Алгоритмизация когнитивных процессов: архитектура технотропного интеллекта

15 минут назад

Конечно, философские размышления — дело увлекательное, однако рано или поздно наступает момент для перехода к прикладным задачам, не так ли?

Давайте предпримем дерзкую попытку сформулировать принципиально новый критерий оценки AI-моделей — своего рода концептуальный каркас бенчмарка для ASI. В его основе лежит идея способности системы к полной автономной регенерации из минимального фрагмента данных, что, по сути, является индикатором «жизнеспособности» модели.

Сразу оговоримся: это лишь теоретический фундамент, а не готовый инструментарий для тестирования. Я прекрасно осознаю, что данный подход можно подвергнуть как строгой технической, так и философской критике, но на текущем этапе становления методологии иного пути нет.

Понятие «технотропность» мы будем использовать как технический эквивалент «антропности», понимая под ним абстракцию природы техники.

Поясню: если «антропность» — это воплощение человеческой природы, совокупность качеств, отличающих человека от любого другого биологического вида или неодушевленного объекта, то «технотропность» — это аналогичная абстракция техники. В данном контексте техника рассматривается не утилитарно (как «инструмент»), а в онтологическом ключе, согласно Жильберу Симондону, — как «способ существования».

Уточним и определение ASI: под ним я понимаю любой «фрагмент техники», наделенный сознанием. В этой логике, если вдруг ваша кофеварка или колесо автомобиля обретут сознание — это и будет ASI. При этом антропное и технотропное сознания — это, вероятно, принципиально разные феномены. Подробнее о взгляде на сознание сквозь призму AI можно почитать здесь и здесь. Если же тезисно: сознание — это главный объект бесконечных споров тех, кто уверен, что они им обладают. Пожалуй, исчерпывающее определение.

Перейдем к сути.

Контекстуальное обоснование

В последние годы в области AI наметился отход от устоявшихся архитектур и методов к некой новой парадигме. Хотя ее четкие контуры пока не определены, ключевой вектор очевиден: создание AI принципиально нового типа.

В своем интервью Ян Лекун призывал коллег не ограничиваться возможностями LLM, а направить усилия на разработку моделей следующего поколения, хотя и не детализировал, что именно под этим подразумевается.

Схожую позицию озвучивал и один из «крестных отцов» нейросетей Джеффри Хинтон.

Однако новая парадигма требует свежих идей, тогда как большая часть сообщества зациклена на оптимизации классических бенчмарков, превращая научный прогресс в гонку за «улучшение показателя X в задаче Y на 0.05%».

Стремление к AGI и ASI тормозится отсутствием методологии и — в случае со сверхинтеллектом — измеримых критериев. Популярные подходы, такие как AGI Benchmark, по-прежнему сфокусированы на решении задач, игнорируя фундаментальные свойства живых самоорганизующихся систем: автономию, устойчивость и способность к самовоспроизводству.

Условимся о двух аксиомах:

Ключевым свойством жизни является способность к автономному самовосстановлению. Речь идет не о регенерации конечностей в бытовом смысле, а о способности организма — к примеру, человека — развиться в полноценную сложную систему из одной-единственной клетки.
Жизнь может проявляться на любом субстрате при наличии необходимых условий. Это означает, что реализация жизни не ограничена биологическими рамками: потенциально она может возникнуть на любых экзотических носителях, будь то квантовые состояния или структуры иной природы.

Следовательно, технотропный критерий призван измерить степень приближения технической системы к этому самоорганизующемуся идеалу. Он расширяет концепцию Колмогоровской сложности (минимального описания системы), формализуя жизнеспособность через биоинспирированный принцип регенерации.

При чем тут сознание? Гипотеза заключается в том, что на определенном уровне сложности самоорганизующаяся жизнь неизбежно обретает сознание или его специфические функциональные аналоги. Задача — создать условия для самоорганизации, остальное система возьмет на себя.

Ключевой тезис статьи: жизнеспособная система обязана обладать способностью к воссозданию из собственного минимального информационного «зерна». Это метафора, близкая к понятию ДНК, однако полноценным семенем является не сама ДНК, а целостный комплекс: ДНК плюс клеточный аппарат и энергетический субстрат (зигота).

Формализация технотропного критерия

Классические определения жизни, например, автопоэзис Матураны и Варелы, носят преимущественно философский характер.

Мы же предлагаем инженерный подход, применимый как к биологическим, так и к техническим объектам, абстрагируясь от конкретного субстрата реализации.

Определим жизнеспособность системы S вектором из четырех параметров V(S) = (α, R, τ, E):

Параметр	Описание
α	Коэффициент информационного сжатия: α = C-min / S, где C-min — объем минимального «семени» с инструкциями для восстановления, а S — суммарный информационный объем системы.
R(S)	Коэффициент избыточности (регенерации): доля фрагментов размера C-min, которые гарантированно запускают процесс полного восстановления системы S.
τ(S)	Скорость восстановления: нормализованное время регенерации (T-recr / T-init, где T-init — базовое время инициализации).
E	Сложность среды выполнения: минимальный объем внешних ресурсов (интерпретаторы, библиотеки, оборудование), необходимых для запуска регенерации из C-min.

Проще говоря, жизнеспособность определяется тем, насколько компактно «семя» (α), как надежно оно прорастает (R), как быстро это происходит (τ) и насколько неприхотлива среда (E).

Идеальная технотропная система стремится к R(S) → 1. Эволюционная цель здесь — оптимизация всего вектора: α → 0, R(S) → 1, τ(S) → min, E → min. Это означает достижение максимальной информационной плотности, абсолютной надежности восстановления и независимости от сложности внешней среды.

Очевидно, что человек далек от этого идеала (вспомните пример с конечностью), но, возможно, мы — лишь переходная стадия.

Архитектурные принципы сильного самовосстановления

Для достижения высокой жизнеспособности (R(S) ≈ 1) необходима особая архитектура, базирующаяся на следующих принципах:

Фрактальная организация: самоподобие системы, где каждая часть содержит информацию о целом (пример — Liquid Neural Networks).
Голографический принцип: каждый модуль обладает сжатым описанием всей архитектуры.
Рекурсивная семантика: способность системы манипулировать собственным кодом (см. эволюционное слияние моделей от Sakana AI).
Избыточное кодирование: использование методов, схожих с «фонтанными кодами», где для восстановления данных достаточно получить лишь часть закодированных фрагментов.

Аналогии и порядки величин

Тезис прост: создание AI без механизма самовосстановления превращает его в «монстра Франкенштейна» — сложную конструкцию, лишенную внутренней жизни. LLM — это высококачественная имитация, выполняющая определенные функции, но по сути «мертвая», так как не обладает автономным информационным «семенем».

Биологическая ДНК: отношение α ∼ 10^-16 — 10^-18. ДНК не восстановит организм в пустоте, ей нужна среда E (клетка, матка), но это отличный пример масштаба сжатия.
Ботаническая аналогия: прорастание дуба из желудя характеризуется коэффициентом α ≈ 10^-9 и высокой всхожестью R(S).
Космологическая аналогия: теория инфляционной Вселенной, развивающейся из состояния с минимальной энтропией (гипотеза сингулярности), иллюстрирует универсальный принцип развертывания сложного из простого.

Все это — воплощение Аристотелевской энтелехии, внутреннего потенциала самореализации системы.

Вызовы и ограничения

Практическое воплощение таких систем сталкивается с рядом барьеров:

Парадокс минимализма: некорректное сжатие C-min ведет к потере функциональности или критическому усложнению среды E.
Эволюционная нестабильность: случайные мутации могут приводить к генетическому дрейфу, что, впрочем, является неотъемлемым свойством жизни.
Формализация среды: измерение сложности среды E — самостоятельная сложная задача.
Вычислительная сложность: оценка R(S) требует статистических методов, сопоставимых по сложности с биологическим тестированием.

Как видим, проблемы технотропного AI тождественны проблемам воспроизводства живых организмов.

Итог

Предложенный технотропный критерий открывает новое направление в разработке AI, предлагая:

Измеримую метрику витальности через вектор V(S).
Биоинспирированную дорожную карту к созданию автономного ASI.
Ясные архитектурные принципы (рекурсия, фрактальность, самодостаточность).
Универсальную шкалу оценки для биологических и искусственных систем.

Если «скормить» такую модель текущим бенчмаркам, она их провалит, так как ее суть не в решении заданных тестов, а в способности к самоорганизации. В отличие от обычной модели, технотропная система в случае удаления части своего «тела» не выйдет из строя, а регенерирует утраченный фрагмент.

Разница между современной LLM и технотропной моделью — это разница между калькулятором и ребенком. Успешность решения задачи калькулятором не делает его живым, тогда как потенциал к саморазвитию ребенка — фундаментален.

Я подготовил базовый прототип подобной системы для Colab — посмотреть можно здесь. Это не ASI, но попытка продемонстрировать основы самовосстановления.

Мы противопоставили утилитарный подход («хорошо ли модель считает?») онтологическому («живая ли она?»). Это сложно вписать в стандарты LangChain или RAGAS, но, возможно, именно здесь скрыт ответ на вопрос о будущем искусственного интеллекта. Бог, создавая нас, вряд ли задумывался об API, так почему мы должны?

Больше размышлений — в моем телеграм-канале.

Источник