S-AI-Planning: Pianificazione orientata agli obiettivi come canonicalizzazione degli stati futuri

ZusammenfassungHintergrund. Zeitgenössische Planungssysteme — von klassischen STRIPS-basierten Ansätzen bis hin zu Reinforcement Learning und neuronalen Planungsarchitekturen — weisen eine strukturelle Schwäche auf, der bislang unzureichende formale Aufmerksamkeit gewidmet wurde: Sie behandeln Zielrepräsentationen als extern vorgegeben und unveränderlich, ihnen fehlt ein intrinsischer hormoneller Mechanismus zur Erkennung, wann eine geplante Trajektorie kognitiv hinreichend und formal kohärent ist, und sie bieten keine formale Garantie dafür, dass die Planungsverpflichtung Turing-entscheidbar ist. Keine einheitliche Architektur erfüllt gleichzeitig Zielkanonisierung, Trajektorienkonvergenz, hormonelle metakognitive Kontrolle, formale Entscheidbarkeit der Planungsverpflichtung und Zielparsimonie — die fünf Eigenschaften, die ein formal fundiertes künstliches Planungssystem gemeinsam nachweisen muss.Methoden. Dieser Artikel führt S-AI-Planning ein, die neunte architektonische Instanziierung des Sparse-Artificial-Intelligence-Paradigmas, die dem Bereich der künstlichen Planung gewidmet ist. S-AI-Planning formalisiert den Planungsprozess als eine zielorientierte duale Kanonisierung, die gleichzeitig über dem Zielraum G operiert, in dem eine anfänglich vage, mehrdeutige oder widersprüchliche Zielrepräsentation g(0) gegen einen stabilen kanonischen Zielattraktor g konvergiert, und über dem Trajektorienraum Π, in dem sich ein Kandidatenplan π(0) zu einer zertifizierten kanonischen Trajektorie π entwickelt, die den aktuellen Zustand mit g verbindet. Beide Konvergenzen werden durch ein hormonelles Orchestrierungssystem mit elf Hormonen gesteuert, das den S-AI-Korpus um fünf für den Planungsbereich neue Hormone erweitert: Intentine (hI), das Hormon der Zielanziehung; Deviationine (hD), das Hormon der Trajektorienabweichung; Opportunine (hO), das Hormon der Gelegenheitserkennung; Persistine (hP), das Hormon der Trajektorienpersistenz; und Adaptine (hA), das Hormon der Plananpassung — deren gekoppelte Dynamik durch eine formal verifizierbare Einsetzbarkeitsbedingung bestimmt und durch zwölf formal spezifizierte Agenten in drei funktionalen Schichten reguliert wird. Die Architektur führt ein Planungsverpflichtungs-Gatter mit vier Bedingungen ACRplan ein, das die Stabilität des Planungszustands, die Zielkonvergenz, die entropische Kontraktion und die symbolische Kohärenz des Plans erzwingt, sowie eine Ziel-Lyapunov-Funktion Vg(P) = α · dg(P, g) + β · Sg(P) + γ · (1 − Cg(P)), die Distanz, Unsicherheit und Kohärenz in einem einzigen zusammengesetzten Stabilitätspotential vereinigt.Ergebnisse. Sieben Theoreme werden aufgestellt. PL.1 beweist die globale asymptotische Stabilität des erweiterten regulatorischen Planungsfeldes mit elf Hormonen unter der Einsetzbarkeitsbedingung, mit einer exponentiellen Konvergenzrate μplan > 0. PL.2, das Theorem der entropischen Kontraktion der Planung, stellt V̇g(P) ≤ 0 ⇔ Ṡg(P) ≤ 0 auf und instanziiert damit die doktrinäre Invariante im Planungsbereich. PL.3 liefert eine Garantie der Planungsbeendigung in endlicher Zeit E[t] ≤ tH + tS + tG + Tχ < ∞, die vor der Bereitstellung analytisch berechnet werden kann. PL.4, das Zielkanonisierungs-Theorem, zeigt, dass unter stabiler hormoneller Regulation g(t) → g exponentiell konvergiert, wobei der kanonische Zielattraktor der eindeutige Fixpunkt von Fgoal ist. PL.5, die Äquivalenz von Planung und Entscheidbarkeit, stellt H(t) → H ⇔ ACRplan(εt, h(t)) ist Turing-entscheidbar auf. PL.6, das Zielparsimonie-Theorem, zeigt, dass der festgelegte Plan Π = arg minΠ∈Ag Jg(Π) mit Jg(Π) = λE E(Π) + λS Sg(Π) + λA |Π| + λC Ccost(Π) gleichzeitig Energie, Entropie, Anzahl der Aktionen und kognitive Kosten minimiert. PL.7, die Sechste Äquivalenz der parsimonischen Intelligenz, erweitert die doktrinäre S-AI-Invariante auf den Planungsbereich: V̇(H) ≤ 0 ⇔ Ṡ(P) ≤ 0 ⇔ ṡcons(y) ≥ 0 ⇔ Reasoning ist entscheidbar ⇔ ‖Δmglobal‖ → 0 ⇔ dg(P, g*) → 0. Die experimentelle Validierung auf S…