超越固定表征：开放型人工智能中的词汇与验证器鸿沟

现代 AI 系统在推理、编码等任务中表现卓越，但受限于固定的表征框架。本文指出，实现真正的开放型创新需具备创造、稳定及复用新表征原语的能力。文章通过“词汇鸿沟”（难以发明新原语）和“验证器鸿沟”（难以评估新原语的长期价值）刻画现状，并提出基于认知差异缩减的统一框架。作者区分了帧内变换与生成性变换，构建了创新自主性阶梯，建议通过奖励表征变更的目标、持久化记忆架构及自适应验证机制来推动开放型 AI 发展。