Causal Dynamics Architecture

SKILL.md

---
name: cda
author: 王教成 Wang Jiaocheng (波动几何)
description: >
  因果动力学架构（Causal Dynamics Architecture, CDA）领域知识参考。
  当用户讨论 CDA 架构设计、因果机制网络、哈密顿约束、因果封装递归、
  物理约束神经网络、因果推断与深度学习融合、统计力学启发的人工智能时触发。
  提供架构全局认知和详细参考文件的按需深入能力。
---

# 因果动力学架构（CDA）研究参考

## 核心定位

CDA 是一个替代 Transformer 的全新 AI 计算架构提案。核心理念：**世界不是符号序列，而是实体及其因果关系的动态系统**。

一句话定义：CDA 是一个以因果图上的哈密顿动力学步进替代 Transformer Self-Attention 的计算架构，原生支持物理约束、因果推理和多尺度建模。

> 完整文档：`references/因果动力学架构（Causal Dynamics Architecture, CDA）.md`

## 参考文件体系

本 skill 的 references 目录包含三篇原创文档，构成从宏观文明演进到具体架构实现的完整知识链：

| # | 文件 | 定位 | 与其他文件的关系 |
|---|------|------|-----------------|
| 1 | `技术的螺旋：从连接到创造，一部数字文明的演进实录.md` | **宏观视角**：数字文明三纪元演进框架（PC互联网→移动互联网→物联网） | 回答"为什么需要新架构"——第三纪元（物联网）需要能理解物理规律的世界模型，第二代统计AI的能力边界在此暴露 |
| 2 | `第三代人工智能：因果仿真范式.md` | **范式定义**：从规则推理→统计生成→因果仿真的三代AI范式跃迁 | 承接文明的框架，提出"因果仿真"作为第三代的核心理念，是 CDA 的思想源头 |
| 3 | `因果动力学架构（Causal Dynamics Architecture, CDA）.md` | **架构实现**：CDA 的完整技术提案（五层栈、CER、do-演算等 13 章） | 是"因果仿真"范式的具体计算架构实现，将范式理念落地为可计算的原语和管线 |

**阅读顺序建议**：技术的螺旋（理解需求）→ 因果仿真范式（理解方向）→ CDA（理解方案）。

## 设计哲学

| | Transformer | CDA |
|--|------------|-----|
| 世界观 | 世界是符号序列 | 世界是实体及其因果关系的动态系统 |
| 核心计算 | Self-Attention（关联聚合） | 因果动力学步进（因果机制仿真） |
| 归一化 | LayerNorm（统计归一化） | 哈密顿投影（物理守恒约束） |
| 学习方式 | 反向传播（批量离线） | 在线贝叶斯更新（实时在线） |
| 层次结构 | 同构递归（N 层相同 Transformer） | 因果封装递归 CER（异构嵌套） |
| 可解释性 | 注意力权重（弱解释） | 因果链 + 物理约束（强解释） |

详见参考文件 §一（第 11-30 行）、§九（第 2564-2583 行）。

## 五层计算栈

```
┌─────────────────────────────────────────────────────────────────┐
│  Layer 5: 语言界面层 (Language Interface)                        │
│  意图解析 (NL→do()) + 状态报告 (State→NL) + 因果链解释            │
├─────────────────────────────────────────────────────────────────┤
│  Layer 4: 反事实推理层 (Counterfactual Reasoning)                │
│  平行世界分支 (Fork-State) + 干预传播 (do() Propagate)            │
├─────────────────────────────────────────────────────────────────┤
│  Layer 3: 多尺度聚合层 (Multi-Scale Aggregation)                 │
│  粗粒化 (信息瓶颈) + 重正化 (因果路径求和) + 自适应尺度选择        │
├─────────────────────────────────────────────────────────────────┤
│  Layer 2: 因果机制网络 CMN (Causal Mechanism Network)             │
│  实体-状态因果图 + 因果动力学步进 + 类型化机制函数 + 因果路由       │
├─────────────────────────────────────────────────────────────────┤
│  Layer 1: 感知校准层 (Perception & Calibration)                  │
│  实体发现 + 多模态消歧 + 传感器融合 + 贝叶斯校准                  │
└─────────────────────────────────────────────────────────────────┘
```

详见参考文件 §二（第 31-93 行）。

## 核心数据结构

```python
class EntityState:
    position: Tensor      # q: 广义坐标（位置、角度、温度...）
    momentum: Tensor      # p: 共轭动量（速度、角速度、热流...）
    attributes: Tensor    # a: 固有属性（质量、电荷、材料类型...）
    belief: Distribution  # b: 贝叶斯信念 ~ N(μ, Σ)

class CausalEdge:
    source: int           # 因
    target: int           # 果
    mechanism: Callable   # f_ij: 因果机制函数（可微分）
    mechanism_type: str   # 机制类型（热力学/力学/流体/化学反应/信息）
    strength: float       # 因果强度
    confidence: float     # 结构置信度
```

详见参考文件 §3.1（第 625-662 行）。

## 各层核心要点

### Layer 1: 感知校准（§2.1-2.2，第 94-619 行）

**两层设计**：
1. **§2.1 统一感知接口**（第 94-360 行）：非结构化数据→实体候选
   - 实体发现：文本 NER / 视觉目标检测 / 时序变点检测
   - 多模态消歧：并查集 + 多特征相似度聚类
   - 本体驱动初始化：领域本体分配初始状态和候选因果边
2. **§2.2 感知校准层**（第 361-619 行）：结构化传感器→内部表示
   - 传感器融合：时间对齐 + 空间映射 + 量纲归一化
   - 物理感知编码器：直接映射可测量量 + 推断网络估计不可测量量
   - 贝叶斯校准：卡尔曼更新 + 马氏距离异常检测

### Layer 2: 因果机制网络 CMN（§三，第 621-1058 行）

**核心前向传播**（§3.2）：因果动力学步进
- 每个时间步：对每条因果边计算机制函数 → 累加状态变化 → 哈密顿投影
- 与 Attention 的本质区别：Attention 是无向的关联聚合，CDA 是有向的因果机制仿真

**机制函数参数化**（§3.3）：类型化物理约束
- 热力学型：傅里叶定律 + 牛顿冷却
- 力学型：弹簧-阻尼 + 接触力
- 流体型：Navier-Stokes 简化
- InteractionBasis：基函数展开 Φ(x) → 参数化 f_ij

**因果计算路由**（§3.4）：稀疏边选择
- 路由分数 = 因果强度 × 源状态变化 × 目标不确定性 × 查询相关性
- 三级筛选：硬阈值 → Top-K → 全局预算
- 复杂度：O(N²k) → O(NKk)，640× 加速

### Layer 4: 哈密顿约束（§四，第 1059-1340 行）

- 系统哈密顿量 H(q,p) = T(p) + V(q) 作为架构恒等式
- 哈密顿投影：每步将状态拉回能量守恒流形（替代 LayerNorm）
- 辛积分器（Störmer-Verlet / Yoshida 4阶）：天然保持辛结构
- 完整管线：CDABlock（路由→机制计算→积分→投影→信念更新）

> 注意：哈密顿投影与辛积分器可能存在冗余，需要进一步分析是否可以简化。

### Layer 4: 反事实推理（§五，第 1341-1414 行）

- **干预 (do-演算)**：图手术——切断因果边，设置变量值，仿真传播
- **反事实**：溯因→干预→预测三步
- **并行世界分支树**：每次干预创建状态分支，支持多策略比较

### Layer 3: 多尺度聚合（§七，第 2009-2359 行）

- **粗粒化**：信息瓶颈驱动的实体聚类（特征值分解 + 谱聚类）
- **重正化**：因果路径求和（Neumann 级数截断）更新粗粒化后的机制函数
- **自适应尺度选择**：基于不确定性驱动的多分辨率切换

### Layer 2.5: 学习机制（§六，第 1415-2008 行）

**冷启动**（§6.1，第 1421-1633 行）：从零构建因果图
- Phase A：知识骨架（物理方程 + 工程拓扑 + 文本挖掘）
- Phase B：骨架引导 NOTEARS 精化（先验正则化）
- Phase C：主动因果实验（期望信息增益驱动）

**在线更新**（§6.2，第 1634-1994 行）：替代反向传播
- Level 1：贝叶斯信念追踪（EKF 实时修正状态估计）
- Level 2：机制函数在线学习（Online Laplace Approximation）
- Level 3：因果结构学习（NOTEARS 增量更新图结构）
- Level 4：结构更新触发控制器（不确定性驱动）

## 因果封装递归 CER（§八，第 2360-2563 行）

**CDA 最原创的贡献**。替代 Transformer 的同构递归（N 层相同层）。

核心思想：
- **异构递归嵌套**：每层封装一个因果子系统，不同层有不同的实体类型和机制函数
- **双向因果耦合**：子系统和父系统之间通过因果边双向连接（而非单向调用）
- **因果封装**：子系统内部状态对外不可见，只能通过接口实体交互

与 Transformer 层次结构的区别：Transformer 的层级是抽象语义层级（词→短语→句子），CER 的层级是物理因果层级（压缩机→制冷系统→工厂→电网）。

## 核心术语

| 术语 | 英文 | 定义 |
|------|------|------|
| 因果机制网络 | CMN | 以实体为节点、因果机制为边构成的有向图 |
| 实体-状态因果图 | Entity-State Graph | EntityState + CausalEdge 的动态系统表示 |
| 哈密顿投影 | Hamiltonian Projection | 状态约束在能量守恒流形上，替代 LayerNorm |
| 因果封装递归 | CER | 异构嵌套递归结构原则，每层封装一个因果子系统 |
| do-演算 | do-Calculus | Judea Pearl 的干预推理框架，CDA 原生实现 |
| 图手术 | Graph Surgery | do-演算实现——切断特定因果边模拟干预 |
| 粗粒化 | Coarse-Graining | 微观状态聚合为宏观有效状态 |
| 重正化 | Renormalization | 调整因果机制函数使其在粗粒化后仍有效 |
| 主动推断 | Active Inference | Friston 理论：智能 = 最小化自由能 |
| 贝叶斯在线更新 | Bayesian Online Update | 替代反向传播的学习机制 |

完整术语表见参考文件 §十五（第 2814-2835 行）。

## 关键公式索引

公式位于参考文件附录（第 2848 行起）：

| 编号 | 公式名称 | 参考文件位置 |
|------|---------|-------------|
| A1 | 核心状态演化方程 | 第 2850 行 |
| A2 | 哈密顿约束 | 第 2854 行 |
| A3 | 贝叶斯状态更新 | 第 2858 行 |
| A4 | 因果机制函数（热力学） | 第 2862 行 |
| A6 | 多尺度粗粒化 | 第 2872 行 |
| A7 | 因果封装递归映射 | 第 2876 行 |
| A9 | Störmer-Verlet 辛积分器 | 第 2886 行 |
| A10 | 哈密顿投影拉格朗日乘子 | 第 2896 行 |
| A13 | 信息瓶颈粗粒化 | 第 2922 行 |
| A14 | 重正化因果路径求和 | 第 2928 行 |

## 与现有工作的关系

| 现有工作 | CDA 中的角色 | CDA 的超越 |
|---------|------------|-----------|
| Judea Pearl 因果推断 | Layer 3-4 理论基础 | 静态因果图 → 动态因果动力学 |
| Yann LeCun JEPA | 世界模型理念启发 | 联合嵌入预测 → 因果机制仿真 |
| Neural ODE | 状态演化数学工具 | 加入因果图结构和哈密顿约束 |
| Hamiltonian NN | 能量守恒实现 | 推广到所有物理守恒律 + 因果结构 |
| 统计力学重正化群 | 多尺度理论基础 | 自适应在线尺度选择 |
| GNN | 因果图上的信息传播 | 无向关联图 → 有向因果动力学图 |

详见参考文件 §十三（第 2743-2758 行）。

## 已知局限与开放问题

**已知局限**：
- 实体规模 > 10⁴ 时的路由精度
- 感知接口对非物理领域（自然语言、社交网络）的适用性未验证
- CER 递归的内存管理

**开放问题**：
- 通用因果发现（无领域知识冷启动）
- 跨模态因果机制（语言→物理的因果边如何定义）
- 与 LLM 的有效结合方式

详见参考文件 §十二（第 2704-2742 行）。

## 原创性评估

真正原创的概念：
1. **实体-状态因果图**：Pearl 因果图 + 哈密顿状态空间的融合
2. **因果封装递归 CER**：异构递归嵌套 + 双向因果耦合
3. **因果路径求和的重正化**：Feynman 路径积分 → 因果图粗粒化

其余 80%+ 为已有工作的系统性重组和工程化。原创贡献占比约 15-20%。

## 实现路线图

| Phase | 目标 | 时间 |
|-------|------|------|
| 14.1 | 热力学仿真引擎（验证核心计算原语） | 可立即启动 |
| 14.2 | 多域因果耦合（热+力+流体） | 1-2 年 |
| 14.3 | 反事实推理与决策 | 2-4 年 |
| 14.4 | 通用因果世界模型 | 4-8 年 |

详见参考文件 §十四（第 2761-2813 行）。

## 使用指南

当需要深入了解某个模块时，读取参考文件的对应章节：

```bash
# 读取特定章节
read_file("references/因果动力学架构（Causal Dynamics Architecture, CDA）.md", offset=<起始行>, limit=<行数>)

# 搜索特定概念
search_content(pattern="<关键词>", path="references/因果动力学架构（Causal Dynamics Architecture, CDA）.md")
```

建议的深入顺序：
1. §二（五层栈全景）→ §3.1（数据结构）→ §3.2（核心计算）
2. §4.1-4.3（哈密顿约束）→ §五（反事实推理）
3. §6.1（冷启动）→ §6.2（在线学习）
4. §七（多尺度）→ §八（CER）
5. 附录公式验证