第一章 人工智能问题的重新定义
1.1 从“机器会不会”转向“机器如何认知”
早期人工智能研究经常使用这样的表达：
机器能不能下棋？
机器能不能识别图像？
机器能不能理解语言？
机器能不能回答问题？
这种研究方式主要关注：
机器能否完成某项任务。
但任务完成并不能直接证明认知的存在。
例如，一个程序可以按照固定规则计算税率。
它能够正确得到结果，但我们通常不会因此认为它“理解了税收”。
一个数据库可以根据条件检索一百万条记录。
它能够找到正确的数据，但我们不会因此认为数据库“认识了这些对象”。
一个优化算法能够找到最优路径。
我们也不会因此认为它“思考了旅行路线”。
因此：
任务能力与认知能力必须被区分。
人工智能真正需要回答的问题应该进一步变成：
机器是否能够形成属于自身的认知过程？
1.2 “输出智能”与“主体智能”
可以把人工智能简单划分为两个概念。
输出智能
系统能够根据输入产生正确、合理或者具有价值的输出。
其基本结构可以表示为：
这类系统可以非常强大。
但是它的核心仍然是：
输入与输出之间的计算关系。
主体智能
另一种人工智能则具有：
这里出现了一个非常重要的概念：
主体。
主体意味着：
系统不是单纯接受输入和产生输出的工具，而是具有自己的：
- 身份
- 历史
- 记忆
- 经验
- 状态
- 认知
- 判断
- 行动
- 学习过程
这正是本书所说的：
个体人工智能
1.3 什么是“个体”
“个体”不是简单的用户账号。
一个数据库中的：
不能因此成为一个人工个体。
一个 AI Agent 拥有一个名字，也不能因此成为一个人工个体。
一个聊天机器人拥有一段长期记忆，同样不能自动成为一个人工个体。
本书所说的个体，至少需要具备三个条件。
第一：身份连续性
它必须能够认识：
“我是我。”
今天运行的人工个体与昨天运行的人工个体之间，需要存在认知连续性。
第二：经历连续性
它必须能够保存：
“我经历过什么。”
经历不是简单的数据日志。
经历经过认知处理之后，可以成为：
记忆。
记忆进一步形成：
经验。
第三：认知连续性
它必须能够形成：
“我过去是怎样认识这个世界的，现在又发生了什么变化。”
因此：
个体不是一个 ID，而是一条持续存在的认知历史。
1.4 个体人工智能的基本定义
基于上述认识，本书对个体人工智能进行如下定义：
个体人工智能，是以人工个体为认知主体，通过感知、认知元素、记忆、经验、思维、判断、决策、行动、反馈和学习形成持续性人工认知，并拥有属于该个体自身的认知结构和认知历史的软件智能系统。
英文：
Individual Cognitive Artificial Intelligence（ICAI）
这里的重点不是 Artificial Intelligence，而是：
Individual Cognitive
即：
个体认知。
1.5 个体人工智能与普通 AI 的区别
普通 AI 通常解决：
如何让机器完成任务。
个体人工智能进一步解决：
如何让机器形成一个持续存在的人工认知个体。
因此，两者的工程对象不同。
普通 AI：
个体人工智能：
前者以功能为中心。
后者以个体为中心。
这将直接导致完全不同的软件工程架构。
1.6 个体必须拥有“私有认知”
这是本书区别于一般 Personal AI 概念的重要基础。
如果所有人工智能共享同一个认知模型：
那么每个用户实际上只是：
公共 AI 的使用者。
而不是独立人工个体。
ICAI 必须进一步建立：
因此：
每一个 ICAI 都必须拥有自己的私有认知空间。
这就是本书提出的：
个体私有认知
Individual Private Cognition
1.7 数据私有不等于认知私有
这是一个必须严格区分的问题。
数据隐私解决：
别人不能访问我的数据。
而认知私有解决：
我的人工个体如何理解这些数据，以及这些数据如何进入我的认知结构，属于这个个体自身。
例如两个 ICAI 接收到相同的信息：
但是：
ICAI-001 过去拥有：
ICAI-002 过去拥有：
因此：
进一步：
最终：
这就是：
个体性真正产生的地方。
1.8 认知元素：人工认知的基本构成
如果人工智能要真正实现人工认知，就必须回答：
认知究竟由什么构成？
本书不采用 Token 作为人工认知的基本单位。
也不采用模型参数作为认知的基本单位。
而从现实世界中的对象及其变化出发，建立：
认知元素
认知元素可以包括：
- 对象
- 属性
- 状态
- 数量
- 空间
- 时间
- 变化
- 事件
- 行为
- 关系
- 条件
- 方法
- 原因
- 结果
这些元素不是孤立存在的。
它们可以进行：
识别
关联
融合
组合
分解
转换
从而形成更高层次的认知结构。
因此：
这就是本书后续理论体系的重要基础。
1.9 非大模型逻辑：本书的最高研究约束
必须特别说明：
“非大模型逻辑”不是本书研究对象，而是本书的研究边界。
它的作用是防止人工认知研究在发展过程中重新退回大模型逻辑。
本书不把以下机制作为人工认知的理论基础：
- Token 概率预测
- Prompt 驱动认知
- 参数化语言预测
- Context Window 作为长期记忆
- 生成结果作为思维
- Chain-of-Thought 作为人的思维模型
- 大模型内部概率作为个体判断机制
这并不意味着本书否定所有现有 AI 技术。
而是坚持：
人工认知必须拥有独立于大模型的理论基础。
如果未来需要使用某种外部模型，它也只能作为：
工具、适配器或外围能力
而不能成为：
ICAI 的认知主体。
1.10 WSaiOS 与 ICAI
本书的理论最终通过：
WSaiOS
进行软件工程实现。
WSaiOS 不只是一个 AI 应用。
它的目标是建立：
人工个体的运行环境。
因此：
最终形成：
WSaiOS-ICAI
WSaiOS Individual Cognitive Artificial Intelligence
即：
WSaiOS 个体认知人工智能体系。
1.11 本书真正要解决的问题
因此，本书并不是要回答：
如何训练一个更大的模型？
也不是：
如何让 Agent 调用更多工具？
更不是：
如何让 AI 生成更加自然的语言？
本书真正研究的是：
如何通过软件工程构建一个具有独立身份、认知元素、私有记忆、个体经验、认知结构、思维逻辑、判断能力、行动能力和持续学习能力的人工个体。
这就是：
个体人工智能
而实现这一目标的方法，就是：
认知元素人工认知工程
1.12 本章结论
本章首先重新确定人工智能研究的对象。
人工智能不应该仅仅被定义为：
机器完成智能任务的能力。
进一步的研究应该关注：
人工认知主体如何形成。
而个体人工智能的基本条件是：
其中：
认知元素是人工认知的基本构成。
人工认知是个体智能的核心过程。
个体私有认知是个体性的基础。
非大模型逻辑是整个体系的研究约束。
最终：
WSaiOS-ICAI 不是一个使用人工智能的普通软件，而是试图通过软件工程本身构造一个能够拥有自身认知的人工个体。
下一章
第二章 大模型逻辑与个体思维逻辑
不讨论“大模型好不好”，而是从计算逻辑层面严格比较：
Token → 概率 → 生成
与
感知元素 → 认知 → 记忆 → 经验 → 思维 → 判断
为什么是两种不同的人工智能逻辑体系，并由此正式建立 ICAI 的非大模型认知逻辑原则。