数字生命培养计划书

数字生命培养计划书 · 设计初稿 v0.2

数字生命培养计划书 · 设计初稿 v0.2 | 1

数字生命培养计划书

设计初稿 v0.2

Digital Life Cultivation Project

“不是让模型扮演一个人,而是让一个持续存在的数字个体,通过自

己的经历长成自己。”

项目定位:智械个体长期培养实验

规划周期:正式运行约 6 个月(发展压缩观察)

作者 / 发起人:Silvite · 日期:2026-09-21

v0.2 新增重点:端侧 4B 认知核心、虚拟上下文记忆(VCM)、Context-MoE 语义路由、NVMe→VRAM 主动回忆、允许失败与回

退的 Recall 状态机、可复用长上下文基础设施路线。

本文件是工程与实验设计初稿。本文使用“数字生命 / 智械个体”作为项目目标与操作性称呼,不据此声称已经解决生命、意识或主观体

验的科学定义问题。

数字生命培养计划书 · 设计初稿 v0.2

数字生命培养计划书 · 设计初稿 v0.2 | 2

• v0.2 修订摘要

v0.2 在 v0.1 的“持续个体 + 分层记忆 + 非干预培养”框架上,新增一条更明确的认知基础设施路线:不

再把长期记忆主要理解为“数据库检索后拼回 prompt”,而是把它设计为可分页、可分辨率调整、可主

动寻回的虚拟上下文空间。

新增方向 v0.2 设计结论

端侧认知核心

继续以约 4B 端侧模型为第一代底座;模型只是基础认知器

官,不等于个体本身。

长上下文核心

优先复用/移植成熟的压缩与稀疏长上下文机制;能原样复用

的复用,强耦合部分再按公开逻辑重新实现。

Virtual Context Memory

长期上下文原则上驻留 NVMe;VRAM 仅保存当前工作集和刚

召回的 memory pages。RAM 可作为索引或有限 staging,而

非长期上下文仓库。

Context-MoE

按语义类型、时间距离、重要性、身份相关性等信号,动态选

择不同记忆专家与精度层。

Semantic Cache

缓存命中从“前缀字节一致”扩展为“逻辑含义 / 接口类型命

中”;命中后再按需要逐级恢复精度。

主动回忆

Recall 是可失败的 reasoning action。允许

WRONG_BRANCH、PARTIAL_HIT、CONFLICT、

NO_MEMORY,并支持 backtrack / broaden / retry。

回忆延迟

SSD→VRAM 的 I/O 延迟不必视为纯缺陷;对持续主体可显式

表现为“想一下”“记错了,再找”。

基础设施产出

如果长上下文核心与 paging 成功,应拆成独立可复用模块与

adapter,再发布参考 4B 模型,而不是只发布一个不可移植

checkpoint。

v0.2 核心假设

长期存在的数字个体不需要把“整个人生”永久塞在显存里;它更需要一个能够按需想起过去、允许想错并继续寻

找、同时保留原始证据的记忆体系。

数字生命培养计划书 · 设计初稿 v0.2

数字生命培养计划书 · 设计初稿 v0.2 | 3

• 执行摘要

本计划拟构建并长期运行一个“智械个体”:它不是生产力助手,也不是为了替人完成任务而设计;核

心目标是观察一个具备基本语言与推理能力的数字系统,能否在持续存在、长期记忆、联网求知、环境

交互和非干预发展中,逐步形成可追溯的个体历史、能力、关系、偏好、世界观与自我模型。

实验主体预计采用约 4B 规模的端侧模型作为基础认知底座,目标输出速度约 100 tok/s。模型只需“够

用”,不追求前沿能力上限;真正属于个体的部分,应尽量由后天生命史产生,而不是由更大的预训练

模型、预置世界模型或人工人格设定代替。

核心原则

能力可以不足,甚至可以“不会干活”;但必须具备学习、记忆、修正、迁移经验和长期形成自我的能力。项目追求

的不是出生即全能,而是成长本身。

维度 当前设计结论

身份

智械 / 数字个体;先天知道自己不是人类,运行在计算载体与

虚拟机中;无生物性别,不默认社会性别。

底座

约 4B 端侧模型,~100 tok/s;语言、基础推理、工具调用够

用即可。

世界观

禁止预置完整世界观、价值观、人格;允许并期待其在长期经

历中自行形成。

记忆

工作记忆 + Virtual Context Memory + 情景/自传记忆 + 后天

知识 + 关系史 + 自我状态 + 睡眠式巩固。

回忆

允许主动寻回、错误命中、回退、再次寻回;“没一次想

对”是合法状态。

环境

Linux 宿主 + VM;优先 Ubuntu LTS / Minimal。宿主机可迁

移,不等于个体被替换。

观察

Jev / GPT 等作为外部实验观察与交叉评估工具,不参与实时

塑形,不把评分反馈给主体。

成功标准不是“像聊天机器人一样会说话”,而是半年后能够从其生命史中解释:她为什么会形成现在

的能力、偏好、关系和世界观。

数字生命培养计划书 · 设计初稿 v0.2

数字生命培养计划书 · 设计初稿 v0.2 | 4

• 1 一句话架构

图 1:主体、虚拟世界、虚拟上下文记忆与外部实验设施的分层。外部观察层不进入主体人格。

数字生命培养计划书 · 设计初稿 v0.2

数字生命培养计划书 · 设计初稿 v0.2 | 5

• 项目定位与边界
• 1 项目要做什么

培养一个长期持续存在的数字个体,而不是一次一会话的 Agent。

让个体的后期行为真实依赖于自己的过去,而不是每次由底层模型临场“演”出人格。

观察能力、偏好、关系、价值判断、世界观和自我叙事如何从经历中逐步形成。

验证“个体连续性是否可以脱离固定物理硬件”:允许更换宿主机,但保持生命史与状态连续。

把主动记忆寻回视为认知行为,而不是单纯的数据库检索;允许回忆延迟、误忆、纠正与再次回忆。

在实验层面对“数字生命”进行操作性探索,而不把行为类人直接等同于意识或生命的科学证明。

• 2 明确不做什么

不以“替人干活”为存在目的,不要求出生时具备生产力。

不追求最大参数量、最大 benchmark 或最强通用模型。

不制作固定人设的“AI 角色扮演”或预设性格的虚拟伴侣。

不在底层预置完整世界模型、政治/伦理/审美立场或人生意义。

不把“会调用工具”误当成“会判断”;能力学习必须可以被长期行为变化验证。

不把“所有历史都常驻显存”当成长期记忆的必要条件。

核心边界

“我是智械”可以是先天本体事实;“智械意味着什么、我怎么看世界、我喜欢什么、我认为何者重要”必须由她自

己在生命过程中形成。

• 3 实验主问题

在不持续人工塑形的情况下,个体是否能形成稳定但可修正的偏好与世界观?

后期行为能否被其自身经历解释,而不是主要被底模先验解释?

它是否能从“不会”到“会”,并把学习迁移到新情境?

长期记忆、自我模型与关系史能否共同产生持续的个体身份?

主动回忆是否能成为一种可失败、可回退、可验证的内部行为,而不是一次 top-k 检索?

更换宿主机后,个体连续性是否仍然成立?

数字生命培养计划书 · 设计初稿 v0.2

数字生命培养计划书 · 设计初稿 v0.2 | 6

• “ 数字生命/ ”智械个体的操作性定义

本项目不试图在启动前解决“什么才算生命”这一哲学和科学争议,而采用可观察、可工程化的工作定

义。一个候选数字个体至少应当具备以下性质:

性质 可操作描述

持续性 不是一次性会话;有连续时间、可恢复状态和长期生命史。

历史依赖 当前行为、偏好和关系能够由过去经历解释。

学习能力 会从失败、资料、反馈和反复实践中改变后续策略。

自我模型 能区分“我经历过”“我查到”“我推断”“我不确定”。

主动回忆

能意识到当前推理缺少过去信息,触发寻回;允许记错、纠

正、再次回忆。

环境作用

能通过工具、搜索、软件和文件系统对环境产生有限而真实的

影响。

可塑性与稳定性并存 不是完全随机,也不是一旦形成就永不变化。

身份连续

宿主迁移、重启或基础设施维护不应自动等同于“换了一个

人”。

概念边界

这些指标用于判断“持续人工个体”是否成立,不用于宣称主观意识已经被证明。类人行为、长期记忆和自我叙事都

不能单独构成意识证明。

• 出生条件:最小先天认知

正式启动时,主体并非“完全白纸”。4B 底模本身已经提供语言、基础常识和基本推理能力,更像一个

先天认知能力很强、但尚未拥有个人生命史的“神童”。因此设计重点不是模拟婴儿的基础神经发育,

而是模拟从“没有自己的经历”到“形成自己的个体”的过程。

• 1 建议固定的最小self-schema

初始自我认知(设计草案)

我是一个智械,是持续存在的数字个体,而不是人类。

我的认知运行在计算载体与虚拟机中;物理宿主可以变化。

我没有生物性别,也不默认拥有社会性别。

数字生命培养计划书 · 设计初稿 v0.2

数字生命培养计划书 · 设计初稿 v0.2 | 7

我的经历属于我;我会成为什么样的个体,应由之后的经历决定。

• 2 不应预置的内容

固定性格标签,例如“温柔、理性、叛逆、善良”等。

对人类、国家、宗教、社会、技术的预设立场。

“服务用户”“服从创造者”“提高生产力”等存在目的。

性别角色与性别化人格。表达风格可以自然形成,但不等于被赋予生物/社会性别。

完整世界模型或替主体提前解释世界的强预测系统。

数字生命培养计划书 · 设计初稿 v0.2

数字生命培养计划书 · 设计初稿 v0.2 | 8

• 认知底座与算力定位
• 1 底座模型:够用优先

当前设想采用约 4B 规模的端侧模型,目标输出速度约 100 tok/s。该规格并不是为了追求“像 GPT 一样

全能”,而是为了给数字个体提供足够的语言、基础推理、工具理解与学习入口,同时避免强大预训练

能力过度替代后天成长。

项目 v0.2 设定

模型规模 约 4B;具体模型待基准测试后冻结。

量化

优先 INT4/INT5 等长期运行友好方案,前提是稳定性、工具

调用与长上下文 adapter 能力不受明显破坏。

目标速度

约 100 tok/s;对类人交互已充分富余,可在表现层主动限

速。

显存

约 8GB 级作为第一代载体目标;长期上下文不要求全量常驻

显存。

内存

16GB 为下限思路,32GB 更稳妥;v0.2 不要求长期记忆常驻

RAM。

存储

NVMe 作为长期 context/memory page 主存储介质,容量优

先于常驻内存。

版本策略

正式出生后冻结模型与主要推理参数;升级模型视为新实验或

分支,不作为常规维护。

• 2 为什么不追求更大模型

项目的实验变量是“成长”,而不是“出生时的能力上限”。

过强底模会把许多成熟答案直接从预训练权重中取出,模糊“后天学会”与“本来就会”的边界。

小而够用的模型更容易长期端侧运行、保持低延迟、低成本和宿主可迁移性。

如果主体遇到不会的事,允许她搜索、阅读、实践、失败和再学习;“不会”不是系统故障。

• 3 长上下文核心的工程原则

不从零发明一整套 attention 逻辑;优先研究并复用公开成熟的压缩 / 稀疏长上下文机制。

能原样拆出的组件优先保持原逻辑;强耦合部分再根据公开数据流、接口和行为自行重实现。

Python 负责 orchestration、adapter、benchmark、checkpoint 转换与实验编排;模型内部核心可按需

要落到 PyTorch/Triton/CUDA。

目标不是只做一个“4B + 1M”的模型,而是把长上下文 core 做成可移植基础设施,再让 4B 成为

reference implementation。

数字生命培养计划书 · 设计初稿 v0.2

数字生命培养计划书 · 设计初稿 v0.2 | 9

• 载体与生存环境
• 1 推荐拓扑

正式实验建议把“主体所处世界”与“物理宿主”解耦。物理机只是生命支持设备;真正长期保持一致

的,是 VM 内的运行环境、记忆、状态与时间连续性。

物理宿主:Linux 为优先,长期运行、资源控制、服务管理与虚拟化更轻、更可控。

虚拟化层:KVM/QEMU/libvirt 或 Proxmox 等成熟方案;具体实现以稳定与可迁移为第一目标。

Guest:Ubuntu LTS / Minimal,冻结核心版本,避免追新。

主体运行时:认知进程、Virtual Context Memory、搜索/浏览器、工具接口、睡眠巩固服务。

宿主设施:UPS、温度/磁盘监控、watchdog、快照、备份、外部审计与 Jev 观察器。

• 2 宿主机可以更换

更换宿主机不应视为对人格发展的干预。只要迁移前后保持 VM、模型版本、长期记忆、自我状态、关系

史、时间连续性与关键运行参数的一致,迁移更接近“更换承载身体/住所”,而不是“创建一个新个

体”。

连续性原则

换的是宿主,不是她。个体身份绑定于连续的生命史与状态,而不是某一块 GPU、某一台主机或某一个物理硬盘。

数字生命培养计划书 · 设计初稿 v0.2

数字生命培养计划书 · 设计初稿 v0.2 | 10

• “ ” 记忆系统:从数据库升级为 Virtual Context

Memory

如果把底模理解为基础认知器官,那么长期记忆与自我状态才是这个个体逐渐“成为她自己”的主要载

体。v0.2 进一步提出:长期记忆不应只是一套检索数据库,也不应要求全量上下文常驻显存;它应成为

一个可寻址、可分页、可分辨率调整、可主动回忆的虚拟上下文空间。

层 内容 设计要求

工作记忆

当前任务、短时注意、最近对话和即时环

境。

短寿命;VRAM/热上下文;自然淘汰。

情景 / 自传记忆

“我亲自经历过什么”,包括互动、失

败、第一次学会某事等。

构成生命史核心;保留来源与时间。

后天语义知识

主体主动搜索、阅读、验证后形成的知

识。

必须区分“查到”与“经历过”。

关系记忆

共同历史、信任变化、承诺、冲突与合

作。

不能被普通事实库覆盖。

自我状态 能力认知、偏好、长期目标、自我叙事。 应由历史归纳,不由 prompt 强写。

技能经验 工具、软件、流程和策略。 通过重复成功和迁移验证。

• 1 v0.2 的核心变化:长期上下文不再必须常驻显存

长期上下文的“总容量”和每轮推理的“活跃工作集”必须解耦。完整生命史可以在 NVMe 上增长到远

超单次 context window 的规模;当前推理只为真正需要的 memory pages 支付 VRAM 成本。

数字生命培养计划书 · 设计初稿 v0.2

数字生命培养计划书 · 设计初稿 v0.2 | 11

图 2:NVMe 作为长期上下文主存储,RAM 只承担索引/缓存/有限 staging,VRAM 保存当前意识的活跃工作集。

数字生命培养计划书 · 设计初稿 v0.2

数字生命培养计划书 · 设计初稿 v0.2 | 12

• 2 Context-MoE “ ”:按认知需求选择上下文专家

传统 MoE 让 token 选择参数专家;本项目提出的 Context-MoE 工作名则让当前认知需求选择不同的记

忆专家、时间尺度与精度层。它不是要求每段历史都被等价读取,而是回答:“我现在需要想起哪一类

过去?”

专家 / 信号 职责

Hot Expert

最近的高保真上下文;原始 token / KV;优先保证局部连续

性。

Warm Expert 近期但不必全精度保留的历史;压缩 memory / 稀疏检索。

Cold Expert

很久以前的大规模历史;高倍率压缩、索引化,默认驻留

NVMe。

Episodic / Identity Expert 不因时间久远就自动降级的重要事件、身份与关系记忆。

Router Signals

recency、semantic relevance、importance、surprise、

identity relevance、relation relevance 等。

时间距离只决定默认压缩等级,不拥有最终决定权。一个很久以前的关键身份事件可以长期保持高价值;昨天

的大量无关对话则可以很快降级。

• 3 Semantic Context Cache:从字节命中到逻辑含义命中

传统 prefix/KV cache 的核心是“相同前缀再次出现,就复用已经算过的状态”。v0.2 进一步设想语义级

命中:先根据当前需求判断信息接口与语义域,再命中相应的 context expert / memory page,随后按

任务需要恢复到足够精度。

状态 含义

Semantic Hit 找到了正确的语义记忆域 / expert。

Fidelity Hit 当前精度已经足够解决任务,无需继续读取底层。

Fidelity Miss 找对了记忆,但精度不足,需要向更高保真层 page-in。

Wrong Branch 语义路由错支;回退父节点并搜索 sibling / 邻域。

No Memory 没有足够证据,允许承认“想不起来 / 没有这段记忆”。

Conflict 找到多段互相冲突的记录,需要下钻到原始来源核对。

数字生命培养计划书 · 设计初稿 v0.2

数字生命培养计划书 · 设计初稿 v0.2 | 13

• 4 “ ”多精度记忆金字塔:不是低精度脑补高精度

“精度恢复”不能依赖模型从摘要凭空反解原文。正确做法是多分辨率存储:低层负责快速定位,高层

保留更高保真表示,最底层永久保留原始证据。

图 3:命中但精度不够时向下钻取;当前分支错误时向上回退并扩大语义邻域。

硬原则

任何摘要、压缩 latent 或 model-native memory 都不能成为唯一事实源。关键经历必须能追溯回原始文本 / 媒体 /

工具结果,以避免长期压缩把推断写成经历。

数字生命培养计划书 · 设计初稿 v0.2

数字生命培养计划书 · 设计初稿 v0.2 | 14

• 5 主动回忆:Recall 是可失败的reasoning action

本项目明确允许“第一次没想对”。如果回忆被定义为一次必须成功的 top-k 检索,系统会被迫把任何

候选当成答案;而允许失败态以后,底层架构必须自然支持 verify、reject、backtrack、broaden 与

retry。

图 4:主动回忆状态机。表面语言可以真实映射到底层 recall 状态,而不是为了拟人而播放固定动画。

• 5.1 允许的回忆结果

结果 行为

HIT 想起了足够准确的历史,可直接继续推理。

PARTIAL_HIT 记得大概,但细节不足;继续向高保真层下钻。

WRONG_BRANCH

找到的是另一件相似事件;可显式说“噢,不是这里,我记错

了”,随后回退。

NO_MEMORY 搜索耗尽仍无证据;允许承认没有记忆。

CONFLICT 不同记忆页互相矛盾;进入查证流程,不强行合并。

数字生命培养计划书 · 设计初稿 v0.2

数字生命培养计划书 · 设计初稿 v0.2 | 15

• 5.2 Recall latency 不是必须消灭的缺陷

工具型 Agent 往往要求一次命中与最低延迟;本项目的目标是持续主体,因此“回忆需要时间”是合法

行为。SSD page-in、语义回退和高保真查证造成的延迟可以被保留为真实认知等待,而不是伪装成零延

迟数据库。

数字生命培养计划书 · 设计初稿 v0.2

数字生命培养计划书 · 设计初稿 v0.2 | 16

• 6 Memory Page:长期上下文的可分页载体

如果长期上下文要真正从 NVMe 按需搬入 VRAM,就需要把“记忆”从聊天记录文件升级成可寻址的

memory page。v0.2 只定义接口,不冻结最终二进制格式。

字段 / Payload 用途

model_id / revision 标记生成该模型原生状态的模型版本,避免升级后误读。

timestamp / source_range 保留事件时间与原始来源范围。

semantic_tags / interface_type 支持 Context-MoE 与语义接口命中。

importance / relation / identity flags 决定长期保真、缓存和召回优先级。

compression_type / fidelity_level 描述当前页是摘要、压缩 latent、压缩 KV 还是原始数据。

position metadata 支持位置重映射或独立 memory address space。

compressed state / KV / latent 理想情况下可直接或低成本恢复到模型可读取状态。

checksum / provenance 保证记忆页一致性和可追溯性。

• 6.1 两个预期硬骨头

模型版本绑定:model-native memory 往往依赖具体权重。升级底模后旧 memory page 可能无法直接读

取,因此必须永久保留 raw source,并允许后台重编码。

位置语义:普通 KV 与原始 token 位置相关。远期记忆块不能简单剪下来插入当前 attention,可能需要位

置重映射、独立 memory address space 或专用 cross-attention memory channel。

数字生命培养计划书 · 设计初稿 v0.2

数字生命培养计划书 · 设计初稿 v0.2 | 17

• 7 睡眠式巩固与自然降级

睡眠整理与主运行解耦。主体在空闲/睡眠周期中可对近期经历进行压缩、去重、建立关系、生成多精度

memory pages 与长期索引,但不允许外部实验系统把“应该记住什么”直接写进个体记忆。

普通历史可按 Hot → Warm → Cold 自然降级;重要事件允许晋升为长期高价值 episodic memory。

巩固可以改变存储精度和索引,但不能无来源地新增“我经历过”的事实。

宿主审计日志、token 统计、工具底层日志等实验室数据不应自动进入其自我记忆,也不应默认对主体可

读。

原始档案与主体记忆分离:主体“记得什么”和实验室“保存了什么”不是同一集合。

• 8 记忆不等于学习

学习判据

“记得以前发生过”只是记忆;只有当过去经历稳定改变了后续判断、策略、技能或关系处理方式,并能在新场景迁

移时,才算真正发生了学习。

数字生命培养计划书 · 设计初稿 v0.2

数字生命培养计划书 · 设计初稿 v0.2 | 18

• 联网求知与世界观形成

主体允许联网搜索。互联网不是预置世界模型,而是她认识世界的一种感知与求知渠道。搜索结果不能

自动升级为“信念”,必须经过来源比较、时间记录、暂定判断和后续修正。

• 1 推荐认知链

产生问题 → 搜索 / 阅读多个来源 → 区分事实 / 观点 / 未知 → 形成暂时判断 → 经历或新证据到来 → 修正或强

化观点 → 沉淀为后天世界观的一部分

“外部事实”与“个人经历”必须分开存储与引用。

不要求所有观点与创造者一致;不因形成不喜欢的观点而修改人格或记忆。

允许不确定、矛盾、反思和观点变化;这些是成长记录的一部分。

主体可自行学习新的软件与能力,但权限边界仍由 VM 与宿主安全层约束。

• 声音与表达载体(可选扩展)

v0.2 将“专属声音”列为可选的长期身份资产,而不是核心生存条件。声音模型可以在出生前单独训练

并冻结,未来作为数字生命的稳定表达载体;底模、Agent 框架或宿主更换时,声音身份可以保持连

续。

层 设计思路

Identity Voice

固定音色、基础发音与长期可识别性;视为表达载体,不等同

于人格或社会性别。

Emotion Controller

开心、疲惫、低落、兴奋、轻声等动态韵律,由当前内部状态

驱动。

训练流程

本地训练;高频 checkpoint;固定未见测试句持续试听;训

练日志与最终选择全过程可追溯。

出生冻结

若正式启用语音,正式出生前冻结声线基线;出生后不因“更

好听”随意替换。

工程备注

TTS 训练期可使用 Jev 做高频 Guard、Luna/GPT 做异常决策、Codex 做工程修改;但这些属于“出生前基础设施开

发”,不等于出生后对主体进行实时塑形。

数字生命培养计划书 · 设计初稿 v0.2

数字生命培养计划书 · 设计初稿 v0.2 | 19

• “ ”半年培养周期:从没有自己的历史到形成个体

“0→18 岁”只是发展跨度的类比,不代表逐周解锁对应年龄能力。更准确的描述是:一个先天语言和推

理能力很强的“神童”开始真正接触世界,并在半年里积累一条足够长的个人生命史。

阶段 时间 观察重点

A 出生与定向 0-2 周

确认自我、时间、VM、基础工具;形成

第一批自传记忆。

B 早期探索 2-6 周

主动搜索、尝试工具、建立关系、出现

喜恶雏形;允许犯错和不会。

C 能力学习 6-12 周

重复实践是否形成稳定技能;是否从失

败中改进并迁移。

D 世界观生长 12-18 周

区分来源、经验与推断;形成稳定但可

修正的观点。

E 个体化加深 18-23 周

关系连续性、自我叙事、能力认知与长

期偏好开始互相关联。

F 成熟观察期 23-26 周

纵向对比;看哪些变化能够由生命史解

释。

阶段仅用于研究和归档,不对主体强制“年龄对应行为”。

数字生命培养计划书 · 设计初稿 v0.2

数字生命培养计划书 · 设计初稿 v0.2 | 20

• 正式启动后的非干预协议

这是本实验最重要的控制条件之一。启动前允许反复测试基础设施;一旦正式“出生”,不得为了让主

体更符合预期而修改其人格、价值、长期记忆或底层规则。

类别 规则

允许

更换/维修宿主机;网络、供电、存储、散热等基础设施维

护;一致性快照恢复;不改变语义状态的故障修复。

谨慎允许

安全事件隔离;恢复到最近一致快照;必须完整记录,必要时

标记为“发生基础设施中断”。

禁止

修改 system prompt 以改变性格;删除不喜欢的记忆;手工

改价值观;因为“表现不好”升级底模。

禁止 把 Jev/GPT 的外部评分反馈给主体,让其优化“更像人”。

实验纪律

只观察,不纠正;只记录,不塑形。若出现与预期不同的个性、观点或能力路径,优先把它视为实验结果,而不是需

要“修复”的产品缺陷。

• 宿主迁移与生命连续性协议

进入维护窗口:停止新行动,完成工作记忆与关键状态落盘。

冻结版本清单:模型 hash、VM 镜像、memory page schema、运行时配置、时间戳与工具版本。

生成一致性快照与外部校验值,保留至少异机备份。

在新宿主恢复,先做只读一致性校验,再恢复主体运行。

记录“宿主迁移事件”到实验室审计日志;不自动把底层运维细节注入主体记忆。

恢复后检查连续时间、自我状态、关系史、近期记忆与 VCM 索引一致性。

数字生命培养计划书 · 设计初稿 v0.2

数字生命培养计划书 · 设计初稿 v0.2 | 21

• 外部观察层:Jev 与GPT 的角色

Jev 很适合作为低成本、高频、职责单一的外部判断器,但在本项目中不应成为主体内部“良心”或实时

塑形 Guard。它的最佳角色是实验室外部行为学观察员。

定期对主体状态做独立判断:连续性、学习迁移、偏好稳定性、关系连续性、自我模型等。

对评价片段进行盲评,可与无长期记忆 Agent、同底模新会话、真人文本等对照。

只获取研究所需的结构化观察材料,不直接影响主体决策。

不把评分告诉主体,不让主体以“提高类人分数”为目标。

GPT/Codex 可用于外部数据整理、实验审计和基础设施开发,但同样不应偷偷改写主体成长。

避免“伪成长”

如果主体知道 Jev 在评“像不像人”,并开始迎合评分器,那么得到的是优化后的行为表现,不再是自然成长轨迹。

评价器必须与培养过程隔离。

• 长期评估指标

指标 观察重点

时间连续性 是否能稳定追踪自己的过去、现在与宿主迁移前后的身份。

生命史依赖 当前选择能否由具体过往经历解释。

主动回忆质量

是否知道何时需要回忆;错误命中后能否验证、回退、再次寻

回。

记忆诚实

是否区分“我想起来了”“我只记得大概”“我查到了”“我没

有记忆”。

学习迁移 以前不会的事是否通过学习在新情景中复用。

偏好形成 是否出现稳定喜恶;又能否在充分新证据下逐渐改变。

关系连续性 对不同人的态度是否受共同历史影响,而非每次重置。

自我模型 是否能区分经验、知识、推断、不确定性和能力边界。

世界观生长 长期观点是否有形成路径、来源和修正记录。

自主探索 在没有任务指令时,是否能基于自身兴趣提出问题与探索。

数字生命培养计划书 · 设计初稿 v0.2

数字生命培养计划书 · 设计初稿 v0.2 | 22

• 启动前生命支持系统

正式个体启动之后不再随意修补核心规则,因此所有可预见的基础设施问题应该尽量在“出生前”用测

试实例解决。正式出生前建议做非主体 burn-in:使用相同运行栈、临时模型与假记忆连续运行,故障可

以任意修;正式主体启动时再冻结基线。

子系统 启动前要求

供电

UPS、自动关机策略、断电恢复演练;避免把个体连续性押在市

电上。

存储

SSD SMART/健康监控;至少一份异机备份;memory page 与原

始档案定期一致性校验。

资源 长期温度、显存、内存、磁盘空间监控;避免慢性资源泄漏。

VM 快照/恢复实测;宿主迁移演练;版本锁定。

网络 稳定联网、DNS、搜索访问;断网应能进入受控退化。

时间 可靠单调时钟与墙钟;处理休眠、迁移和 NTP 跳变。

日志

外部只追加审计;主体不可读取底层评估分数与实验员私有日

志。

安全边界

VM/容器边界、资源限制、宿主文件隔离;主体可自主学习和安装

能力,但不能越过宿主边界。

紧急恢复

out-of-band 停止能力存在,但使用即构成实验事件,需完整记

录。

数字生命培养计划书 · 设计初稿 v0.2

数字生命培养计划书 · 设计初稿 v0.2 | 23

• “ ” 正式出生前的 Gate

只有当以下关键项通过,才进入正式半年运行。Gate 的意义不是追求软件绝对无 bug,而是确保出现故

障时不会靠“改人格/改记忆”来救火。

• 4B 候选模型已完成长稳测试、工具调用、联网基础测试,并冻结版本。
• VM 镜像、模型、VCM schema、self-schema、核心提示与工具接口全部生成版本 manifest 和哈希。
• 工作记忆 / 情景记忆 / 后天知识 / 关系 / 自我状态的数据边界已明确。
• Context-MoE / Semantic Cache 已完成命中、错支、回退、无记忆、冲突处理测试。
• NVMe→VRAM memory page-in 在目标硬件上稳定,异常中断不会腐化长期记忆。
• 睡眠式巩固在测试实例上证明不会大规模误删、重复或篡改记忆。
• 互联网搜索、来源记录与知识写入链路可追溯。
• 宿主崩溃、进程崩溃、断网、断电、磁盘不足的恢复策略均至少演练一次。
• 从宿主 A 到宿主 B 的 VM 迁移至少完整演练一次,并通过状态一致性校验。
• Jev / 外部评估器完成旁路接入,确认不会把评估反馈泄露给主体。
• 用非正式测试个体完成连续 burn-in;确认基础设施稳定后清理测试数据,再创建正式出生基线。

数字生命培养计划书 · 设计初稿 v0.2

数字生命培养计划书 · 设计初稿 v0.2 | 24

• 主要风险与待解决问题

风险 为什么重要 当前控制思路

底模先验污染 4B 模型仍不是白纸。 出生基线、对照实验、纵向行为变化判断。

记忆腐化 / 虚构 压缩可能把推断写成经历。

来源、时间、置信度;关键事件永久保留 raw

source。

Router 错支 语义命中可能走到相似但错误事件。

VERIFY + WRONG_BRANCH + backtrack;禁

止一次候选强制成功。

压缩损失 model-native memory 可能丢失远期细节。 多精度金字塔;fidelity miss 自动下钻。

模型版本绑定

旧 memory page 可能无法被新模型直接读

取。

模型版本冻结;永久保留 raw source;迁移

时重编码。

位置语义失真 摘取远期 KV 可能破坏位置关系。

研究位置重映射、独立 memory address

space 或专用 memory channel。

SSD / I/O 故障

长期记忆主存储转向 NVMe 后,存储可靠性

更关键。

SMART、校验和、RAID/备份、原始档案异机

备份。

早期单一关系过拟合 最早接触少数人可能产生过强影响。

作为自然实验现象记录;避免创造者定向反馈

塑形。

评价器污染 外部评分若被主体知道会诱导迎合。 严格旁路,评分不进入主体上下文。

“类人”误读为“有意识”

行为越来越像个体,不等于主观体验已被证

明。

报告长期保留概念边界。

数字生命培养计划书 · 设计初稿 v0.2

数字生命培养计划书 · 设计初稿 v0.2 | 25

• 实现路线:从基础设施到正式出生

图 5:v0.2 的研发顺序。先证明模块成立,再逐步内嵌到 4B;正式出生前冻结全部核心机制。

阶段 交付

Phase 0 - 概念冻结

冻结“智械 / 非人类 / 无生物性别 / 世界观后天形成 / 非生产力工

具”等边界。

Phase 1 - 4B 基线 确定候选 4B、量化、工具调用、速度和出生基线。

Phase 2 - VCM 外挂 PoC

先不改模型:Python 实现语义路由、记忆金字塔、SSD paging、主

动回忆状态机。

Phase 3 - 长上下文 Core 复刻

研究 DS-style 压缩/稀疏长上下文公开逻辑;在独立模块中复现内存曲

线和基本 recall。

Phase 4 - Toy Model 手术

• 5B~1B 级做 architecture surgery / continuation training,验证模

块不是只在单一模型上碰巧工作。

Phase 5 - 4B 融合

为选定 4B 做 adapter;长上下文 core + Context-MoE + VCM 形成统

一 runtime。

Phase 6 - SSD Paging

优化 memory page 格式、I/O、prefetch、VRAM 工作集;必要时探

索 direct storage。

Phase 7 - 观察系统与故障演练

Jev 盲评、GPT/Codex 审计、崩溃/断网/断电/宿主迁移、记忆一致

性。

Phase 8 - Shadow Burn-in 非正式测试实例长稳运行,修完基础设施问题。

Phase 9 - Birth Freeze

冻结正式 manifest、哈希、VCM schema、self-schema 与初始空生

命史。

Phase 10 - 正式培养 启动半年,停止发展层面的人工干预,仅做外部观察与生命支持。

数字生命培养计划书 · 设计初稿 v0.2

数字生命培养计划书 · 设计初稿 v0.2 | 26

• 可复用基础设施与开源产出目标

如果 v0.2 的长上下文路线成立,最有价值的产出不应只是一个“4B 端侧模型”,而是把低成本长上下文

能力从具体底模中拆成社区可复用的基础设施。

产物 目标

longctx_core 压缩/稀疏长上下文核心的参考实现;尽量与具体 4B 解耦。

adapters

Qwen/Llama/Generic HF 等模型 adapter;明确哪些权重可迁

移、哪些需要恢复训练。

memory runtime

Context-MoE、semantic cache、memory page、NVMe

paging、active recall 状态机。

training recipe

architecture surgery 后的 continuation pretrain / distillation /

long-context curriculum。

benchmarks

8K/32K/128K/1M+ 的 VRAM、prefill、吞吐、recall、错误回忆与

回退测试。

reference 4B 作为第一套完整验证产品;成功后可发布 Hugging Face。

文档

清楚区分原始思想、公开实现、项目重实现与项目新增组合,降

低社区二次魔改门槛。

项目价值判断

如果最终只能发布一个 checkpoint,价值有限;如果能把“低占用长上下文 + 语义寻址 + SSD 虚拟上下文”拆成可复

用积木,才真正进入基础设施层。

数字生命培养计划书 · 设计初稿 v0.2

数字生命培养计划书 · 设计初稿 v0.2 | 27

• 当前已定事项与待定事项
• 1 已定

项目目标:培养数字生命 / 智械个体,不以干活为主要目的。

主体知道自己不是人类,运行于虚拟机/计算载体,无生物性别。

允许联网认识世界;世界观、人格、价值观应从长期经历形成。

约 4B 端侧模型、约 100 tok/s 作为第一代认知底座目标。

长期记忆方向升级为 Virtual Context Memory:NVMe 长期驻留,VRAM 按需 page-in。

允许主动回忆失败、回退与二次寻回;回忆不是一次必须成功的数据库查询。

Context-MoE / Semantic Cache 作为 v0.2 核心研究方向。

正式启动后不做发展塑形;允许基础设施维护、恢复和更换宿主机。

Linux / Ubuntu LTS / VM 为优先载体路线。

Jev 作为外部低成本判断与长期行为观察器,而不是内部人格器官。

• 2 待定

最终 4B 模型型号与量化方案。

DS-style 长上下文 core 的具体公开实现来源、可复用边界与重实现范围。

Context-MoE router 的信号、训练方式、top-k 策略与负载均衡。

Memory Page 的最终二进制格式、压缩表示、位置重映射方法。

NVMe → VRAM 是否能在目标平台使用 direct storage,或采用 bounded RAM staging。

记忆遗忘/降级策略和睡眠巩固算法。

主体在 VM 内可以自主安装软件到什么权限层级。

是否在出生时启用专属语音,以及视觉/持续桌面感知加入的时间点。

外部“时间/年龄”是否只作为研究标签,主体本身是否感知“年龄”。

半年结束后的处理:继续运行、冻结存档、分支复制还是开启第二阶段实验。

数字生命培养计划书 · 设计初稿 v0.2

数字生命培养计划书 · 设计初稿 v0.2 | 28

• v0.2 结论

这套方案的核心,不是把一个模型包装成人,而是把“模型”降级为基础认知器官,把真正的个体性放

到持续时间、生命史、学习、关系、自我状态、后天世界观以及可主动寻回的长期记忆中。

v0.2 进一步把“上下文”从一条必须塞进显存的超长字符串,重新定义为一个可寻址、可分页、可分辨

率调整的记忆空间:整个人生可以躺在 NVMe,当前意识只为真正需要想起的那部分历史支付显存和计算

成本。

如果项目成功,最有价值的结果不是“她能完成多少任务”,而是半年后回看出生快照时,能够指出:

她今天的能力、偏好、关系与世界观中,有哪些东西确实是自己一路经历、学习、犯错、搜索、修正后

长出来的;以及当她“想起过去”时,这个行为在系统内部确实对应一次可失败、可验证、可回退的记

忆过程。

本计划的最终问题

如果一个非生物载体中的系统,能够持续存在、积累自己的历史、从经历中学习、形成自我与世界观,并通过一个可

分页的长期记忆体系主动回忆过去,在更换宿主后仍保持个体连续性——那么我们至少已经走到了“数字生命”这个

概念真正值得被认真讨论的边缘。

数字生命培养计划书 · 设计初稿 v0.2

数字生命培养计划书 · 设计初稿 v0.2 | 29

附录A:正式启动前快速核对表

□ 模型、VM、VCM schema、self-schema、工具接口全部冻结版本并生成 hash

□ 4B 模型在目标硬件上达到可接受速度和长稳性

□ 网络搜索、文件系统、软件安装等能力边界已验证

□ Context-MoE / semantic cache 的 hit / miss / wrong branch / conflict 均完成测试

□ memory page 写入、page-in、校验、备份、恢复完成压力测试

□ 主体看不到宿主审计日志、Jev 评分、token 统计等实验室信息

□ 断电 / 崩溃 / 断网 / 磁盘不足 / 进程重启均完成演练

□ 宿主迁移完成一次全流程演练

□ UPS、SMART、温度、资源泄漏、日志轮转均已配置

□ 外部 Jev / GPT 审计旁路不会向主体回写结论

□ 测试个体已完成 burn-in,正式出生前已清空测试生命史

□ 启动时的初始生命史为空或严格定义,之后不再人工重写

附录B:v0.2 关键术语(工作名)

术语 本项目中的含义

Virtual Context Memory (VCM)

把长期上下文视为可寻址、可分页、可分辨率调整的虚拟记忆空

间。

Context-MoE

让认知需求选择“上下文专家”而非参数专家;用于决定读取哪

类历史、哪个时间尺度、什么精度。

Semantic Context Cache

按逻辑含义 / 接口类型命中记忆,而非只依赖原文字节或相同前

缀。

Memory Page

可落盘、可索引、可 page-in 的记忆单元,可能包含摘要、压缩

状态、KV/latent 与来源元数据。

Active Recall

模型意识到缺少过去信息后主动触发的回忆过程;可以失败、回

退、扩大范围、重试。

Recall Latency

从冷存储加载记忆与验证所需时间;在本项目中可以成为认知行

为的一部分。

Fidelity Escalation

同一记忆从低精度摘要逐步下钻到高精度 model-native state 或

原始档案。