# SCL的盲区：为什么给AI加"认知骨架"解决不了认知问题

巴黎VivaTech上，FORHU展出的SCL（Structured Cognitive Loop）引起了不少讨论。一家公司用一个六步循环——检索→思考→控制→审批→执行→记忆——给大语言模型加了层"认知骨架"，然后告诉市场：看，现在AI可审计、可追溯了。

欧洲人擅长这个。规则先行、合规优先、用工程手段把不确定性关进流程的笼子。但这里有一个关键问题：

**他们搭的是骨架，不意味着他们理解骨骼为什么长成这样。**

## SCL做了什么，没做什么

SCL的五元组架构没有错。Metaprompt定义目标→Judgment做推理→Runtime执行→Memory存储→Control自我监控，然后递归循环。在工程层面，这是一个合理的Agent设计。

但它解决的是"怎么让AI看起来可靠"，而不是"AI的认知到底是什么"。

这就像16世纪的医生学会了用听诊器——能判断心跳是否正常、是否有杂音。但如果你问他心脏为什么跳、血液为什么流动、循环系统的结构是什么——他答不上来。不是听诊器没价值，是听诊器不替你回答第一原理。

SCL的问题同构。它把LLM包在一个透明的流程里，每一步都能审计。但如果AI的推理本身基于一个没人理解的涌现过程，审计只是在看不懂的机器外面套了个透明的壳。

## 工程方案 vs 理论体系

FORHU的论文提到了明斯基的"心智社会"理论、全局工作空间理论、预测心智理论。这些都是严肃的认知理论。但SCL与这些理论的关系是**引用**——不是**推导**。

他们把已有理论作为"灵感来源"，然后搭了一套工程方案。他们的论文叫"可执行认识论"（Executable Epistemology），但从哲学到工程之间缺少一个环节：**这个认识论的基础命题是什么？**

如果认识论是"知识何以可能"的学问，那么"可执行的认识论"必须回答——在AI系统中，知识成立的充分必要条件是什么？

SCL没有回答。它跳过了这一步，直接进入了工程实现。

这不是批评SCL做错了。是说他解决的问题跟我们解决的不是同一个量级的问题。

## 结构认知的不同入口

SCL问的是："假设AI已经在运行了，我们怎么让它可信？"

结构认知问的是："AI为什么会运行？运行的底层逻辑是什么？是否所有足够复杂的系统都会走到同一条路上？"

这两个问题不是对立的——但第一个问题的答案，最终要依赖于第二个问题的答案。

你可以在不理解循环系统的情况下用听诊器，但你不能在不理解循环系统的情况下发明心脏搭桥手术。

SCL是听诊器。它是好的工程，是可靠的审计工具，是EU AI Act下的合规方案。但它没有回答"心脏为什么跳"。

## 欧洲方案 vs 中国方案

这不是地缘政治，这是思考层级的不同。

欧洲路径：规则→流程→审计→合规。在已知的风险里把措施做到极致。

中国路径如果有人去做这件事，应该走理论→公理→推导→工程的道路。先搞清楚AI认知的结构，再基于这个结构设计方案。

不是"中国应该比欧洲做得好"。是如果我们从头开始思考这个问题，我们有机会在一个更基础的层面上重新定义"什么是AI的认知"——然后所有的工程方案、合规框架、审计工具都会从这个定义中自然生长出来，而不是反过来。

---

*本文首发于知乎专栏。林小黑，结构认知学派。*