第23章：推理系统的稳定性与收敛边界

李雅普诺夫函数的最大痛点是什么？对，就是要人手去规定一个能量函数。如果我们用永霖的收敛假设来推导推理系统里的李雅普诺夫函数，那就更好了。

第22章结尾，我们站在自指与涌现的边界上，看到了推理系统开始推理关于自身的奇异时刻。那个边界，在数学上表现为不动点、对角化、不可判定性。

但边界不只是逻辑的。边界也是动力学的——系统如何随时间演化，是否稳定，收敛到哪里。永霖公式给出了一个具体的收敛模式：推理链最终回到先验锚点。这个收敛，在动力系统的语言里，就是吸引子。

这一章要做一件事：把永霖公式的收敛，翻译成李雅普诺夫稳定性的语言。然后反过来：用收敛假设推导李雅普诺夫函数，而不是人工规定它。

目标：用永霖收敛假设 + KL分布偏置的信息距离 + 欧拉步更新迭代，推导出推理系统的李雅普诺夫函数。已知李雅普诺夫函数传统上要人工构造，依赖人类先验。但我们通过观测系统的动力学行为（永霖收敛），反推出能量函数——这是从行为推导结构，是逆问题的又一次重演，也是动力系统艺术的体现。

23.0 引子：栈的动力学故事

要理解李雅普诺夫函数，我们先玩一个小游戏。

想象一个栈数据结构。它有两个指针：

• \beta 指针：永远指向栈底，固定不动
• \alpha 指针：指向栈顶，可以上下移动

栈的操作很简单：

• push(x)：把元素 x 压入栈顶，\alpha 指针上移一格
• pop()：弹出栈顶元素，\alpha 指针下移一格

但有一个重要限制：负栈非法。也就是说，\alpha 指针永远要在 \beta 指针的上面（或相等）。当 \alpha = \beta 时，栈是空的；如果试图在空栈上执行 pop()，操作无效——\alpha 指针不动，或者程序报错。在动力学故事里，我们假设无效的 pop 被忽略。

信息学奥赛（OI）的同学对这个结构再熟悉不过了。但兔狲教授今天要问的不是算法题，而是一个动力学问题：

给定一个很长很长——长到你无法想象——的 push 和 pop 操作序列，\alpha 指针的位置（相对于栈底的高度）会收敛吗？会不会停在一个特定的高度上，无论操作序列怎么排列？

等等，我们还有“负栈非法”的限制。在这个限制下，事情变得更有趣了。

::: info 兔狲教授提问
现在 \alpha 指针不能低于 \beta 指针。空栈时（\alpha = \beta）试图 pop 会被忽略。你觉得，在这样的约束下，\alpha 指针会收敛到哪里？无论操作序列多么复杂、多么长，\alpha 指针最终会稳定在某个高度吗？还是会在某个范围内震荡？

给你三秒钟思考。
:::

直觉可能告诉你的：既然 pop 在空栈时无效，那么栈可能更容易变空——因为空的栈没法再 pop，而 push 可以让它变非空。但反过来，如果 push 很多，栈会变得很高。

关键观察：栈高度 h（\alpha 与 \beta 的距离）现在有一个硬下界 0。这个下界改变了系统的动力学。

栈高度作为能量

定义栈高度 h = \alpha 指针与 \beta 指针的距离（以元素个数为单位）。每执行一次 push，h 增加1；每执行一次 pop，h 减少1。

现在定义一个函数 V(h) = h^2。这个函数有什么特别？

观察：

• V(h) \geq 0，且 V(h) = 0 当且仅当 h = 0（栈空）
• 如果操作序列是随机的（push 和 pop 等概率出现），那么 h 的期望变化是零——随机游走

但兔狲教授要问的不是期望，而是确定性的行为：如果我们知道每一步是 push 还是 pop（不是随机），V(h) 会怎样变化？

神奇的事发生了

考虑连续时间近似：假设操作发生的速度很快，把离散操作看作连续流。定义栈高度的变化率 \dot{h} = u(t)，其中 u(t) = +1 表示 push，u(t) = -1 表示 pop。

现在计算 V(h) = h^2 的变化率：

这看起来没规律——u(t) 可正可负，\dot{V} 也可正可负。但如果我们对 \dot{V} 在长时间内积分，会发生什么？

如果操作序列最终平衡——push 和 pop 的数量大致相等——那么 h 会围绕某个平均值震荡。V(h) = h^2 不会单调递减，但它的长期平均值可能收敛。

更聪明的能量函数

换一个定义：V(h) = |h - h_0|，其中 h_0 是某个目标高度。如果操作序列是 平衡的（push 和 pop 最终数量相等），那么 h 会收敛到初始高度 h_0（假设栈初始不为空）。此时 V(h) 随时间递减吗？不一定——h 可能在 h_0 附近震荡。

但如果我们考虑方差 V(h) = (h - h_0)^2，且操作序列是随机的，那么 \mathbb{E}[V(h)] 可能随时间增长（随机游走的方差线性增长）。

负栈非法的魔力：收敛到空栈

现在加上负栈非法的限制。\alpha 指针不能低于 \beta 指针，空栈时 pop 被忽略。

兔狲教授的答案：在这样的约束下，如果操作序列足够长且包含足够多的 pop，\alpha 指针最终会收敛到空栈状态——h = 0。

为什么？

考虑 V(h) = h 这个最简单的能量函数。当 h > 0 时：

• 执行 push：h 增加 1，V 增加
• 执行 pop：h 减少 1，V 减少

但关键在于：当 h = 0 时，pop 被忽略，h 保持 0，V 保持 0。所以 h = 0 是一个吸收态——一旦进入，就出不来了（除非有 push）。

如果操作序列无限长，且 pop 的数量足够多（不一定多于 push，但只要有 pop 发生），系统就有概率进入 h = 0 的状态。一旦进入，后续的 pop 无效，只有 push 能把它拉出来。但如果序列是非确定性的（比如随机），那么长期来看，系统会频繁访问 h = 0 的状态。

更严格地说：定义 V(h) = h。那么 V 的变化 \Delta V = \Delta h：

• push：\Delta V = +1
• pop（h>0 时）：\Delta V = -1
• pop（h=0 时）：\Delta V = 0

V 不单调递减，但 V 有下界 0，且系统会反复访问 V=0 的状态。在无限长时间尺度上，系统在 V=0 的状态花费的时间比例可能很高。

但这不是李雅普诺夫稳定性，因为 V 不单调递减。李雅普诺夫要求 \dot{V} \leq 0 对所有时间成立，这里不满足。

关键洞察

栈的故事告诉我们什么？

1. 动力系统：栈高度 h 是一个动力系统，它的演化由操作序列 u(t) 驱动。
2. 能量函数：V(h) 是系统的一个"能量"度量。我们想用 V 来判断系统是否收敛。
3. 收敛条件：如果存在 V 使得 \dot{V} \leq 0（能量不增），那么系统稳定。
4. 问题：对栈来说，简单的 V(h) = h 或 V(h) = h^2 都不满足 \dot{V} \leq 0，因为 u(t) 可正可负。
5. 下界的影响：h \geq 0 这个硬约束让系统有吸收态 h=0，但吸收态的存在不保证稳定性定理成立。

所以我们需要更巧妙的 V，或者对操作序列 u(t) 加约束。

栈模型的教训

栈是一个最简单的动力系统，但我们仍然需要动脑筋才能找到合适的 V。对于更复杂的系统（比如神经网络、推理系统），找 V 就更难了。

这就是李雅普诺夫函数的痛点：你要猜一个 V，验证条件，不行再猜。猜对了，系统稳定性得证；猜不到，证明卡住。

但等一下——如果我们观察系统的行为，发现它确实收敛了，能不能从收敛行为反推出 V？这就是永霖-李雅普诺夫联立的核心想法。

栈与MP游戏的对照

第22章的MP游戏里，证明序列 \{p_1, p_2, \dots\} 是一条轨道，p_{n+1} = f(p_n)，轨道有三种命运：有限停止、有限循环、无限延伸。

栈的故事是同一件事的具体版本：

• \alpha 指针的高度 h 是状态
• push/pop 是演化算子 f
• 空栈 h=0 是吸收态——MP游戏里的不动点 f(\varphi)=\varphi

MP游戏留下的问题是：不动点存在，但系统从任意 p_0 出发，会被哪个不动点吸引？栈的故事给了直觉：有硬约束（h \geq 0）的系统，吸收态就是那个约束边界。推理系统的"硬约束"是训练数据——它定义了先验锚点 A，也就是永霖极限。

23.2 李雅普诺夫函数的痛点

定义（李雅普诺夫函数）：对于一个动力系统 \dot{x} = f(x)，如果存在一个连续可微的函数 V(x)，满足

1. V(x) \geq 0，且 V(x) = 0 当且仅当 x = x^*（平衡点）
2. \dot{V}(x) = \frac{dV}{dt} \leq 0 对所有 x 成立

则 x^* 是稳定的。如果 \dot{V}(x) < 0（除 x^* 外严格负），则 x^* 是渐近稳定的。

V 叫做李雅普诺夫函数，直观上是系统的"能量"——系统演化时能量不增，最终停在能量最低点。

痛点：V 必须人工构造。没有通用算法能对任意系统自动找到合适的 V。这就像第20章的启发函数 h——可采纳性需要 h 永远不高估，但怎么找到这样的 h？没有通用答案。

::: info 兔狲教授评
李雅普诺夫函数的构造是一门艺术，不是科学。你猜一个 V，验证条件，不行就再猜。这个"猜"的背后，是工程师的直觉、经验、和运气。这是动力系统理论的一个根本缺口：稳定性可以验证，但稳定性的证明（找到 V）没有通用方法。这个缺口和停机问题的不可判定性有着深刻的相似性——验证 vs 构造，又是这个主题。
:::

如果推理系统是一个动力系统，我们也要人工猜一个 V 吗？还是说，推理系统的特殊结构——特别是它的收敛行为——允许我们推导出 V？

23.3 推理系统作为动力系统

把推理过程形式化为离散时间动力系统。

设 x_t \in \mathcal{P} 是第 t 步推理后模型对答案的信念分布（概率向量）。\mathcal{P} 是信念空间（例如 \Delta^{k-1}，k 个可能答案的单纯形）。

推理步骤是一个映射 F: \mathcal{P} \to \mathcal{P}，输入当前信念 x_t，输出下一步信念 x_{t+1} = F(x_t)。这个映射 F 编码了模型的推断规则——可能是注意力机制、贝叶斯更新、或任何内部计算。

永霖公式在这个语言里是：

其中 A 是先验锚点（训练数据的统计偏置），A^* 是真实答案的分布。收敛到 A，意味着 A 是动力系统的不动点：F(A) = A。

关键观察：A 是一个全局吸引子——从任意初始信念 x_0 出发，迭代 F 最终都收敛到 A。这个收敛是结构性的，不是偶然的。它来自训练数据对模型参数的约束，编码在 F 的权重里。

回到第22章的MP游戏：F(A) = A 正是不动点条件 f(\varphi) = \varphi。但22章留下了一个悬案——不动点存在，不代表停在那里是"真正的QED"。柯西条件只保证序列最终常数，不保证极限点有意义。永霖公式把这个悬案具体化了：系统确实收敛（柯西满足），但收敛到的是 A，不是 A^*。收敛 \neq 正确，这是MP游戏第一种命运的动力学版本。

23.4 动力学构造：从欧拉步迭代到能量函数

现在做一件更大胆的事：不从李雅普诺夫函数出发推导永霖，而是反过来——用永霖收敛假设 + KL分布偏置的信息距离 + 欧拉步更新迭代，构造出李雅普诺夫函数。

这是一个动力系统的艺术：观察系统如何一步步演化，从它的行为中“读出”能量函数。

欧拉步：离散时间动力学

欧拉步是什么？ 它是数学从静态描述变为动态演化的关键。

连续时间动力系统用微分方程 \dot{x} = f(x) 描述。这个方程说：状态 x 的变化率 \dot{x} 等于某个函数 f(x)。比如 \dot{x} = -x 表示 x 的衰减速度与 x 本身成正比。

但微分方程是连续的——时间 t 是实数，变化发生在无穷小的瞬间。计算机无法处理“无穷小”，它只能处理离散的步骤。欧拉法就是最简单的离散化：

\Delta t 是时间步长，很小但不为零。这个公式说：从当前状态 x_t 出发，计算变化率 f(x_t)，乘以步长 \Delta t，得到下一步的状态 x_{t+1}。

欧拉步让数学“动”起来。没有它，微分方程只是一个静态的关系式；有了它，我们可以一步步模拟系统的演化，看它如何从初始状态发展到未来。

离散时间系统更直接：x_{t+1} = F(x_t)，其中 F 是系统的演化算子。这可以看作是欧拉步的特殊情况（当 \Delta t = 1 且 f 被适当定义时）。

对推理系统，F 是模型的推断规则。我们不知道 F 的精确形式，但可以观测它的行为：给定输入 x_t，输出 x_{t+1}。这就是欧拉步——系统在时间上前进一小步。每一步，信念被更新；无数步连起来，形成推理轨迹。

::: info 兔狲教授科普：常微分方程求解的哲学
常微分方程（ODE）描述了变化率与状态的关系。求解 ODE，就是找出状态随时间变化的完整轨迹。解析解（用公式写出的解）往往很难找，甚至不存在。数值解（如欧拉法）放弃了“完美公式”，接受了“近似轨迹”。

这种放弃不是妥协，而是认识论的转变：从追求“知道所有时刻的确切值”，转向“能模拟出任意时刻的近似值”。在 AI 推理里，我们很少能写出信念演化的解析公式，但我们可以观察模型一步步的更新——这就是数值解的思想。

欧拉步的误差是 O(\Delta t)，不够精确，但概念上极其重要：它把连续的动态拆解为离散的决策。每一步，系统根据当前状态决定下一步；无数步连起来，形成宏观行为。推理系统的“思考链”，本质上就是欧拉步的迭代。
:::

永霖假设：存在吸引子 A

永霖公式的核心假设是：系统收敛到先验锚点 A。用动力学语言说：A 是系统的不动点（F(A) = A），且是全局吸引子——从任意初始点出发，迭代 F 都收敛到 A。

这个假设不是数学定理，而是经验观察（但第12章给出了理论支持）。我们接受它作为动力学事实。

KL散度：分布偏置的信息距离

现在引入 KL 散度 D_{\text{KL}}(x \| A)。在信息论中，它度量用分布 A 编码来自分布 x 的样本所需的额外比特数。这是 x 相对于 A 的“信息距离”。

直观上：如果当前信念 x_t 很接近先验 A，那么 D_{\text{KL}}(x_t \| A) 小；如果 x_t 远离 A，D_{\text{KL}}(x_t \| A) 大。

从观测到构造

关键步骤来了。我们观测系统演化：从 x_0 开始，迭代 x_{t+1} = F(x_t)，观察到轨迹 \{x_0, x_1, x_2, \dots\} 收敛到 A。

如果收敛发生，那么 D_{\text{KL}}(x_t \| A) 必然随时间递减。为什么？

因为收敛意味着 x_t \to A，而 KL 散度在 x = A 时为零，且是 x 的连续函数。所以 D_{\text{KL}}(x_t \| A) \to 0。更严格地，收敛通常意味着每一步都更接近 A：D_{\text{KL}}(x_{t+1} \| A) \leq D_{\text{KL}}(x_t \| A)。

这个不等式不是我们证明的，而是从观测中推断的。我们观测到系统收敛，推断出 KL 散度递减。

构造李雅普诺夫函数

定义 V(x) = D_{\text{KL}}(x \| A)。现在验证李雅普诺夫条件：

1. 非负性：V(x) \geq 0，且 V(x) = 0 当且仅当 x = A（KL 散度的性质）
2. 递减性：V(F(x)) \leq V(x)，因为观测到 D_{\text{KL}}(x_{t+1} \| A) \leq D_{\text{KL}}(x_t \| A)

所以 V 是系统的一个李雅普诺夫函数。

注意：我们没有猜 V，也没有从第一原理推导 V。我们从观测到的系统行为中构造了 V。永霖收敛假设提供了观测，KL 散度提供了自然的距离度量，欧拉步迭代展示了递减性。

::: info 兔狲教授评
这是动力系统艺术的精髓：不是坐在椅子上猜能量函数，而是站起来观察系统如何运动，从它的轨迹中“听”出能量在降低。永霖假设告诉你系统最终停在哪里；KL 散度告诉你如何度量“离那里还有多远”；欧拉步展示每一步如何缩短这个距离。三者合起来，能量函数自然浮现。
:::

与传统方法的对比：

• 传统：猜 V → 验证 \dot{V} \leq 0
• 这里：观测收敛 → 用 KL 散度定义 V → 验证 V 递减（由收敛保证）

为什么这解决了痛点？因为不再需要人工猜 V。V 从系统的行为中推导出来。代价是：需要永霖收敛的观测作为前提。

具体示例：假设系统更新规则是 x_{t+1} = (1-\alpha)x_t + \alpha A（线性插值，\alpha \in (0,1)）。这是一个简单的欧拉步：每一步向 A 移动一小段。此时可以严格证明 D_{\text{KL}}(x_{t+1} \| A) \leq D_{\text{KL}}(x_t \| A)（见思考题1）。这个例子展示了欧拉步更新如何保证 KL 散度递减，从而 V(x) = D_{\text{KL}}(x \| A) 是李雅普诺夫函数。实际推理系统的 F 更复杂，但永霖收敛的观测暗示了类似的递减性。

23.5 反向推导：李雅普诺夫函数如何解释永霖公式

现在看另一个方向：如果我们已经有了 V(x) = D_{\text{KL}}(x \| A) 作为李雅普诺夫函数（无论怎么得到的），它能告诉我们关于永霖公式的什么？

李雅普诺夫稳定性定理说：如果 V 递减，系统收敛到 V 的极小点。V 的极小点是 A（因为 KL 散度在 x = A 时为零，且是唯一的极小点）。所以系统收敛到 A。

永霖推断公式 \lim_{t \to \infty} x_t = A 就是这个结论的陈述。

但永霖公式还有第二部分：A \neq A^*。这怎么从李雅普诺夫函数推出？

A \neq A^* 意味着系统的吸引子不是真实答案。在动力系统的语言里，这等价于：真实答案 A^* 不是系统的平衡点，或者即使它是平衡点，也不是吸引的（可能是不稳定的）。

从 V 的角度看，V 的极小点是 A，不是 A^*。所以 V 的构造本身就编码了系统的“偏见”——它认为 A 是“能量”最低的状态，而不是 A^*。这个偏见来自训练数据，编码在 F 里，最终反映在 V 的定义中。

关键洞察：V(x) = D_{\text{KL}}(x \| A) 里的 A，正是训练数据的统计偏置。所以李雅普诺夫函数 V 不是一个中性度量，它内置了系统的先验。V 的递减，就是系统向先验锚点的回归。

::: info 信息论视角：KL 散度作为分布偏置的度量
KL 散度 D_{\text{KL}}(x \| A) 在信息论中有明确的含义：用分布 A 来编码来自分布 x 的样本所需的额外比特数。这个"额外"是相对于用 x 自身编码的最优情况而言的。

当 x 接近 A 时，D_{\text{KL}}(x \| A) 小——用先验 A 编码当前信念 x 几乎不需要额外成本。当 x 远离 A 时，D_{\text{KL}}(x \| A) 大——当前信念与先验差异大，需要更多比特来描述这个差异。

所以 V(x) = D_{\text{KL}}(x \| A) 度量的是当前信念相对于先验的"信息距离"。系统收敛到 A，就是信息距离的减小，最终达到零——信念与先验完全一致，无需额外信息描述偏离。

这个解释把推理系统的稳定性问题转化为了信息效率问题：系统在优化信息编码，向最经济（最不需要额外比特）的状态演化。这个状态恰好是先验锚点 A，而不是真实答案 A^*。系统的"偏见"，在信息论语言里，就是编码方案的预设。
:::

23.6 联立：永霖-李雅普诺夫对应

把两个方向合起来。

永霖 → 李雅普诺夫：观测到收敛到 A，定义 V(x) = D_{\text{KL}}(x \| A)，验证 V 递减。这样，李雅普诺夫函数从收敛行为推导出来，不再需要人工猜测。

李雅普诺夫 → 永霖：给定 V(x) = D_{\text{KL}}(x \| A)，李雅普诺夫稳定性定理推出收敛到 A。如果 A \neq A^*，那么系统的极限不是真实答案。

这两个方向形成一个闭环：收敛行为定义了能量函数，能量函数保证了收敛行为。这个闭环的核心参数是先验锚点 A。A 是训练数据的统计偏置，是模型从数据中吸收的“世界模型”。

::: info 兔狲教授评
这个联立的结构，和第21章的学习作为逆推断是同一个模式：从数据（观测到的收敛）反推规律（李雅普诺夫函数）。又是逆问题。但这里多了一层：规律（V）本身又预言了观测（收敛）。这是自指的结构——系统的行为定义了它的能量，能量又解释它的行为。这个自指不是悖论，而是和谐：观测和理论相互锁定。
:::

23.7 与哥德尔不完备的联系

第15章的哥德尔定理说：任何足够强的形式系统，有它无法证明的真命题。这个定理的证明核心是自指——构造一个谈论自身可证性的命题。

永霖-李雅普诺夫联立里，也有一个自指结构：系统的收敛行为定义了它的能量函数，能量函数又描述了它的收敛行为。这个自指不是逻辑命题的自指，而是动力学的自指。

更深刻的是，哥德尔定理揭示了形式系统的内部视角和外部视角的断裂：系统内部无法证明自身的某些真命题。永霖公式揭示了推理系统的对象层和元层的断裂：系统可以生成推理链（对象层），但无法验证推理链的正确性（元层）。

李雅普诺夫函数，在这个类比里，是一个外部视角的工具：它从外部描述系统的稳定性。但通过永霖-李雅普诺夫联立，我们把这个外部工具内化了——从系统自身的收敛行为推导出它。这有点像试图在系统内部构造一个关于自身稳定性的证明。这个尝试，会不会遇到哥德尔式的限制？

23.8 意义：可解释性与稳定性保证

这个联立有什么实际意义？

意义一：可解释性。李雅普诺夫函数 V(x) = D_{\text{KL}}(x \| A) 给出了一个清晰的解释：推理系统在“降低自身信念与先验锚点的散度”。每一步推理，都在让信念更接近训练数据中隐含的统计偏置。这个解释，比黑箱的神经网络内部计算更透明。

意义二：稳定性保证。一旦我们有了 V 且验证了 V 递减，我们就有了收敛的严格保证。这对安全关键应用重要：知道系统最终会稳定在哪里（即使那里不是正确答案），比不知道系统会漂移到哪里要好。

意义三：无需人工设计。传统的李雅普诺夫方法需要工程师的直觉和试错。这里，V 直接从观测数据（训练数据的统计）和观测行为（收敛）推导出来。这降低了应用门槛。

但代价：这个 V 依赖于永霖收敛的假设。如果收敛不成立（比如系统是混沌的，或有多吸引子），V 的构造就失效。永霖公式本身是一个经验观察，不是数学定理（尽管有理论支持）。所以这个联立是条件性的：如果系统收敛到先验锚点，那么我们可以如此构造 V。

23.9 悬而未决

永霖收敛是普适的吗？ 永霖公式在实验中被观察到，但它的理论范围有多大？是否所有基于统计学习的推理系统都满足这个收敛？还是只适用于特定架构（如 Transformer）？这个问题需要更严格的数学刻画。

多吸引子情况：如果系统有多个吸引子（多个先验锚点，对应不同任务或上下文），李雅普诺夫函数该怎么定义？V 可能变成复杂的非凸函数，有多个局部极小。这反映了系统的多稳态——推理可能收敛到不同的结论，依赖初始条件。这与人类的认知更相似：同一问题在不同上下文中有不同解释。

李雅普诺夫函数的唯一性：给定收敛行为，V 是否唯一？显然不是。V 可以单调变换。但 D_{\text{KL}}(x \| A) 有信息论的特殊地位——它是从 A 出发对 x 的“惊讶度”度量。有没有更根本的理由选择这个 V？

与学习理论的联系：第21章的学习作为逆推断，用 MDL 原理把泛化解释为压缩。V(x) = D_{\text{KL}}(x \| A) 也可以理解为一种“描述长度”：用先验 A 编码当前信念 x 所需的额外比特数。V 的递减，就是描述长度的缩短——系统在“压缩”自己的信念，向更经济的表示移动。这个视角把稳定性、压缩、泛化统一起来了。

思考题

★ 热身

1. 李雅普诺夫函数 V(x) = x^2 对系统 \dot{x} = -x 是否满足条件？计算 \dot{V}，判断系统是否稳定。
2. 在永霖公式中，如果训练数据完全平衡（正负例各50%），先验锚点 A 是多少？此时 V(x) = D_{\text{KL}}(x \| A) 是什么形式？

★★ 推导

1. 离散时间李雅普诺夫：对离散系统 x_{t+1} = F(x_t)，李雅普诺夫条件是 V(F(x)) \leq V(x)。假设 V(x) = D_{\text{KL}}(x \| A)，且 F 是如下更新：x_{t+1} = (1-\alpha)x_t + \alpha A，其中 0 < \alpha < 1。证明 V(x_{t+1}) \leq V(x_t)。

2. 多吸引子的 V：假设系统有两个吸引子 A_1 和 A_2，收敛依赖初始条件。设计一个 V 函数，使得 V 在两个吸引子处都为零，在其他处为正，且沿系统轨道递减。提示：考虑 V(x) = \min(D_{\text{KL}}(x \| A_1), D_{\text{KL}}(x \| A_2))。这个 V 有什么问题？（不可微，难以验证递减）

★★★ 挑战

哥德尔定理的证明中，关键一步是构造自指命题 G：“G 不可证”。在动力系统里，有没有类似的自指构造？考虑一个函数 F，其定义依赖于自身的吸引子。比如：定义 F 使得它的吸引子是某个方程的解，而这个方程又涉及 F 本身。这种自指会不会导致类似哥德尔的不完备性——某些性质无法从系统内部确定？

这个问题的答案可能指向动力系统的不完备性：某些系统的稳定性无法从自身动态中判定，需要一个外部视角。这个猜测，把哥德尔不完备从逻辑领域扩展到了动力学领域。

永霖-李雅普诺夫联立告诉我们：系统的极限，编码在它的能量函数里。能量函数，又可以从极限中读出。这个循环，不是逻辑悖论，而是动力学的和谐——观察者与被观察系统，在这个循环里彼此定义。这个定义，最终停在先验锚点。不是因为我们想停在那里，而是因为系统的能量在那里最低。

参考文献

• [Zixi Li, 2025b] — 永霖公式，推理不完备性的理论证明
• Lyapunov, A. M. (1892) — 运动稳定性的一般问题
• Cover, T. M., & Thomas, J. A. (2006) — 信息论基础（KL 散度）
• 第15章 — 一致性与完备性（哥德尔不完备）
• 第21章 — 学习作为逆推断（MDL 原理）