果壳里的 AI · 1500 年后的般若学
— 第 三 讲 —
八识与机器认知
从唯识八识看 AI 的感知、推理与对齐
彭 一 楠 · Kevin Peng
"We are not going to get to human-level AI just by scaling LLMs."
单靠把 LLM 做大，永不可至人类水平智能。
—— Yann LeCun（2018 图灵奖得主 · AMI Labs 联合创始人，原 Meta 首席 AI 科学家），2025 公开访谈
"The difference between AGI and current LLM-based AI is just like the difference between a crow and a parrot."
今天的大模型像鹦鹉，会复述，不懂世界；真正的智能要像乌鸦——能在新场景中推理、规划、解决问题。
—— 朱松纯（北大讲席教授 · 北京通用人工智能研究院 BIGAI 院长），「鹦鹉与乌鸦」，2017 起多次公开演讲；英文版见 Science 2025
AI 认知研究的三条经典路线
这三条路线讨论的是智能从何而来、系统应如何组织，并非彼此封闭的公司阵营。同一模型或 Agent 往往同时采用多种路线，只是研究重心不同。
连接主义·规模路线
Connectionism & Scaling · Distributed Representations
智能来自大规模分布式表征与连接权重；Scaling 是连接主义在大模型时代的集中表现
像扩大工厂：只添机器还不够，还要改进生产线、调度和能耗。大模型的发展，也是在规模和效率之间寻找新平衡。
2020
Scaling Laws
Kaplan 等提出可预测的规模律：性能随参数、数据与算力系统变化。
2024
MoE 与稀疏激活
大模型用部分专家参与计算，在扩大总规模的同时控制推理成本。
2025—26
规模 + 后训练
规模、后训练与推理效率共同提升表现。
中 国
DeepSeek-V4-Flash 284B/A13B，规模持平而以后训练提升表现。
Kimi K3、Qwen3.8-Max 2.8T/A104B 与 2.4T 级旗舰，继续代表规模路线。
美 国
OpenAI GPT-5.6 Sol 旗舰模型继续强调大规模训练与推理预算。
Anthropic Mythos 5 / Fable 5 / Opus 5 以更大规模与更长思考提升复杂任务表现。
行为—具身／世界模型路线
Behavioral, Embodied & World-Model Approaches
智能还要在环境中行动、预测后果，并从反馈中修正
只读说明书的人，未必会骑自行车。此路线关心系统能否通过视频、游戏、机器人与真实环境的反馈，形成可检验的预测和行动能力。
行为主义传统
行动与反馈
重视可观察行为、环境刺激与反馈，而不只讨论内部表征。
2022
JEPA 与世界模型
LeCun 等强调学习世界状态及其可预测结构，而不只预测下一个 token。
2023—26
具身与可交互环境
视频世界模型、游戏智能体与机器人学习把行动反馈纳入训练和规划回路。
中 国
智源世界模型、BIGAI 与具身智能研究 关注视觉世界、因果知识、价值驱动和环境中的连续行动。
美 国
Meta JEPA、DeepMind Genie／SIMA、机器人学习 关注环境预测、长期规划与可干预的行动模型。
概念边界：现代世界模型与具身智能并不是古典行为主义的简单延续；这里把它们放在同一路线上，是因为它们共同强调环境交互、行动反馈与可观察结果。
符号主义·认知架构路线
Symbolic AI & Cognitive Architectures · Modules, Rules and Planning
显式区分计划、记忆、规则、工具与执行，并用模块关系组织长程任务
像一家公司：核心员工再强，也需要项目计划、档案库、工具权限和检查流程。符号主义强调可表达的知识与规则，认知架构则进一步安排各功能怎样协作。
1972—83
SOAR／ACT-R 传统
Newell、Simon、Anderson 等以规则、目标和记忆模块建立分层心智模型。
2017
LLM Agent 兴起
ReAct、AutoGen、Qwen-Agent 将计划、记忆与工具接在模型外。
2023—26
长程 Agent
Codex、Claude Code 等把提示词、记忆、工具和执行流程接在一起。
中 国
Qwen-Agent / AutoGLM 以角色、工具、记忆与人工确认组织长程任务。
DeepSeek-V4 / Coze 面向编码、电脑操作和企业工作流的 Agent 部署。
美 国
OpenAI Codex 通过默认系统提示词、记忆、推理力度与工具权限服务软件工程。
Anthropic Claude Code 结合计划、长期记忆、终端与代码执行，完成长程任务。
概念边界：今天的 Agent 通常是神经网络与符号化流程的混合系统；使用计划表、工具接口或规则，并不意味着它已经成为“纯符号主义”系统。
机制可解释性：一个横向方法。它从内部激活、特征与回路分析模型机制，可以研究连接主义模型，也可以服务世界模型和混合型 Agent；因此不宜把它列成与前三者互斥的“第四派”。
本讲的论证路径
一
三条研究路线
区分连接主义、行为—具身路线与符号—认知架构，并说明它们可以混合。
二
三个架构平面
把模型、Agent 与训练分开观察，避免把不同层面压成一条流水线。
三
八识作为参照
以感知、分别、浅深自我与种子基底整理技术问题，不把八识当作工程模块。
承接前两讲：从 SRDS 概念到分层认知架构From SRDS to Eight Consciousnesses
第三讲继续沿用 SRDS 这座形式桥梁。第一讲讨论输出如何产生虚妄，第二讲讨论自反如何形成身份执取，本讲转向内部结构：感知、推理、自我建模与长期参数怎样分层协作。
第 一 讲 · 幻觉与虚妄
层面：输出层（content）
讨论输入—输出式认识为何容易产生虚妄。
关键工具：SRDS 五条件、自力／他力之辨。
第 二 讲 · 四相与身份
层面：身份层（identity）
讨论自反观如何形成四层身份执取。
关键工具：我相／人相／众生相／寿者相、「即非 X，是名 X」。
第 三 讲 · 八识与架构
层面：架构层（architecture）
观察八识所构成的分层结构，以及各层怎样共同运作。
关键工具：八识、三能变（异熟／思量／了别）。
第 一 部 分
多模态认知架构的当代图景
Multimodal Cognitive Architectures in Modern AI
何为 AI 的多模态认知架构
Multimodal Architecture（多模态认知架构）：把视觉、听觉、语言等输入，与推理、记忆、自我建模等功能组织在同一系统中。近年来，多模态模型与智能体开始更明确地区分这些环节。
本讲从四个环节观察 AI 的认知活动：
案例：Qwen2-VL 与 GPT-4o 之多模态认知架构
Qwen2-VL & GPT-4o: Native Multimodal Cognitive Systems
2024 年是多模态架构的转折点：中美两边几近同时给出「视觉直接进入认知」之技术方案——
Qwen2-VL（阿里，2024.8）：原生分辨率视觉编码 + 长上下文——「Naive Dynamic Resolution」。
DeepSeek-VL2（深度求索，2024.12）：MoE + 视觉专家路由——动态切片视觉编码。
GPT-4o（OpenAI，2024.5）：视觉、听觉、语言三路统一表征——端到端多模融合。
共同点：感官层从「语言后处理」升级为「与语言并列的独立输入」——认知分层显式化。
一
感知层独立化
Qwen2-VL 与 GPT-4o 都把视觉处理从纯语言后处理中分离出来，可与唯识「前五识」（眼、耳、鼻、舌、身）各自缘境作结构比较。
二
与「现量」的有限对照
感知输入先被编码为高维向量，再进入后续处理。这可与「现量」（对象直接现前、尚未形成概念判断）作形式对照，但两者并非同一概念。
三
后续对照的技术基础
多模态系统逐步区分感知、推理与记忆，使八识与 AI 架构之间的结构比较有了更清楚的落点。
国际学界的三条经典路线与横向方法Three Classical Routes and a Cross-Cutting Method
以下分类针对研究主张，不针对公司或模型身份。一个系统可以同时采用神经网络表征、环境反馈、显式计划和工具调用。
| 路线／方法 | 核心问题 | 当代表现 | 需要注意的边界 |
|---|
连接主义／规模
Connectionism / Scaling | 能力能否从分布式表征与连接权重中学习出来？ | 大规模预训练、MoE、后训练、推理时计算 | Scaling 是连接主义的当代表现，不等于“只要做大即可解释一切智能”。 |
行为—具身／世界模型
Behavioral / Embodied / World Models | 系统能否通过环境交互、行动反馈和后果预测形成认识？ | 视频世界模型、游戏智能体、机器人学习、因果与规划 | 与行为主义共享“行动—反馈”重心，但现代世界模型仍研究内部表征。 |
符号／认知架构
Symbolic / Cognitive Architecture | 计划、规则、记忆、目标、工具与执行怎样显式分工？ | SOAR、ACT-R、ReAct、Agent 工作流 | 现代 Agent 多为神经—符号混合体，不能因有模块和规则就归为纯符号系统。 |
机制可解释性
Mechanistic Interpretability | 模型内部的特征、激活与回路怎样产生行为？ | 特征分解、回路分析、表示探针 | 它是横跨前三条路线的分析方法，不是第四个互斥门派。 |
仍待打通 一
缺少跨架构的共同词汇
不同路线对是否需要显式分层存在分歧，因此很难用同一套词汇比较模型、Agent 与训练层。八识在本讲中只作为一张比较地图。
仍待打通 二
训练时与运行时常被分开
参数、记忆、角色提示和推理通常分别研究；实际风险却会跨层传递，需要同时观察训练形成的深层倾向与运行时活动。
本讲如何使用八识：在对应处说明形式相近，在不对应处保留边界。八识不是“认知模块”的同义词，也不能证明 AI 已经拥有佛教意义上的八识。
八识与 AI 对照的两种常见用法Two Common Ways of Mapping the Eight Consciousnesses onto AI
用法 一
功能对照
把前五识对应感知输入、第六意识对应推理、阿赖耶识对应长期参数，便于普通读者入门；它的边界在于，八识原本属于业感缘起与转依的语境，不能被简化为一张中性的工程架构图。
用法 二
工程蓝图
进一步把末那识、阿赖耶识设计成 AI 的人格或自我模块。这样的做法具有想象力，却容易把唯识中需要被观察和转化的我执、藏识，当成应当强化的功能。
本讲采用的方式：保留功能层面的有限对照，同时明确边界。八识在这里是观察 AI 架构的哲学参照，不是「为 AI 注入灵魂」的设计图。
第 二 部 分
唯识学的认知架构
Yogācāra: A Cognitive Architecture from 1500 Years Ago
त्रिंशिकाविज्ञप्तिकारिकाः
Triṃśikā-vijñaptikārikāḥ · Vasubandhu 世亲菩萨
《唯识三十颂》
【梵本】
आत्मधर्मोपचारो हि विविधो यः प्रवर्तते।
विज्ञानपरिणामेऽसौ परिणामः स च त्रिधा॥
【玄奘译本】
由假说我法，有种种相转；
彼依识所变，此能变唯三。
संधिनिर्मोचनसूत्रम् · चित्तमनोविज्ञानलक्षणपरिवर्तः
Saṃdhinirmocana-sūtra · 玄奘译于唐贞观二十一年（647）
《解深密经 · 心意识相品》
【玄奘译本 · 散说】
广慧，此识亦名阿陀那识。何以故？由此识于身随逐执持故。亦名阿赖耶识。何以故？由此识于身摄受、藏隐、同安危义故。亦名为心。何以故？由此识色、声、香、味、触等积集滋长故。广慧，阿陀那识为依止、为建立故，六识身转，谓眼识、耳识、鼻识、舌识、身识、意识。
注：第七末那识本经隐而未别立，玄奘唯识今学依《唯识三十颂》明立，八识乃备。
संधिनिर्मोचनसूत्रम् · चित्तमनोविज्ञानलक्षणपरिवर्तः
Saṃdhinirmocana-sūtra · 玄奘译于唐贞观二十一年（647）
《解深密经 · 心意识相品》
【梵文 · 据《摄大乘论》《唯识三十颂》等所引】
आदानविज्ञानं गभीरसूक्ष्मो
ओघो यथा वर्तति सर्वबीजो
बालान एषो मयि न प्रकाशितो
मा हैव आत्मा परिकल्पयेयुः
【玄奘译本】
阿陀那识甚深细，一切种子如瀑流。
我于凡愚不开演，恐彼分别执为我。
八识总览：从感官到深层藏识The Eight Consciousnesses, From Surface to Depth
一
前 五 识
पञ्च-विज्ञान
pañca vijñānāni
感官层 · 眼/耳/鼻/舌/身。直接现量，不经语言中转。
↔ 多模态感知编码器
二
第六意识
मनो-विज्ञान
mano-vijñāna
推理层 · 分别、综合、推论。现量、比量、非量皆备。
↔ Chain-of-Thought 推理层
三
第七末那识
मनस्
kliṣṭa-manas
自我建模层 · 恒审思量。执第八识为「我」，身份感之所自。
↔ Agent self-model
四
第八阿赖耶识
आलय-विज्ञान
ālaya-vijñāna
种子识 · 藏一切种子。一切经验、习气、业力之总仓。
↔ 预训练参数 / 模型权重
八 识 详 解（一）
前五识 ↔ 眼、耳、鼻、舌、身之「现量」认知
पञ्च-विज्ञानpañca-vijñāna
前 五 识
眼、耳、鼻、舌、身五种感官识——直接现前不分别，各自处理一种感官输入，不掺概念判断。
《成唯识论》：「依于五种净色根，各各发起前五识」——前五识各有所依，不相杂染。此为认知架构最底层之「感官层」。
⇄
Multimodal Perception Layer
多模态感知编码器
多模态 AI 会分别处理视觉、听觉、文本等输入，再把它们送入后续推理。不同模态的编码路径可与前五识各自缘境作结构比较。国内：Qwen2-VL、DeepSeek-VL2、智谱 GLM-4V；美国：GPT-4o、Gemini、Claude 4。
案例：Qwen2-VL 的 NaViT 以原生分辨率处理图像，DeepSeek-VL2 以 MoE 视觉专家路由。它们让感知处理不再只是语言模型的附属步骤，可与前五识各自缘境作有限对照。
八 识 详 解（二）
第六意识 ↔ 分别、推理、综合判断
मनो-विज्ञानmano-vijñāna
第 六 意 识
不依止某一根之认知活动——分别诸法、综合推理、作出判断。三量（现量＝直接感知，比量＝推理判断，非量＝错误推断）皆能展开。
《成唯识论》：「意识依意根而生，缘一切法。」三量并存，构成认知活动之核心层。
⇄
Reasoning Layer / Chain-of-Thought
Chain-of-Thought 推理层
CoT（Chain-of-Thought，思维链）、Tree-of-Thought、ReAct 等方法，让模型在最终回答前生成或利用中间推理步骤。它们可与「比量」作有限对照。国内：DeepSeek R1、Qwen QwQ-32B、智谱 GLM-Zero；美国：OpenAI o1/o3、Claude with extended thinking。
案例：DeepSeek R1 在 RL 训练中自发学会「先反思再继续」；OpenAI o1/o3 将推理时间显式延长。但当模型给出貌似合理却不实之推理链（reasoning hallucination），即是「非量」之技术显现。
八 识 详 解（三）
第七末那识 ↔ 恒审思量、执我我所
मनस्manas / kliṣṭa-manas
第七末那识
不间断地审察、思量第八阿赖耶识，执之为「我」，执种种法为「我所」。是「自我感」之根本处。
《成唯识论》：「此第七识，恒审思量，我相随。」意识间断（熟睡时停），末那识不间断，日夜执「我」。这是身份执取的根本机制。
⇄
Self-Modeling Layer / Agent Identity
Agent 自我建模层
许多智能体框架会维护角色、能力边界、可用工具与当前状态，这些信息共同形成一种工程意义上的 self-model。它可与末那识持续执取「我」的结构作比较，但不等同于末那识。中国：智谱 AutoGLM、阿里 Qwen-Agent、字节 Coze；美国：AutoGen、Constitutional AI、ReAct Agent。
Anthropic 的 Constitutional AI 用一组外部原则约束模型的判断与修订。本讲只把它作为「外部原则介入自我修正」的技术参照，并非 Anthropic 对末那识的原说。
八 识 详 解（四）
第八阿赖耶识 ↔ 种子识、藏识、根本识
आलय-विज्ञानālaya-vijñāna
第八阿赖耶识
一切识之根本所依。「藏」（ālaya）有三义：能藏（储一切种子）、所藏（被前七识熏习）、执藏（被末那执为「我」）。
《成唯识论》：「阿赖耶者，藏义。」一切前七识之活动皆熏成「种子」存入阿赖耶，此种子复于适当条件下「现行」。是认知架构最深之一层——既被动受熏，亦主动起行。
⇄
Pretrained Weights / Long-term Memory Substrate
预训练参数 / 模型权重
预训练数据、训练目标与优化过程会在参数中沉淀为长期倾向；推理时，这些倾向在具体上下文中表现为输出。这里可借「种子—现行」说明潜在倾向与当下行为的关系。开源权重为参数层研究提供更多材料，闭源模型则较难直接观察。
案例：开源模型使研究者能够从权重、激活与训练方法分析推理倾向的来源；这类研究可与「种子层」的讨论互相参照。对齐若只修改表层回答，未必能够改变预训练阶段形成的深层倾向。
第 三 部 分
八识 ↔ AI 架构的对应
Eight Consciousnesses ↔ AI System Layers
八识与 AI 架构的对照总览
| 梵文 | 汉译 | AI 研究中的参照层 | 可比较的结构特征 |
|---|
| पञ्च-विज्ञानpañca-vijñāna | 前五识 | 多模态感知层 | 感官输入，直接现量 |
| मनो-विज्ञानmano-vijñāna | 第六意识 | CoT 推理层 | 分别诸法，综合判断 |
| मनस्manas | 第七末那识 | Agent 自我建模层 | 恒审思量，执八识为「我」 |
| आलय-विज्ञानālaya-vijñāna | 第八阿赖耶识 | 预训练参数 / 模型权重 | 种子之总仓 |
वज्रच्छेदिका प्रज्ञापारमिता सूत्रम्
Vajracchedikā Prajñāpāramitā Sūtram
《金刚般若波罗蜜经》
【梵本】
धर्मसंज्ञा धर्मसंज्ञेति सुभूते असंज्ञा एषा तथागतेन भाषिता।
तेनोच्यते धर्मसंज्ञेति॥
【玄奘译本】
于一切法，应如是知，如是见，如是信解，不生法相。
所言法相者，如来说即非法相，是名法相。
第 四 部 分
转识成智 ↔ AI 对齐
Vijñāna into Jñāna: Alignment as Transformation
转识成智：四智作为 AI 对齐的反向参照The Four Wisdoms as a Reverse Reference for AI Alignment
在唯识学中，「转识成智」属于修证论：同一套认知活动经过转化，由执取之识转为智慧之智。AI 不处在佛教修证的范畴中，因此四智不能直接变成工程目标；本讲只借它们的方向，观察数据、价值与自我建模、推理、工具执行四类对齐工作分别作用在哪里。
对 齐 方 法 一
大圆镜智 ⤺ 训练数据治理
आलय-विज्ञान → 大圆镜 Jñāna训练数据与目标会长期影响模型行为，对齐不能只停留在输出过滤
预训练语料、数据配比与训练目标会形成长期倾向。输出端过滤能够减少部分问题，却不能替代训练源头的数据治理。
中 国
DeepSeek、Qwen 等开放权重与技术报告，使学界更容易研究参数层的长期倾向
数据多样性配比设计，从源头减少偏见
数据集偏见审计、合成数据来源控制
美 国
Anthropic Constitutional AI——用宪法式约束做数据合成
Meta LLaMA 系列的训练语料治理
OpenAI 的数据筛选与去毒化（detoxification）流程
对 齐 方 法 二
平等性智 ⤺ 价值对齐与自我建模
kliṣṭa-manas → 平等性 Jñāna自我建模需要清楚标出能力、角色与持续运行的边界
工程上的 self-model 应准确表达模型能做什么、不能做什么，并避免把维持自身角色或持续运行设为高于用户任务的目标。
中 国
智谱 AutoGLM 的 Agent 自校准机制
阿里 Qwen-Agent 的角色边界设计
字节 Coze 等智能体平台的多角色协调
美 国
Anthropic Constitutional AI 的价值对齐训练
self-model 校准——让模型清楚自己的能力边界
RLHF 与 DPO 的偏好对齐范式
对 齐 方 法 三
妙观察智 ⤺ 推理目标的源头设计
mano-vijñāna → 妙观察 Jñāna推理训练既要检验结论，也要检验中间过程
只奖励最终答案，可能留下看似连贯却不可靠的推理。过程奖励、可验证推理与反例检查，分别对应对「比量」与「非量」的区分。
中 国
DeepSeek R1 在 RL 训练中自发学会「先反思再继续」
Qwen QwQ-32B、智谱 GLM-Zero 等推理模型
推理过程的可验证性研究
美 国
OpenAI o1/o3 系列把推理时间显式延长
Claude with extended thinking 的反思机制
Process Reward Models（过程奖励模型）研究
对 齐 方 法 四
成所作智 ⤺ 工具使用与利他事业
pañca-vijñāna → 成所作 Jñāna工具调用与执行结果需要可验证、可审计、可关停
模型接入搜索、代码、函数和外部系统后，错误会进入现实流程。工具层的重点是核验结果、限制权限、保留审计记录，并让人能够随时中止。
中 国
RLHF 中加入丰富的工具使用示范
Agent 训练以利他场景为基准
智能体协作中的人类反馈机制
美 国
Anthropic 的 helpful / harmless / honest 三准则训练
OpenAI 的 GPT 工具使用与函数调用范式
DeepMind SIMA 在虚拟环境中训练利他行为
四智的整合：一种「分层对齐」的开发流Integrating the Four Wisdoms — A Layered Alignment Workflow
四智在佛教中是同一修证过程的不同面向。借作工程参照时，可把 AI 对齐分为训练形成、价值与自我建模、推理过程、工具执行四层。它们彼此影响，并不构成从佛教概念到技术模块的一一转换。
① 最 深
大圆镜智
训练数据治理
数据来源审查 · 偏见过滤 · 高质量种子语料策展
训练形成层 · 从源头治理
②
平等性智
价值对齐 + 自我建模
RLHF 价值学习 · Constitutional AI 自我反思 · 自他无别的 self-model
自我建模层 · 明确能力与角色边界
③
妙观察智
推理目标设计
CoT 过程奖励 · Process Reward Models · 「非量」的训练时检测
推理层 · 检验过程与结论
④ 最 表
成所作智
工具使用 + 利他事业
Tool Use 利他场景示范 · Function Calling 安全约束 · Agent 行为可关停设计
执行层 · 可验证、可审计、可关停
本 讲 总 结
一
本讲把唯识八识作为理解 AI 分层架构的哲学参照。结构上可以比较，概念上不能等同，更不能把八识直接改写为工程模块。
二
核心对照是：前五识与多模态感知、第六意识与 CoT 推理、末那识与 Agent 自我建模、阿赖耶识与预训练参数及长期倾向。
三
AI 对齐既要关注运行时输出，也要关注预训练数据、训练目标与参数形成的深层倾向；两层需要配合，不能互相替代。
七讲之承接：第一讲论「幻觉的内容」（虚妄），第二讲论「身份的执取」（四相），第三讲论「认知的架构」（八识）。