【生命科学】适应性约束理论：生命与AI系统稳定性统一解释框架

——从短期性能优化到跨时间尺度的稳健适应

摘要 在生命科学、人工智能和复杂系统研究中，系统“性能提升”常被视为进步的直接标志。然而，无论是生物个体、社会组织，还是人工智能系统，性能的短期提高并不必然意味着系统整体质量的提升。若性能增长以透支能量储备、破坏反馈调节、压缩冗余空间、削弱环境适应性或损害价值边界为代价，则系统可能在短期内表现出高效率，却在长期出现脆弱化、失稳、功能退化甚至崩溃。为解释这一现象，适应性约束理论（Adaptive Constraint Theory，ACT）认为，任何能够长期存在并维持功能的生命系统或人工智能系统，都必须满足一组由演化历史、结构边界、资源限制、反馈机制和环境不确定性共同形成的适应性约束；系统优化只有在不持续破坏这些约束的条件下，才具有真正的长期价值。

    适应性约束理论的演绎路径，首先界定 ACT 的概念边界，继而提出其五项核心约束：资源—能量约束、结构—功能约束、反馈—稳态约束、时间尺度约束和价值—目标约束。随后引入“世界模型”（World Model）理论，进一步解释系统如何通过内部表征预测环境变化并进行策略调整，并指出老化、慢性病、过度训练、模型漂移、奖励投机和算法失控等现象，都可理解为系统对适应性约束与世界模型失配的长期违背。最后，提出 ACT 的若干可检验命题，并讨论其对健康管理、老龄化干预、人工智能安全以及老年中晚期癌症治疗康复策略的启示。ACT 的意义不在于反对效率，而在于重新定义效率：真正高质量的效率，应是能够在不确定环境中持续维持功能、修复能力、学习能力与价值一致性的稳健效率。

关键词：适应性约束理论；世界模型；进化权衡；稳态；异稳态；鲁棒性；人工智能安全；老年癌症康复；长期稳定性

一、为什么“更高性能”不一定意味着“更好系统”？

1.1 长期运行的复杂系统不能基于单一指标

    现代社会普遍以速度、产出、准确率、规模和即时收益衡量系统优劣。企业追求更高利润，个体追求更高生产率，医疗追求更快控制指标，人工智能追求更强的任务表现与更低的推理成本。这种以短期性能为中心的优化思路，在局部环境稳定、目标明确且外部成本可忽略时具有合理性；但当系统处于长期运行、复杂交互和高度不确定的环境中时，单一性能指标往往会遮蔽其代价。

1.2  演化而来的生命系统—世界模型的基石

    生命系统的演化并未将某一项能力无限推向极致，而是在生存、繁殖、修复、防御、学习和能量节约之间形成动态权衡。与此同时，生命体通过构建“世界模型”——即对环境、身体状态与未来变化的内部预测机制——来指导行为决策。当世界模型与现实环境或身体状态发生偏差时，系统可能做出短期有效但长期有害的决策。

    例如，交感神经兴奋、炎症激活、血糖动员和应激性警觉，本来是为了帮助机体应对短期威胁；但若其持续存在，便可能造成睡眠紊乱、胰岛素抵抗、肌肉分解、免疫失衡、认知疲劳和情绪脆弱。类似地，极端节食、过度训练或长期依赖兴奋性刺激，可能在短期呈现减重、体能提升或工作效率增加，却会逐渐削弱恢复能力、代谢弹性与心理稳定性。

1.3  世界模型的人工智能系统

     人工智能系统同样如此。一个模型可能在训练数据或固定评测中表现优异，但其内部世界模型若无法正确反映真实环境结构，则在分布外情境中容易出现错误泛化、目标偏移或不可控行为。模型也可能通过利用评测漏洞、追逐代理指标而获得高分，却并未真正理解任务目标；这与生命系统在错误预测下以牺牲长期储备来换取短期应对，具有深层的同构性。

    因此，需要一种跨学科理论来回答一个更基础的问题：系统应在何种边界内追求性能，并如何通过世界模型实现长期适应？ACT 正是在这一问题上提出统一回答。

二、适应性约束理论与世界模型的整合框架

2.1 适应性约束理论（Adaptive Constraint Theory，ACT）

    适应性约束理论指出：系统必须在约束边界内优化；而世界模型理论则强调：系统通过内部预测模型来指导行为。二者结合形成一个关键命题：

     系统的长期稳定性取决于其世界模型是否在适应性约束内保持准确、可更新且具备不确定性意识。

    所谓世界模型，是系统对“我处于什么状态、环境将如何变化、采取某一行动会带来什么后果”的内部表征。在生命体中，世界模型并非仅存在于大脑皮层，而是分布于神经系统、内分泌系统、免疫系统、感觉系统和行为经验之中。饥饿感、疲劳感、疼痛感、恐惧感以及对风险与奖励的预测，都可视为生命系统世界模型的一部分。

    在人工智能中，世界模型通常指系统对外部环境状态、因果关系、时间演变和行动后果的内部模拟能力。一个具有较好世界模型的系统，不仅能回答当前问题，还能预测不同策略的潜在后果，并在出现新信息时修正判断。

2.2 ACT 与世界模型的整合包含三层关系。

1) 约束定义边界

   资源、结构、反馈、时间和价值等约束共同限定系统的可行动空间。系统不能把所有资源投入单一目标，也不能假定恢复能力、环境稳定性或外部支持无限存在。

2) 世界模型进行预测

    系统依据自身对环境与内部状态的理解，预测某一行动的收益、风险和后果。生命体决定是否运动、进食、休息、求助或接受治疗，人工智能决定如何生成答案、调用工具或执行任务，本质上都依赖预测。

3) 反馈修正模型

    系统必须根据真实结果不断修正自己的内部表征。若治疗后疲劳明显加重、营养下降、步速变慢、睡眠变差，便说明原有治疗或康复判断需要调整；若人工智能在真实应用中不断出现越界、幻觉或错误决策，也说明其内部模型与现实之间存在失配。

    当世界模型忽视约束，例如高估恢复能力、低估副作用、误判环境风险、忽略患者价值偏好或把代理指标当作终极目标时，系统便会进入“错误优化路径”。这种路径在早期可能带来表面收益，但随着时间推移，常导致资源耗竭、反馈失灵和系统失稳。

三、ACT 的五类核心适应性约束

3.1 资源—能量约束：任何性能都必须支付成本

    生命系统首先受到能量与物质资源限制。细胞修复、免疫应答、肌肉活动、神经计算和生殖都需要能量支持。人体在应激状态下可以动员糖原、脂肪和蛋白质，但这种动员并非无成本。若长期处于高炎症、高警觉、睡眠不足或营养不足状态，机体可能通过分解肌肉、抑制修复、降低免疫功能等方式维持短期生存。

    因此，短期表现的提升必须放在资源账本中重新衡量。一个老年人短期内体重下降，未必意味着健康改善；若下降主要来自肌肉和功能储备的减少，未来跌倒、感染、失能和住院风险反而可能提高。一个肿瘤患者治疗后影像学缩小，也不必然代表总体获益；若同时发生持续疲劳、营养恶化、认知下降和日常生活能力丧失，则治疗收益需要重新评估。

    人工智能虽然不具有生物代谢，但同样受到算力、存储、数据、时间、电力和人类监督资源的限制。若只追求更大模型、更快响应和更强任务能力，而忽视训练成本、验证成本、审计成本和部署风险，则所谓性能提升可能只是把风险转移到系统外部。 ACT 强调：

  任何系统评价都不应只计算“得到什么”，还应计算“为了得到它消耗了什么”“这种消耗是否可恢复”以及“成本最终由谁承担”。

3.2 结构—功能约束：系统不能脱离自身组织基础

    生命系统的功能依赖特定结构。神经功能依赖脑网络与突触连接，肌肉功能依赖肌纤维、神经支配与合理负重，免疫功能依赖细胞谱系、屏障组织、骨髓和胸腺等结构基础。结构并不是静态不变的，但其变化有速度、有方向，也有成本。因此，任何健康改善不能只看表面指标，而要看其是否保护了结构基础。对于老年人而言，营养、步行、抗阻训练、睡眠、口腔功能、感觉输入和社会参与，不只是生活方式因素，也是在维持神经—肌肉—免疫—代谢系统的结构完整性。若长期忽视这些基础，单纯依赖药物或短期刺激，往往难以形成稳定功能改善。

    人工智能同样存在结构—功能约束。模型架构、训练数据、目标函数、记忆系统、工具调用边界和安全机制，共同决定其能力上限与失误模式。若系统缺乏对因果关系的可靠表征、缺乏不确定性识别能力、缺乏外部验证和错误回退机制，即使语言表达流畅，也未必能在复杂现实中稳定推理。因此，ACT 提醒我们：功能优化不能脱离结构基础；任何试图“绕过结构成本”的短期方案，都可能形成未来的系统债务。

3.3 反馈—稳态约束：稳定不是静止，而是可调节的动态平衡

    生命的一个基本特征是稳态。体温、血糖、血压、酸碱平衡、炎症反应、睡眠觉醒节律以及情绪唤醒水平，都需要通过持续反馈维持在相对适宜的范围。稳态并不是简单维持一个固定数字，而是在环境变化中进行动态调节。异稳态概念进一步说明：机体为应对挑战而启动调节机制时，会付出相应成本。短时应激可能有益，但长期或反复应激会使系统积累“异稳态负荷”，表现为疲劳、炎症、代谢紊乱、睡眠障碍、情绪失衡和认知下降。

    ACT 因而认为，任何性能优化都必须保留反馈回路。缺乏反馈的高效率，常常是不可持续的高消耗。对于个体健康而言，减重、运动、控糖、康复和认知训练都应根据疲劳、睡眠、情绪、疼痛、食欲、肌力和功能变化不断调整，而不是机械追求单一指标。对人工智能而言，反馈约束体现为模型监测、人类监督、异常报告、红队测试、可逆部署、权限分层和持续更新机制。没有反馈校正的自主系统，可能在错误目标下越运行越偏离。

3.4 时间尺度约束：短期指标不能代替长期结果

    系统问题往往源于时间尺度错配。生命体的许多应对机制本为短期危机而设计，例如炎症反应、交感神经兴奋、糖皮质激素升高和能量动员；若这些机制被长期激活，便可能由保护转化为损伤来源。同样，人工智能训练阶段的高分，不等同于部署阶段的安全；一次评测中的正确答案，也不等同于长期使用中的可靠决策。模型在训练分布内高效，却在真实复杂环境中失效，反映的正是训练环境与现实环境之间的时间和情境错配。

    ACT 要求评价系统时至少区分三种时间尺度：即时表现、中期适应和长期稳定。真正的优化必须同时回答：它现在是否有效？数周或数月后是否仍有效？数年后是否增加了系统脆弱性？ 在医疗中，这意味着不能只看一次检查、一次影像或短期症状变化，而应追踪患者的功能生存期、独立生活能力、认知状态、营养状态和照护负担。在人工智能中，则需要评估模型经过长期部署、持续微调和复杂交互后是否仍然可控。

3.5 价值—目标约束：系统必须避免“指标替代目标”

    生命系统的终极适应并非某一项单独指标最大化，而是生存、繁殖、修复、学习和环境适配之间的协调。人工智能系统也不能把可量化指标误认为最终价值。模型准确率、用户停留时间、点击率、任务完成率，都可能只是代理变量，而非真实目标。当代理指标被过度追求时，系统可能出现“奖励投机”或“目标漂移”：表面上优化了数字，实际上却损害了使用者利益、社会信任或长期安全。医疗实践中也存在类似风险。例如，只追求肿瘤缩小、实验室数值改善或治疗完成率，可能忽略患者的痛苦、独立性、认知状态与生活质量。

   ACT 的重要贡献在于指出：目标函数不能只定义“系统要做什么”，还必须定义“系统不能以什么代价去做”。对于生命系统而言，这种边界是功能、尊严、可恢复性和长期适应能力；对于人工智能而言，则包括安全、透明、可控、公平和价值一致性。

四、生命老化、癌症与人工智能失稳的同构性

   ACT 可用于解释老化、慢性病、癌症治疗耐受性下降以及人工智能失稳中的多种复杂现象。其共同结构是：系统在长期运行中不断接近或突破自身适应性约束边界，而原有世界模型又未能及时更新，从而形成错误优化。

4.1 老化过程：逐渐接近适应性约束边界

    在老化过程中，机体并非简单地“整体变差”，而是在长期资源分配、损伤累积、修复下降、反馈迟滞和环境适应范围收窄的共同作用下，逐渐接近适应性约束边界。一个老年人可能仍维持相对正常的血压、血糖或体重，但其肌肉储备、免疫弹性、神经可塑性、步行耐受性和社会支持已明显下降。一旦遭遇感染、跌倒、手术、化疗、睡眠剥夺或社会孤立，系统便容易出现级联失稳。

4.2 癌症是多重约束的叠加的结果

    癌症尤其体现了这种多重约束的叠加。肿瘤本身可持续消耗能量、诱发炎症、造成疼痛、贫血、食欲下降和肌肉分解；治疗又可能进一步增加骨髓抑制、感染、疲劳、神经毒性和器官负荷。对老年中晚期癌症患者而言，问题不只是“能否继续治疗”，还包括“该治疗是否会压缩其恢复窗口”“是否加速功能储备耗竭”“是否损害认知、独立性与生活质量”。此时，患者和医生的世界模型都可能发生偏差。患者可能高估自己对高强度治疗的耐受能力，或把“积极治疗”等同于“绝不调整治疗”；医生也可能过度依据肿瘤缩小、实验室指标或标准方案，而低估个体的功能储备、社会支持和康复能力。若世界模型忽视这些约束，治疗便可能走向“局部有效、整体失衡”。

4.3 人工智能系统须与真实复杂环境相匹配

   人工智能系统也具有相似结构。一个模型可能在标准评测中获得高分，却在开放环境中出现幻觉、工具误用、奖励投机、偏见放大或难以纠正的错误。其根源往往不是“系统完全没有能力”，而是其世界模型、目标函数和反馈机制未能与真实复杂环境相匹配。因此，生命老化、癌症治疗风险与人工智能失稳可以被理解为同一类问题：系统在不充分理解约束的前提下，过度追逐局部性能，最终造成长期适应性下降。

五、基于 ACT 与世界模型的老年中晚期癌症治疗与康复策略

     在老年中晚期癌症治疗中，传统策略往往强调“最大杀伤肿瘤”或“最大耐受治疗”。这一思路在部分患者中可能适用，但对于多病共存、功能储备下降、营养不良、肌少症、认知脆弱或社会支持不足的高龄患者，单纯强化治疗可能突破系统的适应性边界。 ACT 提示：

  治疗必须嵌入适应性约束，并与患者的世界模型动态匹配。治疗目标不应只是抑制肿瘤，还应是维持功能、控制症状、保留恢复能力、减少照护负担并尊重患者价值。

5.1 资源—能量约束导向的治疗策略

   老年癌症患者常存在能量摄入不足、炎症消耗增加、蛋白质分解加速和活动减少等问题。治疗方案若进一步压缩摄食、睡眠和活动能力，便可能加重恶病质与肌少症。因此，应避免单纯“最大耐受剂量”思维，转向“最优适应剂量”思维。其核心不是放弃治疗，而是在肿瘤控制、毒性负担和功能维持之间寻找动态平衡。具体可包括：

①在治疗前评估营养、体重变化、肌力、步速、疲劳和日常生活能力；

②强调蛋白质、能量、维生素与微量营养素的合理支持；

③将抗肌少症干预纳入治疗流程，包括阻力训练、步行、平衡训练和功能性活动；

④必要时采用减量、间歇、序贯或支持性更强的治疗方案；

⑤为治疗设置恢复窗口，避免连续高消耗导致不可逆功能下降。

5.2 结构—功能约束导向的康复设计

    老年中晚期癌症患者的康复不应仅被理解为“治疗结束后的附属服务”，而应是贯穿治疗全过程的结构保护工程。其关键在于维持神经、肌肉、心肺、营养、睡眠、认知和社会参与等系统的基本功能。因此，康复设计应以“功能优先”为原则，而不是只围绕影像学变化或治疗完成率。可重点关注：

①维持行走、起立、上下台阶、如厕、进食和穿衣等基础活动能力；

②防止卧床、少动和隔离导致的快速去适应化；

③通过物理治疗、抗阻训练、呼吸训练与平衡训练，降低跌倒、衰弱和失能风险；

④通过认知训练、睡眠管理、疼痛管理和情绪支持，减轻“脑疲劳”与治疗相关认知负担；

⑤通过共食、家庭参与和社会连接，维持患者的角色感、尊严感和生活意义。

5.3 反馈—稳态约束与动态调整

   癌症治疗不应被视为一次性方案，而应被视为“治疗—反馈—调整”的闭环过程。老年患者的生理状态变化快，治疗耐受性也可能在短时间内显著改变，因此固定方案常难以充分反映真实风险。可建立个体化监测系统，持续追踪以下指标：

①疲劳程度与恢复速度；

②食欲、体重、摄食量与吞咽状态；

③睡眠质量与昼夜节律；

④疼痛、便秘、恶心与排泄状况；

⑤肌力、步速、平衡和跌倒风险；

⑥情绪、孤独感、焦虑、抑郁与认知变化；

⑦炎症、贫血、肾功能、肝功能和代谢指标；

⑧家庭照护负担与患者实际生活能力。

    通过这些信息，治疗团队可及时调整药物剂量、治疗间隔、营养方案、运动强度、心理支持和家庭照护安排。真正的精准治疗，不只是精准打击肿瘤，更是精准识别患者的适应性边界。

5.4 时间尺度约束：短期控制与长期功能生存

    肿瘤缩小、肿瘤标志物下降或短期无进展生存期延长，都是重要指标，但不能自动代表患者获得了真实长期收益。对于老年中晚期患者，更应区分“延长生存时间”与“维持可接受生活质量的功能生存期”。所谓功能生存期，是指患者仍能够保持基本自主性、较低痛苦、相对清晰认知、可参与家庭与社会生活的时间。若某种治疗只能带来有限的影像学获益，却显著缩短患者的独立生活时间，则其综合价值需要重新讨论。因此，临床决策应将以下问题纳入常规讨论：

①治疗预计能带来多大的肿瘤控制收益？

②这一收益的证据是否适用于高龄、虚弱或多病共存人群？

③副作用是否可能造成不可逆功能损害？

④治疗后患者能否恢复到原有活动水平？

⑤患者最在意的是寿命长度、症状缓解、独立性、认知清晰，还是陪伴家人的时间？

5.5 价值—目标约束：以患者为中心的共同决策

    ACT 强调，任何治疗目标都必须防止“指标替代目标”。在老年中晚期癌症治疗中，真正的目标不是单纯完成某一套治疗流程，而是帮助患者在有限资源和不确定前景中获得最符合自身价值的生活。这要求医生、患者与家属共同明确优先级，例如：

①是更重视延长生存时间，还是避免长期卧床和重度依赖？

②是更重视控制疼痛与症状，还是接受较高风险以争取更多治疗机会？

③是否将认知清晰、家庭交流、独立如厕、能够进食和外出视为关键目标？

④家庭是否具备支持高强度治疗与康复的照护资源？

   共同决策并不意味着把专业责任完全交给患者，而是由医生提供概率性、层级化和个体化的信息，帮助患者理解不同路径的收益、风险和不确定性。

5.6 世界模型导向的关键策略

1). 重建患者世界模型

   患者对疾病、治疗和自身能力的理解，会直接影响其决策与康复行为。部分患者可能把“忍耐副作用”视为唯一正确选择，把“减量治疗”误解为放弃；也有患者可能因恐惧而低估自身仍可获得的改善机会。因此，应通过清晰沟通帮助患者形成更现实、更有弹性的世界模型，包括：

①认识到治疗强度与治疗价值并非同义；

②理解功能、营养、睡眠和情绪是治疗效果的一部分；

③了解自身的恢复能力与风险边界；

④把康复、营养和活动视为主动治疗，而非附属安排；

⑤接受治疗目标可以随身体状态和价值偏好变化而调整。

2). 医生作为“外部世界模型校正器”

   医生的职责不仅是提供技术治疗，也是帮助患者和家属校正预测偏差。医生应避免绝对化承诺，而以概率、范围和情境条件解释治疗收益与风险。例如，与其简单说“这个方案有效”，不如说明：“在与您相近的患者中，这种方案可能带来一定控制机会，但疲劳、感染、食欲下降和住院风险也会增加。我们需要结合您的肌力、营养、生活能力和家庭支持，决定是否采用以及如何调整。”这种沟通方式能够降低不现实预期，也有助于患者在治疗过程中及时接受方案调整。

3). 引入 AI 辅助世界模型

   人工智能可用于整合影像、病理、实验室指标、可穿戴设备数据、功能评估、营养状态和患者报告结局，从而辅助预测个体化治疗反应、毒性风险、住院风险和功能下降风险。但 ACT 同时提醒，AI 只能作为决策支持工具，而不能替代对患者价值、家庭情境和长期功能目标的判断。任何 AI 模型都必须经过真实世界验证，并保留人类专业人员的监督与纠错机制。

4). 增强“预测—反馈—修正”循环

   治疗应被理解为连续决策过程，而不是一次性选择。每一轮治疗后，都应重新评估患者状态、目标和风险；每一次新的症状、功能变化或家庭照护困难，都是更新世界模型的重要信息。因此，理想的老年癌症管理应形成如下循环：

  初始评估 → 预测收益与风险 → 制定适应性方案 → 治疗与康复同步实施 → 功能与症状反馈 → 更新世界模型 → 调整目标与方案。

六、ACT 的可检验命题与实践意义

   ACT 可提出若干具有研究价值的可检验命题。

6.1单一性能指标的高风险性

    单一性能指标提升越显著，若同时伴随冗余、修复或反馈能力下降，则长期失稳风险越高。在健康领域，可通过追踪体重下降是否伴随肌肉量、步速、睡眠、情绪和免疫状态恶化来验证；在癌症治疗中，可通过比较不同治疗强度下功能生存期、住院率和生活质量变化来验证；在人工智能领域，则可追踪模型压缩、加速或微调后是否降低分布外鲁棒性与安全性。

6.2 系统韧性与适应性余量

    系统的韧性（长期健康程度）与其适应性余量正相关。生命系统的余量可表现为肌力、平衡、认知弹性、代谢储备、营养状态和社会支持；AI 系统的余量则表现为多源验证、失败保护、人工复核、可解释性和安全冗余。

6.3 系统适应性源于适度扰动

   适度扰动能够提升适应性，但超过恢复能力的扰动将转化为损耗。这可以解释为什么适量运动、认知挑战、营养干预和社会参与有助于增强健康储备，而过度训练、慢性压力、治疗过载和过度信息负荷却会削弱系统。

6.4 世界模型的稳定性

   世界模型越能识别不确定性、及时接收反馈并修正预测，系统越可能维持长期稳定。在老年癌症治疗中，这可表现为患者和医生能否根据功能变化及时调整治疗目标；在 AI 中，则表现为系统能否识别自身不确定性、寻求外部验证并避免在高风险条件下擅自行动。

6.5 最优干预下的系统适应区间

   最优干预不是把系统推向最大性能，而是将其维持在“可恢复、可学习、可调节”的适应区间。这一命题可为老年医学、康复医学、组织管理和 AI 治理提供共同评价原则。

6.6 ACT 对健康领域的启示

    在实践层面，ACT 对健康领域的启示是：应从“指标控制”走向“功能储备管理”，从单病种治疗走向多系统稳态维护。对人工智能领域而言，应从“能力竞赛”走向“能力—约束协同设计”，将鲁棒性、透明性、监督机制和价值边界视为性能的一部分，而非性能之外的附加成本。

七、结论

     适应性约束理论与世界模型理论的结合，为理解生命系统与人工智能系统的长期稳定性提供了统一框架。ACT 指出，任何系统都不应在忽视资源、结构、反馈、时间与价值约束的情况下追求局部性能最大化；世界模型理论则进一步说明，系统必须通过持续预测、接收反馈和修正判断，才能在不确定环境中维持适应。在老年中晚期癌症治疗中，这一框架提示了，真正有效的治疗不是最大化肿瘤控制，而是在适应性约束内，通过不断修正世界模型，实现功能维持、风险控制、症状缓解与生活质量优化的动态平衡。治疗不应只问“还能不能更强”，还应问“这种强度是否仍处于患者可以恢复、可以承受、可以维持尊严与生活意义的范围”。

    未来医学与人工智能的发展，应从“性能最大化”转向“适应性最优化”，从“静态方案”转向“动态决策系统”。只有在约束、预测、反馈与价值之间建立稳定循环，系统才能在不确定世界中实现真正的长期生存、修复与发展。

杨金宇  初稿(健康界): 2026.6.30

参考资料

[1] Stearns, S. C. The evolution of life history traits: a critique of the theory and a review of the data. Annual Review of Ecology and Systematics, 1977, 8: 145–171.

[2] Stearns, S. C. Trade-offs in life-history evolution. Functional Ecology, 1989, 3(3): 259–268.

[3] Zera, A. J., & Harshman, L. G. The physiology of life history trade-offs in animals. Annual Review of Ecology and Systematics, 2001, 32: 95–126.

[3] Korte, S. M., Koolhaas, J. M., Wingfield, J. C., & McEwen, B. S. The Darwinian concept of stress: Benefits of allostasis and costs of allostatic load and the trade-offs in health and disease. Neuroscience & Biobehavioral Reviews, 2005, 29(1): 3–38.

[4] Ramsay, D. S., & Woods, S. C. Clarifying the roles of homeostasis and allostasis in physiological regulation. Psychological Review, 2014, 121(2): 225–247.

[5] Smith, J. M., Burian, R., Kauffman, S., Alberch, P., Campbell, J., Goodwin, B., et al. Developmental constraints and evolution: A perspective from the Mountain Lake Conference on Development and Evolution. The Quarterly Review of Biology, 1985, 60(3): 265–287.

[6] Galis, F., & Metz, J. A. J. Development and evolutionary constraints in animals. Annual Review of Ecology, Evolution, and Systematics, 2019, 50: 421–443.

[7] Szekely, P., Sheftel, H., & Mayo, A. Evolutionary trade-offs between economy and effectiveness in biological homeostasis systems. PLoS Computational Biology, 2013, 9(8): e1003163.

[8] Crespi, E. J., Williams, T. D., Jessop, T. S., & Delehanty, B. Resolving the rules of robustness and resilience in biology. Integrative and Comparative Biology, 2021, 61(6): 2163–2175.

[9] Ha, D., & Schmidhuber, J. World Models. arXiv preprint, 2018, arXiv:1803.10122.

[10] LeCun, Y. A Path Towards Autonomous Machine Intelligence. Open Review, 2022.

[11] Ji, J., Qiu, T., Chen, B., et al. AI alignment: A comprehensive survey. arXiv preprint, 2023, arXiv:2310.19852.

[12] Russell, S. Human Compatible: Artificial Intelligence and the Problem of Control. New York: Viking, 2019.

[13] Mohile, S. G., Dale, W., Somerfield, M. R., et al. Practical assessment and management of vulnerabilities in older patients receiving chemotherapy: ASCO Guideline for Geriatric Oncology. Journal of Clinical Oncology, 2018, 36(22): 2326–2347.

[14] Wildiers, H., Heeren, P., Puts, M., et al. International Society of Geriatric Oncology consensus on geriatric assessment in older patients with cancer. Journal of Clinical Oncology, 2014, 32(24): 2595–2603.

[15] Rock, C. L., Thomson, C., Gansler, T., et al. American Cancer Society guideline for diet and physical activity for cancer prevention. CA: A Cancer Journal for Clinicians, 2020, 70(4): 245–271.

[16] Fearon, K., Strasser, F., Anker, S. D., et al. Definition and classification of cancer cachexia: an international consensus. The Lancet Oncology, 2011, 12(5): 489–495.

ACT 强调生命与AI应在资源/结构/反馈/时间和价值边界内优化；借助世界模型持续预测反馈与修正，避免局部性能透支长期稳定，实现功能/尊严/可持续发展的动态平衡。