更改

'''[[自省程序]]（introspective program）'''：比 quine 强得多的自指——它能在运行'''"看到"自身（或自身的有界近似），并据此修改、调整自己的行为'''。[[Lisp]] 的 `eval`、Python 的 `inspect`/反射、调试器、动态语言的元对象协议都是它的化身。

'''[[自省程序]]（introspective program）'''：比 quine 强得多的自指——它能在运行'''"看到"自身（或自身的有界近似），并据此修改、调整自己的行为'''。[[Lisp]] 的 `eval`、Python 的 `inspect`/反射、调试器、动态语言的元对象协议都是它的化身。

这一思想最早是 '''Cutland''' 在 ''Computability: An Introduction to Recursive Function Theory''（1980）§1.9 中以 '''<math>\psi</math>-内省/全<math>\psi</math>-内省''' 之名给出严格定义并证明存在性（'''定理 1.9'''）<ref name="cutland1980" />。他关于 <math>\psi</math>-分析与全<math>\psi</math>-内省的原话是：

这一思想最早是 '''Cutland''' 在 ''Computability: An Introduction to Recursive Function Theory''（1980）§1.9 中以 '''<math>\psi</math>-内省/全<math>\psi</math>-内省''' 之名给出严格定义，并证明其存在性的（'''定理 1.9'''）<ref name="cutland1980" />。他关于 <math>\psi</math>-分析与全<math>\psi</math>-内省的原话是：

假设给定一个全可计算函数 <math>\psi</math> 和一个程序 <math>P</math>。所谓 <math>P(x)</math> 计算的 '''<math>\psi</math>-分析'''（<math>\psi</math>-analysis），是指 <math>P(x)</math> 计算到 <math>\psi(x)</math> 步的那段计算的代码。称程序 <math>P</math> 在 <math>x</math> 上是 '''<math>\psi</math>-自省'''的（<math>\psi</math>-introspective at <math>x</math>），若 <math>P(x)</math> 收敛并把它自己的 <math>\psi</math>-分析作为输出；若 <math>P</math> 在所有 <math>x</math> 上都是 <math>\psi</math>-自省的，则称为 '''完全 <math>\psi</math>-自省'''的（totally <math>\psi</math>-introspective）。

假设给定一个全可计算函数 <math>\psi</math> 和一个程序 <math>P</math>。所谓 <math>P(x)</math> 计算的 '''<math>\psi</math>-分析'''（<math>\psi</math>-analysis），是指 <math>P(x)</math> 计算到 <math>\psi(x)</math> 步的那段计算的代码。称程序 <math>P</math> 在 <math>x</math> 上是 '''<math>\psi</math>-自省'''的（<math>\psi</math>-introspective at <math>x</math>），若 <math>P(x)</math> 收敛并把它自己的 <math>\psi</math>-分析作为输出；若 <math>P</math> 在所有 <math>x</math> 上都是 <math>\psi</math>-自省的，则称为 '''完全 <math>\psi</math>-自省'''的（totally <math>\psi</math>-introspective）。

'''SRT 的现代等价说法'''：与 quine 同构，只把 <math>f</math> 换成'''有界自模拟器 <math>f_T</math>'''——<math>f_T(c)</math> = "模拟程序 <math>c</math> 运行 <math>T</math> 步的那个程序"（<math>T</math> 是固定步数上界，因此 <math>f_T</math> 是可计算的全函数）。套 SRT（<math>\phi_c = \phi_{f(c)}</math>）得到不动点 <math>c</math>：<math>\phi_c = \phi_{f_T(c)} = \phi_{"模拟 c 运行 T 步"}</math>

'''SRT 的现代等价说法'''：与 quine 同构，只把 <math>f</math> 换成'''有界自模拟器 <math>f_T</math>'''——<math>f_T(c)</math> = "模拟程序 <math>c</math> 运行 <math>T</math> 步的那个程序"（<math>T</math> 是固定步数上界，因此 <math>f_T</math> 是可计算的全函数）。套 SRT（<math>\phi_c = \phi_{f(c)}</math>）得到不动点 <math>c</math>：<math>\phi_c = \phi_{f_T(c)} = \phi_{"模拟 c 运行 T 步"}</math>

即程序 <math>c</math> 的行为 = 在 <math>T</math> 步内'''模拟自己'''——它"看到"了自己的有界近似。自省程序的存在性因此是 SRT 的直接推论；这一节的脉络是：Cutland 1980 的定理 1.9 是原始定义/证明，<math>f_T</math> 这套叙事是更易上手的现代等价说法，而 Zhang、Yuan & Zhang (2026) 把它延伸到"自省式自改进程序"<ref name="cutland1980" /><ref name="zhang2026">'''Zhang, J., Yuan, B., & Zhang, Q. (2026).''' Self-Referential Introspection in Large Language Models: The Critical Threshold for Recursive Self-Improvement. ''Entropy'', 28(9), 951.【自省程序（f=<math>f_T</math> 有界自模拟）与自省式自改进程序的定义；SRT 在 LLM 递归自我改进中的应用】【§[[#自省程序与自省式自改进程序|5.7.7]]】</ref>.

即程序 <math>c</math> 的行为 = 在 <math>T</math> 步内'''模拟自己'''——它"看到"了自己的有界近似。自省程序的存在性因此是 SRT 的直接推论；这一节的脉络是：Cutland 1980 的定理 1.9 是原始定义/证明，<math>f_T</math> 这套叙事是更易理解的现代等价说法，而 Zhang、Yuan & Zhang (2026) 把它延伸到"自省式自改进程序"<ref name="cutland1980" /><ref name="zhang2026">'''Zhang, J., Yuan, B., & Zhang, Q. (2026).''' Self-Referential Introspection in Large Language Models: The Critical Threshold for Recursive Self-Improvement. ''Entropy'', 28(9), 951.【自省程序（f=<math>f_T</math> 有界自模拟）与自省式自改进程序的定义；SRT 在 LLM 递归自我改进中的应用】【§[[#自省程序与自省式自改进程序|5.7.7]]】</ref>：

'''自省式自改进程序（introspective self-improving program）'''：在自省基础上再进一步——程序不仅模拟自己，还'''基于自模拟结果来修改、改进自己'''。Zhang、Yuan & Zhang (2026) 用这一构造论证：存在能自我模拟、自我改进的程序，并把 von Neumann 的"复杂度阈值"重新诠释为大型语言模型递归自我改进所需的'''自省阈值'''（introspection threshold）——系统必须在自身描述中编码足够多的关于自身的信息，才能维持非退化的递归自我改进，否则会陷入熵退化或模型坍缩<ref name="zhang2026" />。

'''自省式自改进程序（introspective self-improving program）'''：在自省基础上再进一步——程序不仅模拟自己，还'''基于自模拟结果来修改、改进自己'''。Zhang、Yuan & Zhang (2026) 用这一构造论证：存在能自我模拟、自我改进的程序，并把 von Neumann 的"复杂度阈值"重新诠释为大型语言模型递归自我改进所需的'''自省阈值'''（introspection threshold）——系统必须在自身描述中编码足够多的关于自身的信息，才能维持非退化的递归自我改进，否则会陷入熵退化或模型坍缩<ref name="zhang2026" />。