inclusiv.ai 是一个私人研究项目，致力于开发 Universal Self Reading Architecture（USRA，通用自读架构）— 一种范式不同的认知架构，源自数学第一原理，而非神经模仿方法。
我们开发的认知系统通过基于发展心理学（Vygotsky、Piaget、Bloom）的程序化课程进行学习，对训练语料库的需求比基础模型低数个数量级。我们的架构不使用神经网络、权重、梯度下降或随机采样。
这是一种架构性和结构性的方法，而非统计性的。结构基础是首要的；生物保真度从数学推导中自然涌现。结构层经过 Lean4 证明助手的形式化验证。执行是字节级一致的 — 确定性作为一种架构属性，而非随机近似。
一个 AI 不依赖于榨取性基础设施、不需要数十亿参数、不在简单任务上浪费资源、也不对隐私和民主多元主义构成系统性威胁的世界。
能够与用户共同成长的认知系统 — 终身在设备端运行：数学辅导员、学习伙伴、低资源语言的翻译器、用于现实世界交互的物理化身。
开发、形式化验证并通过实证展示一种范式不同的认知架构，并确保知识产权保护，以使该技术能够通过负责任的商业和研究渠道得以应用。
特别关注：边缘群体的教育、为低资源语言提供 AI 辅助教学、以及在关键系统（医疗、金融、公共服务）中的伦理整合。
基础模型（GPT、Claude、Gemini、LLaMA 及其他 LLM 架构）在技术上令人印象深刻，但在结构上无法服务于某些场景。某些问题无法通过更大的模型解决 — 只能通过不同的架构解决。
基础模型需要数十亿示例才能掌握基本能力。一个孩子从几十个例子就能学会数学。差距：数个数量级。
最大的模型需要云基础设施。隐私是一种可选权利，而非架构属性。设备端部署是变通方案，而非设计。
基础模型对同一个问题给出不同答案。科学可复现性和监管认证在结构上更难实现。
基础模型的训练和推理消耗大量电力、水、稀有元素和人力。今天的 AI 是一种物理性的榨取产业。
基础模型在学习新任务时会遗忘之前学到的内容。同一模型的终身学习在结构上不可能。
对 AI 了解最少的社会群体反而显示出最高的信任度。民主社会对 AI 影响系统的结构性脆弱。
我们的回应：这些不是可以通过更大模型解决的技术限制。它们是一种方法的架构性后果 — 神经网络范式。USRA 以不同的方式处理认知系统。
关于 AI 领域的教育材料 — 从方法的历史，到当今的范式，再到新兴模型。无营销噱头，科学严谨。
"AI" 是一个涵盖性术语，包括多种差异显著的范式。2026 年学术分类法中正式认可的类别：
公众讨论中的 "AI" 通常指 "深度学习 + LLM" — 这是当前主导的范式，但不是唯一的。
USRA 不属于上述任何类别。它正在作为一种新方法被开发，从数学第一原理推导出认知结构 — 作为学术分类法中的类别，它尚未被正式认可。这是有意为之："范式不同"恰恰意味着它不适合既有框架，需要自己的分类。
神经网络是一种受生物神经元启发的数学结构：
这一范式自 2012 年（AlexNet）以来一直占主导地位，特别是 2017 年（Transformer 架构）以来。LLM（GPT、Claude、Gemini、LLaMA）是具有数十亿权重、用 PB 级文本训练的 transformer。
通用近似定理在数学上证明，具有足够节点的神经网络可以近似任何连续函数。这就是为什么扩展（scaling）有效。但近似不等于理解。
目前正在积极研究的五种 post-transformer 替代方案（所有这些都仍在神经网络范式之内）：
所有这些都是神经网络 — 它们使用权重、激活、梯度下降或代理梯度，并依赖于训练语料库。
USRA 属于类别上不同的一类 — 源自数学第一原理的认知架构。不是神经网络。不同的计算原语，不同的学习机制，不同的架构保证。
我们今天使用的硬件以及愿望清单 — 关于支撑研究的技术基础设施的透明信息。
欢迎通过合作项目提供硬件支持或赞助。联系方式:与我们合作。
我们对 AI 的方法既具技术专业性，又融合了教育学。面向所有层次的教育材料 — 从小学生到研究人员。
AI 是什么、如何区分各种范式、基础模型能做什么不能做什么、如何安全且批判性地使用 AI 工具。
筹备中：面向小学生、中学生及无技术背景成人的系列教育材料。
面向 STEM 学科学生的技术材料 — 认知架构的数学基础、AI 中的数学结构、形式化验证（Lean4）、应用于 AI 训练的发展心理学。
筹备中：技术博客文章、迷你教程、开源示例。
我们教授认知系统的方法植根于发展心理学的传统 — Vygotsky 的最近发展区（Zone of Proximal Development）、Piaget 的发展阶段、Bloom 的学习分类法、Montessori 与 Reggio Emilia 教育法。我们将 AI 系统视为经历发展阶段的学习者，而非用海量语料训练的工具。
我们 2026 年正在测试的内容，以易理解的方式描述。详细的实证结果以及实现这些特性的具体机制受专利程序保护；将随专利优先权的取得而逐步发布。
我们形式化验证的发展层级涵盖从最简单细胞到人类认知复杂度的认知 tier。当前活跃测试在 L15（海蛞蝓）。更高的 tier 配置在结构上得到支持，但需要更强大的硬件 — 当前的测试范围受限于可用资源，而非架构限制。更高 tier 的实证验证有待获得充足的计算基础设施访问权限（见硬件部分）。
| Tier 范围 | 生物复杂度参考 | 研究状态 |
|---|---|---|
| L1 – L4 | 最早期的发展阶段（受精卵、桑椹胚、囊胚、原肠胚） | 结构已验证 |
| L5 – L9 | 胚胎发育，最初的原始认知原语 | 结构已验证 |
| L10 – L14 | 简单无脊椎动物，最初的认知系统 | 结构已验证 |
| L15 | 海蛞蝓（Aplysia californica） | ⚡ 当前活跃测试 |
| L16 – L19 | 昆虫和简单鱼类 | 路线图（工作站 tier） |
| L20 – L24 | 两栖类、较小的爬行类 | 路线图（云端规模 tier） |
| L25 – L29 | 小型哺乳动物（啮齿类） | 路线图 |
| L30 – L34 | 较大型哺乳动物（食肉类、灵长类） | 路线图 |
| L35 | 人类认知复杂度 — 参考 | 层级的结构目标 |
Tier 标签（L1–L35）是我们内部的发展级别。与生物体的对应关系是认知复杂度的示意性比较，而非解剖学等价的声明。详细的节点数、机制和按 tier 的实证结果受专利程序保护。
公共材料 — 愿景、架构框架、教学方法、生物分类。详细的技术规格和实证结果受专利程序保护；将随知识产权保护的获得而逐步发布。
愿景
源自数学第一原理的认知架构 — 愿景与战略背景。
状态：公开可用
架构
架构的高层功能描述、层组织、与硬件的集成。
状态：筹备公开发布（取得专利优先权后）
行业
对基础 AI 范式问题的系统性回顾，替代架构的视角。
状态：公开可用
生物学
发展阶段框架 — 从加州海兔（Aplysia californica）组合性 tier 到 K-12 就绪的大脑配置。
状态：公开可用（tier 细节受 NDA 保护）
教育学
应用于 AI 训练的发展心理学 — Vygotsky / Piaget / Bloom 在认知架构语境中。
状态：公开可用
基准测试
详细的实证结果 — 队列实验、自主程序化组合、字节级一致的可复现性。
状态：筹备公开发布（取得专利优先权后）
所有公开出版物均经过 NDA 披露纪律审查 — 披露不损害专利知识产权的内容，将机制和具体实现细节保留给 NDA 后的技术对话。
我们欢迎与研究合作伙伴、战略投资者、硬件赞助商以及对范式不同的 AI 方法感兴趣的机构进行对话。
我们正在寻找以下领域的战略合作伙伴：教育技术（K-12 辅导）、翻译平台（低资源语言）、具身 AI（机器人、IoT）、硬件生态系统（Apple、Nvidia、Intel、IBM）。
在 NDA 下访问。专利说明书在签署 NDA 后提供。
融资前阶段。欢迎理解范式不同的研究时间表和深度科技硬件协同设计机会的投资者。
材料包在初次对话 + NDA 后提供。
对源自数学第一原理的认知架构、AI 形式化验证或生物保真方法感兴趣的学术机构、研究小组和独立研究人员 — 联系开展研究合作。
欢迎共同署名、联合出版、NDA 框架下的复现研究。