AI je naučio dokazati nemogućnost: AWM iz Tsinghue pobjeđuje GPT-6 Astra i Claude Opus 5.5 gdje oni odustaju

Što AI radi kada zadatak nema rješenja? Obično piše "Nisam mogao to učiniti" - što se ne razlikuje od "Nisam to pronašao". Tim sa Sveučilišta Tsinghua i Sveučilišta Zhejiang predvođen dobitnikom Turingove nagrade Andrewom Yaom predstavio je Algebraic World Model (AWM), sustav koji doslovno dokazuje nemogućnost: gradi matematički model nepoznatog okruženja, formalizira ga u Lean 4 i proizvodi provjerljiv dokaz da ne postoji pobjednički niz. Na ARC-AGI-3 pristup briše sve 183 razine i podiže rezultat Claude Opus 5 s 40,7 na 99,9.

Zašto "nije uspjelo" je loš odgovor

ARC-AGI-3 je skup od 25 javnih igara u kojima agent ne dobiva ni pravila ni cilj. Mora razraditi mehaniku i zatim očistiti razinu. Ovi zadaci provjeravaju može li model razmišljati o nepoznatom svijetu umjesto da se prisjeti sličnih primjera iz obuke.

Upravo tu perjanice posrću. U eksperimentu na dvije zapečaćene razine — razine čiji je akcijski proračun jedna jedinica ispod najjeftinijeg mogućeg dobitka — ni Claude Opus 5.5 ni GPT-6 Astra, obje opremljene alatima za kodiranje, nisu dale niti jedan dokaz. U 12 vožnji rekli su da je zadatak nemoguć samo pet puta, au četiri od tih slučajeva naveli su pogrešan minimalni trošak. Na razini sc25 s proračunom od 18 akcija (najjeftinija pobjeda košta 19), GPT-6 Astra pronašao je put koji košta 22 poteza i zaključio da ništa jeftinije ne postoji — bez dokaza.

Kako AWM igru ​​pretvara u teorem

Rad se odvija u tri faze. Prvo, istraživanje: agent igra, bilježi zapažanja i piše hipoteze kao izvršni kod Python. Svaka se hipoteza ispituje u odnosu na sve opažene prijelaze i prepisuje ako joj čak i jedan prijelaz proturječi.

Zatim dolazi struktura: hipoteze postaju tipizirani objekti i zajednička pravila, dok transformacije inspirirane teorijom kategorija uklanjaju redundantnost. U igri lp85, jedanaest odvojenih koncepata o četiri vrste gumba sažeto je u jedno pravilo, press_permutes. Konačno, model je preveden u Lean 4, jezik koji matematičari koriste za strojno provjerljive dokaze. Tamo AWM dokazuje dvije vrste tvrdnji: da određena ruta dostiže cilj i da prema danom proračunu uopće ne postoji pobjednička ruta.

Ključna fraza je "uopće". Normalan model kaže "Nisam ga našao." AWM predstavlja dokaz koji se može provjeriti redak po redak i koji isključuje svaki pravni niz radnji, a ne samo one koje je agent slučajno pokušao.

Šest dokaza naspram nule

Na dvije zapečaćene razine AWM proizvela je zatvorenu Lean dokaz da je pobjeda unutar proračuna nemoguća u svih šest rundi od šest. GPT-6 Astra i Claude Opus 5.5 dali su nula takvih dokaza u dvanaest izvođenja. Procjene minimalnog troška još su znakovitije: četiri od šest početnih granica AWM bile su točne, Claude Opus 5.5 je imao jednu od šest točnih, a GPT-6 Astra nije dobio niti jednu. Nakon što mu je rečeno da postoji jeftiniji dobitak, AWM je revidirao svoja pravila i postigao šest točnih granica od šest.

183 razine, 99,9 bodova i 43% ljudskih radnji

Zatim dolazi puni set ARC-AGI-3. U 25 javnih igara, modeli AWM dopuštaju Lean da ponovi pobjedničke putanje svih 183 razine. Na neviđenim rasporedima zamrznuta pravila predviđaju svih 4160 prijelaza; nakon promjene mehanike model je odbio 4031 prijelaz — što znači da je model primijetio da se svijet promijenio umjesto da nastavi sa starim uputama.

Uz Claude Opus 5 kao osnovni model, AWM ima ocjenu 99,9; isto Claude Opus 5 bez AWM bodova 40,7. Certificirane pobjedničke putanje koriste 43% radnji koje provodi ljudska osnovna linija. Drugim riječima, sustav ne čisti samo igru; čisti ga ekonomičnije od prosječnog čovjeka.

Gdje je kvaka

Dokazi AWM dokazi su o naučenom modelu, a ne o samoj igri. Pretvaranje ekrana u stanja događa se u Python, izvan Lean. Model može završiti stroži od igre; tada bi dokaz "nemogućeg" bio istinit za model, a lažan za stvarnost. Autori su izričiti u pogledu onoga što dokazi utvrđuju: pravila se slažu sa svakim snimljenim prijelazom, certificirana ruta stvarno briše razinu prema tim pravilima, a na zapečaćenim razinama ne postoji pobjednička ruta unutar proračuna.

Veza sa stvarnom igrom uspostavljena je izvana: zamrznuta pravila predviđaju 4160 prijelaza na nevidljivim izgledima, a iscrpna pretraga pokretača igre potvrđuje zapečaćene pragove. Ali ako je istraživanje bilo nedovršeno i agent je propustio važno pravilo, rezultat je lokalna istina, a ne opis cijelog svijeta. Autori opisuju petlju: promatranje, hipoteza, eksperiment, apstrakcija, dokaz i ponovno promatranje. Papir je uključen arXiv (podneseno 29. listopada 2026., revidirano 30. listopada), a zapisi o vožnji i demo su na mjestu projekta.

Zašto je to važno izvan igara

Agenti već planiraju putovanja, pišu kod i upravljaju zadacima. U stvarnom svijetu, međutim, morat će reći ne samo "ovdje je rješenje", već i "nema rješenja, a evo i zašto". Razlika je ogromna. "Nisam ga našao" znači pokušati drugi pristup ili čekati. “Dokazao sam da se to ne može učiniti” oslobađa resurse, mijenja plan i zaustavlja beskrajnu petlju.

Za platformu izgrađenu na generativnim modelima, pitanje izgleda isto s druge strane: što se više zadataka automatizira, provjerljivost postaje važnija - a ne povjerenje u odgovor. Formalni dokaz je najekstremniji, najstroži oblik te provjerljivosti. U igrama već radi. U planiranju, proračunu i pregledu koda, sljedeći korak je učenje izgradnje jednako kratkih i čitljivih dokaza za probleme bez jasnih pravila.

Što to znači za korisnike

Oba modela iz novina — Claude Opus 5.5 i GPT-6 Astra — dostupna su u NeuralSpace Čavrljanje. AWM je istraživački projekt bez javnog pristupa, ali već možete vidjeti kako moderni modeli razmišljaju o vašim vlastitim zadacima. Za agente za izgradnju i vlastite projekte, postoji Kodirati odjeljak.

I malo prave statistike. Prema anonimiziranim proizvodnim podacima iz NeuralSpace tijekom zadnjih 30 dana (prozor 03.10.–02.11.2026.), chat je obradio 1513 korisničkih poruka u 516 sesija. Četiri modela dala su 69% odgovora, s GPT-5.4 Mini koji vodi s 580 odgovora. Teški flagshipi biraju se selektivno: u svakodnevnom radu obično pobjeđuju brzina i cijena, dok su teški problemi posebna priča.

FAQ

Što je Algebraic World Model?

Sustav koji istražuje nepoznato okruženje, gradi njegov matematički model i formalno dokazuje izjave o tom modelu u Lean 4 — na primjer, da je cilj nedostižan unutar danog akcijskog budžeta.

Kako se AWM razlikuje od uobičajenog jezičnog modela?

Jezični model predlaže odgovor i može biti pogrešan, a da to ne pokaže. AWM prvo gradi eksplicitna pravila svijeta, zatim ih provjerava i izvodi posljedice kao dokaz koji neovisni program može provjeriti. Pogreška u pravilu je vidljiva umjesto skrivena u težinama.

Mogu li probati AWM?

Ne postoji javna verzija; to je istraživački projekt. Ali osnovni modeli na kojima je radio dostupni su u NeuralSpace Chatu, a možete izraditi vlastite eksperimente u odjeljku Kod.