學習訪問計算：可訪問性可塑性作為自適應智能的原則

本研究由Zhaowen Fan撰寫，於2026年7月23日提交至arXiv（論文編號2607.22748），並在2026年7月23日09:48:11 UTC發佈。該論文共22頁，包含6幅圖和2張表格，涉及機器學習（cs.LG）、人工智能（cs.AI）以及神經與進化計算（cs.NE）等領域。論文的核心貢獻是提出了“可訪問性可塑性”（Accessibility Plasticity）這一自適應計算原則，明確區分了計算能力（computational capability）和計算可訪問性（computational accessibility）作為兩個獨立的適應變量。當前主流的神經網絡適應方式通常是對預定義計算結構中的參數進行修正，儘管近期出現了模塊化、條件計算和參數高效適應等方法，但它們並未將可訪問性視為一個獨立的可調維度。本文主張，系統不僅可以改變計算的存在與否，還可以重新組織現有計算之間的交互關係和參與方式，從而實現適應。研究者通過基於關係的操作實現對可訪問性可塑性進行了形式化，並建立了一個“重用優先”的適應層次結構：在該層級中，可訪問性修改優先於成本更高的能力修改和結構修改。在序列學習任務上的概念驗證實驗表明，可訪問性適應能夠在保持相當任務性能的前提下減少能力修改量。這一結果提示可訪問性是一個獨立的適應維度，為未來能夠根據環境變化動態演化計算關係的神經網絡系統奠定了基礎。論文還討論了該原則在持續學習、遷移學習等領域的潛在應用，認為在資源受限或動態環境下，優先調整計算可訪問性比直接修改計算本身更具優勢。未來的研究方向包括在大規模網絡和實際應用中的擴展性驗證。該論文得到了arXiv.org的數據支持，並提供了相關的參考文獻和引用工具，如Bibliographic Explorer、Connected Papers等，便於進一步研究。