研究团队提出一种全新的形式化数学框架——相似场论，挑战传统以“实体”为本体论的哲学基础，将“关系”提升至第一性，试图为人工智能与认知科学提供统一的理论基础。这一思想源于对亚里士多德“实体优先”本体论的反思，类比于19世纪热力学对蒸汽机经验性发展的理论升华。当前AI发展仍依赖大规模试错，缺乏深层理论支撑，尤其在解释神经网络“黑箱”、构建稳定智能系统方面面临瓶颈。 伍祺升带领团队构建的相似场论，以“相似场”为核心概念，通过放宽经典度量空间的对称性要求，更精准刻画认知系统的结构。该理论将“智能”定义为：在给定体现某一概念的实体基础上，生成另一体现相同概念的实体的能力。数学上，这被形式化为一个状态序列Z_p，其中实体集X_K属于某个上水平集F_α(K)，而智能体现为生成运算符G输出的实体E′满足相似场S(E′, K) ≥ α的阈值条件。 该框架将AI问题从统计学习转化为几何结构探索，使神经网络可解释性成为可能。研究团队发现，每个神经元可被视作一个“概念纤维”——即使其激活为1的所有输入的集合。通过解构模型为这些纤维并分析其组合方式，可实现对模型内部认知结构的解析。 进一步实验中，团队利用三个大语言模型（cerebras-gpt-590M、pythia-160m、gemma-3-270m）与Bradley–Terry–Luce模型模拟消费者品牌认知，结果达到Spearman相关系数0.963、MAE=2.160，表明大模型已捕捉到真实社会认知的部分结构，为社会科学、行为经济学和文化研究提供了可量化的虚拟实验工具。 理论层面，团队推导出“不相容性定理”与“稳定性定理”：前者解释社会谈判中的僵局，后者揭示个体与集体认知均依赖长期稳定的信念体系。研究还提出，可通过不相容定理识别并消除模型中的逻辑矛盾（如同时判断“i比j更典型”和“j比i更典型”为真），从而优化训练过程。 该研究过程强调：从本质问题出发，将直觉转化为精确数学语言，再通过推导、实验与现实验证，形成闭环。研究者需掌握统计工具以正确解读结果。 值得一提的是，相似场论受到东方经典智慧启发，伍祺升希望借此推动传统文化在现代科技中的价值重估。他早年在香港大学学习，后在大厂担任工程师，积累资源后转向自主探索。目前他虽不主动接项目，仍兼任加拿大企业Copilot AI的数据科学家，持续推动理论与实践结合。