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/trainer.py

@@ -0,0 +1,92 @@
+"""
+训练器：预测学习目标 + 对比训练
+
+学习目标（第一性原理）：
+    智慧系统的核心是"内部建模世界"——即预测下一时刻世界状态。
+    所以 loss = ||x_{t+1} - pred_t||²
+
+    pred_t = model(x_{0:t})
+
+这是自监督的——不需要标签，只需要时间序列本身。
+"""
+from __future__ import annotations
+
+import torch
+import torch.nn as nn
+import numpy as np
+from typing import Optional
+from .task import ContinuousSequenceTask
+
+
+class Trainer:
+    """通用训练器，适用于 JSpaceModel 和 FlatBaseline"""
+
+    def __init__(self, model: nn.Module, task: ContinuousSequenceTask,
+                 lr: float = 1e-3, device: str = 'cpu'):
+        self.model = model.to(device)
+        self.task = task
+        self.device = device
+        self.optimizer = torch.optim.Adam(model.parameters(), lr=lr)
+        self.loss_fn = nn.MSELoss()
+        self.history: list[float] = []
+
+    def train_step(self, xs: torch.Tensor) -> float:
+        """
+        xs: (batch, T, input_dim)
+        returns: loss value
+        """
+        xs = xs.to(self.device)
+        # 预测目标：x_{t+1} = xs[:, 1:], 输入 xs[:, :-1]
+        # 模型输出 preds[:, t] 应该预测 xs[:, t+1]
+        preds, _ = self.model(xs)
+        # preds: (batch, T, input_dim) —— preds[:, t] 是从 xs[:, :t+1] 预测的下一时刻
+        # 对齐：preds[:, :-1] 预测 xs[:, 1:]
+        pred = preds[:, :-1]
+        target = xs[:, 1:]
+
+        loss = self.loss_fn(pred, target)
+
+        self.optimizer.zero_grad()
+        loss.backward()
+        # 梯度裁剪（ODE 训练容易爆炸）
+        torch.nn.utils.clip_grad_norm_(self.model.parameters(), max_norm=1.0)
+        self.optimizer.step()
+
+        return loss.item()
+
+    def evaluate(self, xs: torch.Tensor) -> float:
+        """评估，不更新参数"""
+        self.model.eval()
+        with torch.no_grad():
+            xs = xs.to(self.device)
+            preds, _ = self.model(xs)
+            pred = preds[:, :-1]
+            target = xs[:, 1:]
+            loss = self.loss_fn(pred, target).item()
+        self.model.train()
+        return loss
+
+    def train(self, n_steps: int = 500, batch_size: int = 32,
+              eval_interval: int = 50, verbose: bool = True) -> list[float]:
+        """完整训练循环"""
+        self.model.train()
+        for step in range(n_steps):
+            xs = self.task.generate_batch(batch_size)
+            loss = self.train_step(xs)
+            self.history.append(loss)
+
+            if verbose and (step + 1) % eval_interval == 0:
+                eval_xs = self.task.generate_batch(64)
+                eval_loss = self.evaluate(eval_xs)
+                print(f"  step {step+1:4d} | train_loss {loss:.4f} | eval_loss {eval_loss:.4f}")
+
+        return self.history
+
+    def get_attention(self, xs: torch.Tensor) -> Optional[torch.Tensor]:
+        """获取注意力权重（仅 JSpaceModel 有，用于可解释性）"""
+        self.model.eval()
+        with torch.no_grad():
+            xs = xs.to(self.device)
+            _, info = self.model(xs)
+        self.model.train()
+        return info.get('alpha', None)