第二代类脑认知架构：从"液态神经网络"到"液态认知栈"
Cortex（C1）不是 Transformer 的补丁，也不是 MT-LNN 的简单升级——它是从大脑皮层分层结构出发的完整认知架构，把"感知流处理、O(1) 工作记忆、稀疏时间路由、预测编码学习、强化学习涌现"组织成一条五层认知栈。
与 M3 的关系（2026-08-18 定性）：C1 = M3 的公开愿景版（纯液态激进变体）， 回答"不要注意力、液态栈单独能走多远"（长上下文 + 端侧）；M3（私有）= 证据驱动 混合版（窗口注意力 + 液态 + fast-weight × 三轴），回答"如何逼近 Gemini 3 问答 质量"。同一架构两种表达，证据冲突时以 M3 实测为准。
核心信念：智能不是"下一个 token 预测得更准"，而是像大脑一样——只对当下真正重要的信号放电，用 O(1) 状态记住本质，用预测误差驱动学习，用奖赏信号涌现推理。
MT-LNN 证明了"微管液态动力学"能在小规模上跑通：O(1) 内存（8063× @1M 上下文）、跨窗口记忆（0.56 vs 注意力 0.000）、长文本抗噪（×2.0 @T=229）。但它仍然是"用液态网络替换注意力层"——架构还停在"层"的层面。
C1 的跃迁：从"替换层"到"重做认知栈"。
大脑皮层分六层，每层分工不同（输入、联合、工作区、预测、输出、自上而下调节）。C1 用五层认知栈对应这个结构——不是把注意力换成液体，而是让整个信息流按皮层的组织方式运转。
皮层分层 ↕ C1 五层栈
L4 输入层 → L1 感知流原生处理（SensoryFrontend）
L2/3 工作区 → L2 O(1) 液态工作记忆
L5 联合层 → L3 稀疏时间尺度路由（13原丝 × N尺度）
L2/3 预测 → L4 多尺度预测编码
L5/6 输出+调节 → L5 RL 推理涌现 + 系统1/2双轨
DeepSeek 和 Kimi 在同一堵墙前给出了两个答案：DeepSeek 优化"单 token 成本"（MLA 省缓存、MoE 省参数、FP8 省训练），Kimi 优化"整段上下文利用率"（长链推理、原生多模态）。两者共同确认了：稀疏激活、预测式学习、RL 涌现是行业共识方向。
C1 的翻译：
| 行业方向（DeepSeek/Kimi） | C1 的类脑实现 | 状态 |
|---|---|---|
| MLA 压缩 KV 缓存 | O(1) 液态工作记忆——不是压缩缓存，是消除缓存 | ✅ 已验证（8063×） |
| MoE 参数稀疏 | 稀疏时间尺度路由——不是少用参数，是少算 | ✅ 已验证（+7.9% CPU） |
| MTP 多 token 预测 | 多尺度预测编码（k 步前瞻升级） | 🟡 升级中 |
| GRPO 纯 RL 涌现推理 | 液态 GRPO——在液态动力学上做组相对策略优化 | 🔴 首个实验 |
| 系统1/系统2 双轨 | DualSpeedSentry 快反射 + 慢思考（已有） | ✅ 已验证 |
核心差异（作为假设提出，非已证结论）：DeepSeek/Kimi 在 transformer 框架内做工程优化；C1 探索的是"液态框架内架构重构"能否在长上下文+端侧成立——注意：M1 实测（hybrid 124.80 vs 纯液态 332.99）表明注意力是窗口内质量的基础，因此 C1 不以替代混合路线为目标；MoE 参数稀疏在 M3（混合版）中以 DeepSeekMoE 配方独立推进。
docs/
ARCHITECTURE_C1.md # 五层认知栈完整 spec
STRATEGY_VS_DEEPSEEK_KIMI.md # 迭代逻辑分析与启示
EXPERIMENT_E1_LIQUID_GRPO.md # 液态 GRPO（RL 涌现推理，对标 R1）
EXPERIMENT_E2_MTP.md # MTP 前瞻预测（对标 DeepSeek MTP）
EXPERIMENT_E3_TEMPORAL_SCALING.md # 时间尺度扩容（液态版 MoE 实验）
ROADMAP.md # 实验路线图
experiments/
e1_liquid_grpo.py # E1 可跑脚本（parity + GRPO + 长度外推评估）
e2_mtp.py # E2 可跑脚本（baseline/mtp/state-mtp）
e3_temporal_scaling.py # E3 可跑脚本（n_scales x topk 矩阵）
README.md
- 🟡 E1 液态 GRPO：监督臂云 GPU 首跑完成——长度外推 acc 1.0 / 0.92 / 0.59 / 0.58 / 0.56（seed0，长度 32→128）；GRPO 臂进行中
- 🔴 规划中：E2（MTP 前瞻）/ E3（时间尺度扩容）待 GPU
- 🟢 进行中：125M 收敛 + selective_decay A/B（DGX Spark）
- 借鉴基础：MT-LNN 已验证的 O(1) 内存 / 跨窗口记忆 / 稀疏共振 / 预测编码
C1 = Cortex = 大脑皮层 = 高级认知的家。