开源类脑认知架构 BrainStem：用 12 种神经调质实现终身学习

BrainStem 是一款受生物神经科学启发的开源神经符号认知架构，主打终身学习能力。它通过 12 种数字神经调质协同调控上下文假设、不确定性、矛盾检测、修订、回放与巩固等机制，让系统能够从文本中持续学习结构与动态模型，而不是仅仅存储孤立事实。项目由独立开发者维护，明确标注为「研究校准系统」，并非生产就绪的对话助手。其最显著的特点是运行门槛极低：仅需一颗 CPU 核心即可工作，无需任何 GPU。

项目定位与运行门槛

BrainStem 当前仍处于 Stage A 基础阶段的后期，距离 Stage B 正式启用还需完成新一轮完整的稳定性与漂移验证。早期基于 1,344 周期运行的漂移与收敛验证结果只适用于当时系统状态，不能作为当前稳定性的认证依据。项目此前已完成 Legacy Cleanup 大切片 A–C，移除了 nlp.py 路径、CorpusReader / Phase-3d 词角色与过滤路径，以及历史 Phase-4def–4p 集群，当前运行时统一走 Phase-7cort 顶层路径。

已完成的基础工作

• 集中式 bootstrap 与 schema 契约整合
• 幂等的 schema 自检契约
• 全部 12 种数字神经调质在 GUI 上的静态与运行时连接
• 主动学习历史表的性能索引
• 仅对明确批准历史表的有界剪枝
• 有界下采样的 GUI 诊断与图表
• 协作式 GUI worker 关闭逻辑

需要注意的是，长时间 GUI 运行仍可能出现界面无响应的情况，自主 worker 进程会继续在后台运行。

当前语料与学习状态

• GUI 已读取 102,275 / 102,275 个语料块，覆盖率 100%
• 上下文假设数：949,760
• Candidate Bridge 检查点位于假设 949,760
• Phase-5f Shadow Observation 检查点同步到达假设 949,760
• 观察检查点之后暂无新的上下文假设或 Candidate Shadow 源行

GUI 块计数器被定义为语料读取进度的标准指标，distinct context_hypotheses.chunk_id 仅作为假设覆盖率的代理参考，不视为精确的处理块计数。

影子观察路径的多版本迭代

为解决观察身份与源版本耦合的问题，项目先后部署了 V1 影子观察、Stable Observation Identity V2 与内容稳定指纹影子分类器三条非生产并行路径。V2 在一次自然长跑中累计记录：

• 629,469 行稳定最新状态
• 766,459 行历史
• 28,166 个具有多版本的稳定键
• 136,990 次 source_state_change 版本
• 零输入奇偶校验失败、零重复指纹组、零破损的上一版本链接、零违规门控

专项驱动审计确认，全部 136,990 次源状态变更仅由 source_updated_at 触发，存储内容与投影指纹未变，由此暴露出 V2 源指纹对时间戳过度敏感的问题。为此引入内容稳定指纹分类器，将 source_updated_at 排除在内容指纹之外，但保留其作为来源与检查点信息。该分类器当前尚无生产事件，50 次额外系统循环验证为零输入循环。

下一阶段

Phase-6a 回放控制影子捕获已在全部语料读取完成后继续运行。项目的下一步目标，是完成新一轮的稳定性与漂移验证，为 Stage B 启动做准备，同时把现代候选桥接与影子观察路径从观察态切换到可生产状态。