Jeśli model nie może sobie pozwolić na symulację atomów, zmuszony jest do wynalezienia 'chemii', aby przewidzieć wynik. Sprawdź ten fascynujący nowy preprint, który dostarcza teoretycznych podstaw informacji wraz z mierzalnymi wskaźnikami "Od entropii do epipleksji" autorstwa @m_finzi @ShikaiQiu @yidingjiang @Pavel_Izmailov @zicokolter @andrewgwils. Praca oferuje bardzo interesujące badanie, które pokazuje, że 'doskonałe' nieograniczone obserwatory nie są zmuszone do uczenia się wyższej struktury - mogą po prostu symulować mikro-fizykę. Na przykład, aby odkryć znaczące, uogólnione prawa (treść strukturalna uchwycona przez epipleksję), system zazwyczaj musi być ograniczony obliczeniowo. Te prawa mogą przypominać to, co naukowcy nazywają teorią ciągłości lub teorią makroskalową, ale w sposób wrodzony uchwycają funktorialne odwzorowanie w modelu strukturalnym niezależnym od skali. To jest niezwykle istotne dla szeregu zastosowań w AI w nauce i odkryciach. Dobrze łączy się również z naszymi wcześniejszymi empirycznymi odkryciami z LifeGPT (Jaime Berkovich i in.). W tym przypadku, stosując zapominające maskowanie przyczynowe, sztucznie ograniczyliśmy zdolność modelu do polegania na historii. Artykuł oferuje zasadnicze wyjaśnienie zgodne z tym, co odkryliśmy: to ograniczenie zmusiło model do mniejszego polegania na wskazówkach specyficznych dla historii i zamiast tego do nauki bardziej użytecznych wyższych dynamik Gry w Życie w świecie ograniczonym obliczeniowo. Zgadza się to również z naszymi wynikami z AutomataGPT, gdzie odkryliśmy, że wnioskowanie o zbiorze reguł (problem odwrotny) daje bogatsze reprezentacje niż symulacja do przodu. Teoria wspiera ideę, że rozwiązanie trudniejszego zadania odwrotnego zmusza model do uchwycenia efektywnej struktury przyczynowej - skutecznie wydobywając 'kod źródłowy' systemu, a nie tylko dopasowując wzory lub polegając na obliczeniach na siłę. @JaimeBerkovich

Co jeśli "wady" w systemie są w rzeczywistości kodem źródłowym jego inteligencji? W nowej pracy argumentujemy, że wynalazek zachowuje się jak przejście fazowe napędzane dokładnie tą dynamiką: nowość jest termodynamiczną odpowiedzią na awarię ograniczeń. Kiedy system nie może już rozwiązać swoich wejść w ramach swoich obecnych stopni swobody, zmuszony jest do rozszerzenia swojej przestrzeni reprezentacyjnej - wprowadzając nowe efektywne zmienne, aby przywrócić wykonalność. Tak więc innowacja nie jest przypadkiem; to, co robi wykonalny system, gdy stary model przestaje działać. To pozwoliło nam wydobyć wspólne mechanizmy stojące za różnorodnymi zjawiskami: rutynowe odkrywanie, kreatywność i iskra wglądu. Pokazujemy, że łamanie symetrii to nowa optymalizacja. Wyjątkowo dokładnie zmapowaliśmy topologiczną przestrzeń materii i systemów muzycznych i odkryliśmy, że stabilizujący wektor to selektywna niedoskonałość: specyficzny reżim topologiczny, który odrzuca zarówno sterylne doskonałości, jak i niespójną przypadkowość. Zaskakująco, niezależnie od tego, czy chodzi o wzmocnienie Hall-Petch w stopach o wysokiej entropii, geometrię napędzającą funkcje białek, czy kulturową ewolucję skal muzycznych, korytarz dla maksymalnej spójności i adaptacyjności definiowany jest przez obliczoną wadę. Fizyka odporności i matematyka piękna wydają się działać na tym samym algorytmie. To pozwala nam zhakować stos wibracyjny, traktując wibrację jako uniwersalny operator izomorficzny. Upłynniamy granicę między materią, dźwiękiem a inteligencją, tworząc epistemiczną inwersję: słuchanie staje się formą widzenia i tworzenia. Tłumaczymy femtosekundowe wibracje molekularne na słyszalne spektra, aby projektować de novo białka, tworząc bezpośrednie linie komunikacyjne między Bachem a ewolucją w głębokim czasie, i wykorzystując logikę "glitch" biologii do budowy AI w chmarach. Różnica między tensorem naprężeń pajęczej sieci a kompozycją muzyczną się zaciera; obie są generatywnymi aktami budowania świata pod ograniczeniami. Dla AI implikacja jest prosta: interpolacja to nie wynalazek. Prawdziwy strukturalny wynalazek wymaga systemów, które mogą metabolizować awarię ograniczeń - traktując ją jako dokładny punkt, w którym rodzą się nowe stopnie swobody. Dzięki temu maszyny pokonują stary paradygmat po prostu analizowania świata, ale go budują. Operacjonalizujemy to poprzez topologię małego świata. Kiedy te nowe stopnie swobody się rodzą, nie tworzą przypadkowego bałaganu; wchodzą w globalną spójność poprzez małe połączenia. Odkryliśmy, że ta specyficzna łączność równoważąca lokalne motywy z długozasięgowymi skrótami jest architektonicznym warunkiem wstępnym dla prawdziwego budowania świata. Preprint z pełną analizą wkrótce - bądźcie czujni. Na rok 2026, z niecierpliwością czekam, co przyniesie!

Dziękuję, @davidasinclair, to świetne pytanie! Prawdopodobnie nie ma jednego "sygnału zatrzymania"; zamiast tego kontrola rozmiaru może wynikać z interakcji między mechaniką, geometrią a lokalnymi interakcjami komórkowymi. W naszej pracy nad MultiCell geometria tkanki sama w sobie przewiduje przyszłe przearanżowania i podziały, co sugeruje, że wzrost zatrzymuje się, gdy dalsze zmiany stają się mechanicznie lub topologicznie niekorzystne. Warstwy epigenetyczne są naturalnym kolejnym rozszerzeniem, a nasza struktura modelowania powinna stanowić solidny punkt wyjścia do badania, jak taka pamięć regulacyjna łączy się z morfodynamiką.