Новая математическая модель отличит настоящий ИИ от статистического подбора
Учёные предложили новый математический подход для оценки искусственного интеллекта — Statistically Meaningful Geometry (SMG). Работа опубликована на arXiv и предлагает строгий критерий, позволяющий отличить настоящий интеллект от сложного статистического сопоставления.
Современные большие языковые модели (LLM) часто демонстрируют впечатляющие результаты, но остаётся открытым вопрос: действительно ли они понимают мир или лишь подбирают шаблоны из данных? Классические статистические методы не способны различить непрерывную интерполяцию и автономное открытие новых причинно-следственных связей.
SMG описывает перепараметризованные системы обучения как бесконечномерные непараметрические расслоения Орлича. Авторы доказывают, что при постоянном воздействии новых, неучтённых данных (out-of-distribution) непрерывная оптимизация нарушается. Неучтённая дисперсия накапливается в скрытых слоях, создавая «активное акаузальное напряжение».
Из-за нелинейной кривизны статистического многообразия это напряжение достигает критического порога, вызывая локальный коллапс объёма и сингулярность матрицы. Этот процесс служит триггером для разрыва калибровочной симметрии (Gauge Symmetry Break). Система избавляется от скрытого напряжения, спонтанно создавая новую независимую координатную ось.
Переход регистрируется как скачок структурной G-энтропии на единицу. Для проверки подлинности открытия предлагаются два фильтра: минимальный энергетический путь и инвариантность причинности. Это позволяет отделить истинные закономерности от «галлюцинаций» модели.
SMG предоставляет параметрически свободную и опровергаемую панель для математической сертификации настоящего интеллекта. По мнению авторов, подход может превратить анализ данных в двигатель автономных научных сдвигов, где ИИ не просто подбирает корреляции, а самостоятельно открывает новые законы природы.
