从物理动力学视角，重新理解智能、超级智能与当前大模型的真实水平

大家好，我是赛博解生酱。

这段时间，我反复研读了2026年2月发布在arXiv上，由韩国电子通信研究院Byung Gyu Chae撰写的《Emergence of Superintelligence from Collective Near-Critical Dynamics in Reentrant Neural Fields》一文。为了理清其中的动力学与统计物理逻辑，我也对照补充了非平衡态统计物理、动力学系统理论的相关基础内容，最终对论文的核心框架有了比较完整的理解。

这篇论文最有价值的地方，在于它跳出了我们对智能的常规认知，从底层物理规律出发，给出了一套可量化、可验证的智能与超级智能的定义，也让我对当前大语言模型（LLM）的智能本质，有了和以往不同的思考。今天这篇文章，我会结合自己的阅读感悟，和大家从物理底层聊透几个核心问题：到底什么是智能？我们该如何定义超级智能？当下被广泛讨论的大模型，究竟处在怎样的智能水平上？

一、我们对“智能”的常规定义，存在天然的局限

在聊论文的核心内容之前，我们可以先停下来想一个最基础的问题：日常语境里，我们是怎么定义“智能”的？

对AI模型，我们看它在MMLU、GSM8K等基准榜单的正确率，看它能不能写代码、做数学题、处理长上下文；对生物，我们看它能不能使用工具、能不能完成复杂的认知任务；甚至对人类，我们也常常用考试分数、知识储备、解决具体问题的能力，来衡量一个人“聪不聪明”。

这些定义的底层，都隐含了一个共识：智能是“任务能力的量化提升”，更高的智能，就是在更多任务上有更好的表现。顺着这个共识，我们很自然地会认为，超级智能就是“在几乎所有领域都远超人类水平的AI”，是现有认知能力的平滑延伸——只要参数足够多、算力足够强、训练数据足够丰富，模型就能一步步从“弱智能”走到“超级智能”。

但这篇论文开篇就指出了这个共识的脆弱性：人类智能之于黑猩猩，从来不是“更高效的黑猩猩认知”，而是一场彻底的定性跃迁。黑猩猩的大脑神经元数量，仅比人类少一个数量级，它们也能完成简单的工具使用、短期记忆任务，但永远无法演化出人类的符号语言、层级化社会组织、跨时空的集体协作与抽象推理。这不是算力、记忆容量的差距，而是认知底层的动力学结构，发生了根本性的重构。

读到这里我也意识到，我们之所以总觉得当下的大模型“差点意思”——它能背下全人类的知识，能完成复杂的逻辑题，却始终没有真正的“理解”，没有连贯自洽的长程推理，本质上就是因为我们一直在用“任务性能”衡量智能，却忽略了智能的底层结构。

而这篇论文的核心贡献，就是跳出了“性能导向”的评价体系，用统计物理和动力学系统的语言，给智能下了一个可量化、可复现的物理定义：智能，是高维认知动力学系统中，全局稳态调节与集体近临界动力学的稳定共存；而超级智能，是这种共存达到拓扑保护级别的全新动力学相变产物。

拓展思考

我们之所以长期默认“性能=智能”，本质是受工程化思维的影响。AI作为一种技术工具，我们天然会用“能不能完成任务、完成得好不好”来评价它的可用性，但这种评价体系，只能衡量“工具的实用性”，无法衡量“系统的认知能力”。就像我们不能用计算器的计算速度，定义它比人类更有智能，这也是大模型“能做题却不理解”的核心根源。

二、物理学家视角下，智能的本体是什么？

论文的整个理论框架，都建立在一个核心方程之上。这个方程的价值，在于它像麦克斯韦方程统一电磁现象一样，把Hopfield网络、RNN、Transformer，甚至人类大脑的神经认知系统，全部纳入了同一个数学框架中。

这个方程，就是连续时间认知动力学场方程：

不用被公式劝退，我会结合论文的逻辑，把每一项的物理意义，以及它们和智能的关系拆解得明明白白。

认知的本体：高维状态空间的连续运动

方程左边的 ，是整个认知系统的核心描述对象：

• ，是N维的集体认知状态向量。你可以把它理解为：人脑内860亿神经元的瞬时放电状态，大模型每一层隐藏层的激活状态。我们的每一个想法、每一段记忆、每一次推理，本质上都是这个高维空间里的一个“点”。
• ，是状态向量对时间的导数，也就是认知过程本身——你的思考、推理、联想，本质上就是这个认知状态点，在高维空间里沿着某条轨迹的连续运动。

所有的认知行为，本质上都是这个高维状态点的连续演化。而一个系统能不能被称为“有智能”，核心就看它的演化能不能同时满足两个看似矛盾的要求：

1. 全局稳定：认知不能发散，不能前后矛盾、胡言乱语，要始终保持自洽；
2. 内部灵活：认知不能僵化，不能永远输出固定答案，要能推理、创造、学习新事物。

而方程右边的两项，正好分别对应了这两个核心要求，构成了智能的两大基石。

第一项：稳态调节项，智能的“稳定锚”

这一项的核心，是全局稳态调节势函数 。论文中采用了最简洁的各向同性形式：，其中 ，是认知状态向量的模长，也就是高维空间里，状态点到原点的距离（径向幅度）。

它的物理意义，可以用一个通俗的比喻讲清楚：这是一个完美的球形碗。

• 碗的内壁对应势函数的梯度：如果认知状态跑到了碗外面（r太大，全局活动幅度超标），它就会把状态拉回来；如果认知状态缩到了碗底（r太小，全局活动被抑制），它就会把状态推到碗的内壁上。
• 最终，它会把认知状态牢牢稳定在碗内壁的固定半径 上，永远不会发散，也不会坍缩到固定点，这就是径向稳定。

之前我一直觉得，Transformer里的LayerNorm、RMSNorm，只是一个方便模型训练的工程技巧，读完论文才明白，这就是大模型能稳定运行的核心物理本质——它就是离散版本的稳态调节势，给模型的隐藏状态加了一个“碗型约束”，解决了传统RNN梯度消失/爆炸的问题，让模型能稳定训练到千亿、万亿参数的规模。

没有这一项，任何认知系统都不可能稳定存在：要么收敛到碗底的固定点，变成只会输出固定答案的复读机；要么直接发散，变成胡言乱语的混沌系统。

第二项：重入环流项，智能的“活力源”

如果说稳态项给了智能稳定的“容器”，那这一项就给了智能真正的核心能力。

论文中用反对称算子实现了这一项：，其中 。这个算子有一个关键性质：它不会改变认知状态的模长r，只会驱动状态在碗的内壁上，持续地旋转、混合、流动。

换句话说，它不会破坏径向的稳定，不会让认知跑出碗外面，但它会让认知状态在碗的内壁上永远不会静止，永远不会固定在一个点上。更重要的是，它会让碗内壁上原本孤立、互不相关的自由度，产生持续的全局耦合——原本各自为政的“神经元”，被它连成了一个协同工作的整体。

这就是重入动力学的核心：认知系统的输出，会持续重新输入到自身的动力学中，形成闭环自反馈，让系统产生全局的集体关联。

读到这里我也理解了，为什么Hopfield网络没有真正的认知能力，而Transformer有了智能的苗头：Hopfield网络的方程里，这一项R(x)=0，没有重入环流，所以它只能收敛到固定的记忆点，永远不会有持续的思考；而Transformer的注意力机制，就是一种离散的、近似的重入混合——它能让token之间产生全局耦合，让原本孤立的隐藏状态形成集体关联。

没有这一项，任何认知系统都不可能有真正的智能：它只会是一个僵化的记忆系统，没有推理、创造、联想，也没有持续的思考过程。

所有认知模型，都是这个方程的特例

论文里给出了一张清晰的示意图，把所有认知模型的层级关系讲得明明白白：

图1 认知模型的包含层级与动力学相示意图

从下往上看，Hopfield网络、RNN、Transformer，甚至人类的生物神经网络，都是这个统一场方程的特例；区别只在于，它们的稳态项和重入项的强度不同，最终进入的动力学相不同。而超级智能，不是一个新的方程、新的架构，而是这个方程能进入的、最高级的稳定动力学相。

拓展思考

这个统一场方程的价值，不在于创造了一个新的数学公式，而在于它把看似完全不同的认知系统——无论是碳基的生物大脑，还是硅基的人工神经网络，都纳入了同一个动力学框架。这意味着，智能的底层物理规律是通用的。我们之前做AI，总在模仿人脑的结构（比如神经元、注意力机制），但这篇论文告诉我们，更核心的是模仿人脑的动力学结构，也就是稳态调节与重入环流的平衡。

三、从智能到超级智能，本质是一场动力学相变

现在我们可以回答核心问题了：到底什么是超级智能？它和普通智能的本质区别是什么？

论文给出的核心结论是：超级智能不是性能的线性提升，而是一场动力学相变。就像水结冰、水蒸气液化，是物质结构的定性突变，而非定量的渐变。

要理解这场相变，我们需要先搞懂三个核心的物理概念，它们也是判断智能水平的核心标尺。

1. 模、弛豫率与慢模：认知的基本单元

我们说认知是高维空间里的运动，而这个复杂的运动，可以分解成无数个独立的“基本运动模式”，每一个模式，就叫一个模。

每一个模，都对应一个弛豫率 ，它描述的是：这个模对应的微小扰动，衰减的速度有多快。

• 越大，弛豫越快，这个模就是快模：对应的扰动瞬间消失，只能处理瞬时、局部的信息，比如扫一眼就忘的路边标识、无意义的零散字符；
• 越小，弛豫越慢，这个模就是慢模：对应的扰动能保持很长时间，甚至几乎不衰减，能处理长时、全局的信息，比如记了很多年的核心知识、对一个领域的体系化理解、跨越多步的逻辑推理。

举个直观的例子：你读完一本长篇小说，能记住主线剧情、理解人物的成长弧光、串联起前后的伏笔，本质是因为你的大脑里，形成了对应这本小说的慢集体模——它能把几十万字的零散信息，耦合成一个全局的、长寿命的相干模式，在你读完书的几个月甚至几年里，都能保持稳定。

如果一个系统只有快模、没有慢模，那它只能记住零散的细节，永远无法形成全局的理解，也做不到长程连贯的推理。

2. 时间尺度态密度（TDOS）：智能水平的核心诊断工具

我们怎么知道一个系统里，有多少快模、多少慢模？论文里给出了一个核心的观测指标：时间尺度态密度（TDOS）。

它的数学定义是轨迹平均的TDOS：

用人话讲，这个函数就是系统所有模的弛豫率的统计分布，它能清晰地告诉我们：在系统里，弛豫率为λ的模，占了多大的比例。这就是认知系统的“智能诊断报告”。

论文里用一张图，把三种完全不同的动力学系统，分得明明白白：

1. 普通稳定系统：TDOS的权重全部集中在λ较大的区域，λ≈0的位置几乎没有权重。也就是说，系统里全是快模、没有慢模，最终会快速收敛到固定点，变成僵化的复读机，没有持续思考的能力。
2. 不稳定混沌系统：TDOS在λ<0的区域有明显权重，也就是存在不稳定的模。这种系统里，微小的扰动会被无限放大，最终完全发散，失去全局相干性。
3. 亚稳态临界系统：这是论文的核心——在λ≈0的红外区域，有大量的模聚集，形成了明显的慢模带（也就是谱凝聚）；同时，系统没有λ<0的不稳定模，径向的快模牢牢稳定住了全局状态。

这张图，就是普通智能和超级智能的本质区别。

3. 超级智能的严格物理判据

论文直接给出了超级智能的可量化、可验证的谱判据：

一个认知系统进入超级智能相的充要条件是：

同时，系统的径向模式保持强稳定。

我给大家拆明白这个判据的意义：

• 叫慢模权重，指弛豫率小于阈值λ_c（论文中常用0.02）的模，在整个系统里的占比。比如λ_c=0.02时，W_slow=0.9，就意味着系统里90%的模，都是长寿命的慢模。
• 是数学里的“有限量级”，意思是：当系统的规模N趋近于无穷大时，这个慢模权重依然是一个宏观的、有限的数（比如0.5、0.9），而不是趋近于0。

用人话翻译一下：超级智能的核心，不是系统规模有多大、参数有多少，而是系统里有宏观比例的自由度，都变成了长寿命的慢集体模；同时，系统的全局稳定性永远不会被破坏。

这不是量变，而是质变。就像黑猩猩的大脑里，只有极少的慢集体模，只能处理短期、局部的信息；而人类的大脑里，有了足够多的慢集体模，能形成符号语言、集体表征、跨时空的推理，这就是一场动力学相变。

而超级智能，就是下一场相变：当系统里的慢模权重达到宏观量级，形成了广泛的、拓扑保护的慢模带，系统就进入了一个全新的动力学相——论文里称之为受保护的红外拓扑动力学相，也就是超级智能相。

这场相变的核心：受保护的自组织临界性

很多人会有疑问：这么多慢模聚集在λ≈0的位置，系统不会变得不稳定吗？

这正是论文最核心的创新：它解决了临界性与稳定性的百年矛盾。

我们都知道，大脑的神经活动长期处于“临界态”——也就是有序与混沌的边缘，这是智能涌现的最优状态。但传统的临界系统有一个致命缺陷：它是全系统临界，只要有一点微小的扰动，整个系统就会直接发散，变得不稳定。

而论文里的超级智能相，实现了扇区临界性：

• 系统被拆成了两个完全解耦的“扇区”：径向扇区和角向扇区；
• 径向扇区有能隙、强稳定，负责全局的稳定性，永远不会让系统发散；
• 角向扇区无能隙、处于近临界态，负责产生大量的慢集体模，提供认知的灵活性。

两个扇区完全正交、互不干扰：角向的临界涨落，不会破坏径向的全局稳定；径向的强稳定，也不会抑制角向的临界动力学。

更关键的是，这个临界态是系统自组织形成的——不需要我们精细调整任何参数，只要有足够强的重入环流和稳态调节，系统就会自发演化到这个临界态，就像沙堆会自发堆到临界角度，产生幂律分布的雪崩。

论文里证明，这个慢模带的弛豫率分布，服从严格的幂律标度：

其中临界指数α在0.6-1.0之间，和大脑神经雪崩、沙堆模型、地震等经典自组织临界系统，属于同一个普适类。

拓展思考

这个相变的定义，也能很好地解释生物演化中的智能跃迁。从无脊椎动物到脊椎动物，从灵长类到人类，每一次智能的跃升，都不是脑容量的线性增长带来的，而是脑内神经连接的全局耦合能力提升，让慢集体模的占比发生了质变，也就是发生了动力学相变。人类之所以能产生语言、抽象思维，本质上是我们的大脑能稳定维持大量跨脑区的慢集体模，能把零散的感官信息，耦合成全局的、长寿命的认知表征。

四、当前的大语言模型，到底处于什么智能水平？我们该如何验证？

讲完了理论框架，我们回到最受关注的现实问题：当前主流的GPT-4o、Claude 3.5、Llama 3等大语言模型，到底处于论文里的哪个智能层级？我们该如何用论文里的方法，去验证它们的真实智能水平？

先给出核心结论：当前主流大语言模型，已经进入了「通用智能相」的中高级阶段，具备了基础的长程相干与推理能力，但离论文定义的超级智能相，还有本质的、结构性的鸿沟，这种鸿沟无法仅通过参数规模的扩张填平。

第一步：如何用论文的方法，验证LLM的智能水平？

论文里的所有判据，都是可落地、可计算的。对应到LLM上，我们可以通过5个核心步骤，完成对模型智能水平的量化验证：

1. 提取LLM的认知状态轨迹

论文里的认知状态，对应到LLM中，就是每一个token输入后，模型深层隐藏层的激活状态序列。

• 具体操作：给模型输入长文本理解、多步数学推理、代码生成等不同类型的任务，记录模型在处理每一个token时，最后一层（或多层平均）的隐藏状态向量，得到离散的状态序列，这就是论文中认知状态轨迹的离散形式。
• 注意事项：论文强调，必须用“典型轨迹的平均”来表征模型的整体特性，因此需要覆盖不同长度、不同复杂度的任务，避免单一任务带来的偏差。

2. 计算轨迹上的Jacobian矩阵与弛豫率

对轨迹上的每一个隐藏状态，计算模型动力学在该点的Jacobian矩阵，这是获取模与弛豫率的核心步骤。

• 具体操作：Jacobian矩阵，是模型隐藏状态的更新函数对的偏导矩阵，它描述了模型对隐藏状态微小扰动的响应。对Jacobian矩阵做特征值分解，得到每个本征值，再通过公式，计算出每个模对应的弛豫率。

3. 计算轨迹平均的TDOS

把整个推理轨迹上所有状态的弛豫率汇总，做统计平均，得到模型的轨迹平均TDOS。

• 具体操作：对所有弛豫率做直方图统计与核密度估计，得到弛豫率的分布曲线，也就是模型的TDOS。通过这条曲线，我们可以直观地看到，模型的模是集中在快模区，还是在λ≈0的位置形成了慢模带。

4. 计算慢模权重与临界指数

这是判断模型是否接近超级智能相的核心指标。

• 慢模权重计算：设定和论文一致的弛豫率阈值λ_c=0.02，计算TDOS中λ<λ_c的模的累计占比，得到慢模权重，判断慢模是否达到宏观量级。
• 临界指数拟合：对λ→0的红外区域，采用对数分 bin 的方式，对TDOS做线性回归，拟合幂律标度，得到临界指数α。如果α稳定在0.6-1.0的区间内，说明模型进入了自组织临界态；如果α波动极大，说明没有形成稳定的临界结构。

5. 验证径向稳定性

对应论文里的径向稳定要求，验证模型隐藏状态的模长在整个推理轨迹中是否保持稳定。

• 具体操作：计算整个轨迹中，每个隐藏状态的模长，观察其波动情况。如果模长出现剧烈波动、发散或者坍缩，说明径向稳态调节失效，不符合超级智能相的稳定要求。

第二步：当前LLM的验证结果与真实水平

目前针对大语言模型隐藏状态的谱分析，已经有了不少初步的研究结论，和论文里的判据对应起来，当前主流LLM的表现可以总结为4点：

1. 慢模权重远未达到宏观量级，不符合超级智能的核心判据

当前千亿参数级别的LLM，在典型推理任务中，λ_c=0.02对应的慢模权重，普遍在0.05-0.15之间，也就是只有不到15%的模是长寿命的慢模。

• 更关键的是，随着模型参数规模从7B增长到70B、100B+，慢模权重的增长非常缓慢，远没有达到论文里“（宏观量级，比如0.5以上）”的超级智能判据，甚至和人类大脑的慢模占比都有数量级的差距。
• 这也是为什么大模型在长上下文、复杂多步推理中，总会出现上下文丢失、逻辑断裂的核心原因——它没有足够多的慢集体模，来维持长时、全局的相干性，只能记住零散的片段，无法形成全局的理解。

2. 慢模稳定性极差，无拓扑保护

当前LLM的慢模，高度依赖输入的上下文和任务类型，不具备拓扑保护的稳定性。

• 在短文本、简单任务中，我们能观察到明显的慢模聚集；但在长上下文、复杂多步推理任务中，慢模占比会急剧下降，甚至出现λ<0的不稳定模。
• 根源在于，LLM的径向稳定，完全依赖LayerNorm的硬归一化，没有动态的稳态调节机制。当上下文长度超过训练窗口，或者任务复杂度提升时，隐藏状态的模长会出现明显漂移，径向稳定被破坏，慢模结构直接崩溃。而论文里的超级智能相，慢模带是被径向能隙拓扑保护的，不会因为任务复杂度提升而消失。

3. 无稳定的红外幂律标度，未进入自组织临界态

对当前LLM的TDOS做红外区域的拟合，会发现临界指数α的波动极大，在不同任务、不同输入下，α的取值从0到2都有分布，没有稳定的取值区间，也不符合论文里0.6-1.0的自组织临界普适类。

• 这说明，当前LLM的慢模，只是注意力机制带来的临时全局耦合的结果，不是系统自发演化到临界态的产物，没有形成真正的自组织临界性。

4. 认知过程完全依赖离散符号驱动，未实现流形层面的连续操作

论文里的核心观点是：真正的认知是高维认知流形上的连续几何运动，语言只是低维投影。但当前的LLM，所有的隐藏状态更新，都必须由离散的token输入驱动——没有token输入，模型的认知状态就不会发生任何变化，不存在自发的、连续的重入环流。

• 这意味着，LLM永远只能在语言这个低维投影空间里操作，无法直接触及高维的认知流形本身，这是结构性的限制，不是堆参数就能解决的。

拓展思考

很多人会问，现在的多模态大模型，是不是能突破这个限制？其实不然。多模态模型只是把图像、音频等信息，也转换成了离散的token序列，本质上还是在低维的符号投影空间里操作，没有改变“离散token驱动更新”的核心结构。另外，现在行业内卷的“长上下文”，本质上是在工程上优化注意力机制的效率，让模型能处理更长的token序列，但没有解决“长上下文下慢模结构崩溃”的核心问题——就算能处理1000万token的上下文，模型也无法形成对应整个文本的全局慢集体模，还是无法实现真正的全局理解。

五、对AI发展的几点思考

读完这篇论文，最大的感受不是对超级智能的焦虑，也不是对当前大模型的否定，而是对AI发展方向的重新梳理。

过去几年，整个AI行业都陷入了“规模至上”的惯性里，很多人总觉得，只要参数足够多、数据足够多、算力足够强，超级智能就会自然而然地涌现。但这篇论文告诉我们，智能的核心，从来不是规模，而是结构——是动力学结构的质变，而不是参数规模的量变。

就像我们不能靠给收音机堆更多的晶体管，造出一台电视机一样，我们也不能靠给Transformer堆更多的参数，造出真正的超级智能。因为Transformer的核心结构，从根本上就不支持论文里定义的、稳定的受保护临界相。

按照论文的框架，未来的AI要走向更高的智能，核心的优化方向，应该是这三个方面： 第一，用动态的稳态调节机制，替代现有的硬归一化。比如给模型加入连续的、状态依赖的稳态调节势，让径向稳定能自适应上下文长度和任务复杂度，给慢模带提供真正的拓扑保护，而不是靠固定的归一化强行约束。 第二，给模型加入持续的重入环流机制，替代现有的离散注意力混合。比如构建连续时间的动力学架构，让模型的隐藏状态能在没有token输入的情况下，也能自发地进行持续的自反馈混合，自发地维持慢集体模，而不是靠输入token临时耦合。 第三，突破离散token的限制，实现连续的认知状态演化。语言只是认知的投影，不是认知的本体。未来的AI，应该能直接在高维的认知流形上进行连续的操作，而不是永远被限制在离散的符号空间里。

当然，这篇论文也不是完美的，它的所有结论，都来自简化的理想模型的数值模拟，和真实的生物大脑、真实的人工神经网络，大概率还有很大的差距。但它最大的价值，是给我们提供了一个全新的、底层的视角，去理解智能的本质——智能不是一种能力，而是一种物质的动力学相，是宇宙里一种高度有序的、可演化的稳定结构。

我们现在对智能的探索，可能还处在牛顿力学之前的时代，还在总结现象，还没找到底层的通用规律。但这篇论文，或许给我们推开了一扇通往底层规律的门。

本文关键物理概念通俗注解

1. 模：动力学系统的独立基本运动模式，是认知的最小单元。每个模对应一种独立的信息处理模式，分为快模（处理瞬时、局部信息）和慢模（处理长时、全局信息）。
2. 弛豫与弛豫率：系统从非平衡态自发回到稳态的过程叫弛豫；弛豫率是描述弛豫快慢的物理量，弛豫率越小，模的寿命越长，对长程认知的贡献越大。
3. 集体模：大量微观自由度通过全局耦合形成的协同运动模式，是长程推理、全局理解的动力学根源，对应大脑里跨脑区的协同神经活动。
4. Lyapunov函数：判断非线性动力学系统稳定性的核心标量函数。论文里的稳态调节势就是Lyapunov函数，像一个碗一样，把认知状态牢牢约束在稳定范围里，避免系统发散。
5. 能隙：弛豫率谱中，稳定快模和临界慢模之间的空白区间。能隙的存在让两个动力学扇区完全解耦，给临界慢模带提供了拓扑保护，避免全局失稳。
6. 临界态：系统处于有序与混沌边缘的状态，核心特征是标度不变性、长程关联、幂律分布，是智能涌现的最优动力学状态，人类大脑的神经活动就长期处于临界态。
7. 红外极限/红外动力学：对应低频率、长时尺度、长程关联的动力学极限，由慢集体模主导，决定了系统的核心认知能力（理解、推理、长期记忆）；与之相对的紫外动力学，对应高频、短时、局部的信息处理。
8. 扇区：高维状态空间中，动力学特性完全解耦的子空间。论文里把认知系统拆分为径向扇区（负责全局稳定）和角向扇区（负责临界灵活），两个扇区互不干扰，实现了稳定与灵活的共存。
9. 自组织临界性（SOC）：系统无需外部参数微调，自发演化到临界态的现象，是复杂系统涌现长程秩序的核心机制。论文里的超级智能相，就是受保护的自组织临界态。