数字代谢：通过再生性遗忘解耦逻辑与事实——迈向纯神经逻辑核心

当前大语言模型（LLMs）存在参数纠缠问题，即通用推理能力（逻辑）与具体事实知识（事实）在共享权重中处于叠加态，导致“记忆墙”现象，浪费计算资源并引发幻觉。本文提出“数字代谢”假说，认为定向遗忘是提炼纯神经逻辑核心的必要过程。为此，我们设计了再生性逻辑核心协议（RLCP），一种双流训练框架，通过深层梯度反转使特定事实依赖在线性层面不可解码。在Qwen2.5-0.5B上的实验显示，模型对目标事实的保留率趋近于零（准确率<7%），同时呈现出“结构结晶化”效应。GSM8K测试表明，该“代谢”模型自发采用思维链（CoT）推理，以补偿直接联想回忆的缺失（从O(1)回忆转向O(N)推理）。该研究为模块化“神经CPU+符号RAM”架构奠定基础。