本研究提出了智能的公理化定义，填补了智能作为模糊概念的理论空白。通过集合论，定义了包含时间演变和相互作用的智能结构，并应用于比较神经网络与生物反射系统，揭示了智能的本质及其影响。

本研究解决了句子编码器在任务无关背景下的组合属性评估不足的问题。通过利用经典集合论，我们提出了六个标准，并系统地评估了多种句子编码器与这些标准的一致性。研究发现，SBERT在集合式组合属性上表现优异，超越了最新的大型语言模型，并引入了一个新的数据集以支持未来的基准测试。

今天探讨了集合论和范畴论下的标签体系，关注文本相似度计算，尽管算法较为机械。通过语义寻找相似性，AI提供了大模型的实现方法，标签体系似乎是大模型设计的基本视角。

本文探讨了意向性继承的形式化与量化，提出了一种信息论方法，通过分析属性集及其相互作用，推导出相关公式，揭示传统集合论的特殊性。研究表明，意向性继承能更准确地描述概念间的信息传递关系，帮助理解概念的内在联系。

通过在随机排列集合理论（RPST）的性质基础上构建随机行走模型，并进行蒙特卡罗模拟，我们发现通过 RPST 生成的随机行走表现出与高斯随机行走类似的特征，并可以通过特定的极限缩放过程转化为维纳过程，从而为 RPST 和随机行走理论建立了新的联系，扩展了 RPST 的适用性，并展示出结合这两种方法优势以改进问题解决能力的潜力。

本文探讨了集合论、范畴论和类型论三种数学基础的观点，数学基础是任何足以证明实际数学中通常被视为公理的结果的形式主义。