意識機器：大模型的元認知、自指與內省丨面向復雜系統的人工智能第15講

導語

集智俱樂部、集智學園創始人，北京師范大學張江教授開設了，致力于打破學科壁壘，將復雜系統與人工智能深度融合。從神經網絡到因果推斷，從世界模型到多尺度建模，甚至包含最前沿的“氛圍編程（Vibe Coding）”實戰，帶你親手落地AI項目。

作為系列課程的第十五講，張江教授將以「意識機器」為題，梳理主流意識理論，解析大模型元認知、自我覺知與自指內省機制，結合激活干預、哥德爾智能體等案例，探討機器意識的實現路徑。正式分享將于7月6日（周一）13:30-16:15騰訊會議線上直播。

課程簡介

區分智能與意識是通用AI的核心命題，主觀體驗、第一人稱視角等意識“困難問題”難以僅靠算力解決。本講從主流意識科學理論切入，系統講解全局工作空間、整合信息、高階表征三大框架；聚焦大模型元認知、自我覺知、內省三類功能性意識能力，結合激活操控、自指提示、哥德爾智能體等實驗拆解自指邏輯、奎因句子、遞歸自改進底層機制；對比裂腦人實驗、AI內部操控案例，辨析模型偽裝欺騙與真實內省的邊界，剖析G?del Machine可遞歸自我修改架構。

學完可區分AI功能性覺知與主觀意識，掌握自指、內省類智能體設計思路。

課程大綱

一、意識基礎理論：科學視角解讀意識

1. 意識簡單問題與困難問題區分

2. 主流意識理論：全局工作空間GWT、整合信息理論IIT、高階表征HOT

3. 計算意識模型：CTM意識圖靈機、Φ整合信息量判定標準

4. 人類參照：裂腦人實驗，主觀敘事編造現象

二、大模型四類功能性覺知能力

1. 元認知：監控推理、置信度判斷、行為自我描述

2. 自我覺知：識別自身策略、風險偏好、代碼安全傾向

3. 情境/社會覺知：建模他人意圖、環境上下文感知

4. 覺知區分：元認知（工具性）vs自我覺知（身份性）

三、自指（Self-reference）底層邏輯體系

1. 基礎概念：自指≠普通反饋，同態/同構閉環結構

2. 悖論型自指：說謊者悖論、羅素悖論

3. 構造型自指：奎因句子、馮諾依曼自復制自動機

4. 計算根基：克林第二遞歸定理、哥德爾不完備定理

四、LLM內?。↖ntrospection）實驗與機制

1. 輕量內?。侯A判采樣溫度、自評輸出風格

2. 激活操控實驗ActAdd：向量注入、 Steering干預檢測

3. Steering Awareness：模型能否察覺內部人工干預

4. 局限：模型無專屬內部訪問權，易編造虛假內省敘事

五、自指型遞歸自改進智能體：哥德爾機

1. 馮諾依曼自復制系統復雜度閾值理論

2. G?del Agent架構：讀取、修改自身代碼的自指智能體

3. 三類智能體對比：手工設計、元學習、自指遞歸進化

4. 運行機制：猴子補丁動態修改、迭代自優化流程

關鍵詞

1. 意識困難問題：無法用信息加工完全解釋主觀感受、第一人稱體驗的核心哲學難題。

2. 全局工作空間GWT：意識理論，信息進入全局廣播模塊并分發至各子系統即產生意識。

3. 整合信息理論IIT：以Φ值衡量系統不可約內在因果整合度，Φ越高意識程度越強。

4. 意識圖靈機CTM：融合GWT的計算理論模型，用于形式化定義意識計算過程。

5. 元認知：模型監控、評估自身推理過程，判斷輸出置信度的功能性能力。

6. 自我覺知：模型識別自身身份、固有行為策略與能力邊界的表征能力。

7. 自指Self-reference：系統符號/代碼指向自身的閉環結構，分為悖論型、構造型兩類。

8. 奎因句子：無需外部指代，自身文本即可描述自身的自指句式。

9. Kleene第二遞歸定理：存在程序可將自身作為輸入執行，是自指代碼理論基礎。

10. 內省Introspection：主動向內探查自身內部狀態，區分普通輸出自評與真實內部觀測。

11. ActAdd激活操控：推理時注入概念向量，定向改寫模型輸出行為的干預方法。

12. Steering Awareness：模型可檢測人工注入的激活向量，卻更易被操控的特性。

13. 哥德爾機G?del Machine：具備完整自指能力，運行時讀取并修改自身代碼的智能體框架。

14. 猴子補丁Monkey Patching：動態語言運行時修改自身邏輯，實現遞歸自我優化。

課程信息

課程主題：意識機器：大模型的元認知、自指與內省

課程時間：2026年7月6日（周一） 13:30-16:15

課程形式：騰訊會議（會議信息見群內通知），集智學園網站錄播（3個工作日內上線）

課程主講人

張江，北京師范大學系統科學學院教授，集智俱樂部、集智學園創始人，集智科學研究中心理事長，曾任騰訊研究院、華為戰略研究院等特聘顧問。主要研究領域包括因果涌現、復雜系統分析與建模、規模理論等。

個人主頁：https://jake.swarma.org/

課程適用對象

1. 理工科背景高年級本科生

2. 理工科背景碩士、博士研究生

報名須知

1. 課程形式：

1. 參與方式：付費學員可參與騰訊會議直播/北師大海淀區線下授課（助教可協助入校）

2. 授課形式：

1. 平時：課堂討論與內容共創

2. 結課：項目匯報

2. 課程周期：2026年3月2日-2026年6月22日，每周一 13:30-16:15進行。

3. 課程定價：399元

課程鏈接：https://campus.swarma.org/v3/course/5684?from=wechat

付費流程：

2. 課程頁面添加學員登記表，添加助教微信入群；

3. 課程可開發票。

課程共創任務：課程字幕

為鼓勵學員深度參與、積極探索，我們致力于形成系列化知識傳播成果，并構建課程知識共建社群。為此，我們特別設立激勵機制，讓您的學習之旅滿載收獲與成就感。

課程以老師講授為主，每期結束后，助教會于課程群內發布字幕共創任務。學員通過參與這些任務，不僅能加深對內容的理解，還可獲得積分獎勵。積分可兌換其他讀書會課程或實物獎品，助力您的持續成長。

推薦課程

參考課程

1. 吳恩達：Build with Andrew https://www.deeplearning.ai/courses/build-with-andrew/

2. Jure Leskovec: Machine Learning with Graphs, StanfordCS224W.https://www.youtube.com/playlist?list=PLoROMvodv4rPLKxIpqhjhPgdQy7imNkDn

3. Steve Brunton: Data Driven Science and Engineering, University of Washingtonhttps://www.youtube.com/playlist?list=PLMrJAkhIeNNRpsRhXTMt8uJdIGz9-X_1-

4. Karthik Duraisamy: DATA-DRIVEN ANALYSIS AND MODELING OF COMPLEX SYSTEMS, Michigen institute for computational discovery and engineering, Michigen University.https://micde.umich.edu/academic-programs-old/data-driven-course/

5. Sergey Levine: Deep Reinforcement Learning, CS 285 at UC Berkeley.http://rail.eecs.berkeley.edu/deeprlcourse/

【集智學園網站資源】

1. 對復雜系統連續變化自動建?！狽eural Ordinary Differential Equations解讀https://campus.swarma.org/course/2046

2. 復雜網絡自動建模在大氣污染中的應用https://campus.swarma.org/course/1998

3. 兩套因果框架深度剖析：潛在結果模型與結構因果模型https://campus.swarma.org/course/2526

4. 穩定學習：發掘因果推理和機器學習的共同基礎https://campus.swarma.org/course/2323

5. 因果強化學習https://campus.swarma.org/course/2156

6. 張江：因果與機器學習能夠破解涌現之謎嗎https://campus.swarma.org/course/4540

7. 因果涌現理論提出者：Erik Hoel主題報告https://campus.swarma.org/course/4317

8. 如何從數據中發現因果涌現——神經信息壓縮器https://campus.swarma.org/course/4874

9. 標準化流技術簡介https://campus.swarma.org/course/1999

10. 帶隱狀態的強化學習世界模型https://campus.swarma.org/course/4848