Tekoäly on oppinut todistamaan mahdottomuuden: AWM Tsinghuasta voittaa GPT-6 Astra ja Claude Opus 5.5, jossa he luovuttavat

Mitä tekoäly tekee, kun tehtävälle ei ole ratkaisua? Yleensä se sanoo "en pystynyt tekemään sitä" - mikä on mahdoton erottaa sanasta "En löytänyt sitä". Tsinghuan yliopiston ja Zhejiangin yliopiston tiimi, jota johtaa Turing-palkinnon voittaja Andrew Yao, on esitellyt Algebraic World Model (AWM), järjestelmän, joka todistaa mahdottomuuden kirjaimellisesti: se rakentaa matemaattisen mallin tuntemattomasta ympäristöstä, formalisoi sen Lean 4:ksi ja ei tuota tarkistettavaa sekvenssiä. Kohdassa ARC-AGI-3 lähestymistapa tyhjentää kaikki 183 tasoa ja nostaa Claude Opus 5 pisteen 40,7:stä 99,9:ään.

Miksi "se ei toiminut" on huono vastaus

ARC-AGI-3 on 25 julkisen pelin sarja, joissa agentti ei saa sääntöjä eikä maalia. Sen on selvitettävä mekaniikka ja sitten tyhjennettävä taso. Näillä tehtävillä testataan, pystyykö malli perustelemaan tuntematonta maailmaa sen sijaan, että se muistelee samanlaisia ​​esimerkkejä koulutuksesta.

Juuri sinne lippulaivat kompastuvat. Kokeessa kahdella suljetulla tasolla – tasoilla, joiden toimintabudjetti on yksikön pienempi kuin halvin mahdollinen voitto – Claude Opus 5.5 tai GPT-6 Astra, jotka molemmat on varustettu koodaustyökaluilla, eivät tuottaneet yhtäkään todistetta. 12 ajon aikana he sanoivat, että tehtävä oli mahdoton vain viisi kertaa, ja neljässä tapauksessa he nimesivät väärän vähimmäiskustannukset. Tasolla sc25, jonka budjetti oli 18 toimintoa (halvin voitto maksaa 19), GPT-6 Astra löysi reitin, joka maksoi 22 siirtoa, ja päätteli, ettei halvempaa ollut olemassa – ilman todisteita.

Kuinka AWM muuttaa pelin lauseeksi

Työ tapahtuu kolmessa vaiheessa. Ensinnäkin tutkiminen: agentti pelaa, tallentaa havaintoja ja kirjoittaa hypoteeseja suoritettavana Python-koodina. Jokainen hypoteesi testataan kaikkien havaittujen siirtymien suhteen ja kirjoitetaan uudelleen, jos yksikin siirtymä on ristiriidassa sen kanssa.

Sitten tulee rakenne: hypoteeseista tulee kirjoitettuja objekteja ja yhteisiä sääntöjä, kun taas luokkateorian inspiroimat muunnokset poistavat redundanssin. Pelissä lp85 yksitoista erillistä käsitettä neljästä painikkeesta kutistui yhdeksi sääntöksi, press_permutes. Lopuksi malli käännetään kielelle Lean 4, jota matemaatikot käyttävät koneellisesti tarkistettaviin todisteisiin. AWM todistaa kahdenlaisia ​​väitteitä: että tietty reitti saavuttaa tavoitteen ja että tietyllä budjetilla ei ole olemassa lainkaan voittoa.

Avainlause on "yleensä". Normaali malli sanoo "En löytänyt sitä". AWM esittää todisteen, joka voidaan tarkistaa rivi riviltä ja joka sulkee pois kaikki lailliset toimintosarjat, ei vain niitä, joita agentti sattui yrittämään.

Kuusi todistetta nollaa vastaan

Kahdella suljetulla tasolla AWM tuotti suljetun Lean todisteen siitä, että voittaminen budjetin sisällä on mahdotonta kaikissa kuudessa erässä kuudesta. GPT-6 Astra ja Claude Opus 5.5 tuottivat nolla tällaisia ​​todisteita kahdellatoista ajon aikana. Vähimmäiskustannusarviot ovat vieläkin kuvaavampia: AWM:n kuudesta alkuperäisestä rajasta neljä oli oikein, Claude Opus 5.5 sai yhden kuudesta oikeasta ja GPT-6 Astra ei saanut yhtään. Kun hänelle kerrottiin halvemman voiton olemassaolosta, AWM muutti sääntöjään ja saavutti kuusi oikeaa rajaa kuudesta.

183 tasoa, 99,9 pistettä ja 43 % ihmisen toimista

Sitten tulee koko ARC-AGI-3 setti. Kaikkien 25 julkisen pelin AWM mallit antavat Lean toistaa voittoradat kaikilla 183 tasolla. Näkymättömissä asetteluissa jäädytetyt säännöt ennustivat kaikki 4 160 siirtymää; mekaanisen muutoksen jälkeen malli hylkäsi 4 031 muutosta – eli malli huomasi maailman muuttuneen sen sijaan, että olisi jatkanut vanhoja ohjeita.

Kun perusmalli on Claude Opus 5, AWM saa 99,9; sama Claude Opus 5 ilman AWM tuloksia 40.7. Sertifioidut voittoradat käyttävät 43 % ihmisen perustason käyttämistä toimista. Toisin sanoen järjestelmä ei vain tyhjennä peliä; se puhdistaa sen taloudellisemmin kuin keskivertoihminen.

Missä saalis on

AWM:n todisteet ovat todisteita opitusta mallista, eivät itse pelistä. Näyttöjen muuttaminen tiloihin tapahtuu kohdassa Python, tunnuksen Lean ulkopuolella. Malli voi päätyä tiukemmaksi kuin peli; silloin todiste "mahdottomasta" olisi totta mallille ja väärä todellisuudelle. Kirjoittajat ovat yksiselitteisiä siitä, mitä todisteet osoittavat: säännöt ovat yhtäpitäviä jokaisen tallennetun siirtymän kanssa, sertifioitu reitti todella tyhjentää näiden sääntöjen mukaisen tason, ja suljetuilla tasoilla ei ole voittajareittiä budjetissa.

Linkki oikeaan peliin muodostetaan ulkopuolelta: jäätyneet säännöt ennustavat 4 160 siirtymää ennennäkemättömillä asetteluilla, ja pelikoneen kattava haku vahvistaa sinetöidyt kynnykset. Mutta jos etsintä oli epätäydellinen ja agentti ohitti tärkeän säännön, tuloksena on paikallinen totuus, ei kuvaus koko maailmasta. Kirjoittajat kuvaavat silmukan: havainnointi, hypoteesi, kokeilu, abstraktio, todiste ja jälleen havainto. Paperi on päällä arXiv (lähetetty 29. lokakuuta 2026, tarkistettu 30. lokakuuta), ja ajoennätykset sekä demo ovat projektin sivustolla.

Miksi tällä on merkitystä peleihin nähden

Agentit suunnittelevat jo matkoja, kirjoittavat koodia ja hallitsevat tehtäviä. Todellisessa maailmassa heidän on kuitenkin sanottava paitsi "tässä on ratkaisu" vaan "ei ole ratkaisua, ja tässä on syy". Ero on valtava. "En löytänyt" tarkoittaa toisen lähestymistavan kokeilua tai odottamista. "Todistin, että sitä ei voi tehdä" vapauttaa resursseja, muuttaa suunnitelmaa ja pysäyttää loputtoman kierteen.

Generatiivisille malleille rakennetussa alustassa kysymys näyttää samalta toiselta puolelta: mitä enemmän tehtäviä automatisoidaan, sitä tärkeämpää on tarkistettavuus – ei luottamus vastaukseen. Muodollinen todiste on tämän tarkistettavuuden äärimmäisin ja tiukin muoto. Pelissä se jo toimii. Suunnittelussa, budjetoinnissa ja koodin tarkistuksessa seuraava askel on oppia rakentamaan yhtä lyhyitä ja luettavia todisteita ongelmille ilman selkeitä sääntöjä.

Mitä se tarkoittaa käyttäjille

Molemmat paperin mallit – Claude Opus 5.5 ja GPT-6 Astra – ovat saatavilla NeuralSpace Chat. AWM on tutkimusprojekti, johon ei ole julkista pääsyä, mutta näet jo nyt kuinka nykyaikaiset mallit perustelevat omia tehtäviäsi. Rakennusagenteille ja omille projekteillesi on tarjolla Koodi osio.

Ja vähän oikeita tilastoja. Anonymisoitujen tuotantotietojen mukaan NeuralSpace viimeisten 30 päivän ajalta (ikkuna 03.10–02.11.2026), chat käsitteli 1 513 käyttäjäviestiä 516 istunnon aikana. Neljä mallia vastasi 69 % vastauksista, ja GPT-5.4 Mini johtaa 580 vastaukseen. Raskaat lippulaivat poimitaan valikoivasti: jokapäiväisessä työssä nopeus ja hinta yleensä voittaa, kun taas vaikeat ongelmat ovat erillinen tarina.

FAQ

Mikä on Algebraic World Model?

Järjestelmä, joka tutkii tuntematonta ympäristöä, rakentaa siitä matemaattisen mallin ja todistaa muodollisesti väitteet kyseisestä mallista vuonna Lean 4 – esimerkiksi, että tavoite on saavuttamaton tietyllä toimintabudjetilla.

Miten AWM eroaa tavallisesta kielimallista?

Kielimalli ehdottaa vastausta ja voi olla väärässä näyttämättä sitä. AWM rakentaa ensin eksplisiittiset maailman säännöt, sitten tarkistaa ne ja johtaa seuraukset todisteeksi siitä, että riippumaton ohjelma voi varmistaa. Säännön virhe näkyy painojen kätkemisen sijaan.

Voinko kokeilla AWM?

Julkista versiota ei ole; se on tutkimusprojekti. Mutta perusmallit, joita se käytti, ovat saatavilla NeuralSpace Chatissa, ja voit luoda omia kokeilujasi Koodi-osiossa.