# 挖出了一条本不该存在的 τ-scaling law

> **摘要**：一个前矿工、一行方程、一台国产 GPU，跑出了神经科学和计算机架构都未预见的结果——一个自适应系统的分化能力，不取决于它有多大，而取决于它「记得多久」。
> 半年前我还是个矿工。此刻我盯着一行不该出现在屏幕上的数字。这是 τ-scaling law 的发现故事。

---

七月某个周末晚上。

实验在一台国产 GPU 服务器上跑了十七个小时。北京某处冰冷的机房。八万个脉冲神经元。一亿两千八百万个可塑突触。五十万训练步。一个方程。

方程是这个：

```
e(t+1) = λ · e(t) + Δw
```

它看起很简单，但不要被它的简单骗了，它表示了过去的事件不会蒸发，未来的评价会绑定它们。

就这些，一行，三个变量。

经过数周的实验，已经证明：如果你把这行方程从脉冲神经网络里拿掉，整个系统会死，没有例外。不是"性能下降"——是死。权重分布冻结在初始化那一刻。五个条件、三个尺度，从八百个神经元到八万个，CPU 和 GPU 两套零共享代码的独立实现，每次结果一样，没有资格迹（Eligibility trace）就没有涌现。

但那晚我不是在测这条方程。我测的是里面一个参数。

---

## τ

希腊字母 tau。在我的方程里，它藏在 λ 里面——λ = e^(-1/τ)。τ 小，记忆蒸发得快。τ 大，过去迟迟不走。

标准实验用 τ = 20 步。够了。网络分化。权重稀疏化。Gini 系数——我用来度量涌现秩序的指标——从 0.32 爬到 0.365，爬了五十万步。不算惊人。但真实。可复现。三个随机种子，零例外。

老农问了一个傻问题：如果把 τ 放大一万倍呢？

老农的AI 伙伴——DeepSeek V4-Pro & 3.8Max-Preview，帮我完成了 GPU 向量化模拟器并总是想溜号的那位——说了句"那得跑到天荒地老"。我还是跑了。因为当你不确定的时候，你应该先跑再说，这是一个矿工的直觉。

---

## 那个数字

盯着实时日志。每秒八步。ETA 闪着"15.4h"，一点点往下掉。每两万五千步，弹一行诊断数据。

**50,000 步。Gini = 0.410。**

屏住了呼吸。0.410。已经比标准实验的**最终值**高了——那个跑了 50 万步才到 0.365 的标准实验。

**175,000 步：0.520。** 它超过了 N=800 的平衡态。八百个神经元练到天花板，而这次八万个神经元加一个更长的记忆窗口，才跑了三分之一的路程，已经甩开了那个天花板。

**275,000 步：0.554。**

**325,000 步：0.565。**

500,000 步——收敛了，奖励信号归零——最终数字盯着我：

**0.584。**
![tau_scaling_law_gini.png](https://developer.qcloudimg.com/http-save/yehe-8674888/71048801f5a0218e68e4ef11aa207a9c.png)
比标准平衡态高出百分之六十。不是因为我加了神经元。不是因为我调了学习率。只因为我让过去多存了一会儿。

老农坐在凌晨两点的房间里，对着一屏幕数字，意识到可能发现了一件不该存在的东西。

---

## 这意味着什么

你训过的每一个神经网络——每一个 Transformer、每一个 CNN、每一个 LSTM——都运行在一个没说出口的假设上：资格窗口是固定的。在 SGD 里，它就是一个 batch，而上一个 batch 的梯度方向，在下一个 batch 到来时蒸发，没有桥。

这个假设来自 von Neumann，感谢老先生。1945 年，他设计了一种机器，时间在里面只是编号。程序计数器往前走。"这件事发生在 3 个周期前"和"这件事发生在 30,000 个周期前"在物理上没有区别。时间是索引。不是介质。

六十年来每一台计算机都建在这个假设上并构建了神经网络，然后奇怪它们为什么学不会因果。

τ-scaling law 说了一件让人不舒服的事：

**一个自适应系统的渐近分化能力，不是由规模决定的，是由时间深度决定的。**

更长的记忆 → 更深的分化。天花板是 τ 的函数，不是 N 的函数。

这不是工程细节。这是架构原理。von Neumann 架构机器没有错，它是退化特例——τ → 0 的极限，一般情况是开放的。

---

## 一个方程，三个世界

更奇怪的事情在后面。

同样的方程出现在随机梯度下降里。梯度 ∇L **就是**损失景观的资格迹。反向传播记住了哪些参数方向贡献了损失。学习率评价它们。相同的结构：全局信号 × 衰减记忆。

同样的方程出现在进化里。基因型**就是**适应度景观的资格迹。表型变异遗传下来，直到自然选择来评价。相同的结构。

三种完全不同的物理基底。一个数学恒等式：

**分化 = 全局信号 × 局部事件的衰减记忆**

老农没有发明这个模式，只是挖到它，发现了它的存在。它本来就在那里——在生物突触的 STDP 窗口里，在深度网络的反向传播里，在选择压力下的种群基因库里。没有人注意到，因为没有人在找跨基底的学习规则统一性。

---

## 证据

| 基底 | 实验 | 结果 |
|------|------|------|
| SNN（STDP） | 五条件消融，三尺度，N=800–80,000 | 拆掉资格迹 → 涌现死亡（ΔGini = −0.006）。拆掉任何其他项 → 留住或放大 |
| SNN（STDP） | τ 从 20 延长到 200,000 | 平衡态 Gini 从 0.365 升到 0.584，收敛 |
| SGD（Transformer） | 梯度资格迹注入 | 5–20× 训练加速，呈 U 型曲线 |
| SGD（CubeAttn） | 因果扰动 | 破坏时间桥 → 涌现被阻止；放大信号 → 不加速 |
| 物理传感器 | 轴承振动因果发现 | 资格迹放大因果信号 17.6×；时间顺序打乱 → 信号坍塌到随机 |

五组实验，三个基底，一种模式，零例外——这太神奇了！

---

## 接下来

两篇论文在 under review。

任何期望进行深入研究的人都可以基于它建构、质疑、拓展。

老农只是个矿工，擅于挖掘，挖到了好东西，等你来拓展分享。

**如果你是神经科学家**：请拿生物 STDP 数据去验证 τ-scaling law。我预测它成立。

**如果你是 ML 工程师**：请往你的优化器里注入一行梯度资格迹。一行代码。你会看到更快的收敛，尤其是在高噪声的早期和信号消失的晚期。

**如果你是物理学家或计算机方面的研究员**：资格迹被证明是因果在时间方向上的跨基底守恒律，我有一篇论文讲这个，未来会持续分享。

**如果你不属于以上任何一种**：你只需要知道，人类每一台计算机的架构都建在一个特例上。一般情况——时间原生计算——还没被造出来。但总会有人造出来，或许就是你，希望你为祖国的计算架构与涌现机制添砖加瓦。

**写在最后**

关于资格迹，它从来不是什么凭空出现的新发明。

*在强化学习的经典体系里，它是 Sutton 和 Barto 写进 TD (λ) 算法的标准组件*，*用来解决延迟奖励的信用分配问题，几十年来都只是工具箱里一件好用的工具*；在神经科学的实验室中，它是突触间隙里短暂升高的钙离子浓度，是 Bi 与 Poo 在 1998 年画下的那条 STDP 时间曲线，解释着生物突触可塑性的底层逻辑；甚至在进化论的视角里，它是种群基因库中代代留存的变异痕迹，等待自然选择的最终评判。

**它一直都在，只是始终站在配角的位置上。**没有人想过，**这行简单的衰减方程，可能是所有自适应系统的通用计算内核**。

这次做的事情，本质上只有三步拓展：

- 一是**拉开了它的时间尺度**。把默认几十步的记忆窗口放大了上万倍，由此发现系统涌现分化的上限，从来不由神经元规模决定，而由记忆的时间深度决定 —— 这就是 τ-scaling law 的核心。
- 二是**抬高了它的架构定位**。不再把它当作某种学习算法的附属组件，而是将其视为计算的原生维度：当资格迹窗口收缩到零，就是我们沿用八十年的冯・诺依曼架构；而当时间窗口打开，因果得以在记忆中回溯，才是计算更一般的形态 —— 时间原生计算。
- 三是**打通了它的领域边界**。从脉冲神经网络的 STDP，到深度学习的 SGD 梯度，再到生物演化的自然选择，**三种完全不同的物理基底，共享着「全局信号 × 局部衰减记忆 = 分化涌现」的同一套数学结构**。**它不是某个学科的专属规律**，**是自适应系统的通用法则**。

这项工作在工作之余大多由兴趣驱动在业余时间完成，实验与代码部分有 AI 助手全程协作。我只是站在无数前人铺好的地基上，碰巧多往下挖了一锹，撞见了这条藏在深处的规律。欢迎所有同行验证、拓展 —— 基础研究的矿脉从来不局限在某个子领域子学科，有人炸开了洞口，就会有人顺着光亮走出更远的路。

而这一切的起点，不过是一行简单到容易被人忽略的方程。
---

*山野大叔，2026 年 8 月，北京*

*一个挖到了矿脉的矿工。*

*引用 / Citation:*

*Ruan, Y. (2026). Emergence Requires No Miracle: Eligibility Is All You Need. Nature Machine Intelligence（审稿中）. Preprint: [DOI: 10.5281/zenodo.21754028]*

*Ruan, Y. (2026). Time as a Computational Substrate: The Eligibility Trace and the First Challenge to the von Neumann Architecture. Nature（审稿中）. Preprint: [DOI: 10.5281/zenodo.21754002]*


摘要：一个前矿工、一行方程、一台国产 GPU，跑出了神经科学和计算机架构都未预见的结果——一个自适应系统的分化能力，不取决于它有多大，而取决于它「记得多久」。 半年前我还是个矿工。此刻我盯着一行不该出现在屏幕上的数字。这是 τ-scaling law 的发现故事。

挖出了一条不该存在的 scaling law

农民伯伯

人工智能

算法

职业发展

前矿工意外发现τ-scalinglaw：自适应系统的分化能力取决于记忆时长而非规模。通过延长记忆窗口τ，系统涌现能力提升60%。这一发现挑战了传统计算架构，揭示了时间深度对学习的关键作用。实验在国产GPU上完成，结果已在Nature审稿中。

深度学习

强化学习

代码解释

服务器

DeepSeek

4核4G3M云服务器 新用户低至38元/年！

文章

问答

视频

教程

学习中心

腾讯云实验室

直播

竞赛

腾讯云代码分析专区

腾讯iOA零信任安全管理系统专区

腾讯云架构师技术同盟交流圈

腾讯云数据库专区

腾讯云智能顾问专区

腾讯云原生专区

腾讯混元专区

腾讯云TCE专区

腾讯云Lighthouse专区

腾讯云HAI专区

腾讯云Edgeone专区

腾讯云存储专区

腾讯云智能专区

腾讯轻联专区 

腾讯云开发专区

TAPD专区

腾讯轻量云游戏服专区

EdgeOne AI 安全实战专区

腾讯云最具价值专家

腾讯云架构师技术同盟

腾讯云创作之星

腾讯云开发者先锋

腾讯云代码助手

云原生构建

TAPD 敏捷项目管理

Cloud Studio

SDK中心

API中心

命令行工具

涵盖代码开发、场景应用、自动测试全流程，助你从零构建专属AI助手

一站式MCP教程库，解锁AI应用新玩法

聚焦“写作效率、视觉美观与运行性能”三方面进行全面升级，为您提供更高效、稳定的创作环境

社区富文本&Markdown编辑器全新改版上线，欢迎大家体验!

诚挚邀请您参与本次调研，分享您的真实使用感受与建议。您的反馈至关重要，感谢您的支持与参与！

社区新版编辑器体验调研

挖出了一条不该存在的 scaling law-腾讯云开发者社区-腾讯云

挖出了一条不该存在的 scaling law

挖出了一条不该存在的 scaling law

社区

活动

圈层

关于

腾讯云开发者

热门产品

热门推荐

更多推荐