Исследователи из университета Tsinghua разработали алгебраическую модель мира для улучшения рассуждений искусственного интеллекта
4 ноября 2026 г. · 2 мин чтения
Также опубликовано на Português (Brasil), हिन्दी, ไทย, Polski, العربية
Научная группа под руководством Yao Qizhi и Yuan Yang из университета Tsinghua создала проект под названием Algebraic World Model, или AWM. Эта система призвана позволить искусственному интеллекту выявлять фундаментальные закономерности из наблюдений и экспериментов, подобно тому как ученые выводят физические законы из данных.
Разработчики использовали набор игр ARC-AGI-3 для тестирования возможностей моделей. В этих играх отсутствуют заранее заданные правила и цели. Традиционные передовые модели, такие как GPT Astra с использованием структуры Provider Adapter, способны достигать высокого результата в 99.9 процентов, однако они часто лишь описывают явления, не понимая сути работы игрового мира.
В ходе экспериментов с уровнем под названием sc25, где количество начальных шагов было установлено на недостижимом уровне, модель GPT-6 Astra после восьми попыток ошибочно предположила, что для победы потребуется минимум 22 шага. В двенадцати подобных тестах модели GPT-6 Astra и Claude Opus 5.5 смогли определить невозможность прохождения лишь в пяти случаях, причем в четырех из них минимальное количество необходимых шагов было указано неверно.
Система AWM, основанная на модели Opus 5.5, справилась с этой задачей за две попытки. Она смогла доказать, что уровень неразрешим при текущем количестве шагов, и точно определила, что для победы достаточно добавить всего один шаг. В целом по тестовому набору ARC-AGI-3 модель AWM на базе Opus 5 прошла все 183 уровня с результатом 99.9 процентов, при этом среднее количество действий для прохождения составило всего 43 процента от человеческого показателя.
Технически AWM абстрагирует объекты, отношения и правила в алгебраический мир, используя математические способности больших моделей. В основу системы легли идеи из теории категорий, в частности инструменты под названием проективный предел и индуктивный предел. Эти методы позволяют преобразовывать разрозненные гипотезы на языке Python в последовательную и краткую модель мира, пригодную для логических выводов и доказательств.
Исследователи отмечают наличие ограничений: доказательства AWM верны только для того мира, который был подвергнут наблюдению. Если процесс исследования будет неполным и некоторые ключевые правила будут упущены, модель создаст лишь локальную истину вместо полной картины мира.