Почему статистика уперлась в потолок, и как физика решит проблему AGI

GPT-4 пишет код и сдает экзамены, но под капотом это перемножение матриц и предсказание следующего слова. Мозг работает иначе: у него нет батчей, глобальной loss-функции и гигабайтов обучающей выборки. В этой статье я рассказываю про альтернативный путь к AGI термодинамические графы, где мысль возникает не как результат вычисления, а как фазовый переход, а и еще сразу оговорюсь это 1 статья поэтому пока что архитектуру прикладывать не стану

Термодинамические графы: мышление как физический процесс, а не как статистика TL;DRСовременный ИИ построен на статистическом обучении: миллиарды примеров, градиентный спуск, предсказание следующего токена. Это работает, но не отвечает на вопрос — почему структура вообще способна думать. В статье разбираю альтернативный подход: термодинамические графы, где мышление возникает из физики самой структуры. Без backprop, без датасетов, без дата-центров. Делюсь принципом, текущими результатами и честными ограничениями.

С чего всё началось Когда смотришь на современный ИИ, возникает странное чувство. GPT-4 пишет код лучше джунов, отвечает на вопросы по квантовой физике, генерирует изображения. Но если копнуть глубже — там перемножение матриц с заученными весами. Это работает, но не похоже на то, как работает мозг.

Мозг не делает forward pass. Не ждёт батча. У него нет глобальной loss function. Мозг — это непрерывная физическая система, где каждый нейрон живёт своей жизнью, а мышление возникает как побочный продукт коллективной динамики.

Возник вопрос: можно ли построить вычислительную систему, которая работает по таким же принципам? Не симулирует мозг, а наследует его физику.

Так появились термодинамические графы.

Что такое термодинамический граф Обычный граф — статичная структура из узлов и связей. Алгоритмы ходят по нему как путешественник по карте.

Термодинамический граф — физическая система. У каждого узла есть состояние:

Активация — текущая энергия Напряжение (tension) — накопленное противоречие Важность (importance) — историческая значимость Контекстное эхо — затухающий след недавних активаций У системы в целом:

Температура — глобальный уровень хаоса Волновая функция Ψ — распределение энергии по всем узлам Синапсы между узлами имеют не только вес, но и миелин — параметр защиты от перезаписи. Стабильные часто используемые связи “обрастают миелином” и становятся резистентными к ослаблению. Это прямой аналог биологической миелинизации.

И главное — всё это физически взаимодействует. Импульс распространяется волной, отражается, интерферирует с другими волнами, создаёт резонансы и аттракторы.

Откуда берутся мысли В классическом ML мысль — это вектор в латентном пространстве или распределение вероятностей. В обоих случаях — результат вычисления.

В термодинамическом графе мысль — это фазовый переход.

Механизм:

Внешний импульс или внутреннее напряжение создаёт волну активации Волна распространяется через синапсы по пути наименьшего сопротивления По мере распространения система остывает (температура падает) При достаточно низкой температуре волна кристаллизуется в устойчивый аттрактор — набор одновременно активных узлов Этот аттрактор и есть мысль Аналогия с физикой прямая: фазовый переход жидкость → кристалл. Высокая температура — хаотичное движение по всему графу. Низкая температура — стабильная конфигурация замерзает в оформленную мысль.

Никто не учит систему, какие мысли правильные. Они возникают из физики.

Как это превращается в язык В обычном NLP грамматика учится из миллиардов примеров: модель видит “кошка ест рыбу” миллион раз и запоминает структуру субъект-глагол-объект.

В термодинамическом графе синтаксис не программируется и не учится в привычном смысле. Он возникает через эволюционное давление внешней среды.

Среда здесь — внешний оценщик (в текущей реализации это LLM в роли судьи логики, но принцип не требует именно LLM). Среда оценивает сырые волновые вспышки графа и даёт обратную связь.

Процесс выглядит так:

Фаза 1. Граф связывает базовые понятия и выдаёт сырую мысль: воля деспотия человек

Фаза 2. Среда видит, что логика верна, но речь телеграфная. Возвращает отрицательный сигнал (pain ≈ 0.3) и впрыскивает в граф недостающие служебные слова: против, деспотии, в, человеке

Фаза 3. Из-за отрицательного подкрепления прямая связь “воля → деспотия” слабеет (anti-Hebbian). На следующем цикле волна ищет обходной маршрут и проходит через свежие узлы предлогов: воля → против → деспотии

Фаза 4. Среда читает “воля против деспотии”. Логика и грамматика совпали. Положительное подкрепление (+0.1), маршрут закрепляется миелинизацией.

Дополнительный механизм — по мере созревания граф начинает извлекать операторы из собственной структуры. Линеаризатор находит узлы с самыми отрицательными весами (chief_inhibitor) и физически использует их для выражения отрицания.

Предлоги и союзы здесь — не правила из учебника. Это узлы-хабы, через которые маршрутизируется энергия. Язык вырастает из физики под давлением среды.

На графах в 300 узлов уже наблюдается стабильное появление синтаксических связок.

Обучение через 5 контуров обратной связи Обучение есть, но оно распределённое и непрерывное:

Зачем это нужно Справедливый вопрос — у нас уже есть мощные LLM.

Энергоэффективность. LLM требуют дата-центры. Мозг работает на 20 ваттах. Термодинамический граф работает на разреженных матрицах (scipy.sparse) и активирует только релевантные узлы — потенциально на порядки эффективнее по ваттам на единицу полезного вывода.

Непрерывное обучение. LLM после обучения статичны. Любое новое знание требует дообучения. Термодинамический граф учится каждый цикл, без катастрофического забывания — миелин защищает старый опыт от перезаписи новым.

Эмерджентность от первых принципов. В трансформерах эмерджентные способности — это эмпирический сюрприз. В термодинамическом графе эмерджентность — прямое следствие физики, и её можно предсказывать аналитически.

Прозрачность. Можно открыть граф и посмотреть, что система “думает”: какие узлы активны, где накопилось напряжение, куда течёт волна. В нейросети с миллиардами параметров аналогичной прозрачности нет.

Связь слов с реальностью (grounding) Одно из ключевых ограничений символьных систем — отрыв символа от его значения. Граф может великолепно генерировать синтаксис, но что значит “вычислить” если система никогда ничего не вычисляла?

(еще в разработке) Текущее решение — интеграция с песочницей через генератор инструментов. Когда волна формирует мысль типа написать функция для парсинг, отдельный модуль генерирует Python-код, запускает его в изолированной среде и при успешном выполнении вшивает в граф теги результата (вычислил, результат). Узлы концептов получают связь с реальным успешным действием.

Это пока ограниченное решение — работает только для задач которые можно выразить в коде. Полноценный grounding требует больше каналов взаимодействия со средой. (еще в разработке)

Ограничения и честная картина Это не “вот, готовый AGI”. У подхода серьёзные открытые вопросы:

Масштабируемость. Текущие эксперименты на масштабах 200-500 узлов. Будет ли это работать на миллионе узлов без вычислительных и численных проблем — открытый вопрос. Возможны фазовые переходы которые сейчас непредсказуемы.

Время эволюции. Чтобы граф через эволюционное давление “вырастил” сложное поведение, нужны тысячи циклов взаимодействия со средой. Это часы или дни автономных сессий на простых задачах.

Метрики. Стандартные бенчмарки для LLM (MMLU, HumanEval) плохо подходят для оценки такой системы. Нужны новые методы измерения качества, которые ещё предстоит разработать.

Зависимость от среды-оценщика. Текущая реализация использует LLM как внешнего судью, что технически означает зависимость от LLM. В долгосрочной перспективе среда должна быть заменена на реальное взаимодействие с миром через инструменты и сенсоры.

Что дальше Направления текущей работы:

Эволюционный слой — популяция графов, отбор по fitness, передача “генома” (миелинизированных связей) между поколениями Расширение grounding — больше типов инструментов через которые граф взаимодействует с внешним миром Масштабирование — переход от тысяч к сотням тысяч узлов с замером изменения свойств системы Перенос ядра на Rust — текущий Python-прототип хорош для итераций, но упирается в производительность Заключение Термодинамические графы — не альтернатива нейросетям. Это другой способ задать вопрос: что такое мышление как физический процесс.

Возможно из этого вырастет полноценный AGI. Возможно нет. Возможно это станет нишевым подходом для задач где важна интерпретируемость и непрерывное обучение. Возможно идея упрётся в стену через год и я скажу “не получилось”.

Но попробовать стоит. Современный ИИ упёрся в потолок данных и вычислений. А природа решила задачу интеллекта совсем иначе — через физику и эволюцию. И этот путь пока почти не исследован.

Если интересно — пишите в комментариях. Особенно ценны конкретные возражения и указания на слабые места.Честный FAQ (или ответы на неизбежные вопросы)Я понимаю, что заявка на «физику мышления» звучит амбициозно, поэтому давайте сразу снимем розовые очки и разберем главные уязвимости текущего прототипа.