本文质疑现有 AI 范式和新兴世界模型的理解能力，核心问题是：现实变化的速度超过多少，智能系统就无法可靠地感知、推理和行动？我们将其表述为一个与理论和模型无关的挑战：系统必须在观察与现实之间的差距不断扩大时，仍能推断出可靠的未来行为。为此引入有效相干认知速度（$S_C^{\mathrm{eff}}$），它是系统在满足预设行为可靠性标准的前提下，能够持续应对的最高测试现实速度（$S_R$）。
作为概念验证，使用强化学习代理在基准 $S_R$ 下进行训练，然后在不重新训练的情况下，将 $S_R$ 提升至最高 $50\times$，计算资源保持不变。实验比较了 Transformer、门控 MLP 两种基线模型以及受细胞意识处理机制启发的 $Co^4$ 架构。结果显示，在所有测试场景中，$Co^4$ 的 $S_C^{\mathrm{eff}}$ 明显高于基线模型，表明该指标可以作为评估可靠 AI 的新基准，并支持将相干认知的尺度化视为可靠智能的基本原则。
点评