NOEON RESEARCH
范畴论驱动的 AI 架构异见者

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，由 Yuriy Chernyi 与 Andrei Krutikov 创立，迄今一分外部资金未拿，以约 26 人的团队探索一条学界讨论了多年、但几乎没有商业实体真正押注的路线——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，在他们看来不是工程细节，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，这一思想由数学家 Samuel Eilenberg 和 Saunders Mac Lane 在 1945 年提出，Noeon 是第一家将其应用于 AI 知识表示的民间商业实体。

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。范畴论知识语言：传统 AI 系统用"属性"定义知识（一只猫有四条腿、有毛发），这是静态的、枚举式的表示；Noeon 改用"猫能做什么、如何与其他概念相互转换"来刻画，对象的本质由态射而非内在属性决定。

图结构数据 + System-2 推理：当前 Transformer 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 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，使系统天然支持沿关系路径追踪因果链、递归展开复杂推理。

可扩展工作空间（无损组件通信）：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。Noeon 的范畴论框架提供了一套统一的形式语言，在数学层面对应保持结构的函子（functor）映射，使各组件间可以无翻译损耗地协作，目标应用场景包括软件工程、企业自动化、科学研究与工业设计。

三者共同指向 Noeon 的三大终极目标：真正的事实准确性（逻辑可追溯，而非统计上最可能正确）、完整记忆保留（图结构中的精确存储，而非基于参数的模糊记忆）、以及持续进化学习（无需重新训练，运行时通过添加新节点和边更新知识）。Noeon 认为，当前 LLM 在这三点上的弱点根源相同：用 token 序列预测建模知识，从一开始就走错了路。

东京、零融资、用数学基础重新发明 AI——在 2026 年，这几乎是反商业逻辑的存在，但正因如此，Noeon 是 NeoLab 系列中最纯粹的案例。它不需要向投资人解释"为什么不用 Transformer"，也不需要在季度 OKR 中证明范畴论的商业价值。这种独立性在技术探索上是真实的优势，尽管在产品化和市场推广上是明确的劣势——拿风险投资是一个信号，六年零融资同样是一个信号：要么团队真的相信这条路是对的并愿意长期等待，要么存在某种替代性的商业模式（企业服务、科研合同）在维持运营。无论哪种，都暗示这是一支"真信徒"而非"押注者"的团队。

FHI（牛津未来人类研究所）、学界论文、MIRI 等机构都讨论过范畴论在 AI 中的应用，但没有人像 Noeon 这样全押在这条路上、且以商业公司形态运营。这意味着：如果这条路有效，Noeon 几乎是唯一的候选合作方或收购标的；如果它在复杂推理、科学研究等特定场景上展示出明显优势，其先发优势将难以复制。

但这也是 NeoLab 系列中风险最高的一个案例。范畴论的抽象性使工程实现极为困难，"无损通信"和"完整记忆"在大规模场景下的可行性尚未被验证，约 26 人的团队规模也可能难以同时推进理论研究和产品开发。张力在于：Noeon 押注的不是"更好的 LLM"，而是对 AI 知识表示方式的根本性替换——这类押注要么因为过于超前而默默消失，要么在多年沉寂后带来不亚于"从符号 AI 到神经网络"的范式转移，而外部几乎没有任何中间信号可以验证它此刻走在哪条轨道上。