在人工智能迅猛发展的今天，人们正面临一个根本性问题：我们如何理解智能的本质？尽管深度学习模型不断变大、性能不断提升，但其内部运作仍如“黑箱”，缺乏统一的理论框架来解释其行为。这一困境，恰如18世纪蒸汽机技术虽已成熟，却因缺乏热力学理论而难以系统优化。如今，研究者伍祺升带领团队提出一种全新的本体论视角——相似场论，试图从哲学与数学的交汇点，重新定义智能。 该理论摒弃了亚里士多德以来“实体为第一性”的传统本体论，转而将“相似关系”置于核心地位。在这一框架下，智能被定义为：在给定某一概念的体现实体时，生成另一体现相同概念的实体的能力。这一定义通过形式化数学语言表达为“相似场”中的状态演化过程，其中系统状态序列需满足特定的上水平集条件，即新生成的实体与目标概念之间的相似度必须超过预设阈值。这一转变，使人工智能问题从统计建模跃升为几何结构探索，将认知系统视为在概念空间中具有内在结构的动态系统。 相似场论通过放宽经典度量空间的对称性要求，更真实地刻画了人类与机器的认知过程。研究团队由此推导出两个关键定理：不相容性定理揭示了社会协商中无法调和的矛盾根源，而稳定性定理则说明，无论是个体心智还是集体认知，都依赖于长期一致的信念结构。这些理论不仅具有哲学深度，更具备实证价值。 在应用层面，研究团队将大型语言模型（LLM）视为社会集体认知的“透镜”。通过对cerebras-gpt-590M、pythia-160m、gemma-3-270m等模型的分析，结合Bradley–Terry–Luce模型模拟品牌认知排名，结果达到Spearman相关系数0.963、MAE=2.160，表明LLM已内化部分真实消费者认知结构。这为行为经济学、社会心理学和文化研究提供了可量化的实验路径。 更进一步，相似场论为模型可解释性提供了新范式：将神经网络解构为“概念纤维”——即导致某神经元激活的输入集合。理解这些纤维的组合方式，即为理解模型的“思维”过程。研究团队还发现，许多模型在处理“i比j更典型”类提示时存在逻辑矛盾，这正是不相容性定理所预测的现象。若能在训练中引入该定理进行约束，或可显著提升模型一致性与可靠性。 这一研究的深层意义在于，它不仅是一次技术突破，更是一次思想跃迁。其灵感部分源于东方经典智慧，体现了跨文明知识融合的可能。伍祺升从香港大学求学，经历工业界实践，最终回归对本质问题的追问。如今他虽不主动接项目，仍以数据科学家身份参与Copilot AI，持续推动理论与现实的对话。 该研究提醒我们：真正的进步，始于对“何为正确”的哲学追问，终将落脚于可验证、可计算、可应用的科学实践。相似场论，正是这样一条从本质出发、通向未来的路径。