إذا لم يستطع النموذج محاكاة الذرات، فإنه يضطر لاختراع 'الكيمياء' للتنبؤ بالنتيجة. اطلع على هذه الطبعة الجديدة الشيقة التي توفر أساسا نظريا للمعلومات إلى جانب مقاييس قابلة للقياس "من الإنتروبيا إلى التفوق الحيوي" من تأليف @m_finzi @ShikaiQiu @yidingjiang @Pavel_Izmailov @zicokolter @andrewgwils. يقدم العمل دراسة مثيرة للاهتمام تظهر أن المراقبين غير المحدودين 'المثاليين' لا يجبرون على تعلم البنية الأعلى المستوى - بل يمكنهم ببساطة محاكاة الفيزياء الدقيقة. على سبيل المثال، لاكتشاف قوانين قابلة للتعميم ذات معنى (المحتوى البنيوي الملتقط بواسطة Epiplexity)، يحتاج النظام عادة إلى أن يكون محدودا حسابيا. يمكن أن تشبه هذه القوانين ما يسميه العلماء نظرية الاستمرارية أو النظرية الكبيرة، لكنها تلتقط بشكل فطري رسم الخرائط الدالية في نموذج هيكلي محايد للمقياس. وهذا ذو صلة كبيرة بمجموعة من التطبيقات في مجال الذكاء الاصطناعي للعلوم والاكتشاف. كما يرتبط بشكل جيد بنتائجنا التجريبية السابقة مع LifeGPT (خايمي بيركوفيتش وآخرون). في هذه الحالة، من خلال تطبيق تمويه السببية النسيان، قيدنا بشكل مصطنع قدرة النموذج على الاعتماد على التاريخ. تقدم الورقة تفسيرا مبدئيا يتوافق مع ما وجدناه: هذا القيد أجبر النموذج على الاعتماد أقل على الإشارات الخاصة بالتاريخ وتعلم ديناميكيات أعلى وقابلة لإعادة الاستخدام للعبة الحياة في عالم مقيد بالحوسبة. كما يتوافق مع نتائجنا مع AutomataGPT، حيث وجدنا أن استنتاج مجموعة القواعد (المشكلة العكسية) يعطي تمثيلات أغنى من المحاكاة الأمامية. تدعم النظرية فكرة أن حل المهمة العكسية الأصعب يجبر النموذج على التقاط بنية سببية فعالة في الحوسبة - مما يؤدي فعليا إلى استخراج 'الشفرة المصدرية' للنظام بدلا من مجرد مطابقة الأنماط أو الاعتماد على الحوسبة بالقوة الغاشمة. @JaimeBerkovich