A Minimal Homeostatic Theory of Action and Reasoning

Abstract (English) This paper introduces a minimal formal theory of intelligent behavior grounded in homeostatic regulation. The proposed framework models cognition and action as a closed-loop dynamical process driven by internal deviation from an equilibrium state. In this view, stimuli are not external inputs but internally defined error signals quantifying the distance between the current state of the system and a target equilibrium. Actions are selected through a policy whose sole functional role is the reduction of this deviation. Reasoning, decision-making, and goal-directed behavior are thus defined operationally as trajectories in state space that monotonically decrease internal error. Unlike contemporary large language models, which optimize token-level likelihood without intrinsic stopping criteria or internal stabilization, the proposed architecture exhibits an explicit notion of completion, silence, and equilibrium. The framework provides a unifying foundation for action, cognition, and linguistic behavior, and is intended as a conceptual and mathematical substrate for future hybrid or non-linguistic artificial intelligence systems. Abstract (Italiano) Questo lavoro introduce una teoria formale minimale del comportamento intelligente fondata sul principio di regolazione omeostatica. Il modello proposto descrive cognizione e azione come un processo dinamico a retroazione chiusa, guidato dalla deviazione interna rispetto a uno stato di equilibrio. In questa prospettiva, gli stimoli non sono input esterni, ma segnali di errore interni che quantificano la distanza tra lo stato corrente del sistema e un equilibrio desiderato. Le azioni sono selezionate tramite una politica il cui unico ruolo funzionale è la riduzione di tale deviazione. Ragionamento, decisione e comportamento finalizzato vengono quindi definiti operativamente come traiettorie nello spazio degli stati che riducono monotonicamente l’errore interno. In contrasto con i moderni large language models, che ottimizzano la probabilità del token successivo senza criteri intrinseci di arresto o stabilizzazione, l’architettura proposta incorpora una nozione esplicita di completamento, silenzio ed equilibrio. Il framework costituisce una base concettuale e matematica unificante per azione, cognizione e linguaggio, e si propone come substrato teorico per futuri sistemi di intelligenza artificiale ibridi o non linguistici.