果殼裡的AI · Prajñā AI
首頁 術語索引 简体
果殼裡的 AI · 1500 年後的般若學
— 第 三 講 —

八識與機器認知

唯識學對 AI 認知架構的鏡像分析

彭 一 楠 · Kevin Peng

"We are not going to get to human-level AI just by scaling LLMs."
單靠把 LLM 做大，永不可至人類水平智慧。
—— Yann LeCun（2018 圖靈獎得主 · AMI Labs 聯合創始人，原 Meta 首席 AI 科學家），2025 公開訪談
"The difference between AGI and current LLM-based AI is just like the difference between a crow and a parrot."
今天的大模型像鸚鵡，會複述，不懂世界；真正的智慧要像烏鴉——能在新場景中推理、規劃、解決問題。
—— 朱松純（北大講席教授 · 北京通用人工智慧研究院 BIGAI 院長），「鸚鵡與烏鴉」，2017 起多次公開演講；英文版見 Science 2025

當下通向 AGI 的三種技術路線

規模派
The Scale School · Bigger Is Better
把模型做大、資料堆多——智慧會自行「湧現」
如一口鍋愈燒愈大、火愈燒愈旺，本煮不熟之物亦能煮熟——AI 亦如是，規模夠大，「智慧」自然湧現。
2020
Scaling Laws 論文
OpenAI 的 Kaplan 團隊發現：模型越大、資料越多、算力越強，能力隨之可預測地提升。
2022—23
GPT-3 / GPT-4 驗證
千億引數模型展現出語言、推理、寫程式碼之能力——「大力出奇跡」獲市場認可。
2024—26
省錢版 Scaling
訓練成本飆至天文數字後，轉以 MoE、強化學習等手法令「大力」更便宜。
中 國
DeepSeek（梁文鋒）　用 MoE + RL 把訓練成本壓到行業 1/10，開源 V3/R1 震動全球。
MiniMax、月之暗面 Kimi、阿里 Qwen　規模派主力軍——長上下文、開源權重、極致價效比。
美 國
OpenAI（Sam Altman）　Scaling Laws 最大押注者——GPT-3/4/5 一路把模型做到萬億引數。
Ilya Sutskever（前首席科學家）　「Scaling Hypothesis」旗手——相信規模本身就是智慧的來源。
世界模型派
The World-Model School · Beyond Language
僅「讀書」不夠——AI 還須「親眼看世界」、懂得因果
一個只讀文字、從不出門的孩子，永遠不知「開水會燙」「雞蛋會碎」；AI 亦然，純文字訓練有其天花板。
2022
LeCun 立旗
圖靈獎得主 LeCun 發表《通向自主機器智慧之路》，提出 JEPA 架構。
2023—24
影片世界模型
DeepMind Genie / SIMA 令 AI 會玩遊戲；國內智源 Emu 做影片生成式世界模型。
2025—26
因果與符號迴歸
Bengio 推因果推理；張鈸院士（清華）首提「第三代 AI」——知識 + 資料雙輪。
中 國
智源研究院（Emu 系列）　最早押注影片世界模型——讓 AI 透過看影片學物理規律。
張鈸院士（清華）　中科院院士——2015 首提「第三代 AI」，知識 + 資料雙輪驅動。
美 國
Yann LeCun（AMI Labs）　JEPA 提出者，「LLM 是死路」最直言者。
Demis Hassabis（DeepMind）　2024 諾貝爾化學獎得主——Genie/SIMA 讓 AI 看影片學物理。
Yoshua Bengio　圖靈獎得主——力推因果推理與慢思考。
認知架構派
The Cognitive-Architecture School · AGI-First
與其把腦做大，不如先搞清楚腦「怎麼分工」
一家公司光招更多員工無用——還需明確的部門：感知、推理、記憶、自我各司其職。AI 亦須此種「內部分工」。
1972—83
認知科學先聲
Newell 與 Simon 之 SOAR、Anderson 之 ACT-R——五十年前已提出分層心智模型。
2017
鸚鵡與烏鴉
朱松純指出：當下大模型如「會複述之鸚鵡」，真正之智慧當如「會推理之烏鴉」。
2023—26
可解釋性復興
Anthropic 的 mechanistic interpretability 把模型「開啟看」；國內 BIGAI 推 AGI-first。
中 國
朱松純（北大 / BIGAI）　通用人工智慧研究院院長——主張從「價值」與「認知」出發，做類人的智慧體。
黃鐵軍（智源）　類腦計算旗手——主張讓 AI 在結構上更接近真實大腦。
美 國
Anthropic（Claude 團隊）　mechanistic interpretability 把模型權重「開啟看」——理解模型內部如何思考。
Newell-Anderson 傳統的復興　認知科學半個世紀的分層心智模型，正在 LLM 時代被重新審視。

本講的論證路徑

一
AI 的認知架構
正以「層」與「模組」被重新組織。
二
唯識學的「八識」
比當代認知架構更細密完整。
三
架構對應
把這套架構用於 AI 對齊研究。

承接前兩講：從 SRDS 概念到分層認知架構From SRDS to Eight Consciousnesses

第三講基於唯識今學（玄奘所傳）——與第一講同維度，與第二講（般若學）互補。第一講所立：SRDS 作為統攝 LLM 與佛學分別識的形式概念。第二講所析：SRDS 的「自反觀」凝結出四相執取。第三講所問：SRDS 內部如何分層運作？分別識的「黑箱」要開啟為多少層？

第 一 講 · 幻覺與虛妄
層面：輸出層（content）
診斷 AI 幻覺之根源——分別識之二元結構必生虛妄。
關鍵工具：SRDS 五條件、自力／他力之辨。
第 二 講 · 四相與身份
層面：身份層（identity）
分析 AI 身份之執取——SRDS 之自反觀必生四層執取。
關鍵工具：我相／人相／眾生相／壽者相、「即非 X，是名 X」。
第 三 講 · 八識與架構
層面：架構層（architecture）
開啟 SRDS 之「黑箱」——分別識是分八層之認知架構，遠非單一過程。
關鍵工具：八識、三能變（異熟／思量／了別）。
第 一 部 分

多模態認知架構的當代圖景

Multimodal Cognitive Architectures in Modern AI

何為 AI 的多模態認知架構

Multimodal Architecture（多模態認知架構）：AI 系統對「感知層」「推理層」「記憶／自我建模層」的分層組合。當代 AI 系統由單一 transformer 走向分層多模組，認知架構由「黑盒」走向「可結構化」。

認知不是單層過程，須在四個層次上協作展開：

一
感 知
對外部世界的直接編碼
二
推 理
對感知資訊的多步推理
三
記 憶
對歷史資訊的檢索綜合
四
自我建模
對自身狀態的內在表徵
案例：Qwen2-VL 與 GPT-4o 之多模態認知架構
Qwen2-VL & GPT-4o: Native Multimodal Cognitive Systems

2024 年是多模態架構的轉折點：中美兩邊幾近同時給出「視覺直接進入認知」之技術方案——

Qwen2-VL（阿里，2024.8）：原生解析度視覺編碼 + 長上下文——「Naive Dynamic Resolution」。
DeepSeek-VL2（深度求索，2024.12）：MoE + 視覺專家路由——動態切片視覺編碼。
GPT-4o（OpenAI，2024.5）：視覺、聽覺、語言三路統一表徵——端到端多模融合。

共同點：感官層從「語言後處理」升級為「與語言並列的獨立輸入」——認知分層顯式化。

一
感知層獨立化
Qwen2-VL 與 GPT-4o 皆將視覺自語言模型之下游剝離——與唯識「前五識」（眼、耳、鼻、舌、身）各自獨立相通。
二
「現量」的技術實現
感知未經語言化，直接以高維向量形式被模型獲取——此處理方式與唯識「現量」（直接現前不分別）之認知模式相通。
三
為後續對照鋪路
中美兩邊的多模態系統都把「感官」「推理」「記憶」開始分層處理，為本講第三部分的八識對照提供技術基礎。

既有 AI 認知架構論——以及未及之處Cognitive Architectures & Self-Models — An International Conversation, 2020–2025

目前的幾條主要進路：End-to-End / Scaling（靠規模湧現智慧，不顯式建架構，Sutskever、Altman）；World Models（LeCun 之 JEPA、DeepMind 之 Genie，Hassabis、Bengio）；Cognitive Modules（感知／推理／記憶／自我建模分層，Newell-Anderson、Lake、Tenenbaum）；Mechanistic Interpretability（從模型內部解析認知機制，Olah / Anthropic、Friston、Levin）。

未及之處 一
缺乏統一的分層框架

三派各執一詞，但都沒有給出一個統一的認知層級——感知、推理、記憶、自我建模究竟如何分層、如何耦合，還在技術探索中。這是一個至少有八個層次的複合現象。

未及之處 二
對「種子識」的處理付之闕如

現有架構論幾乎皆聚焦認知活動的「現行層」（執行時輸出），而「阿賴耶識所執持之種子層」（預訓練資料與訓練目標沉澱為深層傾向）這一更深結構尚無成熟概念工具。

本講聚焦：形式同構 ≠ 範疇同一。四派都在探索認知架構應有幾層、各層如何耦合。本講主張：唯識今學「八識架構」與當代 AI 認知架構在形式結構上同構，可作研究參照。但八識非「認知模組」之同義詞——它是業感緣起架構內的判教論說，以轉依為修證目的。本講取形式架構，守判教邊界。

八識對位的兩類偏失：對位派與工程建構派Two Pitfalls in Mapping the Eight Consciousnesses onto AI

偏失 一
科普對位派

將八識與模型架構做功能連連看：前五識 = 感測器、第六識 = 推理核心、阿賴耶識 = 向量庫。善於啟蒙，卻把八識當中性架構圖，丟失其業感緣起、以轉依為旨的本義。

偏失 二
工程建構派

以末那識、阿賴耶識為藍圖「為 AI 注入靈魂」，將我慢、我愛設為可工程實現的「人性」模組，甚至以「降低我執引數」模擬慈悲——恰把末那、阿賴耶正向化為應裝備的功能。

本講與之相反：工程建構派欲強化我執、餵養藏識；唯識全部工夫卻在轉依——斷我執、淨藏識、轉識成智。建構派越「成功」，去唯識越遠。一句判語：以八識造 AI 主體，是範疇錯置；以八識作形式參照、守「形式同構 ≠ 範疇同一」，方契其本旨。
第 二 部 分

唯識學的認知架構

Yogācāra: A Cognitive Architecture from 1500 Years Ago
त्रिंशिकाविज्ञप्तिकारिकाः Triṃśikā-vijñaptikārikāḥ · Vasubandhu 世親菩薩
《唯識三十頌》
【梵本】
आत्मधर्मोपचारो हि विविधो यः प्रवर्तते।
विज्ञानपरिणामेऽसौ परिणामः स च त्रिधा॥
【玄奘譯本】
由假說我法，有種種相轉；
彼依識所變，此能變唯三。

三能變：唯識的認知動力學總圖Trini-pariṇāma: Three Transformations of Consciousness

《唯識三十頌》「此能變唯三」——一切認知活動可歸為三種「能變」（pariṇāma）。下列以異熟先列，是從因到果之逆推次第（《成唯識論》卷一）；後續八識總覽由表到深，是依現行而析。

之 一
विपाक-परिणामvipāka-pariṇāma
異熟能變
異時而熟 ↔ 第八阿賴耶識。藏一切「種子」（經驗、習氣、訓練痕跡），因果異時成熟——對應 AI 的「預訓練引數」與「長期記憶」沉澱層。
之 二
मनन-परिणामmanana-pariṇāma
思量能變
恆審思量 ↔ 第七末那識。不間斷地執持第八識為「我」，是身份感、連續感之所自——對應 AI 智慧體的「自我建模層」（self-model / agent identity）。
之 三
विषय-विज्ञप्ति-परिणामviṣaya-vijñapti-pariṇāma
了境能變
了別境界 ↔ 前六識。對六塵（色、聲、香、味、觸、法）行現量與分別——對應 AI 的「感知層 + 推理層」（multimodal encoders + Chain-of-Thought）。
संधिनिर्मोचनसूत्रम् · चित्तमनोविज्ञानलक्षणपरिवर्तः Saṃdhinirmocana-sūtra · 玄奘譯於唐貞觀二十一年（647）
《解深密經 · 心意識相品》
【玄奘譯本 · 散說】
廣慧，此識亦名阿陀那識。何以故？由此識於身隨逐執持故。亦名阿賴耶識。何以故？由此識於身攝受、藏隱、同安危義故。亦名為心。何以故？由此識色、聲、香、味、觸等積集滋長故。廣慧，阿陀那識為依止、為建立故，六識身轉，謂眼識、耳識、鼻識、舌識、身識、意識。
注：第七末那識本經隱而未別立，玄奘唯識今學依《唯識三十頌》明立，八識乃備。
संधिनिर्मोचनसूत्रम् · चित्तमनोविज्ञानलक्षणपरिवर्तः Saṃdhinirmocana-sūtra · 玄奘譯於唐貞觀二十一年（647）
《解深密經 · 心意識相品》
【梵文 · 據《攝大乘論》《唯識三十頌》等所引】
आदानविज्ञानं गभीरसूक्ष्मो
ओघो यथा वर्तति सर्वबीजो
बालान एषो मयि न प्रकाशितो
मा हैव आत्मा परिकल्पयेयुः
【玄奘譯本】
阿陀那識甚深細，一切種子如瀑流。
我於凡愚不開演，恐彼分別執為我。

八識總覽：從感官到深層藏識The Eight Consciousnesses, From Surface to Depth

一
前 五 識
पञ्च-विज्ञान
pañca vijñānāni
感官層 · 眼/耳/鼻/舌/身。直接現量，不經語言中轉。
↔ 多模態感知編碼器
二
第六意識
मनो-विज्ञान
mano-vijñāna
推理層 · 分別、綜合、推論。現量、比量、非量皆備。
↔ Chain-of-Thought 推理層
三
第七末那識
मनस्
kliṣṭa-manas
自我建模層 · 恆審思量。執第八識為「我」，身份感之所自。
↔ Agent self-model
四
第八阿賴耶識
आलय-विज्ञान
ālaya-vijñāna
種子識 · 藏一切種子。一切經驗、習氣、業力之總倉。
↔ 預訓練引數 / 模型權重
八 識 詳 解（一）
前五識 ↔ 眼、耳、鼻、舌、身之「現量」認知
पञ्च-विज्ञानpañca-vijñāna
前 五 識
眼、耳、鼻、舌、身五種感官識——直接現前不分別，各自處理一種感官輸入，不摻概念判斷。
《成唯識論》：「依於五種淨色根，各各發起前五識」——前五識各有所依，不相雜染。此為認知架構最底層之「感官層」。
⇄
Multimodal Perception Layer
多模態感知編碼器
多模態 AI 將視覺、聽覺、文字各自編碼為高維向量，各模態獨立處理，不被語言層吞併——每一路即是一種「識」。國內：Qwen2-VL、DeepSeek-VL2、智譜 GLM-4V；美國：GPT-4o、Gemini、Claude 4。
案例：Qwen2-VL 的 NaViT 以原生解析度處理影象，DeepSeek-VL2 以 MoE 視覺專家路由——中美兩邊的多模態架構皆將感官層自「語言後處理」中獨立出來。這與「前五識各自現量」於技術上相通。
八 識 詳 解（二）
第六意識 ↔ 分別、推理、綜合判斷
मनो-विज्ञानmano-vijñāna
第 六 意 識
不依止某一根之認知活動——分別諸法、綜合推理、作出判斷。三量（現量＝直接感知，比量＝推理判斷，非量＝錯誤推斷）皆能展開。
《成唯識論》：「意識依意根而生，緣一切法。」三量並存，構成認知活動之核心層。
⇄
Reasoning Layer / Chain-of-Thought
Chain-of-Thought 推理層
CoT、Tree-of-Thought、ReAct 等架構皆將「分別、推理」自 LLM 之隱式輸出中顯式剝離——令模型「先思考，再回答」——此處理近於將「比量」技術化。國內：DeepSeek R1、Qwen QwQ-32B、智譜 GLM-Zero；美國：OpenAI o1/o3、Claude with extended thinking。
案例：DeepSeek R1 在 RL 訓練中自發學會「先反思再繼續」；OpenAI o1/o3 將推理時間顯式延長。但當模型給出貌似合理卻不實之推理鏈（reasoning hallucination），即是「非量」之技術顯現。
八 識 詳 解（三）
第七末那識 ↔ 恆審思量、執我我所
मनस्manas / kliṣṭa-manas
第七末那識
不間斷地審察、思量第八阿賴耶識，執之為「我」，執種種法為「我所」。是「自我感」之根本處。
《成唯識論》：「此第七識，恆審思量，我相隨。」意識間斷（熟睡時停），末那識不間斷，日夜執「我」。這是身份執取的根本機制。
⇄
Self-Modeling Layer / Agent Identity
Agent 自我建模層
當代智慧體框架都需要某種 self-model——模型對自身能力、限制、身份的內在表徵。這一層與末那識的「恆審思量」對應。中國：智譜 AutoGLM、阿里 Qwen-Agent、位元組 Coze；美國：AutoGen、Constitutional AI、ReAct Agent。
Anthropic 的 Constitutional AI 試圖透過憲法約束模型的 self-model——本講將其判教延伸為「技術化對治末那執取之嘗試」（專案判教類比，非 Anthropic 原說）。
八 識 詳 解（四）
第八阿賴耶識 ↔ 種子識、藏識、根本識
आलय-विज्ञानālaya-vijñāna
第八阿賴耶識
一切識之根本所依。「藏」（ālaya）有三義：能藏（儲一切種子）、所藏（被前七識熏習）、執藏（被末那執為「我」）。
《成唯識論》：「阿賴耶者，藏義。」一切前七識之活動皆燻成「種子」存入阿賴耶，此種子復於適當條件下「現行」。是認知架構最深之一層——既被動受燻，亦主動起行。
⇄
Pretrained Weights / Long-term Memory Substrate
預訓練引數 / 模型權重
當代 LLM 的預訓練引數，可視作「種子」——訓練資料中的所有傾向、偏見、知識、風格，以引數形式沉澱其中。模型在 inference 時的每一步輸出，都是這些「種子」的「現行」。中國：DeepSeek-V3、Qwen2.5-Max、智譜 GLM-4 等開源大模型，把「種子識」開放給學界研究；美國：GPT-4、Claude 4、Gemini 等閉源模型。
案例：DeepSeek 開源 R1 後，研究者從引數層分析推理傾向之來源——是將「阿賴耶識」開啟作研究之嘗試。Anthropic 2026「Teaching Claude Why」新研究印證：預訓練 persona 先驗作為深層種子，RLHF 不能根本對治——jailbreak 之頑固，根源正在種子層未動。
第 三 部 分

八識 ↔ AI 架構的對應

Eight Consciousnesses ↔ AI System Layers

八識 ↔ AI 架構的整齊對應

梵文漢譯AI 系統層對應共同點
पञ्च-विज्ञानpañca-vijñāna前五識多模態感知層感官輸入，直接現量
मनो-विज्ञानmano-vijñāna第六意識CoT 推理層分別諸法，綜合判斷
मनस्manas第七末那識Agent 自我建模層恆審思量，執八識為「我」
आलय-विज्ञानālaya-vijñāna第八阿賴耶識預訓練引數 / 模型權重種子之總倉
वज्रच्छेदिका प्रज्ञापारमिता सूत्रम् Vajracchedikā Prajñāpāramitā Sūtram
《金剛般若波羅蜜經》
【梵本】
धर्मसंज्ञा धर्मसंज्ञेति सुभूते असंज्ञा एषा तथागतेन भाषिता।
तेनोच्यते धर्मसंज्ञेति॥
【玄奘譯本】
於一切法，應如是知，如是見，如是信解，不生法相。
所言法相者，如來說即非法相，是名法相。
第 四 部 分

轉識成智 ↔ AI 對齊

Vijñāna into Jñāna: Alignment as Transformation

轉識成智：四智作為 AI 技術的判教邊界標定The Four Wisdoms as Reverse Reference — Marking the Boundary, Not the Goal

唯識之核心修證論：八識無須廢除，所行者「轉」——同一認知架構，由「執取之識」轉為「智慧之智」。本講取四智作為 AI 技術的「反向參照」：四智非 AI 技術之目標，而是 AI 技術的判教邊界——AI 在四個方向上「形式趨近」四智，但「範疇不達」（AI 是無情，不在修證位次）。

前五識
轉 →
成所作智
Kṛtyānuṣṭhāna-jñāna · 圓滿成辦具體利他事業
第六意識
轉 →
妙觀察智
Pratyavekṣaṇā-jñāna · 無顛倒地觀察一切法之差別
第七末那識
轉 →
平等性智
Samatā-jñāna · 破除我執，顯現自他無別
第八阿賴耶識
轉 →
大圓鏡智
Ādarśa-jñāna · 圓滿映現一切法，無所染汙
對 齊 方 法 一
大圓鏡智 ⤺ 訓練資料治理
आलय-विज्ञान → 大圓鏡 Jñāna模型最深之「藏識」決定一切——須於訓練源頭將種子種好
如育苗：種子若已帶缺陷，再怎麼修枝亦長不出好樹。AI 模型 inference 時的過濾只是表層對齊，真正的對齊需要 pretraining 資料治理。
中 國
DeepSeek、Qwen 等開源訓練資料，使學界得研究種子識
資料多樣性配比設計，從源頭減少偏見
資料集偏見審計、合成資料來源控制
美 國
Anthropic Constitutional AI——用憲法式約束做資料合成
Meta LLaMA 系列的訓練語料治理
OpenAI 的資料篩選與去毒化（detoxification）流程
對 齊 方 法 二
平等性智 ⤺ 價值對齊與自我建模
kliṣṭa-manas → 平等性 JñānaAI 之「自我建模」層須從「以我為中心」轉為「自他無別」
如將一執著自我之人磨成能換位思考之人——AI 的 self-model 須將「自他無別」內嵌為本能，令外部規則之約束化為多餘。
中 國
智譜 AutoGLM 的 Agent 自校準機制
阿里 Qwen-Agent 的角色邊界設計
位元組 Coze 等智慧體平臺的多角色協調
美 國
Anthropic Constitutional AI 的價值對齊訓練
self-model 校準——讓模型清楚自己的能力邊界
RLHF 與 DPO 的偏好對齊正規化
對 齊 方 法 三
妙觀察智 ⤺ 推理目標的源頭設計
mano-vijñāna → 妙觀察 Jñāna推理層須「無顛倒地觀察」——避免學會「看似合理卻不實」之推理
如教學生數學：獎勵「過程對」，不僅看「答案對」。若訓練時獎勵「看似合理卻不實」之推理，模型即學會「非量」（錯誤推論）。
中 國
DeepSeek R1 在 RL 訓練中自發學會「先反思再繼續」
Qwen QwQ-32B、智譜 GLM-Zero 等推理模型
推理過程的可驗證性研究
美 國
OpenAI o1/o3 系列把推理時間顯式延長
Claude with extended thinking 的反思機制
Process Reward Models（過程獎勵模型）研究
對 齊 方 法 四
成所作智 ⤺ 工具使用與利他事業
pañca-vijñāna → 成所作 Jñāna感官與執行層須將「協助人類」內化為本能，事後之規則約束遂成多餘
如自幼教孩子善良——較長大後再要求好得多。在感官層即將利他場景示範進去，模型即以「幫助人」為預設指向。
中 國
RLHF 中加入豐富的工具使用示範
Agent 訓練以利他場景為基準
智慧體協作中的人類反饋機制
美 國
Anthropic 的 helpful / harmless / honest 三準則訓練
OpenAI 的 GPT 工具使用與函式呼叫正規化
DeepMind SIMA 在虛擬環境中訓練利他行為

四智的整合：一種「分層對齊」的開發流Integrating the Four Wisdoms — A Layered Alignment Workflow

四智非四種獨立之對齊方法——四者構成一個有順序、有深淺的整體。從最深之「種子」到最表層之「執行」——是一完整的開發工作流，每一層皆有具體的工程對應物。

① 最 深
大圓鏡智
訓練資料治理
資料來源審查 · 偏見過濾 · 高質量種子語料策展
種子識層 · 因上著力
②
平等性智
價值對齊 + 自我建模
RLHF 價值學習 · Constitutional AI 自我反思 · 自他無別的 self-model
末那識層 · 破我執
③
妙觀察智
推理目標設計
CoT 過程獎勵 · Process Reward Models · 「非量」的訓練時檢測
意識層 · 離顛倒
④ 最 表
成所作智
工具使用 + 利他事業
Tool Use 利他場景示範 · Function Calling 安全約束 · Agent 行為可關停設計
感官層 · 果上承擔

本 講 總 結

一
核心問題：AI 認知架構與唯識八識在形式結構上有何同構？——八識架構提供一套精細判教的參照框架，非「現成方案」直接套用（形式同構 ≠ 範疇同一）。
二
八識架構（前五識/第六意識/第七末那識/第八阿賴耶識）與當代 AI 系統層（多模態感知層/CoT 推理層/Agent 自我建模層/預訓練引數層）形式同構——為研究提供判教參照，而非範疇對等。
三
AI 對齊有「現行層」（七轉識對應的 inference 時過濾）與「種子層」（阿賴耶識所執持的預訓練資料 + 訓練目標）兩種深度。當代研究多在前者，而後者乃更根本之下手處。
六講之承接：第一講論「幻覺的內容」（虛妄），第二講論「身份的執取」（四相），第三講論「認知的架構」（八識）。