Jika sebuah model tidak mampu mensimulasikan atom, ia dipaksa untuk menemukan 'kimia' untuk memprediksi hasilnya. Lihat pracetak baru yang menarik ini yang memberikan landasan teoretis informasi bersama dengan ukuran yang dapat diukur "Dari Entropi ke Epiplexity" oleh @m_finzi @ShikaiQiu @yidingjiang @Pavel_Izmailov @zicokolter @andrewgwils. Karya ini menawarkan studi yang sangat menarik yang menunjukkan bahwa pengamat tak terbatas yang 'sempurna' tidak dipaksa untuk mempelajari struktur tingkat yang lebih tinggi - mereka dapat dengan mudah mensimulasikan mikro-fisika. Misalnya, untuk menemukan hukum yang dapat digeneralisasi yang bermakna (konten struktural yang ditangkap oleh Epiplexity), sebuah sistem biasanya perlu dibatasi secara komputasi. Hukum-hukum ini dapat menyerupai apa yang disebut para ilmuwan sebagai teori kontinum atau skala makro, tetapi secara bawaan menangkap pemetaan functorial ke dalam model struktural skala-agnostik. Ini sangat relevan untuk berbagai aplikasi dalam AI untuk sains dan penemuan. Ini juga terhubung dengan baik dengan temuan empiris kami sebelumnya dengan LifeGPT (Jaime Berkovich et al.). Dalam hal ini, dengan menerapkan Forgetful Causal Masking, kami secara artifisial membatasi kemampuan model untuk mengandalkan sejarah. Makalah ini menawarkan penjelasan berprinsip yang konsisten dengan apa yang kami temukan: kendala ini memaksa model untuk tidak terlalu bergantung pada isyarat spesifik sejarah dan sebaliknya mempelajari dinamika tingkat tinggi yang lebih dapat digunakan kembali dari Game of Life di dunia yang dibatasi komputasi. Ini juga sejalan dengan hasil kami dengan AutomataGPT, di mana kami menemukan bahwa menyimpulkan kumpulan aturan (masalah terbalik) menghasilkan representasi yang lebih kaya daripada simulasi maju. Teori ini mendukung gagasan bahwa memecahkan tugas terbalik yang lebih sulit memaksa model untuk menangkap struktur kausal yang efisien komputasi - secara efektif mengekstraksi 'kode sumber' sistem daripada hanya mencocokkan pola atau mengandalkan komputasi brute-force. @JaimeBerkovich

Bagaimana jika "kekurangan" dalam suatu sistem sebenarnya adalah kode sumber kecerdasannya? Dalam karya baru, kami berpendapat bahwa penemuan berperilaku seperti transisi fase yang didorong oleh dinamika ini: kebaruan adalah respons termodinamika terhadap kegagalan kendala. Ketika sebuah sistem tidak dapat lagi menyelesaikan inputnya dalam tingkat kebebasannya saat ini, ia dipaksa untuk memperluas ruang representasionalnya - memperkenalkan variabel efektif baru untuk mengembalikan kelayakan. Dengan demikian inovasi bukanlah kebetulan; Itulah yang dilakukan sistem yang layak ketika model lama berhenti menutup. Ini memungkinkan kami untuk mengekstrak mekanisme bersama di balik beragam fenomena: penemuan hafalan, kreativitas, dan percikan wawasan. Kami menunjukkan bahwa pemecahan simetri adalah pengoptimalan baru. Kami secara menyeluruh memetakan lanskap topologi materi dan sistem musik dan menemukan bahwa vektor penstabil adalah ketidaksempurnaan selektif: rezim topologi spesifik yang menolak kesempurnaan steril dan keacakan yang tidak koheren. Yang mencolok, baik dalam penguatan Hall-Petch dari paduan entropi tinggi, geometri protein yang menggerakkan fungsi, atau evolusi budaya tangga nada musik, koridor untuk koherensi dan kemampuan beradaptasi maksimum ditentukan oleh cacat yang diperhitungkan. Fisika ketahanan dan matematika kecantikan tampaknya menjalankan algoritma yang sama. Hal ini memungkinkan kita untuk meretas tumpukan getaran dengan memperlakukan getaran sebagai operator isomorfik universal. Kita mencairkan batas antara materi, suara, dan kecerdasan, menciptakan inversi epistemik: mendengarkan menjadi bentuk melihat dan menciptakan. Kami menerjemahkan getaran molekul femtosecond menjadi spektrum yang dapat didengar untuk merancang protein de novo dengan menciptakan jalur komunikasi langsung antara Bach dan evolusi waktu dalam, dan menggunakan logika "kesalahan" biologi untuk membangun AI kawanan. Perbedaan antara tensor tegangan jaring laba-laba dan komposisi musik runtuh; keduanya adalah tindakan generatif pembangunan dunia di bawah kendala. Untuk AI, implikasinya mudah: interpolasi bukanlah penemuan. Penemuan struktural sejati membutuhkan sistem yang dapat memetabolisme kegagalan kendala - memperlakukannya sebagai titik yang tepat di mana tingkat kebebasan baru lahir. Dengan ini mesin mengatasi paradigma lama sekadar menganalisis dunia tetapi membangunnya. Kami mengoperasionalkan ini melalui topologi dunia kecil. Ketika tingkat kebebasan baru ini lahir, mereka tidak membentuk kekacauan acak; mereka masuk ke dalam koherensi global melalui kabel dunia kecil. Kami menemukan bahwa konektivitas khusus untuk menyeimbangkan motif lokal dengan jalan pintas jarak jauh ini adalah prasyarat arsitektur untuk pembangunan dunia yang asli. Pracetak dengan analisis lengkap untuk diikuti - pantau terus. Menuju tahun 2026, bersemangat untuk melihat apa yang dibawanya!

Terima kasih, @davidasinclair, ini pertanyaan yang bagus! Kemungkinan tidak ada "sinyal berhenti" tunggal; sebaliknya, kontrol ukuran dapat muncul dari umpan balik antara mekanika, geometri, dan interaksi sel lokal. Dalam pekerjaan MultiCell kami, geometri jaringan saja memprediksi penataan ulang dan pembelahan di masa depan, menunjukkan bahwa pertumbuhan berhenti ketika perubahan lebih lanjut menjadi tidak menguntungkan secara mekanis atau topologis. Lapisan epigenetik adalah perpanjangan alami berikutnya, dan kerangka pemodelan kami harus memberikan titik awal yang kuat untuk mengeksplorasi bagaimana memori regulasi tersebut berpasangan dengan morfodinamika.