feat: JspaceAI 自主智慧架构

基于第一性原理 + Anthropic 2026 J-space 论文实现的具身智慧系统。

核心架构：
- ODE 动力系统 + 并行专家 + J-space 工作空间广播
- 12 个异构专家（视觉/屏幕/听觉/语言/鼠标/跨模态）
- workspace 256 维 + LayerNorm + RK4 积分

自主心智（最重要的能力）：
- 好奇心驱动探索（内在奖励 + 世界模型）
- 跨会话状态持久化（海洋不蒸发）
- 自我模型（知道自己会什么不会什么）
- 元学习（自适应学习率 + 策略选择）

具身 Agent（完整神经系统）：
- 感知层：摄像头 + 麦克风 + 屏幕 + 键盘 + 鼠标
- 大脑皮层（workspace）+ 小脑（运动控制）+ 中枢神经（门控）
- 海马体（情景记忆）+ 基底神经节（动作选择）
- 执行器：鼠标控制 + 键盘输出 + 音频播放 + 屏幕绘制

多模态支持：
- 原生图像/音频/视频/文本/键盘/鼠标 6 种模态
- 跨平台（macOS/Windows/Linux）

外挂模块系统：
- 可热插拔的外部能力（小模型/知识库/工具）
- 核心心智不依赖外挂，断开后继续工作

守护进程：
- 用户主动 start/stop（不自启）
- 后台静默运行，持续感知学习
- 状态自动保存，跨会话继续

J-lens 可解释性：
- 观测模型内部每个 ODE 子步的想法
- Directed Modulation 验证 workspace 因果作用
- Selectivity 验证（ablate workspace）

小模型蒸馏：
- 接 GPT-2/Qwen 等迁移理解能力
- 蒸馏完成后小模型可断开

验证结果：
- 连续序列：JSpace 胜 Flat 39.7%
- 语言进化：loss 3.95→2.40
- workspace ||w||：v1 0.05 → v2 16.0
- 实时五通道感知 + 具身闭环运行

jspaceai/task.py

@@ -0,0 +1,101 @@
+"""
+玩具任务：连续时间序列预测
+
+生成多模态时间序列——不同时段由不同的潜在规则驱动：
+    时段 A（t mod 4 ∈ [0,1)）：正弦波 + 慢漂移
+    时段 B（t mod 4 ∈ [1,2)）：快速振荡
+    时段 C（t mod 4 ∈ [2,3)）：脉冲信号
+    时段 D（t mod 4 ∈ [3,4)）：组合信号
+
+任务：给定 x_t，预测 x_{t+1}。
+
+设计意图：
+    - 不同时段需要不同的"专家"处理——验证工作空间能否学到分工
+    - 模式切换时需要工作空间广播给正确的专家——验证 J-space 路由
+    - 扁平 MLP 在模式切换时会糊掉，工作空间架构应该更鲁棒
+"""
+from __future__ import annotations
+
+import numpy as np
+import torch
+from torch.utils.data import Dataset
+
+
+class ContinuousSequenceTask:
+    """生成连续多模态时间序列"""
+
+    def __init__(self, input_dim: int = 8, seq_len: int = 64, seed: int = 42):
+        self.input_dim = input_dim
+        self.seq_len = seq_len
+        self.rng = np.random.default_rng(seed)
+
+        # 每个时段有自己的参数
+        self.phase_len = 16  # 每个模式持续 16 步
+        self.phase_params = self._gen_phase_params()
+
+    def _gen_phase_params(self) -> list[dict]:
+        """4 个时段，每段不同参数"""
+        params = []
+        for i in range(4):
+            params.append({
+                'freq': self.rng.uniform(0.1, 0.5),      # 振荡频率
+                'phase': self.rng.uniform(0, 2 * np.pi),  # 相位
+                'drift': self.rng.uniform(-0.02, 0.02),   # 慢漂移
+                'amp': self.rng.uniform(0.3, 1.0),        # 振幅
+                'noise': self.rng.uniform(0.01, 0.05),    # 噪声
+            })
+        return params
+
+    def generate_sequence(self, n_steps: int) -> np.ndarray:
+        """生成长度为 n_steps 的序列"""
+        x = np.zeros((n_steps, self.input_dim), dtype=np.float32)
+        state = np.zeros(self.input_dim, dtype=np.float32)
+
+        for t in range(n_steps):
+            phase_idx = (t // self.phase_len) % 4
+            p = self.phase_params[phase_idx]
+
+            # 每个维度独立演化，但共享相位
+            for d in range(self.input_dim):
+                d_offset = d * 0.3
+                if phase_idx == 0:
+                    # 正弦 + 漂移
+                    state[d] = p['amp'] * np.sin(p['freq'] * t + p['phase'] + d_offset) + p['drift'] * t
+                elif phase_idx == 1:
+                    # 快速振荡
+                    state[d] = p['amp'] * np.sin(p['freq'] * 3 * t + p['phase'] + d_offset)
+                elif phase_idx == 2:
+                    # 脉冲
+                    pulse = 1.0 if (t % 5 == 0) else 0.0
+                    state[d] = p['amp'] * pulse + 0.1 * np.sin(p['phase'] + d_offset)
+                else:
+                    # 组合
+                    state[d] = (p['amp'] * 0.5 * np.sin(p['freq'] * t + p['phase'] + d_offset)
+                                + p['amp'] * 0.3 * np.cos(p['freq'] * 2 * t + d_offset))
+
+                state[d] += self.rng.normal(0, p['noise'])
+
+            x[t] = state
+
+        # 归一化到 [-1, 1]
+        x = np.tanh(x)
+        return x
+
+    def generate_batch(self, batch_size: int, n_steps: int | None = None) -> torch.Tensor:
+        """生成一个 batch 的序列"""
+        n_steps = n_steps or self.seq_len
+        batch = np.stack([self.generate_sequence(n_steps) for _ in range(batch_size)])
+        return torch.from_numpy(batch)
+
+
+class SequenceDataset(Dataset):
+    """用于 DataLoader 的数据集"""
+
+    def __init__(self, task: ContinuousSequenceTask, n_samples: int, seq_len: int):
+        self.data = [task.generate_sequence(seq_len) for _ in range(n_samples)]
+
+    def __len__(self):
+        return len(self.data)
+
+    def __getitem__(self, idx):
+        return torch.from_numpy(self.data[idx])