在人工智慧領域，實現內生成分切換（endogenous regime switching）被認為是自主智慧出現的關鍵能力之一。然而，現有的機器學習框架大多依賴外部干預來實現這種狀態轉換，系統自身缺乏內部驅動的切換機制。近日，研究者Sheng Ran在arXiv上提交了一篇論文（編號2605.04054），提出了一種全新的動力學分類方法，並展示瞭如何透過標量不可約動力學（scalar-irreducible dynamics）使系統自發產生內部狀態切換。
論文首先將學習動力學分為兩類：標量可約動力學（scalar-reducible dynamics）和標量不可約動力學。標量可約動力學可以表示為由某個標量目標函式驅動的梯度流，大多數現有機器學習系統都屬於這一類。而標量不可約動力學則無法簡化為這種形式，它包含更豐富的動態行為。研究者指出，標量不可約動力學透過快速動力學變數與慢速結構適應之間的反饋迴圈，能夠自然地產生內生成分切換，無需外部排程。
為了驗證這一機制，作者構建了一個最小動力學模型。在該模型中，快速變數負責即時響應環境變化，而慢速變數則緩慢調整系統的整體結構。兩者之間的耦合產生了持續的、內部驅動的狀態轉換。實驗表明，這種反饋機制能夠穩定地生成多種模式之間的切換，且切換時機完全由系統內部動態決定，不受外部訊號控制。
這一發現意義深遠。它挑戰了當前機器學習中普遍依賴外部排程器或手動干預的做法，為構建真正自主的學習系統提供了新的理論基礎。未來，基於標量不可約動力學的演算法可能應用於機器人控制、強化學習、自適應系統等領域，使機器能夠在動態環境中自我組織、自我調節。
此外，論文還討論了該機制與混沌理論、臨界現象的聯絡，暗示了可能存在的普適性規律。研究者認為，這一動力學正規化不僅適用於機器學習，也可能啟發對生物神經系統和複雜適應系統的理解。目前，該論文已在電腦科學分類下的機器學習子類別中公開，並提供PDF全文下載。