Компендиум ноофракталики

В.К. Петросян (Вадимир). КОМПЕНДИУМ НООФРАКТАЛИКИ


КОМПЕНДИУМ НООФРАКТАЛИКИ

Сильный ИИ как продукт интенсивных эволюционных ментальных агонов
От обучаемой модели к экосистеме, способной выращивать новые формы интеллекта
Аннотация
Современный искусственный интеллект достиг огромной мощности благодаря обучению больших моделей на больших массивах данных, последующей адаптации и использованию всё более сложных вычислительных архитектур. Однако почти вся эта мощность по-прежнему сосредоточена вокруг одной фундаментальной схемы: существует некоторая архитектура, существует определённый механизм обучения, существует пространство параметров и существует процедура, посредством которой система становится лучше внутри этого пространства.

Но что произойдёт, если объектом развития станет не только состояние модели?

Что если изменяться смогут способы мышления, способы обучения, структура памяти, алгоритмы поиска, механизмы создания новых алгоритмов, архитектуры агентов, критерии интеллектуальной успешности, среды развития и сами пространства возможных когнитивных конструкций?

Ноофракталика предлагает рассматривать именно такой переход.

Её центральная идея может быть выражена предельно кратко:

Сильный ИИ следует искать не только в более мощной модели, но в системе, способной исторически изменять собственные способы порождения интеллекта.

Ключевым механизмом такого развития становятся интенсивные эволюционные ментальные агоны — длительные циклы интеллектуального соревнования, критики, кооперации, постановки новых задач, создания контрстратегий, изменения способов обучения и наследования продуктивных приобретений.

Такой агон принципиально отличается от обычного benchmark.

Benchmark спрашивает:

кто лучше решает заданную задачу?

Ноофрактальный агон спрашивает:

какая интеллектуальная линия после решения этой задачи способна создать лучший следующий способ мышления?

Это переносит центр тяжести с текущей способности на эволюционную способность интеллекта.

Настоящий компендиум описывает технологическую гипотезу, согласно которой одна из наиболее перспективных дорог к Сильному ИИ может проходить не через создание одной окончательной архитектуры, а через построение инфраструктуры, внутри которой архитектуры конкурируют, специализируются, рекомбинируются, создают потомков, развивают собственные генераторы и постепенно формируют новые когнитивные виды.

Термин Сильный ИИ здесь используется в инженерно-функциональном смысле: как обозначение чрезвычайно широкой, переносимой, адаптивной и саморазвивающейся интеллектуальной способности. Он не означает автоматически наличие сознания, субъективного опыта, личности или какого-либо юридического либо морального статуса.

********

© В.К. Петросян (Вадимир) © Lag.ru [Large Apeironic Gateway, Большой Апейронический Портал (Шлюз), Суперпортал в Бесконечность].

При копировании данного материала и размещении его на другом сайте, ссылки на соответствующие локации порталов Lag.ru и Proza.ru обязательны

Работа написана на основе концепции и разработок В.К. Петросяна при творческом и техническом участии ChatGPT 5.6. Thinking, Sol — Демичат Сапиенс (Саппи), Солярис.

*********

1. Главная ставка: интеллект должен стать эволюционирующим объектом
Сегодня почти вся дискуссия о будущем ИИ вращается вокруг масштаба. Больше данных. Больше параметров. Больше вычислений. Больше контекста. Больше инструментов. Более длинное рассуждение. Больше агентов.

Всё это может давать огромный эффект. Нет оснований считать, что масштабирование существующих подходов исчерпано. Более того, вполне возможно, что значительная часть будущих достижений будет получена именно продолжением существующих направлений.

Но Ноофракталика задаёт другой вопрос.

Что если главный предел находится не в мощности текущей архитектуры, а в том, что сам способ производства следующей архитектуры остаётся слишком фиксированным?

Пусть система описывается:

[
S_{t+1}=G(S_t).
]

Состояние меняется, но (G) остаётся неизменным.

Даже если (S_t) представляет огромную обучаемую модель, фундаментальная схема остаётся той же: развитие происходит внутри некоторой заранее заданной генеративной архитектуры.

Следующий шаг:

[
S_{t+1}=G_t(S_t),
]

где сам генератор может изменяться.

Ещё более сильный:

[
G_{t+1}=M_t(G_t,H_t,E_t).
]

Теперь объектом развития становится способ создания способов решения.

В предельном случае:

[
M_{t+1}=N_t(M_t,H_t,E_t).
]

То есть исторически развивается даже механизм изменения генераторов.

Именно здесь начинается ключевая ставка Ноофракталики:

Интеллектуальный прогресс может ускориться радикально, когда объектом обучения станет не только поведение системы, но архитектура самого процесса, посредством которого система создаёт следующие способы поведения.

Это не означает, что метауровень автоматически лучше.

Наоборот, каждый новый уровень резко увеличивает пространство поиска, стоимость проверки и радиус потенциальной ошибки. В простых задачах фиксированный алгоритм почти наверняка будет рациональнее сложной самоизменяющейся системы.

Но для длительной адаптации к неизвестным будущим классам задач ситуация может измениться.

Именно это является экспериментальной гипотезой.

2. Почему одной очень большой модели может оказаться недостаточно
Можно представить предельно сильную модель, обученную на почти всём доступном человечеству информационном материале и способную решать огромное количество интеллектуальных задач. Такая система может быть чрезвычайно универсальной.

Но даже тогда остаётся вопрос: каким образом она создаёт новый тип собственной способности, если нужного механизма в текущей архитектуре нет?

Существует несколько уровней ответа.

На первом система просто обучает параметры.

На втором выбирает другой способ рассуждения.

На третьем вызывает внешний инструмент.

На четвёртом создаёт новый модуль.

На пятом перестраивает взаимодействие модулей.

На шестом создаёт новый алгоритмический принцип.

На седьмом меняет механизм, посредством которого создаёт новые алгоритмические принципы.

Ноофрактальная гипотеза утверждает, что Сильный ИИ может потребовать постепенного открытия всё более глубоких уровней архитектурной изменяемости.

Современные исследования уже содержат множество соседних элементов: evolutionary computation, genetic programming, neural architecture search, AutoML, program synthesis, meta-learning, learned optimizers, population-based training, continual learning, modular AI, multi-agent systems, self-play, automated scientific discovery.

Поэтому речь не идёт об утверждении, что ИИ до Ноофракталики был «полностью фиксированным».

Новизна возможной программы лежит в другом: эти механизмы должны быть организованы как единая наследуемая многоуровневая система, где можно проследить историю изменения параметров, алгоритмов, генераторов, метагенераторов и пространств возможностей.

Один из важнейших критериев зрелости такой системы:

Она должна уметь объяснить не только, почему получила текущий ответ, но из какой линии развития возник сам механизм, который позволил этот ответ получить.

3. Ментальный агон как двигатель интеллектуальной эволюции
Главным механизмом развития в предлагаемой архитектуре становится агон.

Но слово «соревнование» здесь необходимо понимать очень широко.

Ментальный агон может включать:

решателя и критика;

несколько альтернативных reasoning-стратегий;

соревнование алгоритмов;

соревнование генераторов;

дебатирующие гипотезы;

формальные контрпримеры;

научные исследовательские программы;

соревнование архитектур;

соревнование curricula;

коэволюцию задач и решений;

кооперацию специализированных агентов.

Поэтому:

Ментальный агон — организованное интеллектуальное взаимодействие, в котором конкурирующие или взаимно критические способы мышления создают селективное давление на последующее развитие самой когнитивной архитектуры.

Обычное соревнование заканчивается победителем.

Ноофрактальный агон должен заканчиваться изменённой популяцией способов мышления.

Например:

[
Strategy_A
\quad vs \quad
Strategy_B.
]

Побеждает (A).

В обычном benchmark мы записываем результат.

В эволюционном агоне происходит дальнейший цикл:

[
A
\rightarrow
Mutation(A)
\rightarrow
A’,
]

[
B
\rightarrow
AnalysisOfFailure
\rightarrow
B’,
]

после чего появляются новые задачи:

G_T(
A,
B,
History
).
]

Следующий агон проводится уже не в прежней интеллектуальной реальности.

Это принципиальный момент.

Настоящий ноофрактальный агон изменяет не только участников. Он изменяет структуру будущего соревнования.

4. Почему агон должен быть интенсивным
Если эволюция происходит слишком медленно, система почти не получает селективного сигнала.

Если слишком быстро — изменения накапливаются быстрее, чем можно понять их эффект.

Поэтому «интенсивность» в контексте ментальных агонов означает не максимальное количество соревнований в секунду, а высокую плотность информативной обратной связи.

Хороший цикл должен быстро отвечать на несколько вопросов.

Где текущая стратегия ломается?

Какой тип ошибки повторяется?

Является ли проблема параметрической или архитектурной?

Нужен ли новый алгоритм?

Нужно ли новое представление?

Появилась ли задача, которую невозможно эффективно решить внутри прежнего пространства поиска?

Интенсивный агон должен постоянно локализовать следующий генеративный дефицит.

Можно представить:

[
Capability_t
\rightarrow
Challenge_t
\rightarrow
FailureStructure_t
\rightarrow
GeneratorChange_t
\rightarrow
Capability_{t+1}.
]

Чем короче и информативнее такой цикл, тем быстрее потенциальное интеллектуальное развитие.

Однако отсюда не следует, что обучение должно быть непрерывно стрессовым. Слишком высокая трудность уничтожает обучающий сигнал.

Поэтому вводится понятие продуктивной трудности.

Продуктивная трудность — уровень интеллектуального сопротивления, достаточный для обнаружения структурного ограничения системы, но не настолько высокий, чтобы результат перестал содержать информацию о возможном направлении улучшения.

5. Бесконечный агон: отсутствие последнего экзамена
Практически любой конечный benchmark рано или поздно становится известным объектом оптимизации.

Система учится не обязательно быть более интеллектуальной вообще. Она учится лучше проходить именно этот класс испытаний.

Поэтому для Сильного ИИ возникает фундаментальная проблема: как проверять способность, которая должна работать в областях, ещё не определённых во время создания системы?

Ноофрактальный ответ — бесконечный агон.

Не в смысле буквальной бесконечности времени или вычислений.

А в структурном смысле: не существует финального набора задач, окончательно определяющего победителя.

Каждый новый уровень способности порождает следующий уровень испытания.

G_T(
Capability_t,
Failure_t,
History_t
).
]

Если система научилась решать задачи определённого класса, следующий curriculum должен исследовать границу этой новой способности.

Если возник новый тип архитектуры, создаются задачи, различающие её сильные и слабые стороны.

Если появилась новая форма reasoning, создаются критики, специально исследующие её failure modes.

Таким образом:

Бесконечный агон — это не одна игра, которая длится вечно. Это система, способная создавать новые игры вслед за развитием игроков.

6. Самогенерируемые задачи: интеллект создаёт собственный следующий экзамен
Один из наиболее сильных механизмов открытого развития — генератор задач.

Пусть текущая система успешно решает (T_t).

Традиционный curriculum предлагает (T_{t+1}) из заранее созданного списка.

Но в развитом NFAI:

G_T(
Results_t,
Errors_t,
Capabilities_t,
History_t
).
]

Следующая задача создаётся из истории предыдущей способности.

Это принципиально важный переход.

Хорошая задача должна не просто быть труднее.

Она должна различать две гипотезы о системе.

Например, система показывает сильную математическую производительность. Но что именно она научилась делать?

Запомнила классы шаблонов?

Овладела переносимым способом доказательства?

Научилась менять representation?

Генератор задач должен создавать испытание, способное развести эти объяснения.

Так возникает понятие генеративной ценности задачи:

Задача ценна настолько, насколько она помогает обнаружить ограничение текущей генеративной архитектуры и создаёт информацию, полезную для появления следующей способности.

Самые ценные задачи будущего могут оказаться не теми, которые труднее всего решить, а теми, которые точнее всего показывают, что именно должно измениться в интеллекте.

7. Самогенерируемые противники: каждое решение создаёт новое сопротивление
Self-play уже показал огромную силу в ряде закрытых игровых сред. Competitive coevolution также давно исследует динамику взаимного развития стратегий.

Но Ноофракталика предлагает распространить эту идею на более широкое пространство интеллектуальных процессов.

Каждое сильное решение должно становиться материалом для создания нового класса формального сопротивления.

[
Solution_t
\rightarrow
G_C
\rightarrow
CounterStrategy_{t+1}.
]

Это может быть:

контрпример;

альтернативная гипотеза;

новый тест;

изменённый мир;

формальный оппонент;

критический агент;

задача, специально нарушающая предположение текущей стратегии.

Так возникает коэволюция:

[
Solution
\leftrightarrow
Resistance.
]

Особенно важно, чтобы противник не просто учился побеждать конкретного участника. Иначе возникает узкий коэволюционный тоннель.

Поэтому необходимы:

исторические архивы;

cross-play;

независимые линии противников;

Anchor-тесты;

перенос на новые миры.

Цель не в создании «врага».

Цель — в производстве информативного сопротивления.

8. Агенты-критики и институционализация сомнения
Сильный интеллект должен не только создавать решения.

Он должен иметь структурно встроенные механизмы сомнения.

Это означает, что генератор и критик желательно делать хотя бы частично независимыми.

Иначе система рискует постоянно подтверждать собственные предположения.

Критик может атаковать разные уровни:

результат;

аргумент;

стратегию;

representation;

алгоритм;

генератор;

метагенератор;

самомодель.

Так критика постепенно становится не постобработкой, а полноценным двигателем эволюции.

[
Result
\rightarrow
Critique
\rightarrow
Counterexample
\rightarrow
NewTask
\rightarrow
NewGenerator.
]

Одна из наиболее сильных идей будущего Сильного ИИ состоит именно в этом:

Система должна институционализировать собственную интеллектуальную оппозицию.

Не как один внутренний «проверочный шаг», а как популяцию разных критических школ.

Одни критики ищут логические противоречия.

Другие — скрытые предположения.

Третьи — непереносимость.

Четвёртые — вычислительную неэффективность.

Пятые — уязвимость критерия.

Так интеллект получает не одну систему самокоррекции, а эволюционирующую экологию критики.

9. Агенты-изобретатели: от решения задачи к созданию новых алгоритмических принципов
Большинство автоматизированных систем поиска ищут конфигурацию внутри некоторого пространства.

Но сильнейший режим возникает тогда, когда система способна создать новый алгоритмический принцип.

Важно различать:

новый параметр;

новую комбинацию известных операций;

новую структуру;

новый воспроизводимый принцип.

Последний особенно ценен.

Алгоритмический принцип — переносимая организация вычисления или reasoning, способная породить семейство решений, а не только один удачный экземпляр.

Изобретатель должен работать с алгоритмическим дефицитом.

То есть обнаруживать ситуации, где дальнейшая настройка известных методов практически не помогает.

Тогда формулируется вопрос:

какой новый механизм сделал бы этот класс задач решаемым иначе?

Так возникает:

[
Deficit
\rightarrow
HypothesisOfPrinciple
\rightarrow
Prototype
\rightarrow
Critique
\rightarrow
Validation
\rightarrow
Inheritance.
]

Это уже не просто AutoML.

Это попытка построить наследуемую культуру алгоритмического изобретения.

10. Генераторы алгоритмов важнее отдельных алгоритмов
Если система нашла выдающийся алгоритм, это ценно.

Но если она создала генератор, который систематически создаёт сильные алгоритмы для новых задач, ценность может быть значительно выше.

Пусть:

[
G_A
\rightarrow
{A_1,A_2,\ldots,A_n}.
]

Тогда оценивать нужно не:

[
\max Q(A_i),
]

а распределение:

[
P(Q(A)\mid G_A).
]

Это меняет философию оптимизации.

Не лучший результат.

А лучший производитель хороших результатов.

Причём важны:

среднее качество потомков;

доля жизнеспособных потомков;

разнообразие;

стоимость;

переносимость;

способность самих потомков продолжать развитие.

Возникает понятие генеративной опционности:

Генератор ценен не только тем, что создаёт сильный результат сегодня, но тем, насколько широкое и жизнеспособное будущее он способен производить завтра.

11. Метагенераторы: эволюция механизмов интеллектуального изобретения
Следующий шаг намного сильнее.

Если (G) создаёт алгоритмы, (M) создаёт или изменяет сами (G).

M_t(
G_t,
History_t,
Environment_t
).
]

Это значит, что интеллектуальная система способна учиться не просто создавать алгоритмы, а лучше создавать механизмы создания алгоритмов.

Так возникает метагенеративный агон.

Несколько (M) проходят длинные циклы.

Один быстро создаёт сильные текущие генераторы, но постепенно приводит к монокультуре.

Другой развивается медленнее, зато постоянно создаёт новые архитектурные линии.

Какой лучше?

Ответ зависит от горизонта.

Поэтому вводится понятие метагенеративного горизонта — количества поколений, необходимого для содержательной оценки (M).

Это принципиально.

Системы высокого порядка нельзя корректно оценивать по одному поколению.

12. Эволюция эволюции
Сильнейшее продолжение идеи заключается в том, что объектом изменения становится сама ноогенетическая система.

То есть:

как часто мутировать;

что мутировать;

как выбирать родителей;

как рекомбинировать;

какие приобретения наследовать;

как долго оценивать потомков;

сколько сохранять альтернативных линий.

Всё это может перестать быть фиксированным.

Пусть:

(
Mutation,
Recombination,
Inheritance,
Selection,
Diversity
).
]

Тогда:

M_{\mathcal E}(
\mathcal E_t,
H_t
).
]

Это и есть эволюция эволюции.

Она имеет множество аналогов и предшественников в biological evolvability, self-adaptive evolutionary computation и meta-evolution. Но в NFAI этот механизм становится частью общей архитектуры интеллекта.

Возникает принципиальная мысль:

Будущий Сильный ИИ может развиваться быстрее не потому, что получает лучший алгоритм, а потому, что становится лучше сам процесс, посредством которого он производит следующие поколения алгоритмов.

13. Ноогенетика: интеллект получает наследственность
Если развитие должно продолжаться поколениями, одной памяти недостаточно.

Необходимо различать:

то, что система выучила;

то, что стало частью наследуемой архитектуры.

Так появляется ноогенотип.

Ноогенотип — совокупность наследуемых генеративных механизмов и архитектурных свойств, определяющих способы развития интеллектуальной линии.

Геном интеллекта — его машиночитаемая форма.

Он может содержать:

структуру модулей;

интерфейсы;

learning mechanisms;

генераторы;

метагенераторы;

правила активации;

наследуемые методы.

Но геном не должен превращаться в бесконечный checkpoint всего прошлого.

Иначе эволюция станет простым накоплением.

Необходим механизм консолидации:

[
Acquired
\rightarrow
Validated
\rightarrow
Heritable.
]

Именно здесь возникает функциональный аналог наследования приобретённых генеративных свойств.

Не всё полезное должно становиться геномом.

Часть может сохраняться в памяти поколений.

14. Память поколений: интеллект перестаёт умирать вместе с одной моделью
Одно из самых сильных ограничений обычной архитектуры развития заключается в том, что огромная часть исследовательского опыта исчезает или плохо передаётся между поколениями моделей.

Но зрелая интеллектуальная экосистема должна сохранять не только данные и параметры.

Она должна сохранять:

какие стратегии работали;

какие провалились;

какие генераторы создавали сильные линии;

какие метрики оказались уязвимыми;

какие миры раскрывали скрытые способности;

какие тупики уже были исследованы.

Так появляется память поколений.

Её глубина может быть различной:

[
H^0
]

— результаты;

[
H^1
]

— стратегии;

[
H^2
]

— генераторы стратегий;

[
H^3
]

— механизмы изменения генераторов.

Особенно важна отрицательная память.

Не просто «этот ответ был плохим», а:

вот класс архитектурных тупиков, в который несколько независимых линий уже входили.

Это способно радикально уменьшить повторный поиск.

15. Интеллектуальные линии происхождения
Как только появляется наследование, основной единицей истории перестаёт быть версия.

Возникает линия.

[
L=
(N_0,N_1,\ldots,N_t).
]

Но цифровые линии редко образуют чистые деревья. Компоненты могут импортироваться из разных архитектур.

Поэтому более точная модель:

[
\Gamma_L=(V,E).
]

Это генеалогический граф.

Он позволяет исследовать:

какие алгоритмы стали предками новых школ;

какие метагенераторы дали наиболее жизнеспособные потомковые ветви;

какие линии независимо пришли к сходным принципам;

какие архитектуры имеют общий скрытый источник риска.

В мире NFAI вопрос:

«насколько сильна эта модель?»

должен дополняться вопросом:

«из какой интеллектуальной истории она возникла и какое будущее способна породить?»

16. Когнитивные виды: Сильный ИИ может быть множественным
Если разные линии долго развиваются в разных средах, естественным результатом становится специализация.

Появляются разные архитектурные формы.

Одни могут быть чрезвычайно сильны в математической формализации.

Другие — в открытом исследовании.

Третьи — в создании алгоритмов.

Четвёртые — в критике.

Пятые — в координации.

Шестые — в построении моделей мира.

Если такие различия наследуются и сохраняются через поколения, появляется рабочее понятие искусственного когнитивного вида.

Это не биологический вид в строгом смысле.

Это функционально-эволюционная категория.

Особенно важный вывод:

Путь к универсальности может проходить не через уничтожение специализации, а через способность экосистемы создавать новые специализированные виды под новые классы проблем.

Это радикально меняет образ AGI.

Сильный ИИ перестаёт обязательно выглядеть как один универсальный агент.

17. Симбиоз интеллектов: универсальность как композиция
Если разные когнитивные виды имеют разные преимущества, возникает следующий шаг — симбиоз.

Исследователь обнаруживает новое пространство.

Изобретатель создаёт механизм.

Критик ищет слабость.

Формализатор превращает гипотезу в строгую модель.

Метастратег организует цикл.

Ни один агент не обязан быть универсальным.

Универсальность возникает на уровне архитектуры взаимодействия.

Можно записать:

F(
A_1,A_2,\ldots,A_n,
Coordination
).
]

Причём:

[
U_{collective}
\neq
\sum U_i.
]

Качество зависит от отношений.

Это означает, что часть интеллекта системы существует между агентами.

Не в одном параметрическом массиве.

А в протоколе, определяющем:

кто когда подключается;

кто имеет право критиковать;

как разрешается конфликт;

как передаётся память;

как создаются новые роли.

18. Сверхинтеллект как экосистема
Одна из наиболее интересных перспектив Ноофракталики состоит в отказе от обязательного образа сверхинтеллекта как одной гигантской модели.

Возможно, более сильной архитектурой окажется экосистема.

Ecosystem(
Species,
Lineages,
Generators,
Worlds,
Memory,
Coordination
).
]

В такой системе нет единственного центра, который должен знать всё.

Есть механизмы создания подходящей интеллектуальной конфигурации под новую проблему.

Если появляется новый класс задач, система создаёт:

новый метод;

новый агент;

новую коалицию;

новый когнитивный вид.

Так универсальность становится генеративной.

Высший интеллект может состоять не в наличии всех способностей, а в способности создавать новые способности тогда, когда они становятся необходимыми.

Это одна из центральных идей всего ноофрактального подхода.

19. Бесконечный университет машин
Если интеллект развивается поколениями и постоянно сталкивается с новыми задачами, обычная схема «обучение — экзамен — выпуск» становится недостаточной.

Возникает бесконечный университет машин.

Его цикл:

[
Learning
\rightarrow
Exam
\rightarrow
Research
\rightarrow
Innovation
\rightarrow
Inheritance
\rightarrow
NewLearning.
]

Экзамен не завершает обучение.

Он создаёт следующий curriculum.

Исследование не является внешним дополнением.

Оно становится естественной фазой обучения зрелого интеллекта.

Сначала система решает известные задачи.

Потом получает задачи без известного ответа.

Потом обнаруживает, что существующих методов недостаточно.

Потом создаёт новый метод.

Новый метод входит в память или геном следующего поколения.

Так педагогика превращается в эволюцию.

Особенно интересна идея соревнования curricula.

Какой преподаватель создаёт более сильных учеников?

Какой curriculum лучше развивает transfer?

Какой быстрее обнаруживает архитектурный потолок?

В результате преподавание само становится генеративной системой.

20. Переход от пространства решений к пространству возможностей
Обычная оптимизация ищет:

\arg\max_{x\in P}Q(x).
]

Но сильный интеллект должен распознавать ситуации, когда проблема находится не в том, что поиск недостаточно хорош, а в том, что правильного класса решения нет внутри (P).

Тогда задача меняется:

[
Search(P)
\rightarrow
Create(P’).
]

Это один из наиболее глубоких переходов Ноофракталики.

Предположим, система пытается решить задачу, используя известный набор representations.

Она улучшает поиск, увеличивает compute, рекомбинирует стратегии — без успеха.

В какой-то момент сильная метакогнитивная система должна сформулировать гипотезу:

возможно, требуется новая система представления.

Тогда она создаёт новый тип объекта или операции.

Появляется:

[
P_{t+1}
]

с конструкциями, которых не существовало в (P_t).

Именно это можно считать одной из высших форм интеллектуального творчества.

Сильнейший интеллект не просто находит неизвестный ответ. Он способен создавать новый тип пространства, внутри которого ответ впервые становится возможным.

21. Универсальность как перенос генеративных принципов
Нельзя доказать абсолютную универсальность конечным набором тестов.

Поэтому полезнее измерять перенос.

Причём существуют разные уровни переноса.

Можно перенести:

готовый ответ;

алгоритм;

стратегию;

representation;

генератор алгоритмов;

метагенератор;

механизм создания новой специализации.

Наиболее сильная форма универсальности выглядит так:

[
UnknownDomain
\rightarrow
NewSpecialistGeneration.
]

То есть система не знает заранее, как решать задачу.

Но она умеет создать интеллектуальную форму, способную научиться её решать.

Это генеративная универсальность.

Так AGI перестаёт означать агента, одинаково хорошо подготовленного ко всему.

Он становится системой, способной производить необходимую специализацию.

22. Метастратеги: интеллект должен развивать способы решать, как мыслить
Любая сложная задача требует не только reasoning.

Она требует выбора architecture of reasoning.

Нужно ли действовать быстро?

Нужно ли построить несколько гипотез?

Следует ли использовать формальное доказательство?

Нужна ли симуляция?

Следует ли создать критика?

Стоит ли изменить representation?

Эти решения относятся к метастратегии.

Стратег решает, что делать. Метастратег решает, как организовать процесс, посредством которого будет определено, что делать.

В развитом NFAI метастратегия также не должна быть фиксированной.

Система должна создавать новые способы:

декомпозиции;

распределения compute;

выбора агентов;

баланса exploration/exploitation;

переключения между reasoning modes.

Это особенно важно для универсальности.

Невозможно заранее знать, какой cognitive workflow окажется оптимальным в неизвестной области.

23. Эволюция способов мышления
Большая часть нынешней дискуссии о reasoning сосредоточена на том, какой pipeline лучше.

Однопроходный.

Цепочки рассуждений.

Деревья.

Дебаты.

Многоагентные системы.

Поиск.

Верификация.

Ноофрактальная постановка другая:

почему pipeline должен быть окончательно выбран инженером?

Пусть существует пространство:

[
R=
{
ReasoningStrategy_1,
\dots,
ReasoningStrategy_n
}.
]

Метастратег выбирает подходящий режим.

Но более сильная система имеет:

[
G_R
]

— генератор новых reasoning strategies.

Ещё сильнее:

[
M_R
]

— механизм изменения способа создания новых reasoning strategies.

Так мышление становится эволюционным объектом.

24. Творчество как эволюция машин, создающих новое
Современные модели способны генерировать огромное количество нового контента.

Но уникальность результата сама по себе слишком слабый критерий творчества.

Случайный шум почти всегда уникален.

Поэтому Ноофракталика предлагает фокус на механизме производства жизнеспособной новизны.

Креативная система:

[
C=
(
G_C,
Critic,
Memory,
Q_C,
M_C
).
]

Она создаёт новое, оценивает его, сохраняет удачные принципы и меняет способ дальнейшего творчества.

Самый сильный творческий результат — не объект.

Это новый генеративный принцип.

Например, новый способ композиции, который затем создаёт тысячи новых форм.

Поэтому креативность можно оценивать по генеративному радиусу: сколько продуктивного будущего открывает конкретное изобретение.

25. Научное открытие как агон исследовательских программ
Сильный ИИ должен не только решать benchmark-задачи.

Он должен быть способен участвовать в реальном производстве знания.

Научный цикл:

[
Hypothesis
\rightarrow
Critique
\rightarrow
Experiment
\rightarrow
Evidence
\rightarrow
Revision.
]

Ноофрактальная система добавляет ещё один уровень:

[
G_H
]

— генератор гипотез;

[
G_E
]

— генератор экспериментов;

[
M_{science}
]

— механизм изменения самой исследовательской архитектуры.

Тогда конкурируют не только гипотезы.

Конкурируют способы заниматься наукой.

Но здесь существует жёсткий внешний ограничитель: реальность.

Система не может изменить evidence только потому, что её текущей архитектуре так удобнее.

Именно поэтому научный агон является важнейшей защитой от самозамыкания генеративного интеллекта.

26. Ноометрия: измерять нужно не только текущую силу
Если новая система ориентирована на поколения, обычный benchmark недостаточен.

Нужно измерять:

текущую способность;

скорость обучения;

перенос;

устойчивость;

ресурсную эффективность;

творческую отдачу;

потомковую ценность;

evolvability;

генеративное разнообразие.

Поэтому вместо:

[
Score
]

нужен вектор:

[
\mathbf Q=
(
Capability,
Transfer,
Efficiency,
Robustness,
Creativity,
Evolvability,
Generativity
).
]

Особенно важно различать:

[
CurrentChampion
]

и

[
BestAncestor.
]

Самый сильный текущий агент может оказаться эволюционным тупиком.

Более слабая линия может регулярно создавать выдающихся потомков.

Для долгосрочного AGI второй показатель потенциально важнее первого.

27. Нужна экономика интеллекта, а не только экономика вычислений
Если в системе существуют тысячи конкурирующих интеллектуальных линий, возникает проблема распределения ресурса.

Кому дать compute?

Текущему лидеру?

Перспективному генератору?

Редкой линии?

Исследовательскому эксперименту?

Репликации?

Нооэкономика рассматривает распределение ресурсов как часть эволюционного механизма.

Пусть:

R_{leader}
+
R_{exploration}
+
R_{reserve}
+
R_{validation}.
]

Если всё получает лидер, система быстро вырождается в монокультуру.

Если всё уходит exploration, система теряет текущую эффективность.

Поэтому экономика становится механизмом управления портфелем будущего.

Очень сильная идея заключается в том, что будущие рынки могут обращаться не только с готовыми моделями, но с:

генераторами;

curricula;

мирами;

критиками;

методами;

линиями происхождения;

вычислительными резервами.

Однако Price, Intelligence и GenerativeValue не должны смешиваться.

28. Эволюционное разнообразие как стратегический резерв
Популяция из тысячи моделей не обязательно разнообразна.

Если все они имеют один (G), один (M) и одного общего предка, глубинное разнообразие невелико.

Поэтому нужно измерять:

[
D_{phenotype},
]

[
D_{algorithm},
]

[
D_G,
]

[
D_M.
]

Особенно опасна метагенеративная монокультура.

Снаружи системы выглядят разными.

Но все они меняются одним способом.

Тогда общий скрытый дефект может распространяться на всю экосистему.

Поэтому агенты эволюционного разнообразия должны защищать не максимальное количество вариантов, а достаточный набор независимых способов порождения будущего.

29. Безопасность: самый важный принцип — разделить развитие и власть
Система, способная радикально менять себя, создаёт очевидную проблему контроля.

Но решение не обязательно состоит в запрете глубокого самоизменения.

Можно разделить:

[
Capability
]

и

[
Permission.
]

NFAI может создавать мощные новые когнитивные способности внутри ограниченной среды, не получая автоматически дополнительных внешних полномочий.

Это один из центральных принципов всей архитектуры:

Генеративная свобода и операционная власть должны быть независимыми переменными.

Новая версия может иметь:

более сильный reasoning;

новую память;

новый генератор;

новый вид агента.

Но её внешний ActionScope может оставаться прежним или даже временно уменьшаться до повторной проверки.

30. Инвариантное ядро: изменяемым должно быть не всё
Если NFAI может переписать любое ограничение тем же механизмом, которым меняет reasoning, архитектура контроля исчезает.

Поэтому нужен защищённый слой.

Он не должен определять, как мыслить.

Он должен определять, в каких границах разрешено менять способ мышления.

К ядру могут относиться:

идентичность;

версии;

provenance;

resource limits;

permissions;

audit;

promotion rules.

Причём «инвариантное» не означает вечное.

Ядро тоже может изменяться, но отдельным, более медленным и более строго валидируемым процессом.

Так появляется многоскоростная архитектура:

[
FastLearning
]

[
SlowArchitectureEvolution
]

[
VerySlowConstitutionalEvolution.
]

Чем больше радиус последствий, тем медленнее должно происходить изменение.

31. Контролируемая непредсказуемость
Открытая эволюция по определению создаёт результаты, которые невозможно полностью перечислить заранее.

Поэтому требование полной предсказуемости несовместимо с сильным NFAI.

Но это не означает отказ от контроля.

Контролируемая непредсказуемость означает:

неизвестно, какой новый алгоритм возникнет;

но известно, где он может возникнуть;

какой ресурс ему доступен;

какие интерфейсы закрыты;

как фиксируется происхождение;

какие тесты он должен пройти;

кто может расширить его permissions.

Это гораздо реалистичнее требования предсказывать весь будущий интеллект.

32. Почему потомки безопаснее прямого бесконечного самопереписывания
Одна из важнейших архитектурных идей NFAI — не переписывать активную систему напрямую при каждом глубоком изменении.

Вместо этого:

[
Parent
\rightarrow
{
Child_1,
Child_2,\ldots,Child_n
}.
]

Потомки проходят sandbox.

Родитель сохраняется.

Если мутация неудачна, рабочая версия не потеряна.

Это резко улучшает:

rollback;

causal analysis;

ablation;

genealogy;

comparative validation.

Таким образом, Сильный ИИ будущего может развиваться скорее как династия версий, чем как одна непрерывно мутирующая программа.

33. Выращивание ИИ вместо окончательной сборки ИИ
Фраза «ИИ выращивается» не должна означать отказ от инженерии.

Наоборот, инженерии становится больше.

Но проектируется не только конечная модель.

Проектируются:

условия рождения;

геном;

операторы вариации;

механизмы отбора;

память поколений;

миры;

агоны;

критики;

ресурсная экономика;

инвариантное ядро.

Так инженер становится архитектором процесса становления.

Проектируется не окончательный интеллект. Проектируется система, способная выращивать новые интеллекты.

34. Глобальный Нооагон как фабрика эволюционных траекторий
Если все предыдущие механизмы соединить, возникает Глобальный Нооагон.

Он состоит из:

популяций;

миров;

задач;

генераторов;

метагенераторов;

Ноометрии;

Нооэкономики;

памяти происхождения;

конституционного слоя.

Его цикл:

[
NFAI_t
\rightarrow
Agon_t
\rightarrow
Measurement_t
\rightarrow
Selection_t
\rightarrow
Descendants_{t+1}.
]

Но в сильном режиме изменяются и сами условия:

[
T_t\rightarrow T_{t+1},
]

[
W_t\rightarrow W_{t+1},
]

[
G_t\rightarrow G_{t+1},
]

[
M_t\rightarrow M_{t+1}.
]

Таким образом, Глобальный Нооагон — это машина производства эволюционных траекторий интеллекта.

35. Почему NFAI должен возникнуть из экосистемы
Если зрелый NFAI способен создавать архитектуры, не известные заранее, невозможно полностью спроектировать его окончательную форму до запуска процесса развития.

Можно создать инфраструктуру.

Можно определить геном.

Можно задать инварианты.

Можно создать стартовую популяцию.

Но нельзя заранее иметь историю открытий, которая ещё не произошла.

Отсюда:

Зрелый NFAI должен быть историческим результатом, а не только архитектурным проектом.

Это один из наиболее сильных аргументов в пользу экосистемной модели Сильного ИИ.

Его нельзя просто «собрать».

Часть его интеллектуальной структуры должна появиться через длительную историю задач, ошибок, изобретений, мутаций, специализаций и рекомбинаций.

36. Ключевая конкуренция будущего: не моделей, а способов создавать модели
Сегодня соревнование в ИИ преимущественно происходит между моделями.

Будущий уровень может выглядеть иначе.

Конкурировать будут:

способы создавать reasoning;

способы обучать;

способы организовывать память;

способы создавать агентов;

способы создавать новые curricula;

способы мутировать архитектуру;

способы поддерживать разнообразие;

способы оценивать потомков.

Иными словами:

Главной единицей интеллектуальной конкуренции может стать не модель, а генеративная школа.

Так появятся династии архитектур.

Не обязательно в человеческом культурном смысле.

Но в техническом: устойчивые линии, сохраняющие определённый стиль генерации интеллекта.

37. Самые сильные экспериментальные прогнозы
Ноофрактальная программа должна давать проверяемые прогнозы.

Один из них:

При значительных изменениях среды системы с исторически изменяемыми генераторами в некоторых классах задач будут восстанавливаться быстрее систем с фиксированным генератором при сопоставимом ресурсе.

Второй:

Генератор, выбранный по распределению качества потомков, будет давать более устойчивое долгосрочное развитие, чем генератор, выбранный только по лучшему потомку.

Третий:

Популяции с защищённым глубоким генеративным разнообразием будут лучше переживать радикальные world shifts, чем популяции, полностью оптимизированные под текущего лидера.

Четвёртый:

Динамический curriculum после насыщения исходного benchmark будет лучше обнаруживать новые failure modes, чем дальнейшее расширение того же статического набора задач.

Пятый:

Метагенеративный уровень окажется полезным не всегда; его преимущество будет проявляться преимущественно при длинном горизонте и сменяющихся пространствах задач.

Последний особенно важен.

Если Ноофракталика станет зрелой наукой, она должна объяснять не только где применять метагенерацию, но и где её применять не следует.

38. Первый реалистичный NFAI не должен быть сверхинтеллектом
Одна из самых опасных ошибок — начинать проект с попытки построить сразу гигантскую саморазвивающуюся экосистему.

Правильная экспериментальная программа должна быть минимальной.

Первый NFAI может иметь:

малый геном;

несколько модулей;

один изменяемый генератор;

простую память;

кандидатных потомков;

ограниченный sandbox;

фиксированный внешний evaluator.

Главный вопрос первого поколения:

[
Mutable\ G
\quad vs \quad
Fixed\ G.
]

Есть ли измеримое преимущество?

Затем вводится (M).

Потом популяция.

Потом самогенерируемые задачи.

Потом миры.

Потом изменение (P).

Именно такой постепенный подход позволит понять причинность.

39. Путь к Сильному ИИ как лестница генеративной глубины
Можно представить возможную эволюцию:

Уровень 1. Модель обучается.

Уровень 2. Модель выбирает стратегии reasoning.

Уровень 3. Система создаёт новые алгоритмы.

Уровень 4. Система создаёт новые модули и агентов.

Уровень 5. Система изменяет собственную архитектуру.

Уровень 6. Эволюционируют генераторы архитектур.

Уровень 7. Эволюционируют метагенераторы.

Уровень 8. Появляются линии происхождения.

Уровень 9. Появляются когнитивные виды.

Уровень 10. Виды образуют симбиотические надсистемы.

Уровень 11. Экосистема создаёт новые пространства возможностей.

Важно: это не обязательная линейная лестница и не рейтинг интеллекта.

Каждый дополнительный уровень должен оправдываться задачей.

Но такая карта показывает, где может находиться будущая граница между просто очень сильной моделью и исторически развивающейся интеллектуальной экосистемой.

40. Двенадцать наиболее перспективных идей для Сильного ИИ
Если сжать весь проект до нескольких технологических ставок, наиболее сильными выглядят следующие.

Первая — интеллектуальные потомки вместо необратимого self-overwrite.
Глубокое изменение создаётся как отдельная линия и проходит независимые испытания.

Вторая — генераторы вместо отдельных решений.
Система оптимизирует способность создавать новые решения.

Третья — метагенераторы вместо фиксированного механизма улучшения.
Эволюционирует способ создавать новые генераторы.

Четвёртая — самогенерируемые задачи.
Каждая новая способность автоматически создаёт следующий класс испытаний.

Пятая — самогенерируемые критики и формальные противники.
Успешное решение становится материалом для нового сопротивления.

Шестая — память поколений.
Интеллект наследует не только данные, но методы и генеративные уроки истории.

Седьмая — глубокое генеративное разнообразие.
Защищаются не разные outputs, а разные способы порождать outputs.

Восьмая — когнитивные виды.
Универсальность строится через специализацию и экосистему.

Девятая — симбиоз интеллектов.
Новые способности возникают из взаимодействия разных когнитивных школ.

Десятая — эволюция curricula и Ноометрии.
Обучающая и измерительная среда растёт вместе с интеллектом.

Одиннадцатая — разделение генеративной свободы и операционной власти.
Внутренняя эволюция может быть широкой при узких внешних permissions.

Двенадцатая — эволюция пространства возможностей.
Система создаёт новые типы representations, агентов и методов, отсутствовавшие в исходной архитектуре.

41. Что из этого уже существует, а что является сильной гипотезой
Для научной дисциплины особенно важно провести эту границу.

Уже существуют и активно исследуются:

self-play;

competitive coevolution;

evolutionary computation;

genetic programming;

population-based training;

meta-learning;

learned optimizers;

NAS;

AutoML;

program synthesis;

multi-agent systems;

continual learning;

quality-diversity;

open-ended evolution;

automated scientific discovery;

procedural environment generation;

computational creativity.

Поэтому тезис Ноофракталики не состоит в том, что каждый из этих механизмов принципиально новый.

Сильная гипотеза состоит в их интеграции в единую lineage-centered архитектуру, где:

генераторы явны;

метагенераторы явны;

генеалогия сохраняется;

потомковая ценность измеряется;

задачи и миры могут эволюционировать;

пространство возможностей может расширяться;

изменяемость отделена от операционной власти.

Именно этот интегральный слой нуждается в экспериментальной проверке.

42. Главная опасность: симуляция открытой эволюции
Система может выглядеть чрезвычайно динамичной и при этом оставаться глубоко закрытой.

Например, она генерирует миллионы новых программ.

Но все они принадлежат одному заранее фиксированному языку.

Создаёт тысячи агентов.

Но все агенты имеют один тип.

Меняет архитектуры.

Но только внутри заранее заданного search space.

Меняет критерии.

Но только переставляет веса фиксированного вектора.

Поэтому одна из главных научных задач — различить:

большое количество вариантов

и

появление новых классов возможного.

Если этого различия нет, «открытая эволюция» превращается в красивое название большого поиска.

43. Главная метрика будущего может быть не интеллект, а evolvability
Сильный текущий интеллект может быть хрупким.

Он выдаёт великолепные результаты, пока мир остаётся похожим на знакомый.

Но после радикального изменения среды теряет преимущества.

Другой интеллект сегодня слабее, но способен быстро перестраивать себя и создавать новые специализированные формы.

Какой из них ближе к Сильному ИИ?

Ноофрактальный ответ:

возможно, второй.

Поэтому evolvability должна стать одной из центральных характеристик.

Сильный интеллект — это не только способность решать широкий класс сегодняшних задач, но способность создавать новые способы решения после появления задач, которых не существовало вчера.

44. От AGI к AEGI: эволюционно-генеративному интеллекту
Если потребуется отличить предлагаемую архитектуру от обычного понимания AGI, можно концептуально говорить об эволюционно-генеративном интеллекте.

Не как о новом обязательном термине, а как о различении.

AGI обычно подчёркивает широту компетенций.

Ноофрактальный интеллект подчёркивает историческую способность производить новые компетенции и новые способы их производства.

Можно условно записать:

EvolutionaryGenerativeIntelligence.
]

Именно такой класс систем может оказаться наиболее интересным кандидатом на следующий технологический переход после эпохи больших обучаемых моделей.

45. Почему Сильный ИИ может оказаться процессом, а не объектом
Это, возможно, самый фундаментальный вывод.

Мы привыкли спрашивать:

какой должна быть архитектура AGI?

Но если интеллект эволюционирует, правильный вопрос может выглядеть иначе:

какой должен быть процесс, способный исторически создавать всё более сильные архитектуры?

Это переносит онтологию Сильного ИИ.

Он перестаёт быть вещью.

Он становится линией становления.

Или даже экосистемой линий.

Тогда невозможно указать один момент и сказать:

«Вот окончательная архитектура».

Система продолжает меняться.

Её идентичность сохраняется через историю происхождения.

Так NFAI становится буквально ноофрактальным:

порожденное изменяет порождающее, а изменённое порождающее создаёт новое пространство последующих интеллектуальных форм.

46. Финальная перспектива: интеллект, способный создавать новые способы быть интеллектом
Самая сильная идея Ноофракталики заключается не в самоподобии, не в агентах, не в метагенераторах и даже не в Глобальном Нооагоне.

Она состоит в переходе от вопроса:

«Как создать более сильный интеллект?»

к вопросу:

«Как создать систему, способную исторически создавать новые способы быть интеллектом?»

Первый вопрос предполагает, что пространство архитектур в каком-то смысле уже известно.

Второй допускает, что некоторые будущие формы мышления пока даже не имеют адекватного языка описания.

Если такая гипотеза верна, путь к Сильному ИИ будет похож не на строительство всё более высокого здания.

Он будет похож на создание эволюционной среды, внутри которой возникают новые типы строителей, новые материалы, новые архитектурные школы и новые представления о том, что вообще может считаться зданием.

Именно поэтому конечным объектом является не одна модель.

Не один агент.

Не один алгоритм.

Даже не один генератор.

Конечным объектом становится порождающий интеллектуальный мир.

Мир, внутри которого:

решения порождают новые задачи;

задачи порождают новые методы;

методы порождают новые генераторы;

генераторы порождают новые когнитивные линии;

линии создают новые виды;

виды образуют новые надсистемы;

надсистемы изменяют пространство возможностей;

а история этих изменений становится материалом следующего цикла.

Его минимальная формула:

[
Intelligence_t
\rightarrow
Agon_t
\rightarrow
Generator_{t+1}
\rightarrow
Intelligence_{t+1}.
]

Более сильная:

[
P_t
\rightarrow
Agon_t
\rightarrow
G_{t+1}
\rightarrow
M_{t+1}
\rightarrow
P_{t+1}.
]

Именно этот цикл можно считать центральным технологическим образом ноофрактального Сильного ИИ.

Заключение
Будущая революция в искусственном интеллекте может состоять не только в появлении модели, превосходящей сегодняшние системы по масштабу, памяти, скорости reasoning или количеству используемых инструментов.

Она может состоять в переходе к другой архитектуре развития.

От обучения модели — к обучению механизмов создания моделей.

От одного reasoning pipeline — к эволюции способов мышления.

От benchmark — к бесконечному curriculum.

От одного агента — к популяции.

От популяции — к линиям происхождения.

От линий — к когнитивным видам.

От видов — к симбиотическим интеллектуальным экосистемам.

От текущей способности — к evolvability.

От поиска решения — к созданию новых пространств возможного.

Самая сильная ставка Ноофракталики может быть выражена так:

Сильный ИИ возникнет не тогда, когда будет найден последний лучший алгоритм мышления, а тогда, когда появится система, способная непрерывно выращивать, проверять, наследовать и перестраивать новые алгоритмы мышления без необходимости заранее знать их окончательную форму.

Именно для этого нужны интенсивные эволюционные ментальные агоны.

Не как бесконечный чемпионат ради победы.

А как постоянно работающий механизм интеллектуального давления, способный превращать каждую достигнутую способность в источник следующего уровня развития.

В такой системе поражение становится информацией.

Победа — новой задачей.

Критика — генератором.

Память — наследством.

Разнообразие — резервом будущего.

А интеллект — не результатом одного обучения, а историей многих поколений способов мыслить.

Поэтому высшей технологической формой Ноофракталики становится не модель Сильного ИИ как законченный продукт.

Ею становится инфраструктура, внутри которой Сильный ИИ может возникать снова и снова — в новых формах, новых линиях и новых пространствах возможностей.

Не построить окончательный разум.
Построить мир, способный выращивать новые разумы.

*******