AI har lært at bevise umulighed: AWM fra Tsinghua-slag GPT-6 Astra og Claude Opus 5.5, hvor de giver op

Hvad gør en AI, når en opgave ikke har nogen løsning? Normalt står der "Jeg kunne ikke gøre det" - hvilket ikke kan skelnes fra "Jeg fandt det ikke." Et team fra Tsinghua University og Zhejiang University ledet af Turing Award-vinderen Andrew Yao har introduceret Algebraic World Model (AWM), et system, der beviser umulighed bogstaveligt talt: det bygger en matematisk model af et ukendt miljø, formaliserer den i Lean 4 og producerer en vindersekvens, der kan kontrolleres, at der ikke findes nogen. På ARC-AGI-3 rydder tilgangen alle 183 niveauer og løfter Claude Opus 5s score fra 40,7 til 99,9.

Hvorfor "det ikke virkede" er et dårligt svar

ARC-AGI-3 er et sæt med 25 offentlige spil, hvor agenten hverken får regler eller mål. Den skal finde ud af mekanikken og derefter klare niveauet. Disse opgaver tester, om en model kan ræsonnere om en ukendt verden i stedet for at genkalde lignende eksempler fra træning.

Det er præcis der, flagskibene snubler. I et eksperiment på to forseglede niveauer - niveauer, hvis handlingsbudget er en enhed under den billigste mulige gevinst - producerede hverken Claude Opus 5.5 eller GPT-6 Astra, begge udstyret med kodningsværktøjer, et enkelt bevis. På tværs af 12 kørsler sagde de, at opgaven kun var umulig fem gange, og i fire af disse tilfælde nævnte de den forkerte minimumsomkostning. På niveau sc25 med et budget på 18 handlinger (den billigste gevinst koster 19), fandt GPT-6 Astra en rute, der kostede 22 træk og konkluderede, at der ikke fandtes noget billigere - uden bevis.

Hvordan AWM forvandler et spil til et teorem

Arbejdet foregår i tre faser. Først udforskning: agenten spiller, registrerer observationer og skriver hypoteser som eksekverbar Python-kode. Hver hypotese testes mod alle observerede overgange og omskrives, hvis blot en overgang modsiger den.

Så kommer strukturen: hypoteser bliver maskinskrevne objekter og fælles regler, mens kategoriteori-inspirerede transformationer fjerner redundans. I spillet lp85 kollapsede elleve separate koncepter om fire slags knapper til en enkelt regel, press_permutes. Til sidst er modellen oversat til Lean 4, det sprog matematikere bruger til maskintjekbare beviser. Der AWM beviser to slags udsagn: at en specifik rute når målet, og at der under et givet budget slet ikke eksisterer nogen vinderrute.

Nøglesætningen er "overhovedet". En normal model siger "Jeg fandt det ikke." AWM præsenterer et bevis, der kan kontrolleres linje for linje, og som udelukker enhver lovlig rækkefølge af handlinger, ikke kun dem, agenten tilfældigvis forsøgte.

Seks beviser mod nul

På de to forseglede niveauer producerede AWM et lukket Lean bevis på, at det er umuligt at vinde inden for budgettet i alle seks ud af seks udløb. GPT-6 Astra og Claude Opus 5.5 producerede nul sådanne beviser på tværs af tolv kørsler. Minimumsomkostningsestimaterne er endnu mere sigende: fire af AWMs seks indledende grænser var korrekte, Claude Opus 5.5 fik en af ​​seks rigtige, og GPT-6 Astra fik ingen. Efter at have fået at vide, at der fandtes en billigere gevinst, reviderede AWM sine regler og nåede seks korrekte grænser ud af seks.

183 niveauer, 99,9 point og 43% af et menneskes handlinger

Så kommer det fulde ARC-AGI-3 sæt. På tværs af de 25 offentlige spil lader AWMs modeller Lean genspille vinderbanerne på alle 183 niveauer. På usete layouts forudsagde de frosne regler alle 4.160 overgange; efter en mekanisk ændring afviste modellen 4.031 overgange - hvilket betyder, at modellen bemærkede, at verden havde ændret sig i stedet for at fortsætte med de gamle instruktioner.

Med Claude Opus 5 som basismodel scorer AWM 99,9; den samme Claude Opus 5 uden AWM scorer 40,7. De certificerede vinderbaner bruger 43 % af de handlinger, en menneskelig baseline bruger. Med andre ord rydder systemet ikke bare spillet; det rydder det mere økonomisk end et gennemsnitligt menneske.

Hvor fangsten er

AWMs beviser er beviser om en lært model, ikke om selve spillet. At omdanne skærme til tilstande sker i Python, udenfor Lean. Modellen kan ende strengere end spillet; så ville et bevis for "umuligt" være sandt for modellen og falsk for virkeligheden. Forfatterne er eksplicitte om, hvad beviserne fastslår: Reglerne stemmer overens med hver registrerede overgang, den certificerede rute rydder virkelig niveauet under disse regler, og på forseglede baner findes der ingen vinderrute inden for budgettet.

Linket til det rigtige spil etableres udefra: de frosne regler forudsiger 4.160 overgange på usete layouts, og en udtømmende søgning i spilmotoren bekræfter de forseglede tærskler. Men hvis udforskningen var ufuldstændig, og agenten gik glip af en vigtig regel, er resultatet en lokal sandhed, ikke en beskrivelse af hele verden. Forfatterne beskriver en loop: observation, hypotese, eksperiment, abstraktion, bevis og igen observation. Papiret er på arXiv (indsendt 29. oktober 2026, revideret 30. oktober), og run records plus en demo er på projektstedet.

Hvorfor dette betyder noget ud over spil

Agenter planlægger allerede ture, skriver kode og administrerer opgaver. I den virkelige verden bliver de dog nødt til at sige ikke kun "her er løsningen", men "der er ingen løsning, og her er hvorfor." Forskellen er enorm. "Jeg fandt det ikke" betyder at prøve en anden tilgang eller vente. "Jeg beviste, at det ikke kan lade sig gøre" frigør ressourcer, ændrer planen og stopper en endeløs løkke.

For en platform bygget på generative modeller ser spørgsmålet det samme ud fra den anden side: Jo flere opgaver bliver automatiseret, jo vigtigere bliver kontrolbarheden - ikke tillid til et svar. Et formelt bevis er den mest ekstreme, strengeste form for denne kontrol. I spil virker det allerede. I planlægning, budgettering og kodegennemgang er næste skridt at lære at bygge lige korte og læsbare beviser for problemer uden klare regler.

Hvad det betyder for brugerne

Begge modeller fra avisen — Claude Opus 5.5 og GPT-6 Astra — er tilgængelige i NeuralSpace Chat. AWM er et forskningsprojekt uden offentlig adgang, men du kan allerede nu se, hvordan moderne modeller ræsonnerer om dine egne opgaver. For byggeagenter og dine egne projekter er der Kode afsnit.

Og lidt ægte statistik. Ifølge anonymiserede produktionsdata fra NeuralSpace i løbet af de sidste 30 dage (vindue 03.10–02.11.2026) håndterede chatten 1.513 brugerbeskeder på tværs af 516 sessioner. Fire modeller tegnede sig for 69 % af svarene, med GPT-5.4 Mini førende med 580 svar. Tunge flagskibe vælges selektivt: I det daglige arbejde vinder hastighed og pris som regel, mens svære problemer er en separat historie.

FAQ

Hvad er Algebraic World Model?

Et system, der udforsker et ukendt miljø, bygger en matematisk model af det og formelt beviser udsagn om denne model i Lean 4 - for eksempel at et mål er uopnåeligt inden for et givet handlingsbudget.

Hvordan adskiller AWM sig fra en almindelig sprogmodel?

En sprogmodel foreslår et svar og kan være forkert uden at vise det. AWM bygger først eksplicitte regler for verden, kontrollerer dem derefter og udleder konsekvenser som et bevis på, at et uafhængigt program kan verificere. En fejl i en regel er synlig i stedet for skjult i vægtene.

Kan jeg prøve AWM?

Der er ingen offentlig version; det er et forskningsprojekt. Men basismodellerne, den kørte på, er tilgængelige i NeuralSpace Chat, og du kan bygge dine egne eksperimenter i kodesektionen.