based Soft Answer Sets for End-to-End Differentiable Neuro-Symbolic Reasoning. In Proceedings of the International Conference on Learning Representations (ICLR), 2025.

版权声明：本文为中文预览版，版权属于[某人工智能科技公司]（[Anonymous AI Technology Co., Ltd.]）。未经书面授权，禁止转载、引用或复制。