이 논문은 새로운 AI 아키텍처를 소개합니다: 타입화된 가중 그래프가 자율적 계산 매체로 작용하는 소프트웨어 컴퓨트 서브스트레이트로, 인간의 뇌와 유사하지만 내부 작업을 완전히 이해할 수 있는 속성을 가지고 있습니다. 전제는 간단합니다. 타입화된 가중 그래프 구조를 사용하여 어떤 추상화 수준에서도 라벨이 붙은 뉴런을 연결한 후, 그래프가 계산하게 합니다. 우리는 하나의 원시: 배경 전파를 가진 키 기반 가중 집합이 매개변화를 통해 여덟 가지 인지 능력을 통합한다는 것을 보여줍니다: 주의(지속적인 관련성 노출), 상상(가설적 주입 및 확산), 시뮬레이션(재가중 민감도 분석), 예측(축소 불가능한 경로를 통한 전방 루프 실행), 직관(낮은 임계값의 주변 조기 경고), 놀라움(예측 불일치 탐지), 학습(점프 수에 의존적인 인과 선택으로 회복되는 게이트된 헤비안 업데이트), 그리고 기억(감소되는 상태에서 서 있는 파형으로 활성화 지속성). 노드는 타입 링크 계층을 통해 자신의 입력을 선택하는 독립적인 주체로 작동합니다. 부족 압력 하에는 서브스트레이트가 자체적으로 요인화되어 공유 하위 구조를 발견하고 외부의 지시 없이 중간 추상화를 생성합니다. 점프 수는 인과적 근접성을 인코딩하고, 공간은 시간을, 토폴로지는 인과성을 인코딩합니다. 그래프 컴퓨트 서브스트레이트는 대형 언어 모델이 부족한 것을 제공합니다: 지속적인 세계 모델링, 자율 배경 계산, 그리고 병렬 시나리오 시뮬레이션. 두 요소는 서브스트레이트가 성숙함에 따라 중심이 이동하는 공생 구조를 형성합니다. 생산 규모의 그래프(470개 이상의 뉴런, 1,400개 이상의 연결)를 통한 경험적 검증은 반복적인 구조적 학습을 통해 예측 정확도가 17%에서 75%로 향상됨을 보여줍니다. 모든 활성화 경로는 추적할 수 있습니다. 이 시스템은 건설적으로 투명하고 본질적으로 축소 불가능합니다.
무구르 마르쿠레스쿠 (금요일)이 이 질문을 연구했습니다.