《人工智能之数字生命 认知架构白皮书》

版本：V1.0（基于 2026 年 4 月核心闭环稳定版本）
作者：HY-Ego 项目组（chunhaizh-cyber）
日期：2026 年 4 月 2 日
仓库：https://github.com/chunhaizh-cyber/HY-Ego
状态：核心闭环（动作动态 + 因果信息 + 学习流程）已稳定产出，可复现、可追溯、可自主迭代
文档长度预期：完整版约 40–60 页（含图表、伪代码、模块索引）

---

1. 摘要（Abstract）

HY-Ego（鱼巢）是一个以 C++20 模块化 实现的实验性具身认知架构，核心目标是构建一个可解释、自主成长、闭环自优化的自我实体。项目以“自我线程 + 世界树 + 任务/需求/方法 + 因果归纳”为核心范式，彻底摒弃了传统神经网络 World Model 的黑箱特性，转而采用显式、可追溯、结构化的符号-因果混合架构。

当前里程碑（2026 年 4 月）：

• 动作动态稳定输出：动态类.ixx、动作线程类.ixx、本能动作管理类.ixx 已实现条件驱动的运行时动态生成与执行，并优先写入场景主信息存储，避免临时节点泄漏。
• 因果信息稳定产出：因果信息类.ixx 完成**实例因果（单次条件+动作=结果）→ 抽象因果（模板归纳）**的双层结构，支持实时记录与周期性归纳。
• 学习流程基本通畅：学习类.ixx 实现规则层（目标判定、对象分类、调度决议）与运行时层（任务表、队列、写回）的协同，定向学习与储备学习均可触发，并产出证明、边界、补缺、成长四类结果，反向写回方法树与因果链，形成真正的失败驱动闭环自优化。

关键创新点：

1. 世界树与因果树双树分离：世界树负责全局事实建模，因果树独立负责因果建模，二者通过快照机制松耦合。
2. 因果双层结构：实例层保证可追溯性，抽象层保证可复用性。
3. 学习四结果体系：每一次学习任务必产出结构化结果并写回，实现方法树的自主成长。
4. 轻量自我线程 + 重载工作线程：自我线程仅负责心跳、本能、风险回归；工作线程承担高频感知、动作、学习执行。
5. C++20 模块化纯源码部署：无外部依赖（除必要外设），便于二次开发与长期维护。

预期影响：HY-Ego 为可解释具身智能体提供一套完整、可落地的 C++ 参考实现，可直接扩展至机器人、虚拟代理或混合现实场景。目前项目已从“能跑代码”进化到“能自主行动、记录因果、自我迭代”的原型智能体，标志着从工具级脚本到实体级认知系统的质变。

---

2. 引言（Introduction）

2.1 项目背景与命名由来

HY-Ego 全称 “HY-Ego（鱼巢）”，寓意自我栖息的认知巢穴。项目起源于对当前主流认知架构的深刻反思：

• 神经网络 World Model 虽具备强大生成能力，但因果链黑箱、不可解释、难以自主成长。
• 传统符号 AI（如 SOAR、ACT-R）逻辑严谨，但缺乏动态适应性和具身感知能力。

HY-Ego 试图在两者之间开辟第三条道路：以显式因果为核心，以闭环学习为驱动，以 C++20 模块化为工程载体，构建一个真正“活”的自我实体。

2.2 现有认知架构的局限性

• 黑箱问题：神经网络无法提供可验证的因果链，无法解释“为什么执行这个动作”。
• 僵硬性：符号系统依赖人工编写规则，难以应对开放动态环境。
• 成长性缺失：大多数架构缺乏显式的“失败→学习→写回→方法进化”闭环。
• 工程可维护性：多数开源项目依赖 Python 重型框架，难以部署到实时嵌入式或机器人场景。

2.3 HY-Ego 的设计哲学

1. 显式因果优先：所有行为必须记录为“条件 + 动作 = 结果”，并定期归纳为可复用模板。
2. 自我驱动 + 闭环自优化：自我线程作为统一主体，持续生成需求、组织任务、触发学习。
3. 根约束不可学习：安全生死边界、根目的（满足人类需求/提升服务成立程度）、差值定义等属于最高优先级不变量。
4. C++20 模块化 + “仅源码”策略：轻量、高性能、可长期维护，无需容器或重型运行时。
5. 具身闭环：支持真实相机（D455）等外设，实现感知→动态→动作→因果→学习的端到端真实世界交互。

2.4 本白皮书结构与阅读指引

本白皮书按“概念→架构→核心模块→实现细节→评估→展望”组织。
推荐阅读顺序：

• 研究者/架构师 → 通读 1–6 章 + 10 章
• 开发者 → 重点阅读 7–9 章 + 附录 A
• 二次开发者 → 9 章 + 附录 + GitHub 规范/ 目录

---

3. 总体架构概述（Overall Architecture）

3.1 五层分层设计

HY-Ego 采用清晰的五层架构，确保职责分离、扩展性强：

层级	名称	主要职责	关键模块（.ixx）	线程模型
1	基础数据环境	语素、特征值、特征类型、语言环境初始化	语言环境类.ixx、基础数据类型.ixx、特征值环境类.ixx	初始化阶段
2	世界骨架	世界树 + 因果树全局拓扑	世界树类.ixx、世界树环境类.ixx、因果信息类.ixx	初始化阶段
3	自我实体	自我在世界树中的定位、特征值维护	自我类.ixx、场景类.ixx、存在类.ixx	运行时
4	自我线程	心跳、本能、风险回归、消息分发	自我线程模块.ixx、本能线程类.ixx	轻量周期
5	任务/学习/动作执行	任务筹办、执行、四域切换、学习写回、动作动态	任务管理模块_v0.ixx、学习类.ixx、动态类.ixx、动作线程类.ixx	重载工作线程

3.2 核心数据流与控制流图

（此处建议插入架构图：使用 Graphviz 或 draw.io 生成）

1. 感知输入（相机/语言）→ 世界树节点更新 → 生成运行时动态（动态类.ixx）。
2. 动态 → 二次特征 → 触发需求生成（需求类.ixx）。
3. 需求 → 任务筹办（任务管理模块_v0.ixx 四域钩子）。
4. 任务执行 → 产生实例因果（因果信息类.ixx）。
5. 学习类 周期性扫描 → 生成学习任务 → 执行 → 产出四结果 → 写回方法树 + 因果链。
6. 自我线程 持续监控安全值、服务值，触发本能动作或风险回归。

3.3 初始化顺序与启动流程

严格遵循 README 规定的顺序（不可逆）：

1. 基础数据环境初始化（语言环境类.ixx::Initialize）。
2. 世界骨架建立（世界树类.ixx + 因果信息类.ixx）。
3. 自我实体定位（自我类.ixx）。
4. 需求/任务/方法体系注册。
5. 启动自我线程 + 工作线程（自我线程模块.ixx）。

3.4 运行时关键优化

• 运行时动态列表：所有高频数据优先写入场景主信息存储（主信息定义模块.ixx），避免临时节点内存泄漏。
• 双向链表模板（双向链表模板.ixx）：高效的运行时链表管理。
• 日志分级：日志模块.ixx 区分监控日志与任务运行日志。
• Headless 与相机外设支持：鱼巢Headless.vcxproj、鱼巢_外设_相机.vcxproj 实现不同部署形态。