WSaiOS：面向认知资产与工程化认知流程的智能操作系统架构

作者:东塬一老翁

摘要

当前人工智能系统正从单一的"生成"能力向"理解-推理-决策-行动"的完整认知链条演进，然而现有技术栈仍以神经网络模型为中心，缺乏对认知资产的结构化管理、对推理过程的可解释性控制以及对多智能体协作的系统级支撑。本文提出WSaiOS（Wisdom Self-Adaptive Intelligent Operating System），一种以认知资产和工程化认知流程为核心的智能操作系统架构。WSaiOS将智能系统的构建从"训练模型"转向"编排认知"，通过认知内核（Cognitive Kernel）、认知运行时（Cognitive Runtime）、认知总线（Cognitive Bus）等核心组件，构建了覆盖知识获取、能力学习、认知决策、语义匹配到语言生成的完整认知链路。本文系统阐述了WSaiOS的理论基础、总体架构、核心模块设计及工程实施路径，并提出了包括认知对象标准、认知API标准、认知协议、认知文件系统、认知数据库、认知指令集和认知汇编在内的完整标准体系。WSaiOS可独立运行于规则、知识和能力驱动的场景，亦可与大语言模型等统计学习模型协同工作，为企业级智能应用提供了一种高可解释、高可控、可演化的架构范式。

关键词：认知操作系统；认知资产；认知运行时；多智能体系统；认知对象标准；语义模拟

1 引言

1.1 研究背景

人工智能系统在过去十年经历了从感知智能到认知智能的快速演进。以Transformer为基础的大语言模型在自然语言理解与生成上取得了突破性进展，但其核心能力源于海量数据上的自监督预训练和隐式参数化知识存储。然而，这类模型在实际部署中面临三大挑战：推理成本高昂，难以支撑高频低延迟场景；内部决策过程缺乏可解释性，难以满足合规审计需求；生成内容不可控，容易出现事实性错误或偏离业务逻辑。

与此同时，AI智能体（Agent）系统正从单轮对话走向多步推理、从单Agent走向多Agent协作、从原型验证走向生产部署。现有技术栈------从Agent框架到推理引擎------并非为Agent系统而生，导致大量跨层级的治理策略只能以零散补丁的形式嵌入某一层，系统日益臃肿且难以维护。

这一困境的根源在于：Agent系统需要一个专门为其设计的系统级抽象。正如操作系统是对硬件资源的抽象，智能操作系统应当是对认知过程的系统级抽象。

1.2 问题定义

我们将当前AI系统面临的核心问题形式化如下：

设系统在时间t的认知状态为C(t)，知识库为K，推理引擎生成的决策为D(t)。当前主流架构的能力可表示为：

D(t) = f(K, S(t))

即决策仅依赖于静态知识结构和当前输入，不包含对认知资产的持续积累、对推理过程的可审计追踪、对多智能体协作的系统级协调。这意味着系统缺乏真正的认知连续性（cognitive continuity）和架构级的学习能力。

理想的智能操作系统应具备如下能力：

D(t) = g(K, C(t), M(t), W(t), A(t))

其中M(t)为累积的认知记忆，W(t)为可复用的工作流模板，A(t)为可调用的认知资产集合。

1.3 本文贡献

本文的主要贡献包括：

提出WSaiOS的完整理论框架与总体架构，定义认知内核、认知能力学习、认知网络、认知决策等核心概念；
设计认知系统篇的核心模块，包括知识获取、认知记忆、认知资产、认知运行时、认知总线和元内核；
给出工程实施路径与参考架构；
提出一套完整的认知标准体系，涵盖认知对象标准、认知API标准、认知协议、认知文件系统、认知数据库、认知指令集和认知汇编，旨在建立智能操作系统的行业规范。

2 相关工作

2.1 认知操作系统

近年来，"认知操作系统"（Cognitive Operating System）作为独立概念逐渐受到学术界和工业界的关注。CognitiveOS被定义为首个面向认知机器人的操作系统，以多智能体系统为架构，基于Transformer架构构建模块，通过内部独白格式促进模块间通信。AgentOS则提出了将大语言模型重新定义为"推理内核"（Reasoning Kernel）的概念，通过将经典操作系统抽象------如内存分页、中断处理和进程调度------映射到LLM原生结构上，构建弹性、可扩展、自演化的认知环境。

AIOS（LLM Agent Operating System）将大语言模型嵌入操作系统作为系统的"大脑"，使操作系统"有灵魂"。COCO（Cognitive Operating System with Continuous Oversight）提出了一个理论驱动的框架，在多智能体驱动系统中实现异步自监控和自适应错误修正。

这些工作从不同角度探索了AI与操作系统的融合，但其共同局限在于：仍然以神经网络模型（尤其是LLM）为中心，认知过程被封装在模型的黑盒之中，缺乏对认知资产的显式管理和对认知流程的工程化编排。

2.2 认知运行时与认知内核

认知运行时（Cognitive Runtime）作为独立系统层次的概念逐渐受到关注。ElephantBroker提出了一个开源认知运行时，将Neo4j知识图谱与Qdrant向量存储统一，提供可验证的Agent记忆。ORCA（Open Cognitive Runtime for Agents）将认知建模为显式语义单元的组合，强调认知运行时层作为结构化Agent认知的有力抽象。

在认知内核方面，有研究提出了扩展冯·诺依曼架构的方案，纳入推理专用指令集架构、并行符号处理流水线和Agent感知的内核抽象。MCP-ZERO则展示了一个无需神经网络、无需GPU、无需云端的认知AI内核。

2.3 与WSaiOS的对比

与上述工作相比，WSaiOS的核心差异在于：

· 认知资产化：将知识、能力、规则、记忆、工作流、决策等均视为可管理、可复用、可交易的"认知资产"（Cognitive Assets），而非隐含在模型参数中的不可见状态；

· 工程化认知：将认知过程从"黑盒推理"转化为"可编排、可审计、可优化的工程流程"；

· 标准驱动：提出完整的认知标准体系，旨在建立类似于HTML、JSON、HTTP、TCP/IP的行业基础设施级标准；

· 模型无关：既可独立运行于规则和知识驱动的场景，也可与LLM等统计学习模型协同工作。

3 WSaiOS总体架构

3.1 设计哲学

WSaiOS的核心设计哲学是："模拟智能行为，而非复现智能本质"。系统不试图在隐空间中学习概率分布，而是将"语义处理"视为一种结构化认知计算过程。

这一哲学体现在三个层面：

认知即计算：将智能行为拆解为可观测、可度量、可优化的认知计算步骤；
认知即资产：将认知过程的产物（知识、能力、规则、记忆等）视为可持久化、可复用、可交易的资产；
认知即标准：通过统一的对象模型、API协议和指令集，使认知组件可互操作、可组合、可扩展。

3.2 总体架构

WSaiOS的总体架构分为四个层次：

第一层：认知内核（Cognitive Kernel） ------系统的核心调度与协调中枢，负责认知资源的分配、认知任务的调度和认知状态的维护。

第二层：认知系统层（Cognitive System Layer） ------包含知识获取（Knowledge Acquisition）、认知记忆（Cognitive Memory）、认知资产（Cognitive Asset）、认知运行时（SAI Runtime）、认知总线（Cognitive Bus）和元内核（Meta Kernel）六大模块。

第三层：能力层（Capability Layer） ------包含能力学习（Capability Learning）、认知网络（Cognitive Network）、认知决策（Cognitive Decision）、语义认知匹配（Semantic Cognitive Matching）和语言组装（Language Assembly）五大引擎。

第四层：标准与生态层（Standard & Ecosystem Layer） ------包含认知对象标准、认知API标准、认知协议、认知文件系统、认知数据库、认知指令集、认知汇编、SDK、Marketplace、安全框架、部署标准和基准测试。

3.3 核心设计原则

WSaiOS遵循以下核心设计原则：

· 确定性优先：在可能的情况下采用确定性计算，仅在必要处引入概率机制；

· 可解释性内置：每一认知步骤均可追溯、可审计；

· 资产可复用：认知资产可在不同任务、不同Agent、不同系统间共享和复用；

· 标准开放：所有接口、协议、对象模型均开放标准化；

· 模型无关：支持纯规则驱动、知识驱动、LLM驱动及混合驱动模式。

4 理论篇

4.1 模拟人工智能（SAI）的定义

WSaiOS基于"模拟人工智能"（Simulated Artificial Intelligence, SAI）的概念构建。与传统的"人工智能"强调机器能否真正"思考"不同，SAI关注的是：系统能否在行为层面模拟出智能的特征------包括理解、推理、决策、学习和语言表达------而不必然要求这些过程与人类认知在机制上同构。

SAI的三个核心特征：

行为模拟：系统在外显行为上呈现智能特征；
结构化实现：智能行为通过显式的知识结构、规则体系和认知流程实现，而非隐式的参数分布；
工程化可控：所有认知过程均可设计、可调试、可优化、可审计。

4.2 认知内核（Cognitive Kernel）

认知内核是WSaiOS的调度与协调中枢。与传统的操作系统内核管理硬件资源不同，认知内核管理的是认知资源------包括知识片段、能力模块、记忆单元、决策规则和工作流模板。

认知内核的核心职责包括：

· 认知任务调度：将高层认知目标分解为可执行的认知步骤序列；

· 认知资源分配：为各认知任务分配所需的知识、能力和记忆资源；

· 认知状态管理：维护系统整体的认知状态，包括上下文、目标、进度和约束；

· 认知中断处理：响应外部事件和内部状态变化，动态调整认知流程。

4.3 能力学习（Capability Learning）

能力学习模块负责从经验中提取可复用的能力模式。与深度学习的"训练"不同，WSaiOS的能力学习是一种结构化学习：

· 从成功执行的认知流程中提取模式，形成可复用的能力模板；

· 从失败案例中提取约束和规则，避免重复错误；

· 通过类比和组合，从已有能力生成新能力。

4.4 认知网络（Cognitive Network）

认知网络是知识、能力和Agent之间的关联结构。它不同于传统的知识图谱，而是一个动态的、可演化的认知关联网络，其中：

· 节点可以是知识片段、能力模块、规则、记忆、决策或Agent；

· 边表示认知关系（如"依赖"、"触发"、"包含"、"相似"、"矛盾"等）；

· 网络动态演化，随着新知识的获取和新能力的形成而生长和重构。

4.5 认知决策（Cognitive Decision）

认知决策模块实现从"理解"到"行动"的转换。其核心机制包括：

· 多源证据融合：综合来自知识检索、模式匹配、规则引擎和LLM的多种信号；

· 置信度评估：对每一候选决策赋予置信度分数；

· 未知检测：识别超出系统认知边界的情况，触发人工介入或探索性学习；

· 可解释输出：每一决策附带完整的推理链和证据链。

4.6 语义认知匹配（Semantic Cognitive Matching）

语义认知匹配是将自然语言输入与系统内部认知结构对齐的关键环节。系统将自然语言输入解析为结构化的意图-动作-对象-约束-上下文元组，然后通过多级匹配机制------包括知识图谱匹配、案例库匹配、规则集匹配和语义向量匹配------找到最相关的认知资产。

4.7 语言组装（Language Assembly）

语言组装模块负责将系统内部的认知计算结果转化为自然语言输出。与LLM的端到端生成不同，WSaiOS采用模板化组装方式：

· 根据决策结果选择合适的语言模板；

· 将结构化数据填充到模板的对应槽位；

· 通过组合和变形生成流畅、准确、可控的自然语言输出。

5 认知系统篇

5.1 知识获取（Knowledge Acquisition）

知识获取模块负责将外部信息转化为系统可用的结构化知识。支持多种知识来源：

· 结构化数据导入：从数据库、知识图谱等结构化源导入；

· 文档解析：从PDF、Word、网页等非结构化文档中提取知识；

· 对话学习：从与用户的交互中提取新知识；

· 经验沉淀：从任务执行中提取案例和规则。

5.2 认知记忆（Cognitive Memory）

认知记忆系统管理Agent的长期记忆，确保认知连续性。其架构包括：

· 工作记忆：当前任务的短期上下文；

· 情景记忆：过往任务的具体经验和案例；

· 语义记忆：抽象的知识和概念；

· 程序性记忆：已掌握的能力和工作流。

5.3 认知资产（Cognitive Asset）

认知资产是WSaiOS最核心的概念之一。一切可被系统认知和处理的对象------知识、能力、规则、记忆、工作流、决策、语言模板、Agent------均被视为认知资产。

认知资产具有以下属性：

· 可标识：每一资产有唯一标识符；

· 可版本化：资产可追溯历史版本；

· 可组合：资产可被组合成更复杂的资产；

· 可交易：资产可在Marketplace中共享和交换；

· 可审计：资产的使用和变更均有完整记录。

5.4 SAI运行时（SAI Runtime）

SAI Runtime是WSaiOS的执行引擎，负责将认知流程转化为具体的行为执行。其核心模块包括：

· 智能体调度器：负责任务的分配和优先级管理；

· 管理器：管理Agent的生命周期和状态；

· 执行引擎：执行具体的认知操作；

· 通信总线：负责模块间和Agent间的通信；

· 记忆桥：连接工作记忆和长期记忆；

· 状态控制器：维护系统执行状态；

· 协作引擎：协调多Agent协作；

· 工具接口层：对接外部工具和API；

· 生命周期管理：管理Agent从创建到销毁的全过程；

· 安全治理：确保执行过程的安全和合规。

5.5 认知总线（Cognitive Bus）

认知总线是WSaiOS的通信基础设施，负责所有认知组件之间的信息交换。其核心特征：

· 发布-订阅模式：组件可发布事件和订阅感兴趣的事件；

· 消息路由：根据消息类型和内容智能路由到目标组件；

· 上下文传递：在组件间传递完整的认知上下文；

· 协议统一：所有通信遵循统一的认知协议。

5.6 元内核（Meta Kernel）

元内核是WSaiOS的"自省与自演化"中枢。它使系统能够：

· 观察自身：监控系统各组件的行为和性能；

· 分析自身：识别系统的瓶颈、缺陷和改进机会；

· 修改自身：动态调整系统配置、规则甚至架构；

· 生成自身：从零开始设计新的系统变体。

WSaiOS v2.6已实现了元内核的核心能力------架构生成器可根据环境反馈和性能历史动态合成新的内核设计。

6 工程篇

6.1 参考架构（Reference Architecture）

WSaiOS的参考架构采用分层模块化设计，各层之间通过认知总线通信，确保松耦合和高内聚。部署形态支持：

· 单机部署：轻量级开发与测试环境；

· Docker容器：标准化打包与交付；

· Kubernetes集群：大规模分布式部署；

· 云原生：弹性伸缩与高可用；

· 企业私有化：数据主权与安全合规；

· 边缘计算：低延迟端侧部署。

6.2 实施路线图（Implementation Roadmap）

WSaiOS的实施路线图遵循"核心先行、标准驱动、生态扩展"的策略：

第一阶段：核心内核 ------ 实现认知内核、SAI Runtime和认知总线的核心功能。

第二阶段：认知系统 ------ 实现知识获取、认知记忆、认知资产等系统模块。

第三阶段：能力引擎 ------ 实现能力学习、认知决策、语义匹配和语言组装。

第四阶段：标准体系 ------ 发布认知对象标准、认知API标准、认知协议等规范。

第五阶段：生态建设 ------ 推出SDK、Marketplace，构建开发者生态。

7 标准篇：拉开差距的关键

用户指出"这是我认为真正拉开差距的地方"【原文】。WSaiOS的标准体系旨在建立类似于HTML、JSON、HTTP、TCP/IP的行业基础设施级标准【原文】。

7.1 认知对象标准（Cognitive Object Standard）

认知对象标准定义了WSaiOS中所有认知资产的统一数据模型【原文】。标准化的对象类型包括：

· Knowledge Object：知识对象

· Capability Object：能力对象

· Rule Object：规则对象

· Memory Object：记忆对象

· Workflow Object：工作流对象

· Decision Object：决策对象

· Language Object：语言对象

· Agent Object：智能体对象

所有对象遵循统一的Object Schema，确保插件、企业应用和第三方系统之间的互操作性【原文】。

7.2 认知API标准（Cognitive API Standard）

认知API标准规定了所有模块的统一接口规范【原文】。核心API包括：

· GetKnowledge() ------ 获取知识

· SearchKnowledge() ------ 搜索知识

· SearchCapability() ------ 搜索能力

· CreateWorkflow() ------ 创建工作流

· CallAgent() ------ 调用智能体

· ExecuteDecision() ------ 执行决策

· Verify() ------ 验证结果

· RecallMemory() ------ 召回记忆

统一的API使所有SDK和模块实现标准化互操作【原文】。

7.3 认知协议（Cognitive Protocol）

WSaiOS定义了WSCP（WS Cognitive Protocol）作为统一认知协议【原文】。WSCP规范了：

· 消息格式：组件间通信的消息结构；

· 上下文传递：认知上下文的序列化与传递方式；

· 记忆访问：记忆的读写协议；

· 资产操作：认知资产的创建、读取、更新、删除协议；

· 任务管理：任务的创建、调度、执行和完成协议；

· 工作流编排：工作流的定义、触发和执行协议【原文】。

WSCP使Agent、Plugin、Runtime和Bus之间的通信统一标准化【原文】。

7.4 认知文件系统（Cognitive File System）

认知文件系统是WSaiOS最具创新性的设计之一【原文】。传统文件系统以文件为单位组织数据，而认知文件系统以认知对象为单位组织信息【原文】。

例如，一个PDF文件在认知文件系统中被系统视为【原文】：

```

Knowledge → Capability → Rule → Case → Workflow → Asset

```

即系统看到的不是"一个PDF文件"，而是一个包含知识、能力、规则、案例、工作流和资产的完整认知结构【原文】。这使得文件系统本身成为认知基础设施的一部分。

7.5 认知数据库（Cognitive Database）

认知数据库是专门为认知计算设计的数据库系统【原文】。它不同于传统的关系型数据库（SQL）、文档数据库（MongoDB）或键值缓存（Redis），而是原生支持【原文】：

· Knowledge：结构化知识的存储与检索；

· Capability：能力模板的存储与匹配；

· Memory：情景记忆与语义记忆的持久化；

· Workflow：工作流模板的存储与实例化；

· Decision：决策记录与推理链的存储；

· Relationship：认知对象之间的关联关系【原文】。

7.6 认知指令集（Cognitive Operating Instruction）

认知指令集定义了WSaiOS运行时支持的原语操作【原文】。类似于CPU有自己的指令集，认知操作系统也有自己的认知指令集【原文】。核心指令包括【原文】：

Observe ------ 观察输入与状态

Understand ------ 理解语义

Search ------ 搜索知识与能力

Match ------ 匹配模式与案例

Think ------ 推理与思考

Decide ------ 做出决策

Verify ------ 验证结果

Learn ------ 学习新知识

Execute ------ 执行动作

Recall ------ 召回记忆

Store ------ 存储认知对象

Compare ------ 比较与评估

Rank ------ 排序与优选

Generate ------ 生成语言输出

Evaluate ------ 评估效果

所有运行时实现统一支持这些指令【原文】。

7.7 认知汇编（Cognitive Assembly）

认知汇编是WSaiOS最具远见的设计【原文】。它不是机器汇编，而是AI汇编【原文】。工作流被编译成认知汇编指令序列，由SAI Runtime直接执行【原文】。例如【原文】：

```

OBSERVE User

SEARCH Knowledge

MATCH Capability

THINK Decision

VERIFY Result

STORE Memory

RETURN Language

```

认知汇编类似于虚拟机字节码，但定位为领域专用中间表示（IR），而非试图完全替代底层机器指令【原文建议】。这一设计使认知工作流可以被编译、优化、缓存和跨平台执行。

7.8 生态与基础设施

标准体系之外，WSaiOS还定义了完整的生态基础设施【原文】：

· WSaiOS SDK：供开发者开发Agent、Plugin和Workflow的软件开发工具包；

· WSaiOS Marketplace：认知资产的共享与交易平台，支持插件、知识、工作流和能力的分发；

· Security Framework：企业级安全框架，涵盖权限管理、审计日志、数字签名、数据血缘、加密和零信任架构；

· Deployment Standard：多形态部署标准，支持单机、Docker、Kubernetes、云、企业和边缘；

· Benchmark：涵盖知识、推理、能力、工作流和记忆的标准化性能测试。

8 讨论

8.1 WSaiOS与大语言模型的关系

需要强调的是，WSaiOS并非旨在"替代大模型"或"超越大模型"【原文建议】。更准确的定位是：

WSaiOS是一种以认知资产和工程化认知流程为核心的智能操作系统架构。它可以独立运行于规则、知识和能力驱动的场景，也可以与LLM等统计学习模型协同工作【原文】。

在实际部署中，LLM可以作为WSaiOS的"认知引擎"之一------当任务需要开放域理解和生成时，系统调用LLM；当任务需要确定性推理和可审计决策时，系统使用规则和知识引擎。这种混合架构兼顾了LLM的泛化能力和规则系统的可控性。

8.2 理论定位

WSaiOS的理论定位介于以下几个范式之间：

· 符号AI：继承了显式知识表示和逻辑推理的传统；

· 认知架构：借鉴了SOAR、ACT-R等认知架构的分层记忆和认知循环思想；

· 操作系统理论：借用了进程调度、内存管理、文件系统等操作系统抽象；

· 智能体理论：整合了BDI（信念-愿望-意图）模型和多智能体协作理论；

· 语义Web：吸收了知识图谱、本体论和语义推理的成果。

WSaiOS的创新在于将这些范式整合为一个统一的、工程化的、标准驱动的智能操作系统架构。

8.3 局限与未来工作

WSaiOS目前仍处于架构设计和技术验证阶段，以下方面需要进一步研究：

认知汇编的完整规范：需要定义完整的认知汇编指令集和字节码格式；
认知数据库的实现：需要开发原生支持认知对象的数据库引擎；
大规模部署验证：需要在企业级场景中验证系统的可扩展性和性能；
标准国际化：推动认知对象标准、认知协议等成为行业标准；
与LLM的深度集成：探索LLM作为认知引擎的最优集成模式。

9 结论

本文提出了WSaiOS------一种以认知资产和工程化认知流程为核心的智能操作系统架构。WSaiOS将智能系统的构建从"训练模型"转向"编排认知"，通过认知内核、认知运行时、认知总线等核心组件构建了完整的认知计算链路。

WSaiOS的核心贡献在于：

理论上，提出了"模拟人工智能"（SAI）的概念，将智能视为可工程化、可标准化、可资产化的认知计算过程；

架构上，设计了从认知内核到认知系统层到能力层的完整分层架构，覆盖了知识获取、记忆管理、资产化、运行时执行、通信协调和自演化等完整认知链路；

标准上，定义了涵盖认知对象、认知API、认知协议、认知文件系统、认知数据库、认知指令集和认知汇编的完整标准体系，为建立智能操作系统的行业规范奠定了基础；

定位上，明确了WSaiOS既可独立运行于规则和知识驱动场景，也可与LLM等统计学习模型协同工作，而非试图替代大模型。

未来，WSaiOS将在标准国际化、生态建设和企业级验证三个方向持续推进，目标是使"认知资产"成为像"数据资产"一样被广泛认可和管理的企业核心资产，使"认知操作系统"成为继传统操作系统之后的新一代计算基础设施。

参考文献

$1$ 东塬一老翁. 一种确定性-概率混合的语义模拟架构：非神经网络路径下的AI语言行为复现 $EB/OL$ . CSDN, 2026.

$2$ WSAIOS研究组. WSAIOS v2.6：自主架构生成式AI操作系统 $EB/OL$ . CSDN, 2026.

$3$ WSaiOS Agent Runtime：面向语义任务执行的智能体运行时系统架构设计 $EB/OL$ . CSDN, 2026.

$4$ 认知-执行-反思：WSaiOS智能体三循环核心模型研究 $EB/OL$ . CSDN, 2026.

$5$ 自适应认知数字孪生引擎：WSAIOS v2.8 预测驱动系统架构设计与实现 $EB/OL$ . CSDN, 2026.

$6$ WSAIOS v6.5：基于六元双闭环控制骨架与语义世界图谱的认知操作系统 $EB/OL$ . CSDN, 2026.

$7$ WSAIOS：一个自进化的AI操作系统内核及其在自主任务执行中的应用 $EB/OL$ . CSDN, 2026.

$8$ 认知即资产：WSaiOS Marketplace的设计哲学与技术架构 $EB/OL$ . CSDN, 2026.

$9$ Liang C, Gan J, Hong K, et al. COCO: Cognitive Operating System with Continuous Oversight for Multi-Agent Workflow Reliability $J$ . arXiv preprint arXiv:2508.13815, 2025.

$10$ Li C Y, Liu X D, Meng X B, et al. Architecting AgentOS: From Token-Level Context to Emergent System-Level Intelligence $J$ . arXiv preprint arXiv:2602.20934, 2026.

$11$ CognitiveOS: Large Multimodal Model Based System to Endow Any Type of Robot with Generative AI $C$ //2025 IEEE International Conference on Robotics and Automation (ICRA). IEEE, 2025.

$12$ Cognitive OS Agents: A Safe, Explainable, and Autonomous Architecture for Planning, Learning, and Acting at the Operating System Level $C$ //2026 IEEE International Conference on AI. IEEE, 2026.

$13$ Lupascu C. ElephantBroker: A Knowledge-Grounded Cognitive Runtime for Trustworthy AI Agents $J$ . arXiv preprint arXiv:2603.25097, 2026.

$14$ Augmenting Von Neumann's Architecture for an Intelligent Future $J$ . arXiv preprint.