NY forskning fra Stanford. AGI-debatten sitter fast i en falsk dikotomi. Posisjon én: skaler LLM-er og intelligens oppstår. Posisjon to: LLM-er er mønstermatchere som ikke kan resonnere, en blindvei. Denne artikkelen argumenterer for en tredje posisjon: Substrat pluss koordinering. LLM-er er det nødvendige System-1-mønsterarkivet. Den manglende komponenten er et System-2-koordineringslag som velger, begrenser og binder disse mønstrene til eksterne mål. Forfatteren hevder at den viktigste innsikten kommer fra en fiskemetafor. Havet er modellens enorme latente kunnskap. Kasting uten agn gir maksimal sannsynlighet forut: generiske, vanlige utganger. Kritikere som observerer hallusinasjoner ser ikke et ødelagt system. De ser en uforfalsket rollebesetning. Intelligent atferd krever lokking og filtrering. Artikkelen formaliserer dette via UCCT, en teori der resonnement oppstår som en faseovergang. Tre faktorer styrer skiftet: effektiv støtte (agntetthet som tiltrekker seg målkonsepter), representasjonsmismatch (hvor mye prior motstår), og et adaptivt ankerbudsjett (kostnaden for kontekst). Når forankringsstyrken krysser en terskel, går atferden fra hallusinasjon til målrettet kontroll. To eksempler i kontekst kan overstyre aritmetikk lært fra milliarder av tokens. Overgangen er diskret, ikke gradvis. Koordinering er en flaskehals i moderne AI-systemer. MACI implementerer dette koordineringslaget: atferdsmodulert debatt mellom agenter, sokratisk dømmekraft som filtrerer dårlig formulerte argumenter, og transaksjonsminne som opprettholder tilstand på tvers av resonnementsepisoder. Les artikkelen om agentisk kontekstutvikling for ideer om hukommelsesdelen. Veien til AGI går gjennom LLM-er, ikke rundt dem. Spørsmålet er ikke om mønsterarkiver er tilstrekkelige. Det er slik koordineringsmekanismer kan omdanne mønsterkapasitet til pålitelig, verifiserbar resonnement. Artikkel: Lær å bygge effektive AI-agenter i vår akademi: