本文提出了一个理论框架，以理解智能作为原子压缩和组合重用的过程。我们认为，认知、生物、计算和组织系统通过将复杂现象分解为可重用的原子单位，从而实现可扩展的智能，进而可以重新组合成更高阶的结构。
基于来自认知科学、信息理论、进化生物学、软件工程、医学、法律推理、教育、音乐及人工智能的证据，本文发展了原子单位的概念，作为支持效率、转移、可解释性和演化性的基本压缩层。
核心贡献是压缩演算，这是一种比较表层表示与原子表示的正式框架，用于描述压缩增益如何在抽象层次上复合。我们提出了复合级联论，根据该理论，每增加一层抽象，表示效率会乘法性地增加，而不仅仅是增量节省。
本文进一步论证当代AI系统常常在表示层面上操作不够理想，依赖于令牌级处理或文档级检索，而非稳定的概念级原子结构。从这个角度来看，大型语言模型最好的理解方式不是作为完整的知识架构，而是作为动态融合引擎，能够导航、排序和重新组合原子单位。
该框架为设计能够随着时间推移发现、精炼和组合新原语的自我演化知识系统奠定了基础。通过将智能重新框定为通过组合抽象的压缩，本文为专业知识、知识表示、可解释AI及自适应智能系统的未来架构提供了统一的视角。
博主点评： 本文通过引入原子单位的概念，为理解智能系统的构建提供了新思路，强调了压缩和重用的重要性。这种视角不仅适用于人工智能领域，也对多学科的知识表示和系统设计具有深远的影响。