一个输入，一个激活值。
传统神经元把输入压缩成一个标量激活。它精确、稳定、高效，但会立即把局部的多种可能性收缩为单一点值。
h = φ(wᵀx + b)
我们的核心命题
研究的起点不是网络，而是神经元。
现代语言模型拥有惊人的能力，但其内部计算单元在很大程度上仍然是确定性的。JWAYU 从一个不同的前提出发：既然歧义与不确定性是智能的内在组成部分，计算单元本身就应该能够表示它们。
一个输入，一个结构化的可能性空间。
EVE 单元根据输入构造后验分布，通过重参数化采样潜在状态，并让该状态直接参与前向计算。
qφ(z|x) = 𝒩(μ(x), diag(σ²(x)))
EVE — Elemental Variational Expanse
什么是变分分布神经元？
它是一种局部概率计算单元，显式包含先验、摊销后验以及单元级的变分正则化。激活不再只是一个数值，而是由学习到的分布产生。
条件化
单元接收当前表示，并生成后验分布的参数。
表示
局部高斯后验承载一组连续、合理的潜在状态。
采样
重参数化产生可微的潜在样本，并将其用于前向传播。
约束
局部 KL 项相对于先验调节后验，使神经元的运行状态可测量、可控制。
点值计算
传播一个激活值；单元内部并不显式表示不确定性。
随机化计算
通过掩码或采样路径引入随机性，但不会让每个单元都成为一个显式的、由输入条件化的潜在后验。
分布式计算
在单元内部维持一个学习到的局部分布，包含先验、后验、潜在样本与内部诊断指标。
语言模型不应在真正利用不确定性之前，就被迫将其压缩为单一答案。
变分分布语言模型把 EVE 单元引入模型的隐藏层计算，包括 Transformer 的前馈模块。整体架构仍然清晰可辨，但内部的计算基元发生了改变。
不确定性不再只是最终输出上的置信度分数。模型可以在不同层之间传递局部潜在结构，并利用后验方差、KL 散度和互信息等内部信号进行评估、校准与控制。
从神经元到模型
一个分层推进的研究计划。
JWAYU 先定义新的计算基元，再研究其运行状态，将其集成进 Transformer，并进一步把内部不确定性转化为可执行的控制信号。
神经元就是分布
定义局部变分计算，并让神经元内部的概率状态能够被观察与测量。
用 EVE 构建网络
研究稳定性、容量、潜在维度、时间持续性以及坍缩控制。
变分 Transformer
把 EVE 集成到前馈计算中，同时保留实用、熟悉的 Transformer 主干。
研究论文
一步一步建立变分分布神经元的研究体系。
研究从计算单元出发，系统探索其设计空间，进入语言建模，并进一步研究如何把内部不确定性转化为智能体控制接口。
Variational Distributional Neuron
提出概念验证：把计算单元构造成局部 VAE 基元，显式携带先验、摊销后验与局部 ELBO。
Exploring the Dimensions of a Variational Neuron
研究潜在维度、局部容量、时间持续性以及 EVE 可测量的内部运行状态。
Variational Neurons in Transformers for Language Modeling
把 EVE 单元置入 Transformer 前馈计算，并评估预测质量、校准能力与内部不确定性信号。
Agentic Control in Variational Language Models
探索如何把内部不确定性用于调节、检查点保留以及推理阶段的主动干预。
面向投资者与战略合作伙伴
为不确定性感知人工智能打造新的计算基元。
JWAYU 正围绕变分分布神经元与变分分布语言模型，建立知识产权、实验依据与工程实现能力。
改变计算单元，打开新的模型空间。
清晰、独立的技术命题
把概率结构从全局机制或输出端，推进到隐藏层的基本计算单元内部。
可测量的内部状态
提供局部信号，为校准、鲁棒性分析、路由与模型控制建立新的接口。
兼容现有架构的发展路径
在熟悉的神经网络与 Transformer 主干中发展新基元，而不是推翻整个技术生态。
持续公开的研究轨迹
一系列预印本已依次建立概念、设计空间、语言模型集成与智能体应用。