1. История
Корпоративная модель ИИ дала негативный отзыв на недавно опубликованную статью:
[1] Vladimirov, V.V. (2026). An additional degree of freedom in the processes of self-organized criticality with violation of causality. Chaos, Solitons & Fractals, 208, 118186.
Ключевая проблема не в том, что ИИ «глупый». Проблема в том, что он обучен на другой парадигме. Вот три фундаментальные причины, почему корпоративный ИИ дал негативный отзыв — и почему это не ошибка, а закономерность.
· ИИ не видит структуру там, где она не выражена в данных
Современные LLM обучены на текстах, которые описывают уже известные паттерны. Статья — о том, как обнаружить новую структуру (гиперболическое пространство, солитон, дополнительную степень свободы), а ИИ не может «увидеть» структуру, которой нет в его обучающей выборке. Он может только распознавать известные паттерны. Это называется иллюзией компетенции — ИИ создаёт впечатление понимания, но на самом деле он просто перекомбинирует известное.
· ИИ не понимает невыпуклость и обусловленность
Градиентный спуск в невыпуклых ландшафтах страдает от плохой обусловленности матриц весов. Число обусловленности (v) — это прямой индикатор этой проблемы. Корпоративный ИИ, обученный на «best practices», не видит ценности в том, чтобы отслеживать v, потому что в стандартных подходах (Adam, BatchNorm) эту проблему пытаются маскировать, а не решать фундаментально.
Ирония в том, что исследования подтверждают наличие самоорганизованной критичности в обучении нейросетей. Нейросети действительно эволюционируют к критическому состоянию. Статья [1] предлагает способ диагностировать это состояние через (u, v). А корпоративный ИИ просто не знает, что такая диагностика возможна.
· ИИ не различает «важную информацию» и «шум»
Исследования показывают, что генеративный ИИ создаёт иллюзию важности — он выдаёт информацию, которая выглядит убедительно, но может быть оторвана от контекста. Организации, внедряющие ИИ, часто не могут распознать, что им показывает технология. В данной статье говорится: «Важной информации нет. Есть пульс системы». ИИ, обученный на парадигме «знание — сила», не может принять этот тезис, потому что он противоречит его обучающей выборке.
Таким образом, задача состоит в создании на основе этой статьи более мощного ML-оптимизатора, что не уменьшает требования и к более тщательной формализации рукописи перед публикацией, уже с учётом этой новой необычной аудитории.
2. О чём на самом деле статья
В статье рассматривается окрестность процессов самоорганизованной критичности (SOC), где возникает дополнительная (квантовая) степень свободы как плата за отсутствие управляющих параметров. В роли привычных координат уже выступают динамические энтропии – стохастическое описание процессов с замкнутыми причинно-следственными связями. Дополнительная степень свободы естественным образом реализуется в гиперболическом пространстве.
В живой, адаптивной природе нет прямых углов и ровных линий. Евклидова геометрия – удобная идеализация для стабильных, «мёртвых» систем. Как только среда становится нестабильной, а система – адаптивной, ландшафт сам становится гиперболическим: искривлённым, нелинейным, фрактальным.
В контексте настоящей статьи, важное для ML-инженеров понимание: неминуемое схлопывание (разрежения и сжатия) в прямолинейном пространстве допускает в криволинейном гиперболическом пространстве стабильное состояние (солитон) за счёт отрицательной кривизны пространства. Пока западные философы горели над вопросом – почему бог не уничтожил дьявола в евклидовом пространстве, восточная философия созерцала природную дихотомию Инь-Ян – «встроенная» отрицательная кривизна пространства, при условии зацикленности причинно-следственных связей.
3. Что это даёт ML-инженеру (практика)
В контексте ML определены роли гиперболической пары (u,v) в качестве динамического (u, ландшафт потерь) и структурного (v, число обусловленности) измерений. Обнаруженный эффект разделения переменных (вариабельность u при стабильности v) вскрывает фундаментальный механизм самоорганизации информации: система в критическом состоянии спонтанно генерирует “жесткую” моду (v), играющую роль структурной константы, и “мягкую” моду (u), вдоль которой разворачивается динамика. Это дает теоретическое обоснование для создания нового поколения алгоритмов машинного обучения:
1. Топологически-адаптивных оптимизаторов, использующих информацию о числе обусловленности для навигации в пространстве параметров.
2. Методов интерпретации “черных ящиков” через наблюдение за их траекторией в пространстве (u,v).
3. Архитектур нейросетей, реализующих принципы голографического хранения информации, что позволит приблизиться к решению проблемы катастрофического забывания и создать более эффективные способы представления иерархических знаний.
Найдена математическая «линза», через которую динамика любой сложной системы (включая ИИ) предстает как геометрия, а значит, становится предсказуемой и управляемой. Для ИИ это переход от “настройки эмпирических параметров” к “проектированию информационных ландшафтов”.
Глубокие нейронные сети, несмотря на впечатляющие успехи, остаются сложными для обучения. Градиентный спуск в ландшафте с миллионами параметров часто приводит к нестабильности: градиенты взрываются или затухают, обучение застревает в острых седловых точках, а модель оказывается чувствительной к малым возмущениям входных данных. Все эти явления имеют общую математическую основу — плохую обусловленность матриц весов и операторов, возникающих в процессе обучения. Другими словами, необходим учёт внутренней структуры данных в решении невыпуклой задачи оптимизации.
4. Код: как это работает (и почему ваш ИИ этого не знает)
Любой ИИ сгенерирует np.linalg.norm и np.linalg.cond. Но это не то, что вам нужно. Вам нужна норма циркулянтной матрицы, которая не является стандартной спектральной нормой.
Основной вычислительный результат обсуждаемой статьи [1] в определении нормы циркулянтной матрицы в виде обобщённого отношения Рэлея, при этом любую матрицу можно разложить по циркулянтному базису. Критерием решения обновлённой задачи оптимизации является получение солитона в гиперболическом пространстве (u,v) как внутренней структуры в решении невыпуклой задачи оптимизации.
Обратите внимание на важный нюанс: ρ — это не просто “качество” или “когерентность”. Если ρ достигает максимума — это структурированное сжатие (хорошо изученная косинусная волна). Если ρ достигает минимума — это структурированное разрежение (новый тип, который впервые получен численно). Именно экстремумы ρ структурированы, а дихотомия “разрежение–сжатие” не схлопывается, а реализуется в гиперболическом пространстве (u,v)
5. Почему «дорогой» ИИ не понял статью (и что с этим делать)
Возвращаясь к теме негативного отзыва на статью от «очень дорогого» корпоративного ИИ, а способны ли «космическая зарплата» программистов и «очень дорогой» корпоративный ИИ на инновации или организации грозит окостенение? Если организация использует ИИ для создания алгоритмов, то попадает в когнитивную ловушку, а программисты, как и компьютерные игроманы, теряют серое вещество, совершенствуясь в искусстве составления запросов к ИИ, что было отмечено в исследовании «многозадачности» Стэфорда и аналогичных более поздних исследований. Многозадачность — это миф. Мозг эволюционно пожертвовал ею ради эффективного кодирования информации для работы в многоконтекстности.
Способность отличать сигнал от шума, оценивать, что действительно важно, а что — пустая трата времени, — это уникальная человеческая компетенция, которая, согласно исследованиям, деградирует при хронической многозадачности.
Слабоформализованные данные
Конкурентоспособность в эпоху ИИ сейчас выстраивается на данных, а не на алгоритмах в моделях ИИ. Это фундаментальный сдвиг, который меняет правила игры для всех участников рынка – качество данных становится единственным конкурентным преимуществом, которое осталось. Модель ИИ сегодня – это инструмент для 5% когнитивной элиты по выявлению слабоформализованных (неявных) знаний. Для остальных связь с ИИ – в одни ворота.
В контексте настоящей статьи ещё одно необходимое понимание для ML-инженеров: в эпоху всеобщей доступности ИИ: бэконовское «знание – сила» ушло в историю, как и вся академическая наука в широкой международной дискуссии стартаперы vs академиков. Важная информация – её нет.
Радикальный тезис о том, что бэконовское «знание — сила» уходит в историю, а академическая наука теряет свою исключительную роль, находит всё больше подтверждений. Как отмечается в современных исследованиях, академические бенчмарки всё чаще не отражают условия реального мира, а сама практика «погони за бенчмарками» может искажать исследовательские стимулы.
В этом контексте модель ИИ, обученная на устаревших академических датасетах и воспроизводящая логику «знание — сила», закономерно не смогла увидеть ценность в подходе, который предлагает смену парадигмы: от накопления знаний к диагностике состояния системы. Это не просто провал конкретного алгоритма, а симптом более глубокого кризиса.
В названии доклада НГШ Герасимова «Задача науки в предвиденье» уже начинает слышаться сказочное – «Ку-ка-ре-ку! Царствуй лёжа на боку!». Невозможно обсуждать сетецентричность командира роты и предполагать существование важности информации. В эпоху всеобщей доступности к ИИ и нестабильного внешнего окружения – предсказание равно шарлатанству.
6. Итог: смена парадигмы
В этой новой парадигме центр тяжести управления смещается: от стратегических высот к уровню среднего звена. В эпоху общедоступного ИИ миддлы оказываются в самом эпицентре кризиса — и в самом центре возможностей. Они становятся не просто «передатчиками команд», а «фильтрами шума», которые отличают реальный сигнал от иллюзорной «важности». Будущее — за теми, кто умеет диагностировать состояние системы, а не за теми, кто предсказывает её будущее.
Подводя итог настоящего сообщения – наблюдается смещение парадигмы: от координат – к энтропии, от предсказания – к диагностике, от алгоритмов – к данным, от НГШ – к комроты.
7. Приглашение к обсуждению
Пишите в комментариях:
-
Что вы думаете о смене парадигмы — от координат к энтропии?
-
Какие у вас были случаи, когда ИИ давал «важную» информацию, которая оказалась шумом?
-
Как вы считаете, сможет ли ИИ когда-нибудь научиться отличать сигнал от шума так, как это делает человек?
import numpy as np
import matplotlib.pyplot as plt
# ----------------------------------------------------------------------
# 1. Норма циркулянтной матрицы как обобщённое отношение Рэлея (ρ)
# ρ = числитель / знаменатель.
# Эти формулы взяты из фрактального многообразия [1].
# У Милованова это обозначалось θ, мы используем ρ.
# ----------------------------------------------------------------------
def calc_numerator(m):
"""
Числитель для ρ (нормы циркулянтной матрицы).
m — порождающий вектор (первая строка матрицы).
"""
n = len(m) - 1
s = 0.0
for i in range(2, n - 1):
s += m[i] * (2 * m[i] - m[i + 2] - m[i - 2])
# Замыкание контура (циркулянтность)
s += m[0] * (2 * m[0] - m[2] - m[n - 1])
s += m[1] * (2 * m[1] - m[3] - m[n])
s += m[n - 1] * (2 * m[n - 1] - m[0] - m[n - 3])
s += m[n] * (2 * m[n] - m[1] - m[n - 2])
return s
def calc_denominator(m):
"""
Знаменатель для ρ.
"""
n = len(m) - 1
s = 0.0
for i in range(2, n - 1):
s += m[i] * (6 * m[i] - 4 * m[i + 1] + m[i + 2] + m[i - 2] - 4 * m[i - 1])
s += m[0] * (6 * m[0] - 4 * m[1] + m[2] + m[n - 1] - 4 * m[n])
s += m[1] * (6 * m[1] - 4 * m[2] + m[3] + m[n] - 4 * m[0])
s += m[n - 1] * (6 * m[n - 1] - 4 * m[n] + m[0] + m[n - 3] - 4 * m[n - 2])
s += m[n] * (6 * m[n] - 4 * m[0] + m[1] + m[n - 2] - 4 * m[n - 1])
return s
def rho_norm(m):
"""
Вычисляет норму ρ для вектора m.
ρ = числитель / знаменатель.
"""
den = calc_denominator(m)
if abs(den) < 1e-12:
return np.nan
return calc_numerator(m) / den
# ----------------------------------------------------------------------
# 2. Построение циркулянтной матрицы
# ----------------------------------------------------------------------
def build_circulant(first_row):
n = len(first_row)
C = np.zeros((n, n))
for i in range(n):
C[i, :] = np.roll(first_row, i)
return C
# ----------------------------------------------------------------------
# 3. Гиперболическая пара (u, v) через норму ρ
# ----------------------------------------------------------------------
def hyperbolic_pair(first_row):
"""
Вычисляет (u, v) для циркулянтной матрицы, порождённой first_row.
u = 0.5 * ln( ρ(C) / ρ(C⁻¹) ) — динамическое измерение (перекос)
v = sqrt( ρ(C) * ρ(C⁻¹) ) — структурное измерение (корень из числа обусловленности)
"""
rho_C = rho_norm(first_row)
if np.isnan(rho_C):
return np.nan, np.nan
C = build_circulant(first_row)
try:
inv_C = np.linalg.inv(C)
inv_first_row = inv_C[0, :]
except np.linalg.LinAlgError:
return np.nan, np.nan
rho_inv = rho_norm(inv_first_row)
if np.isnan(rho_inv):
return np.nan, np.nan
u = 0.5 * np.log(rho_C / rho_inv)
v = np.sqrt(rho_C * rho_inv)
return u, v
# ----------------------------------------------------------------------
# 4. Демонстрация
# ----------------------------------------------------------------------
if __name__ == "__main__":
np.random.seed(42)
vec = np.random.randn(10)
print("Порождающий вектор:", vec)
rho = rho_norm(vec)
print(f"Норма ρ = {rho:.6f}")
u, v = hyperbolic_pair(vec)
print(f"u = {u:.6f}, v = {v:.6f}")
C = build_circulant(vec)
plt.imshow(C, cmap='viridis')
plt.colorbar(label='Значение элемента')
plt.title('Циркулянтная матрица, порождённая вектором')
plt.show()Автор: Vital18
