Warum KI die Zeit nicht verstehen kann: Ein physikbasierter Rahmen für zeitliche Kausalität in generativen Systemen

Künstliche Intelligenzsysteme können bemerkenswert realistische räumliche Muster erzeugen, sind jedoch fundamental blind gegenüber der Zeit. Trotz fotorealistischer Bilder und flüssiger Interpolation verletzen moderne generative Modelle physikalische Prinzipien von Kausalität, Trägheit und Energieerhaltung – sie produzieren zusätzliche Gliedmaßen, teleportieren Objekte oder führen zu inkohärenter Bewegung. Dieses Papier führt einen physikbasierten Rahmen für zeitliche Kausalität ein, der aus dem Chronos-Modell der Zeit als energetisches Feld T (Θ) T () T (Θ) abgeleitet ist. Durch die Einbettung expliziter zeitlicher Gradienten in generative Architekturen können KI-Systeme durch physikalisch fundierte Zeit evolvieren, anstatt durch statistische Inferenz zwischen Frames. Der Chronos-Rahmen vereinigt Berechnung und Physik, indem er Zeit als aktives skalaren Feld behandelt, dessen Gradienten den kausalen Fluss definieren. Diese Struktur ermöglicht Kontinuität, Erhaltung und Persistenz über Frames hinweg und verwandelt KI von einem Muster-Generator in einen physikalisch konsistenten Simulator von Prozessen. Anwendungen umfassen die KI-Videosynthese, 3D-Szenenrekonstruktion, Robotik und kognitive Modellierung – Bereiche, in denen die Einbettung von T (Θ) T () T (Θ) eine natürliche zeitliche Ordnung und kausale Realität einführt. Die Arbeit schlussfolgert, dass echte Intelligenz, sei sie menschlich oder künstlich, untrennbar mit zeitlicher Kohärenz verbunden sein könnte.