От байесовских сетей к множествам: смена парадигмы
Традиционные подходы к моделированию разума, такие как предиктивная обработка (predictive processing) и байесовская когнитивная наука, сталкиваются с фундаментальными ограничениями. Первые не имеют четкого определения структуры «предсказания», а вторые предполагают замкнутое пространство гипотез, не объясняя, как вероятности превращаются в дискретные, идентифицируемые объекты. Статья, опубликованная 3 августа 2026 года в arXiv (cs.AI), предлагает решение — Predictive Set Theory (PST).
PST — это не нейросетевая архитектура, а строгая спецификация дизайна. Она восстанавливает когнитивную архитектуру с нуля, опираясь на минимальный набор операций, которые позволяют системе поддерживать внутреннюю согласованность в условиях неполной информации и необратимых рисков.
Три кита когнитивной архитектуры PST
В основе PST лежат три фундаментальных элемента, которые автор операционализирует как базовые функции:
- Сенсор как функция тождества (Identity Function): Базовый механизм восприятия, фиксирующий состояние без искажений.
- Обновление состояния (Set-theoretic state refresh): Механизм, обеспечивающий актуализацию текущего состояния системы.
- Цепочки ссылок (Reference Chains): Три формы связи между объектами — reference (ссылка), counter-reference (контр-ссылка) и semi-reference (полуссылка). Именно эти цепочки формируют структуру познания.
Что выводится из этих операций?
Из этих простых аксиом PST строго выводит сложные когнитивные функции, которые ранее считались эмерджентными свойствами нейронных сетей. Ниже приведена таблица соответствия базовых операций и производных когнитивных механизмов:
| Базовый элемент PST | Выводимая когнитивная функция | Значение для ИИ |
|---|---|---|
| Цепочки ссылок | Сравнение (Comparison) | Возможность сопоставлять объекты без явного обучения различиям |
| Обновление состояния | Состояние (State sequences) | Формирование непрерывного потока сознания/данных |
| Минимизация ошибок ссылок | Спрос (Demand) | Генерация внутренних мотивационных сигналов |
| Эффективность цепочек | Эффективность (Efficiency) | Оптимизация вычислительных ресурсов системы |
| Конечный горизонт | Вероятностное планирование | Стратегическое планирование действий с учетом рисков |
Решение классических парадоксов
Одной из главных претензий к PST является ее способность решать философские и логические проблемы, которые часто остаются за рамками инженерных задач. Автор демонстрирует, как PST предлагает новые решения для:
- Парадокса Рассела: Через строгую типизацию цепочек ссылок.
- Теоремы Гёделя о неполноте: Через объяснение когнитивного статуса неполноты как необходимого условия для генеративности.
- Заземления негативной обратной связи: Через механизм «контр-ссылок».
Кроме того, framework объясняет механизмы понимания монтажа в кино, что указывает на универсальность подхода для обработки сложных семантических структур.
Почему это важно для индустрии
PST предлагает не просто еще одну архитектуру LLM, а генеративный дизайн-спецификацию. Это означает, что инженеры могут использовать PST как математический фундамент для создания систем, которые не просто статистически угадывают следующий токен, но и обладают внутренней логической целостностью. Это критически важно для создания ИИ, способного к автономному планированию и работе в условиях неопределенности, где цена ошибки высока.
Источник: arXiv cs.AI ↗