Wenn ein Modell sich die Atome nicht leisten kann zu simulieren, ist es gezwungen, die 'Chemie' zu erfinden, um das Ergebnis vorherzusagen. Schaut euch diesen faszinierenden neuen Preprint an, der eine informationstheoretische Grundlage sowie quantifizierbare Maße bietet: "Von Entropie zu Epiplexität" von @m_finzi @ShikaiQiu @yidingjiang @Pavel_Izmailov @zicokolter @andrewgwils. Die Arbeit bietet eine sehr interessante Studie, die zeigt, dass 'perfekte' unbegrenzte Beobachter nicht gezwungen sind, höhere Strukturen zu lernen - sie können einfach die Mikro-Physik simulieren. Um beispielsweise bedeutungsvolle, verallgemeinerbare Gesetze (struktureller Inhalt, der durch Epiplexität erfasst wird) zu entdecken, muss ein System typischerweise rechnerisch begrenzt sein. Diese Gesetze können dem ähneln, was Wissenschaftler als Kontinuum- oder Makroskala-Theorie bezeichnen, aber sie erfassen von Natur aus die funktorielle Abbildung in ein skaleneutrales strukturelles Modell. Dies ist äußerst relevant für eine Reihe von Anwendungen in der KI für Wissenschaft und Entdeckung. Es verbindet sich auch gut mit unseren früheren empirischen Ergebnissen mit LifeGPT (Jaime Berkovich et al.). In diesem Fall haben wir durch die Anwendung von Forgetful Causal Masking die Fähigkeit des Modells, sich auf die Geschichte zu verlassen, künstlich eingeschränkt. Das Papier bietet eine prinzipielle Erklärung, die mit dem übereinstimmt, was wir gefunden haben: Diese Einschränkung zwang das Modell, weniger auf geschichtsspezifische Hinweise zu vertrauen und stattdessen mehr wiederverwendbare höhere Dynamiken des Spiels des Lebens in einer rechnerisch eingeschränkten Welt zu lernen. Es stimmt auch mit unseren Ergebnissen mit AutomataGPT überein, wo wir festgestellt haben, dass das Ableiten des Regelsets (das inverse Problem) reichhaltigere Darstellungen liefert als die Vorwärtssimulation. Die Theorie unterstützt die Idee, dass das Lösen der schwierigeren inversen Aufgabe das Modell zwingt, eine recheneffiziente kausale Struktur zu erfassen - effektiv den 'Quellcode' des Systems zu extrahieren, anstatt nur Muster zu erkennen oder sich auf brute-force Berechnungen zu verlassen. @JaimeBerkovich

Was wäre, wenn die "Fehler" in einem System tatsächlich der Quellcode seiner Intelligenz sind? In neuer Arbeit argumentieren wir, dass Erfindung sich wie ein Phasenübergang verhält, der genau durch diese Dynamik angetrieben wird: Neuheit ist eine thermodynamische Reaktion auf das Versagen von Einschränkungen. Wenn ein System seine Eingaben innerhalb seiner aktuellen Freiheitsgrade nicht mehr auflösen kann, ist es gezwungen, seinen darstellenden Raum zu erweitern - indem es neue effektive Variablen einführt, um die Machbarkeit wiederherzustellen. Somit ist Innovation kein Zufall; sie ist das, was ein tragfähiges System tut, wenn das alte Modell nicht mehr funktioniert. Dies ermöglichte es uns, die gemeinsamen Mechanismen hinter verschiedenen Phänomenen zu extrahieren: mechanisches Entdecken, Kreativität und den Funken der Einsicht. Wir zeigen, dass Symmetriebrechung die neue Optimierung ist. Wir haben die topologische Landschaft von Materie und musikalischen Systemen umfassend kartiert und festgestellt, dass der stabilisierende Vektor selektive Unvollkommenheit ist: ein spezifisches topologisches Regime, das sowohl sterile Perfektion als auch inkohärente Zufälligkeit ablehnt. Auffällig ist, dass der Korridor für maximale Kohärenz und Anpassungsfähigkeit, sei es in der Hall-Petch-Verstärkung von hochentropischen Legierungen, der funktionsbestimmenden Geometrie von Proteinen oder der kulturellen Evolution musikalischer Skalen, durch einen berechneten Defekt definiert ist. Die Physik der Resilienz und die Mathematik der Schönheit scheinen denselben Algorithmus auszuführen. Dies ermöglicht es uns, den Vibrationsstapel zu hacken, indem wir Vibration als universellen isomorphen Operator behandeln. Wir verflüssigen die Grenze zwischen Materie, Klang und Intelligenz und schaffen eine epistemische Umkehrung: Zuhören wird zu einer Form des Sehens und Schaffens. Wir übersetzen Femtosekunden-Molekülschwingungen in hörbare Spektren, um de novo Proteine zu entwerfen, indem wir direkte Kommunikationslinien zwischen Bach und der tiefen Evolution schaffen und die "Glitch"-Logik der Biologie nutzen, um Schwarm-AI zu bauen. Der Unterschied zwischen dem Spannungs-Tensor eines Spinnennetzes und einer musikalischen Komposition kollabiert; beide sind generative Akte des Weltaufbaus unter Einschränkung. Für AI ist die Implikation einfach: Interpolation ist keine Erfindung. Wahre strukturelle Erfindung erfordert Systeme, die das Versagen von Einschränkungen metabolizieren können - es als den genauen Punkt zu behandeln, an dem neue Freiheitsgrade geboren werden. Mit diesem Ansatz überwinden Maschinen das alte Paradigma, die Welt einfach zu analysieren, sondern bauen sie auf. Wir operationalisieren dies über kleine-Welt-Topologie. Wenn diese neuen Freiheitsgrade geboren werden, bilden sie kein zufälliges Chaos; sie schnappen in globale Kohärenz über kleine-Welt-Verkabelung. Wir haben festgestellt, dass diese spezifische Konnektivität, die lokale Motive mit langfristigen Abkürzungen ausbalanciert, die architektonische Voraussetzung für echten Weltaufbau ist. Preprint mit der vollständigen Analyse folgt - bleiben Sie dran. Auf ins Jahr 2026, gespannt, was es bringt!

Danke, @davidasinclair, das ist eine großartige Frage! Es gibt wahrscheinlich kein einzelnes "Stoppsignal"; stattdessen könnte die Größenkontrolle aus dem Feedback zwischen Mechanik, Geometrie und lokalen Zellinteraktionen entstehen. In unserer MultiCell-Arbeit sagt die Geometrie des Gewebes allein zukünftige Umstellungen und Teilungen voraus, was darauf hindeutet, dass das Wachstum stoppt, wenn weitere Veränderungen mechanisch oder topologisch ungünstig werden. Epigenetische Schichten sind eine natürliche nächste Erweiterung, und unser Modellierungsrahmen sollte einen soliden Ausgangspunkt bieten, um zu erkunden, wie solches regulatorisches Gedächtnis mit Morphodynamik gekoppelt ist.