Pokud si model nemůže dovolit simulovat atomy, je nucen vymyslet "chemii" k předpovědi výsledku. Podívejte se na tento fascinující nový preprint, který poskytuje teoretický základ informace spolu s kvantifikovatelnými měřeními "Od entropie k epiplexitě" od @m_finzi @ShikaiQiu @yidingjiang @Pavel_Izmailov @zicokolter @andrewgwils. Práce nabízí velmi zajímavou studii, která ukazuje, že "dokonalí" neomezení pozorovatelé nejsou nuceni učit se vyšší úroveň struktury – mohou jednoduše simulovat mikrofyziku. Například pro objevení smysluplných zobecnitelných zákonů (strukturální obsah zachycený Epiplexitou) musí být systém obvykle výpočetně omezen. Tyto zákony mohou připomínat to, co vědci nazývají kontinuální nebo makroměřítkovou teorií, ale přirozeně zachycují funktoriální zobrazení do strukturálního modelu nezávislého na měřítku. To je nesmírně relevantní pro řadu aplikací AI pro vědu a objevování. Také to pěkně souvisí s našimi dřívějšími empirickými poznatky s LifeGPT (Jaime Berkovich et al.). V tomto případě jsme aplikací zapomnětlivého kauzálního maskování uměle omezili schopnost modelu spoléhat se na historii. Článek nabízí zásadní vysvětlení v souladu s tím, co jsme zjistili: toto omezení donutilo model méně spoléhat na historicky specifické podněty a místo toho se učit více znovupoužitelné vyšší dynamiky Hry života ve světě omezeném výpočetním zatížením. Také to odpovídá našim výsledkům s AutomataGPT, kde jsme zjistili, že odvozování sady pravidel (inverzní problém) přináší bohatší reprezentace než simulace dopředu. Teorie podporuje myšlenku, že řešení obtížnějšího inverzního úkolu nutí model zachytit výpočetně efektivní kauzální strukturu – efektivně extrahovat "zdrojový kód" systému, místo aby jen porovnával vzory nebo spoléhal na hrubou výpočetní metodu. @JaimeBerkovich