arXiv 于 2026 年 6 月 25 日发布了一篇题为《论网状智能需要液态基质的必要性》（On the Necessity of a Liquid Substrate for Mesh Intelligence）的论文，作者为 Hongwei Xu，归类于机器学习（cs.LG），同时涉及人工智能（cs.AI）与多智能体系统（cs.MA）。论文共 14 页、含 3 张图，摘要提出并论证了一个结构性命题：由主权智能体组成的网状系统若要维持能力，其底层计算基质必须在数学上属于连续时间的“液态”类别。
论文首先刻画了网状智能的运行环境。这样一个网络没有中心：既没有共享时钟，也没有共享模型，更没有负责收集数据或重新训练的协调者。每个智能体只能在线地把同伴发出的投影折叠进同一个内部状态，而观测以不规则、非计划的时间到达，且智能体无法重新训练其权重。作者指出，这三项约束单独来看都可处理，但同时满足三者并实现最优折叠则不然。
为回答“这样的基质必须具备什么性质”，作者建立了一个模型：一个自演化的潜在状态在非规则、外生的时间点被观测。由此推导出两条必要条件。第一，由于潜在状态本身在变化，其最优估计器是时变的，因此自适应时间尺度是必要的，任何固定增益滤波器都严格次优。第二，由于观测到达不受时钟约束，最优估计依赖两次到达之间流逝的时间间隔，而任何“对间隔无感”的网络无论宽度或深度如何都无法恢复这一依赖。作者强调，第二条条件是容量无关的：扩大规模不能替代缺失的时间间隔依赖。
两条必要条件的交集落在连续时间液态类中。作者用三个例子说明其区分力：LSTM 满足第一条条件，固定的连续时间滤波器满足第二条条件，而多时间尺度液态网络同时满足两者。合成实验对每一点进行了验证：网络能够达到所需时间尺度，并且这种分离可以被精确计算出来。
论文也明确了结论的边界。该刻画是必要条件而非充分条件，并且只约束权重固定的基质；如果一个网络可以自由重新训练，它可以通过其他方式达到该类。此外，由于证明是逐智能体进行的，这一必要性对网状系统中的每一个智能体都成立，从而构成对网状智能的一种结构性条件。
从更广的背景看，这项工作把多智能体系统的去中心化约束与单智能体的估计理论联系起来，指出在不规则异步通信下，时间间隔本身携带信息，固定权重架构无法通过增大模型来弥补这一缺口。论文的 DOI 为 10.48550/arXiv.2606.28413，提交时间为 2026 年 6 月 25 日 08:42:26 UTC，全文可通过 arXiv 获取 PDF、实验性 HTML 与 TeX 源码。