2026-09-04
他们定义有限时窗指标 Ω：单吸引子和纯噪声都归零，只有反复进入多个长寿命循环表型才升高。N=100 随机布尔网上，PBN 与模态门控才能撑住持续新颖。
开放式进化（open-ended evolution, OEE）在人工生命和系统生物学里吵了很多年：持续出新算不算，复杂度必须无上限才算，度量还得不依赖特定平台。现有两套工具都不便携。Evolutionary Activity Statistics 要事先指定「组件」，组件自己还会变功能；MODES 工具箱更完整，但若干指标只在 AVIDA 这类数字生物平台上说得通。
更麻烦的是，单看「新状态多不多」会把噪声当成进化。一个每步乱跳的过程一直在出新，但什么都站不住。宾汉姆顿大学、剑桥、萨拉曼卡和西蒙玻利瓦尔大学的这组人要的是一个跟具体底物无关的有限时窗诊断：系统有没有反复进入多个长寿命的循环表型，而不是迅速塌到一个吸引子，也不是在无结构噪声里晃。
他们定义指标 Ω。对一条长度为 T 的轨迹，检测器找出一串「复发情节」：某个状态再次出现就算发现一个循环，循环长度 k 是两次访问的间隔，驻留时间 d 是轨迹还待在这块已探索区域里的步数；碰到从未见过的状态就算逃逸，才允许开下一段。确定性极限下 Ω 等于 (1/T²) 乘上各情节 d×k 的求和。
这个二次归一化是刻意的。单吸引子时 d 随 T 涨、k 有界，Ω 趋向零。纯噪声把每步当成 k=d=1 的点吸引子，分子随 T 线性涨，Ω 还是趋向零。Ω 升高，只发生在轨迹反复进入多个持续的循环表型时。
实验用 N=100 的随机布尔网络（Random Boolean Network, RBN），每个平均连通度 K 抽 1000 个网，模拟 T=10⁶ 步，K 从 1.1 扫到 4.5。对照分两套架构：齐次（Poisson 度、同步更新）和异质（Exponential 度、CUBEWALKERS 随机异步）。在同一张底图上叠加五类状态依赖机制：概率布尔网络（PBN）整表切换、退火规则突变（ARM）读时翻查找表、次协调逻辑注入局部矛盾、模态逻辑的必要/可能门控、量子启发的叠加坍缩加成对耦合。每类按 Ω-K 曲线下面积挑最优参数再比。
齐次同步网上，低到中等 K 时 PBN 的 Ω 最高：上下文里做分段确定性运动，偶尔切换，等于把不同吸引子家族的长驻留串到一条轨迹上。高 K 时模态门控反过来占优，「必要」压住混沌过冲，「可能」在局部允许时打开备选通路。
异质异步网上画面反过来。PBN 的 Ω 在整个 K 区间塌向零：异步更新把长周期拆掉，系统很快掉进短循环，切换只是在少数盆地间跳，驻留×周期的贡献跟不上 T²。模态逻辑在高 K 仍有尖峰。次协调逻辑在 K≈2.3 附近有宽肩。量子启发规则在极低 K 最好。经典确定性曲线全程下沉。ARM 一直差：乱翻查找表把吸引子几何洗掉，给了可塑性，却没有给 Ω 要的结构化、状态依赖的可塑性。
外部对照：初等元胞自动机里定点规则 Ω(T)≈1/T，Rule 54 平均最高，加性的 Rule 90 和 150 也高；策展的布尔基因调控网贴近有限时窗地板。Ω 不能还原成独特状态占比、节点熵或压缩率。高噪声可以低 Ω，结构化复发可以在中等新颖度下拿到更高 Ω。
主文没有给出 Ω 的绝对数值，比较都画在图上。
对做开放式系统和合成回路的人，Ω 是一个能直接跑在现有离散模型上的诊断，不必先发明「组件」或换平台。设计建议很具体：齐次低 K 用稀有上下文切换；齐次高 K 用模态门控；异质异步则高 K 用模态、稀疏网用次协调或量子启发规则；别用高突变率去追持续新颖。
对关心开放式 AI 的人，这篇把「不可判定性是强 OEE 的形式条件」落成一个可算的有限时窗代理。它测的是复发加权的持续新颖，不是语义、适应度或复杂度上限。
作者写得很清楚：Ω 不是完整的 OEE 判据。状态空间、节点集和表型映射事先固定，捕捉不了基因、模块、生态关系这些变量集合自己在变的进化。未观测变量会让轨迹看起来更复发或更不复发。机制是风格化算子，不声称真实基因调控在跑非经典逻辑。主实验是随机网络系综，策展 GRN 只作尺度对照。连续/混杂空间的推广写了公式，没有做实验。