从向量ID到细胞出现：重新定义输入输出映射，不是准确的预测，而是意识的涌现。

当我们讨论细胞模拟器时，一个根本问题往往被掩盖：细胞的身份究竟是什么？是传统模型里那个固定的序列索引（input[0]永远是像素0），还是某种更本质的东西？这篇文章想讲清楚一件事：我们如何让100亿个可能的细胞中，那些有输入输出意义的细胞真正活起来。

ID的构成：向量即身份和细胞，高维组合。

每个细胞的身份不再是一个整数，而是一个10维向量：

cell_id = [类型, 参数1, 参数2, ..., 参数9]

这个设计带来100亿种组合（10^10个细胞，稀疏激活10k个，每次10k个细胞中可能有动作细胞，同时序列会被出现的感官细胞的替换）。
我们给其中4096个视觉细胞（64×64像素网格）和约1024个运动细胞赋予明确的物理意义，合计5k多个。实际配置时可能会增加，这个数字是人为设定的，关键在于理解：这些ID是向量空间中的特定点，而非序列位置。

输入映射：物理世界如何激活ID

想象一个简单场景：机器人感知到像素(5,7)亮度为9，同时关节2的角度是45度。传统方法会把这些数据塞进固定张量，但这里我们做的是生成ID向量：

def encode_sense(pixel_data, servo_data, memory_data):
    buffer = []
    
    # 每个像素激活一个视觉ID
    for x, y, brightness in pixel_data:
        # ID由坐标和亮度共同定义
        cell_id = [0, x//10, y//10, brightness, 0, 0, 0, 0, 0, 0]
        buffer.append(cell_id)
    
    # 每个关节激活一个运动ID
    for joint_id, angle in servo_data:
        cell_id = [1, joint_id, angle, 0, 0, 0, 0, 0, 0, 0]
        buffer.append(cell_id)
    
    # 滑动填充序列空间，让模型知道自己的错误

几个关键点：

1. 像素(5,7)的ID永远是[*,*,*,*,...]，不管它出现在序列的哪个位置
2. 如果某帧像素(5,7)没点亮，这个ID和细胞完全不激活
3. 5k多个功能ID可能在10000个序列槽中动态出现，位置无关

输入输出词表查询：与10^10词表不同

给定一个ID向量，词表将其转换为128维信号：

词表内部还维护着两个优化目标：

1. 共现损失：如果两个维度经常同时出现，它们的向量表示会自然靠近
2. 时间一致性：词表参数不会剧烈抖动，保持对同一ID的稳定响应

输出与动作的映射：在10k个细胞中识别有动作细胞意义的id（查输入输出表）

核心逻辑是检查向量的内容，而非位置。无论[1, 5, 45, ...]这个运动ID出现在第100个槽还是第9876个槽，只要它出现，动作就被触发。

• 冗余性：同一ID可能意外出现两次，进行累加强度
• 鲁棒性：模型无需精确控制位置，只需保证功能ID在集合中
• 动态分配：10000个槽是公共资源，输入输出功能ID按需占用

系统运行时的状态转移很清晰：

# 第t帧：
active_ids = {[0,5,7,9,...], [0,12,3,5,...], [1,2,45,...]}

# 第t+1帧（环境变化）：
active_ids = {[0,5,7,9,...], [1,2,45,...]}  # 像素(12,3)熄灭，ID消失

# 第t+2帧（模型决策）：
active_ids = {[0,5,7,9,...], [1,2,45,...], [1,5,30,...]}  # 新增动作

这种设计让时间维度真正等价于批次维度。5k多个ID在不同帧的出现模式，构成了模型的监督信号。模型不是学习"第i个位置该是什么值"，而是学习"给定当前活跃的ID集合，下一个集合应该包含谁"。

可扩展性：更多的输入感受器和输出感受器

虽然文章聚焦5k多个功能ID，但这个设计天然支持扩展。想增加一个温度传感器阵列？只需要多定义一些细胞的输入输出表就行了。

同时5k只是起点，实际可配置到1万、10万个感官细胞，只要不超过10^10的细胞容量。

本文输入输出映射的核心在于三点：

1. ID是向量，在100亿空间中稀疏分布
2. 输入是集合，只包含当前活跃的ID
3. 输出靠扫描，在10k个细胞中是否有5k多个细胞的出现

这里没有固定的IO端口，没有预分配的序列位置，只有出现与消失这种最基础的生命现象。