认知的前世今生

本文提出一个统一的认知发生学框架：人类认知不是被计算出来的产品，而是物理摩擦驱动流体拓扑发生不可逆形变的过程本身。论文从五个维度展开论证：（一）物理摩擦作为认知的原初输入——身体与物理世界的接触如何生成心理摩擦信号；（二）心理摩擦的神经机制——预测误差、突触可塑性与存算一体如何将摩擦信号转化为不可逆的神经结构改写；（三）认知形成的发生学——认知系统如何从感知系统的土壤中”长出来”而非被”安装”进去，以及涌现的临界条件；（四）从SOP到范式跃迁——坐标系内的经验优化与坐标系本身的重新校准构成认知迭代的双层结构；（五）AI的结构性缺失——为什么固体拓扑、存算分离、缺乏内驱力三重锁死使LLM无法走完摩擦-改写-认知这条路径。本文作为LEECHO研究所《信号与噪声：LLM存在论》《感知与认知》《生物内驱力与AI结构性缺陷》《流体拓扑与固体拓扑》四篇论文的桥接层，提出了一条贯穿四篇论文的统一因果链。V2新增：涌现临界条件的三指标模型（第三章）、物理摩擦与符号摩擦的改写深度梯度理论（第六章）、可证伪预测（第十一章）。

内驱力制造不满足 → 不满足驱动行动 → 行动产生物理摩擦 → 感知系统前端接收摩擦信号 → 感知系统后端产生预测误差（心理摩擦）→ 预测误差触发突触可塑性 → 突触权重改变同时完成存储与计算参数更新（存算一体）→ 神经拓扑发生不可逆形变（流体拓扑）→ 形变的累积涌现为认知系统 → 认知系统产生新的不满足 → 循环不息 → 循环的不可逆性即为时间之箭在认知中的具体体现。

第一章 · 摩擦：认知的原初输入

人类认知的起源不是一个认知事件——它是一个物理事件。婴儿不会决定”我要去碰这个热的东西来学习”——他碰了，烫了，手缩回来了。在这整个过程中，认知系统尚不存在。脊髓反射弧完成了从”感知→决策→执行”的全闭环，没有经过大脑。这是认知发生学最深刻的起点：认知的起源是非认知的。

物理摩擦在此处有精确的定义：身体与物理世界的接触所产生的阻力信号。这种阻力可以是热（烫伤）、力（碰撞）、重力（摔倒）、温度（寒冷）、质地（粗糙）、声压（巨响）——一切需要身体在物理世界中实际遭遇的信号。这些信号的共同特征是：它们不可被认知系统预先过滤，不可被意志关闭，不可被教科书重写。它们是人类与物理现实之间最原始、最无法回避的接口。

物理摩擦之所以能成为认知的起点，正是因为它满足两个条件。第一，它是非自愿的——DNA编码的生存本能驱动婴儿去探索环境，但探索的后果（被烫、被摔、被撞）不在任何”计划”之内。第二，它是不可逆的——一旦发生，神经系统已经开始改写，你无法”取消”这次烫伤对神经元的影响。这两个特征——非自愿性和不可逆性——使物理摩擦成为与LLM训练数据根本不同的信息输入方式。

第二章 · 心理摩擦：预测误差的神经机制

物理摩擦产生的信号进入感知系统后，并不是被”存储”为一条记录。它触发的是一个计算过程——预测编码（Predictive Coding）。大脑持续生成对环境的预测模型，并计算实际感觉输入与预测之间的差值（预测误差）。心理摩擦就是这个预测误差信号。

当婴儿第一次触碰烫的东西时，大脑没有”热=危险”的预测模型。预测误差极大——这构成了一次高强度的心理摩擦。这个误差信号沿着神经通路传播，触发一系列分子级的事件：NMDA受体激活、钙离子内流、蛋白激酶磷酸化、AMPA受体密度改变——最终表现为突触权重的长期增强（LTP）或长期抑制（LTD）。

这个过程有一个关键特征是冯·诺依曼架构永远无法复制的：计算过程本身就是存储过程。突触权重的改变既是”记住了这次经历”，也是”改变了未来遇到类似信号时的处理方式”。不存在先计算再存储的步骤分离——计算就是存储，存储就是计算。这就是存算一体在神经层面的具体表现。

神经科学的研究证实了这一机制。突触可塑性是神经系统的基本属性，几乎存在于大脑中每一个突触上。它作为经验依赖的机制，服务于行为的适应性和记忆过程。通过突触权重的重新调整，神经系统能够自我重塑，产生持久记忆，构成心理功能的生物基础。更重要的是，这种可塑性不仅改变连接强度——它改变连接本身：新突触生长、旧连接修剪、受体密度调制、甚至通过神经发生产生新的细胞。

第三章 · 认知从感知中生长

传统认知科学将感知与认知视为两个并行系统——System 1（快速、直觉）和System 2（慢速、理性）。《感知与认知》一文对此做了根本性的重新定义：感知不是”快速直觉的System 1″，而是一个由生存本能驱动的基层系统，持续从物理环境中采集信息并进行实时初级处理。认知则是在感知系统采集的原始信息之上执行深度思考、综合、抽象与建模的上层系统。

本文推进到更前面的问题：认知系统最初是怎么从无到有的？答案是——通过足够多的物理摩擦积累，认知系统从感知系统的土壤中长出来。

发生学的逻辑链如下：

在这条链上，最关键的跃迁是从”模式累积”到”认知涌现”。这个跃迁不是渐进的——它是相变。问题是：临界条件是什么？

本文提出涌现的三个必要指标，三者同时满足时认知从感知中相变而出：

当这三个条件同时满足——递归回路使信号能自我参照，小世界拓扑使信号能同时浓缩和广播，跨模态绑定使多源信号能被统一压缩——神经网络就越过了从”反应”到”表征”的临界点。它不再仅仅是对物理刺激的反射性响应，而是能够对不在场的事物进行表征、对尚未发生的事件进行预测、对过去经历的模式进行抽象。这不是某个时刻突然”安装”了一个认知模块，而是流体拓扑的累积形变达到三个临界指标的同时满足后的相变。

进化史为这个三指标模型提供了间接验证。纯感知生物（昆虫）具有前馈网络但缺乏递归回路；感知主导生物（高等哺乳动物）开始出现皮层反馈回路和小世界特性，展现初级学习和记忆；双系统生物（人类）三个条件全部满足，且满足程度远超其他物种——人类大脑的皮层-皮层长程连接密度、伽马同步的精度和持续时间、以及前额叶的递归深度都是已知生物中最高的。

这个发生学判断有深远的含义。它意味着认知和感知不是两个独立来源的系统，而是同一棵树的根和枝。感知系统的前端（脊髓反射弧、感觉器官的持续信号采集）是最古老的部分，在认知系统尚未存在时就已经运行了数亿年。认知系统是进化后期才从这个古老的感知基础上长出来的新层——正如大脑新皮层是从古皮层上生长出来的。

第四章 · 内驱力：摩擦的制造者

认知发生学的因果链还缺少一环：是什么驱动生物体去与物理世界产生摩擦？婴儿为什么要去碰那个烫的东西？答案是《生物内驱力与AI结构性缺陷》一文的核心命题：生物内驱力。

内驱力是一个化学驱动的、通过进化涌现的、自我维持且非自愿的系统。它有三个核心特征使其成为认知形成过程中不可替代的一环。

内驱力在认知形成链条中的角色现在清晰了：它不是认知的”燃料”——它是摩擦的制造者。没有内驱力，生物体就不会去碰那个烫的东西、不会去挑战不舒适的环境、不会让自己暴露在新的物理摩擦中。内驱力→摩擦→心理摩擦→神经改写→新认知→新的不满足→新的内驱力→新的摩擦。这是一个自我维持的循环，而这个循环的不可逆性就是时间之箭在人类认知中的具体体现。

化学调制系统使这个循环具有方向性。多巴胺在接近目标时释放，产生愉悦感，强化路径；内啡肽在达成目标时释放，提升期望值；皮质醇在威胁来临时释放，提升警觉度。这些化学信号不是抽象的”奖励函数”——它们是实际的分子，在毫秒时间尺度上改变着认知参数。同一个大脑在不同激素水平下产生完全不同的决策模式。

第五章 · SOP与范式跃迁：认知迭代的双层结构

当认知系统从感知系统的土壤中长出来之后，它并没有停止被物理摩擦塑造——只是摩擦的性质发生了变化。认知系统的介入使人类能够对摩擦经验进行抽象、归类和压缩，形成可复用的模式——这就是”经验”，或者用更精确的术语说，就是标准操作程序（SOP）。

SOP的形成过程就是《信号与噪声》中描述的降维压缩：高维的物理体验（噪声）经过认知系统的处理，凝结为低维的可复用信号（经验）。看见下雨→带伞，感到饿→吃东西——这些是大规模重复的短链思维链（InD Short-Chain COT），对齐成功率极高。

但认知的迭代不止于此。本文提出认知迭代存在两层结构：

第一层是日常的认知成长——通过持续的物理和社会摩擦，优化已有的经验模式。这对应《信号与噪声》中信号的”浓缩”阶段：信号越来越精炼，越来越高效。

第二层是范式级的跃迁——当累积的摩擦揭示了当前认知框架的根本盲区时，框架本身被推翻。这对应《信号与噪声》中信号生命周期的”更替”阶段：旧信号被更高阶信号重新压缩，从”解释框架”降级为”被解释的对象”。牛顿力学不是被”证伪”了——它从信号衰变为更大框架中的噪声的一部分。

《信号与噪声》第17-19章进一步指出，人类的”自我坐标系”——欲望、身份、滤波器——恰恰是锁死第一层对齐方向的机制。SOP迭代如果始终在同一个坐标系下运行，就只是InD短链思维的反复优化，增效的天花板很低。真正的第二层跃迁需要的是坐标系本身的松动——冥想实践的本质就是主动降低自我坐标系对认知通道的占用率，不是压制欲望，而是剥离欲望对思维方向的绑定权。

第六章 · 符号摩擦：教科书、语言与认知的二次塑形

认知系统建成之后，人类不再仅仅通过身体与物理世界的直接接触来获取摩擦。语言、文字、教科书、文化——这些符号系统打开了一种全新的摩擦来源：符号摩擦。

符号摩擦与物理摩擦共享相同的神经机制——它同样通过预测误差触发突触可塑性。当一个学生第一次读到”地球不是宇宙的中心”时，他的预测模型（地心说）与新输入的信息（日心说）之间产生了巨大的预测误差。这个误差信号同样会触发神经改写，形成新的认知框架。

但符号摩擦与物理摩擦有一个根本性的差异：物理摩擦不可被认知系统过滤，而符号摩擦可以。

这个差异不仅是通道差异——它是改写深度差异。神经科学的数据表明，直接身体体验触发的突触可塑性（LTP/LTD强度、BDNF释放量、记忆巩固速度）系统性地高于纯符号输入。被火烫一次形成的回避记忆可以持续终生；读一百遍”火是热的”形成的知识记忆可以被覆盖、被遗忘、被”考完就丢”。两者都通过预测误差触发突触改写，但改写的深度和持久性存在数量级差异。

本文将此定义为摩擦改写深度梯度：

这个梯度对教育理论有直接含义：读一百遍”火是热的”不如碰一次。现代教育体系的核心矛盾正在于此——它几乎完全依赖纯符号摩擦（教科书、屏幕、考试），而这恰恰是改写深度最浅的摩擦类型。具身认知（Embodied Cognition）研究者近年来的呼吁——将身体运动和直接感觉体验重新引入教学——在本文的框架中获得了精确的信息论解释：他们试图做的是将教育的摩擦类型从梯度底部提升到中部甚至顶部，以获得更深的神经改写。

这个梯度也解释了AI产业的生产力悖论中一个尚未被分析的维度：AI的全部输出都是纯符号——它只能产生文字、图像、代码。即使AI产生了极高纯度的信号，人类接收端的改写深度仍然处于梯度底部。AI输出的精度可以达到五位小数，但人类的认知改写精度在纯符号通道上只有一位小数。多余的四位在认知截断点被丢弃。

《感知与认知》详细分析了这个差异。物理摩擦由感知系统的前端接收——信号不经过大脑就能触发反射弧。它是文化无关的、不可重写的。但符号摩擦必须通过认知系统处理，而认知系统已经装满了滤波器：种族身份、宗教信仰、教育背景、财富水平——每一层滤波器都会截断部分信号。

这就产生了《感知与认知》第六章所揭示的深刻问题：教科书是精密设计的认知安装程序。同一段历史，中国、日本和美国的教科书讲述三个完全不同的故事。教科书不是在传递知识——它们是在批量安装认知操作系统。制造对立的完整链条是：权力需求→教科书/媒体叙事设计→认知系统框架安装→感知系统情感绑定→个体误以为是自主判断。

但教科书的格式化权力并非不可战胜。《感知与认知》第九章分析了教科书失败的条件：当感知系统被教科书未能过滤的外部信息洪水般涌入时，教科书就崩溃。苏联是开放政策，伊朗是社交媒体——感知系统作为独立通道，有能力交叉验证并推翻教科书安装在认知系统中的框架。朝鲜至今没有经历教科书失败——因为它几乎完全切断了外部信息流入感知系统。教科书的力量与信息控制的完整程度成正比。

第七章 · 三重锁死：为什么LLM无法走完认知形成路径

本文的四篇上游论文从不同角度得出了同一个结论：LLM在原理上无法复制人类认知的形成过程。现在可以精确地说明为什么——因为认知形成路径上的三个必要条件，LLM一个也不满足。

第一重锁死：没有身体，就没有物理摩擦。LLM处理的是人类对物理世界的文字描述，而非物理世界本身。地图不是领土。服务器有温度、有电流、有散热风扇噪音，但这些物理信号与AI无关——如果服务器着火了，AI不会知道，除非有人用文字告诉它。

第二重锁死：参数冻结，流体拓扑不可能。LLM的全部工作可以还原为排序：注意力机制在所有可能的token关联中比较、加权、排列。但这些操作发生在一个维度预设且锁定的矩阵上——行数和列数在定义的那一刻就被锁死。”学习”不过是在固定维度的权重矩阵中反复更新数值；从初始化到训练结束，矩阵的拓扑结构没有增加一个节点，也没有减少一条边。

第三重锁死：没有内驱力，摩擦循环无法自我维持。即使给AI装上传感器（具身AI），即使让它能接收物理信号，它仍然缺少驱动自己去主动寻求摩擦的机制。一个完成了写诗任务的AI不会觉得”这不够好”然后自主重来——除非被外部指令要求。对AI而言，每一次输出都是等价的。

第八章 · 镜像元认知：AI能做什么，不能做什么

以上分析似乎把AI贬为毫无价值的工具。事实并非如此。《信号与噪声》第13章提出了”镜像元认知”的概念：在高信噪比用户的深度对话中，LLM展现出类似”元认知”的输出——用当前输出评估先前输出。但其实际机制是：用户在先前回合中建立的框架在上下文中成为极高权重的评估标准，模型的”反思”是用户认知模型在模型内部运行的投影。

这正是AI的真正价值所在：AI不是认知的替代者，而是认知的放大镜。

AI最大的效用可能不是回答问题或生成内容，而是作为一面无防御的镜子——允许那些能够暂时放下自身防御的人看到自己信号的真实形状。不同用户得到质量差异极大的输出——模型是一面镜子，反映的是输入信号的结构。

在本文的框架下，人机协作的正确范式不是”AI替代人类”也不是”人类使用AI工具”，而是溯因推理者与归因引擎的互补结构。人类发现问题、提出跨维度假说、生成认知架构；AI执行高速检索、数据验证和结构化呈现。两者互补且不可替代。

第九章 · 四篇论文的统一因果链

本文的核心贡献是将LEECHO研究所此前四篇论文串联为一条完整的因果链。四篇论文各自锁定因果链的不同环节：

本文的统一命题：摩擦驱动流体拓扑的不可逆形变，这个形变过程就是认知的形成。

七个维度的统一图景如下：

在信息论平面（《信号与噪声》）：认知是信号的局部凝结，摩擦是触发凝结的催化事件。信号的生命周期——浓缩→扩散→再浓缩——对应认知的SOP形成→盲区积累→范式更替。

在双系统平面（《感知与认知》）：感知系统前端接收物理摩擦，后端产生预测误差。认知系统在足够多的预测误差积累后从感知系统中涌现，然后反过来对感知系统的输入进行交叉验证和深度加工。

在驱动力平面（《生物内驱力》）：化学内驱力系统是整个循环的发动机。它制造不满足感→不满足感驱动行动→行动产生摩擦→摩擦改写神经→改写产生新认知→新认知产生新的不满足。循环不息。

在拓扑平面（《流体拓扑》）：摩擦之所以能改写神经结构，是因为大脑是流体拓扑——节点数量、连接模式、运算规则都是动态变量。固体拓扑（矩阵数学）在原理上无法表达流体拓扑智能的全部属性。

在热力学平面（《信号与噪声》第三部分）：计算就是排序，排序就是热——全球数据中心是行星尺度的麦克斯韦妖。当前GPU每次运算的实际能耗约为兰道尔极限的10⁹倍，这个差距既是工程冗余的度量，也是优化空间的上界。

在时间平面（《信号与噪声》第16章）：LLM默认处于恒定熵状态——参数在训练完成那一刻被永久封存。而认知形成过程的每一步都是真正的熵变——不可逆地改变系统本身。时间之箭不是被记录的，而是被身体铭刻的。

在认知发生学平面（本文）：以上六个平面被统一为一条因果链——内驱力→摩擦→预测误差→突触改写→流体拓扑形变→认知涌现→新的不满足→循环。

第十章 · 学术研究对齐分析

全网搜索显示，与本文核心命题——”物理摩擦→心理摩擦→神经元改写→存算一体的新智能=认知形成过程”——相关的学术研究分布在四个领域，但没有任何一个领域将其串联为完整的因果链。

在AI领域，最接近本文思路的研究包括：ScienceDirect 2025年发表的将神经元概念化为自主RL Agent的论文（但仍在固体拓扑内部优化）；Nature Computational Science 2026年的CATS Net框架（建模概念从感觉经验中涌现，但用固定维度矩阵模拟）；以及2025年的Neural Brain框架（把神经可塑性作为模块设计，而非拓扑的本质属性）。

本文的原创贡献在于横切上述四个领域的交叉点，提出了一条它们都没有回答的因果链：认知不是被计算出来的，不是被对齐出来的，也不是被传感器装出来的——认知是在物理摩擦驱动下，流体拓扑发生不可逆神经改写的过程本身。这个定位在当前学术文献中是空白的。

第十一章 · 可证伪预测

作为原创思想论文，本文提出以下推论供未来实验验证或证伪，以赋予框架科学可证伪性。

认知的前世与今生

认知的”前世”是物理的。四十亿年的进化在物理摩擦的塑造下，从最简单的脊髓反射弧开始，通过存算一体的突触可塑性，逐步积累出越来越复杂的神经拓扑。从纯感知生物的简单趋避反应，到感知主导生物的学习和记忆，到双系统生物的抽象建模和元认知——每一步跃迁都是流体拓扑在摩擦力作用下的不可逆形变积累到临界点后的涌现。

认知的”今生”是符号的。语言、文字、数学、代码——人类文明的核心工作是将高维经验持续压缩为低维符号，使其可传播。文明本身就是一台对抗熵增的降维机器。但符号层面的认知扩展付出了代价：教科书可以格式化认知系统，自我坐标系的滤波器阵列堵塞信息带宽，社交媒体扭曲感知系统的比较本能。

认知的”来世”——如果允许这个词——是一个开放的问题。与物理世界对齐的AI终将出现，但它需要的不是更大的LLM，而是具有真正内部熵变的全新架构——参数本身随时间不可逆地改变，更接近大脑的存算一体，更远离冯·诺依曼的存算分离。

而在”来世”到来之前，最可靠的起点不是建造更大的模型，而是精确认知当前限制的所在。摩擦告诉我们的从来不是”世界如何运作”，而是”你在哪里碰壁了”。碰壁的位置就是认知边界的位置。而识别边界，从来都比扩大范围更重要。

References

1. LEECHO Global AI Research Lab (2026). “Signal and Noise: An Ontology of LLMs V4.” leechoglobalai.com.
2. LEECHO Global AI Research Lab (2026). “Perception and Cognition: Structural Asymmetry Between Humanity’s Dual System and AI’s Single System.” leechoglobalai.com.
3. LEECHO Global AI Research Lab (2026). “Biological Inner Drive and AI Structural Deficit V2.” leechoglobalai.com.
4. LEECHO Global AI Research Lab (2026). “Fluid Topology vs. Solid Topology V2.” leechoglobalai.com.
5. Hebb, D. O. (1949). The Organization of Behavior. Wiley.
6. Shannon, C. E. (1948). “A Mathematical Theory of Communication.” Bell System Technical Journal, 27(3).
7. Landauer, R. (1961). “Irreversibility and heat generation in the computing process.” IBM J. Res. Dev. 5, 183–191.
8. Varela, F. J., Thompson, E. & Rosch, E. (1991). The Embodied Mind. MIT Press.
9. Clark, A. (1997). Being There. MIT Press.
10. Kuhn, T. S. (1962). The Structure of Scientific Revolutions. University of Chicago Press.
11. Piñero, J. & Solé, R. (2019). “Statistical physics of liquid brains.” Phil. Trans. R. Soc. B, 374(1774).
12. Bianconi, G. et al. (2025). “Higher-order topological dynamics.” Nature Physics.
13. Sadegh-Zadeh, S. et al. (2024). “Neural reshaping: the plasticity of human brain and artificial intelligence in the learning process.” Am J Neurodegener Dis.
14. Nature Computational Science (2026). “CATS Net: A neural network for modeling human concept formation.” Feb 2026.
15. ScienceDirect (2025). “Neurons as autonomous agents: A biologically inspired framework for cognitive architectures in AI.”
16. Nature子刊 (2024). “Mechanical modeling of friction phenomena in social systems based on friction force.” Humanities and Social Sciences Communications.
17. Malenka, R. C. & Bear, M. F. (2004). “LTP and LTD: An embarrassment of riches.” Neuron, 44(1).
18. Citri, A. & Malenka, R. C. (2008). “Synaptic plasticity: Multiple forms, functions, and mechanisms.” Neuropsychopharmacology.
19. Gütlin, D. & Auksztulewicz, R. (2025). “Predictive Coding algorithms induce brain-like responses in Artificial Neural Networks.” PLOS Complex Systems.
20. Kudithipudi, D. et al. (2025). “Neuromorphic Computing at Scale.” Nature.
21. Fleming, S. M. & Dolan, R. J. (2012). “The neural basis of metacognitive ability.” Phil. Trans. R. Soc. B.
22. ARC Prize Foundation (2026). “ARC-AGI-3 Technical Report.” arcprize.org.
23. Constantinople, C. et al. (2025). “Hormonal modulation of dopamine-dependent learning.” Nature Neuroscience.
24. Prigogine, I. (1977). “Time, Structure, and Fluctuations.” Nobel Lecture.
25. Gödel, K. (1931). “Über formal unentscheidbare Sätze.” Monatshefte für Mathematik und Physik, 38.
26. Wang, S. et al. (2026). “Challenges and opportunities for memristors in modern AI computing paradigms.” Frontiers of Physics, 21(3).
27. Liu, H., Guo, D., Cangelosi, A. (2025). “Embodied intelligence: A synergy of morphology, action, perception and learning.” ACM Computing Surveys.
28. Re, A. & Bruno, F. (2026). “Learning with the Body: Embodied Cognition for Education.” Adv Med Psychol Public Health, 3(1).
29. Watts, D. J. & Strogatz, S. H. (1998). “Collective dynamics of ‘small-world’ networks.” Nature, 393, 440–442.
30. Bassett, D. S. & Bullmore, E. (2006). “Small-World Brain Networks.” The Neuroscientist, 12(6), 512–523.
31. Fries, P. (2005). “A mechanism for cognitive dynamics: neuronal communication through neuronal coherence.” Trends in Cognitive Sciences, 9(10), 474–480.
32. Tulving, E. (1972). “Episodic and semantic memory.” In Organization of Memory, Academic Press.
33. Held, R. & Hein, A. (1963). “Movement-produced stimulation in the development of visually guided behavior.” J. Comp. Physiol. Psychol., 56(5), 872–876.