[RULE] 范式 Bootstrap

类型: 启发式
强度: 7/10
验证: ✓2 / ✗0

定义

IF: 要构建超越当前范式的新系统（如超越 LLM 的关联计算边界） THEN: 用当前范式（LLM）作为 Bootstrap/冷启动，而非从零开始

原理

新范式不会凭空出现，而是站在旧范式的肩膀上：

冷启动问题：新结构从零训练需要定义"好的表示"，但没有语义基础无法评估
知识复用：LLM 已学会人类知识的统计结构，这是"免费的"语义初始化
渐进演化：混合架构 → 逐步独立 → 最终融合或替代

Phase 1: LLM 作为基座
    │ 已有语义理解，不用从零学"猫是动物"
    ▼
Phase 2: 提取/蒸馏到新结构
    │ LLM → 图谱/因果图/SDR/世界模型
    ▼
Phase 3: 新结构独立运行
    │ 更高效、更可解释、更可靠
    ▼
Phase 4: 反哺或替代 LLM

已验证的例子

模式	LLM 作用	新结构	效果
LLM + 知识图谱	提取实体关系	图谱推理	✓ 成熟
LLM + 向量库（RAG）	生成 embedding	向量检索	✓ 成熟
LLM + 因果图	提取因果知识	SCM 推理	探索中
LLM → SDR	稀疏自编码转换	高效稀疏计算	探索中

类比

人类教育：

先用自然语言传授知识（LLM 阶段）
然后内化为直觉/技能（新结构）
最终不需要语言就能操作（独立运行）

编译器 Bootstrap：

用已有语言写新编译器
新编译器逐步自举
最终完全独立

应用场景

构建超越 LLM 的新 AI 架构时
设计 AI 记忆/推理系统时
探索世界模型、因果模型等新方向时

证据

支持:
- RAG 的成功（LLM + 向量检索）
- 知识图谱增强 LLM 的实践
- INFO-123 提到的稀疏自编码器（Dense → SDR）
- LLM 辅助因果发现的研究趋势
反例:
- （暂无明确反例）

关联

INFO-113（AI智能本质）- 关联计算的边界，需要新范式突破
INFO-123（SDR编码器）- 稀疏自编码器是 Bootstrap 的一种实现
INFO-126（Pearl因果推理）- LLM + SCM 混合架构
INFO-127（LeCun JEPA）- 世界模型可能需要 LLM Bootstrap
NODE-AI意识与学习 - 整体研究方向