神經貝葉斯順序路由（Neural Bayesian Sequential Routing, NBSR）是一種新穎的框架，旨在將神經網絡的推理過程建模為主動證據累積，類似於人類決策的序列性和不確定性感知能力。傳統的神經網絡通常執行靜態、密集的前向計算，缺乏對證據獲取、不確定性演化或計算何時停止的可見性。NBSR通過在層次化有向無環圖（DAG）上模擬推理過程，克服了這些侷限性。
在這個框架中，神經網絡專家查詢一個持久的全局知識庫，提取正證據向量，這些向量作為偽計數，通過精確共軛加法更新狄利克雷信念狀態。結合Gumbel-Softmax直通估計器，這種更新能夠實現硬性、路徑依賴的路由，同時保留用於端到端訓練的代理梯度。由此產生的狄利克雷精度和熵為不確定性量化、基於熵的早期退出、分佈外（OOD）拒絕和成本感知證據獲取提供了機制。
從理論上講，NBSR證明在嚴格正證據提取下，總狄利克雷精度沿任何有效軌跡單調增加，邊際預測方差有界，形式化了順序“假設鋭化”過程。在理想化的容量和優化假設下，終端狄利克雷期望恢復貝葉斯最優條件分佈。實驗評估涵蓋了視覺分類、結構化醫學診斷、語言建模、部分可觀察控制和成本感知貝葉斯實驗設計等多個領域，結果表明NBSR在提供透明的路由軌跡、路徑依賴的證據歸因、不確定性感知的決策控制和資源合理推理的同時，實現了具有競爭力的預測性能。總體而言，NBSR為可解釋、模塊化和資源合理的智能體AI提供了一個數學基礎紮實的框架。該論文提交於2026年5月22日，作者為Yongchao Huang，共71頁，屬於機器學習（cs.LG）領域。