MRAC 的理论起点与递进研究纲领:从不收敛诊断到工程 AGI

摘要

既有研究提出多轮审计收敛(Multi-Round Audit Convergence,MRAC),以同一工程对象在“审计—修复—再审计”过程中的问题变化判断系统能否稳定处理当前任务;另一项研究则以搜索空间(S)、覆盖能力(C)和交付可靠性(R)的关系解释 AI 交付的不确定性。本文以这两项研究为前提,论证 MRAC 不收敛与收敛分别能够支持何种覆盖判断,并将其组织为 L1–L5 递进研究纲领。 本文在明确操作性定义与适用条件的基础上论证:在任务与审计条件稳定、问题真实有效、修复持续接受再审计且资源边界预先确定时,MRAC 持续不收敛可作为当前完整 AI 开发系统尚不能可靠覆盖任务搜索空间的条件性诊断。对于 L2,在修复结果能够保持且漂移受控时,收敛表明已暴露失败路径得到了更充分的处理与验证,并为当前审计配置下的局部覆盖趋于饱和提供正向证据;这一证据对完整交付相关搜索空间的代表性及其外推强度仍需经验验证。在此基础上,L3 研究递归拆分能否使不收敛任务恢复收敛,L4 研究完整工程流程能否长期自主推进,L5 则检验同类机制能否扩展到工程以外的智能任务。