TL;DR · 30 秒读完
Noeon Research 是东京一家零外部融资、约 26 人的 AI 实验室,主张彻底抛弃 Transformer 的"逐词预测"范式,改用 1945 年提出的数学分支「范畴论」重构知识表示——用概念间的关系和转换(态射)定义知识,而非静态属性。
反共识洞察:六年零融资未必是弱点,而更像是一道筛选真信徒的门槛——没有投资人和季度 OKR 需要说服,代价是几乎不存在的产品化与市场推广进度。
Noeon Research 是 NeoLab 系列中最极端的案例。成立于 2020 年，总部位于东京 Akasaka Midtown Tower 34 楼，迄今一分外部资金未拿，以约 26 人的团队在探索一条学术界论文讨论了多年、但没有人真正押注的路线——用范畴论（Category Theory）重构 AI 的知识表示基础。
他们对当前 LLM 的核心批评非常直接：Transformer 以"预测下一个 token"为目标，从根本上就不对。这个目标无法实现真正的推理和记忆。现有模型的幻觉问题、记忆缺失、推理不可靠，不是工程细节，而是架构原罪。
Noeon 的解法是：彻底换掉知识的表示方式。不用"属性"（attributes）定义知识，改用"动作"（actions）定义——每个概念由它与其他概念的关系和转换来定义，而非静态特征。这正是范畴论的核心思想：对象（objects）由它们之间的态射（morphisms）所刻画。
Noeon 的技术体系建立在三项紧密融合的创新之上。没有单独一项可以独立发挥作用——它们是整体系统的三个维度。
传统 AI 系统用"属性"定义知识：一只猫有四条腿、有毛发、会喵喵叫。这是静态的、枚举式的知识表示，无法捕捉概念之间的动态关系和转换规律。
Noeon 的范畴论方法改用"动作"定义：猫这个概念，由"猫能做什么"、"猫与其他概念如何相互转换"来刻画。对象的本质由态射（morphism）而非内在属性决定——这是数学家 Samuel Eilenberg 和 Saunders Mac Lane 在 1945 年提出的思想，但 Noeon 是第一家将其应用于 AI 知识表示的民间商业实体。
当前 Transformer 架构将知识存储为 token 序列，推理也在 token 序列空间中进行。这对 System-1 任务（直觉、模式匹配）有效，但对 System-2 任务（慢速、逻辑推理、规划）效率极低——因为这类任务的本质是在图结构关系网络中搜索路径。
Noeon 使用图结构数据作为知识的存储和推理底层。每个节点是一个概念，边代表关系和转换。这使得系统天然支持 System-2 推理：可以沿着关系路径追踪因果链，可以递归地展开复杂推理，可以在不同抽象层级之间切换，而不是依赖统计相关性。
现有多模态、多 Agent 系统面临的核心挑战是"翻译损耗"：不同组件（视觉编码器、语言解码器、工具调用层）之间存在表示空间的不匹配，每次跨组件传递都会丢失信息。
Noeon 的范畴论框架提供了一套统一的形式语言，使各组件之间可以无翻译损耗地协作与通信。在数学层面，这对应于保持结构的函子（functor）映射——转换过程中关系和结构得以保全，而非仅传递局部特征。Noeon 将此描述为"可扩展工作空间"（scalable workspace），目标应用场景包括软件工程、企业自动化、科学研究和工业设计。
Noeon 将其最终目标归结为三点：实现真正的事实准确性（不是统计上最可能正确，而是逻辑可追溯的正确）；完整记忆保留（不是基于参数的模糊记忆，而是图结构中的精确存储）；以及持续进化学习（不需要重新训练，可以在运行时通过添加新节点和边来更新知识）。
这三个目标，每一个都是当前 LLM 的已知弱点。Noeon 认为，这些弱点的根源是同一个：用 token 序列预测来建模知识，从一开始就走错了路。
"不用属性定义知识，改用动作定义——每个概念由它与其他概念的关系和转换来刻画，而非静态特征。这不是对 Transformer 的改进，这是替换。"— Noeon Research · 技术路线概述 · noeon.ai
NeoLab 系列的判断区域是编辑观点，不是综述。下面四条判断代表对 Noeon Research 战略地位的主观评估。
Noeon Research 是 NeoLab 系列中最不可能成功、但成功后影响最深远的实验室。它的价值不在于"可能成功"，而在于"在正确的问题上押注"。当前 AI 系统的记忆缺失、推理不可靠、幻觉问题确实是真实的架构问题，范畴论提供了一条理论上更自洽的替代路径。Noeon 是目前唯一正在这条路上全力前行的实体，无论最终结果如何，它的研究都会成为该方向最重要的参照点。
在 AI 行业普遍接受"scale is all you need"的 2026 年，Noeon Research 选择了一条几乎没有人走的路：回到数学基础，重新问一个问题——"知识"到底应该怎么被表示？
这个问题不新鲜。符号 AI 时代的研究者也问过，专家系统也是答案之一。但范畴论提供了一个更严格、更普适的形式语言，一个让"关系"本身成为第一公民的数学框架。
Noeon 可能会失败。但如果 AI 的下一个真正的范式转变不是来自更大的 GPU 集群，而是来自东京一栋办公楼 34 楼的 26 个人，历史会记得他们在正确的时间问了正确的问题。