A mesterséges intelligencia megtanulta bizonyítani a lehetetlenséget: AWM Tsinghua veri az GPT-6 Astra és a Claude Opus 5.5, ahol feladják

Mit csinál egy mesterséges intelligencia, ha egy feladatnak nincs megoldása? Általában azt írja, hogy „nem tudtam megcsinálni” – ami megkülönböztethetetlen a „nem találtam meg”-től. A Tsinghua Egyetem és a Zhejiang Egyetem csapata, a Turing-díjas Andrew Yao vezetésével bevezette a Algebraic World Model (AWM) rendszert, amely szó szerint bizonyítja a lehetetlenséget: egy ismeretlen környezet matematikai modelljét építi fel, formalizálja a Lean 4-ben, és nem hoz létre ellenőrizhető sorozatot. A ARC-AGI-3-n a megközelítés törli mind a 183 szintet, és 40,7-ről 99,9-re emeli a Claude Opus 5 pontszámát.

Hogy miért „nem működött”, az rossz válasz

Az ARC-AGI-3 egy 25 nyilvános játékból álló készlet, ahol az ügynök nem kap sem szabályokat, sem gólt. Ki kell dolgoznia a mechanikát, majd törölnie kell a szintet. Ezek a feladatok azt tesztelik, hogy egy modell képes-e érvelni egy ismeretlen világról, ahelyett, hogy hasonló példákat idézne fel a képzésből.

Pontosan itt botlanak a zászlóshajók. Egy két lezárt szinten végzett kísérletben – olyan szinteken, amelyek akcióköltsége egy egységgel a lehető legolcsóbb nyeremény alatt van – sem a Claude Opus 5.5, sem a GPT-6 Astra, mindkettő kódolóeszközökkel felszerelt, nem hozott egyetlen bizonyítékot sem. 12 futtatás során mindössze ötször mondták azt, hogy a feladat lehetetlen, és ezek közül négyben rosszul nevezték meg a minimális költséget. A sc25 szinten, 18 akcióból álló költségvetéssel (a legolcsóbb nyeremény 19-be kerül), GPT-6 Astra talált egy 22 lépésből álló útvonalat, és arra a következtetésre jutott, hogy nem létezik olcsóbb – bizonyíték nélkül.

Hogyan alakítja a AWM a játékot tételsé

A munka három szakaszban zajlik. Először is, feltárás: az ügynök lejátssza, rögzíti a megfigyeléseket és végrehajtható Python kódként hipotéziseket ír. Minden hipotézist tesztelünk az összes megfigyelt átmenettel szemben, és újraírunk, ha csak egy átmenet is ellentmond neki.

Aztán jön a struktúra: a hipotézisek tipizált objektumokká és megosztott szabályokká válnak, míg a kategóriaelméleti ihletésű transzformációk megszüntetik a redundanciát. A lp85 játékban tizenegy, négyféle gombról szóló fogalom omlott össze egyetlen szabályban, a press_permutes-ben. Végül a modellt lefordítják Lean 4 nyelvre, amelyet a matematikusok a gépileg ellenőrizhető bizonyításokhoz használnak. A AWM kétféle állítást bizonyít: azt, hogy egy adott útvonal eléri a célt, és hogy adott költségvetés mellett egyáltalán nem létezik nyerő útvonal.

A kulcsmondat az „egyáltalán”. Egy normál modell azt mondja: „Nem találtam”. A AWM olyan bizonyítékot mutat be, amely soronként ellenőrizhető, és amely kizár minden törvényes műveletsort, nem csak azokat, amelyeket az ügynök véletlenül megpróbált.

Hat bizonyíték kontra nulla

A két lezárt szinten AWM zárt Lean bizonyítékot hozott, hogy a költségvetésen belüli nyerés a hatból mind a hatban lehetetlen. GPT-6 Astra és Claude Opus 5.5 nulla ilyen bizonyítást hozott tizenkét futtatás során. A minimális költségbecslések még beszédesebbek: AWM kezdeti hat korlátja közül négy volt helyes, Claude Opus 5.5 a hatból egyet kapott, GPT-6 Astra pedig egyet sem. Miután közölték vele, hogy létezik olcsóbb győzelem, AWM felülvizsgálta a szabályait, és hatból hat helyes határt ért el.

183 szint, 99,9 pont és az emberi cselekedetek 43%-a

Ezután jön a teljes ARC-AGI-3 készlet. A 25 nyilvános játékban a AWM modelljei lehetővé teszik a Lean mind a 183 szint nyerőpályáinak újrajátszását. A nem látott elrendezéseken a befagyasztott szabályok mind a 4160 átmenetet előre jelezték; egy mechanikai változtatás után a modell 4031 átmenetet utasított el – vagyis a modell észrevette, hogy a világ megváltozott, ahelyett, hogy a régi utasításokat követte volna.

Ha a Claude Opus 5 az alapmodell, a AWM pontszám 99,9; ugyanaz a Claude Opus 5 AWM nélkül 40,7. Az igazolt nyertes pályák az emberi alapállapotban elköltött tevékenységek 43%-át használják ki. Más szóval, a rendszer nem csak a játékot törli; gazdaságosabban tisztázza, mint egy átlagember.

Hol a fogás

A AWM bizonyításai egy tanult modellre vonatkoznak, nem magára a játékra. A képernyők állapotokká alakítása a Python-ban, a Lean-en kívül történik. A modell végül szigorúbb lehet, mint a játék; akkor a „lehetetlen” bizonyítéka igaz lenne a modellre és hamis a valóságra. A szerzők egyértelműen fogalmaznak abban, amit a bizonyítékok megállapítanak: a szabályok minden rögzített átmenettel megegyeznek, a hitelesített útvonal valóban törli a szintet ezen szabályok szerint, és a lezárt szinteken nincs nyerő útvonal a költségvetésen belül.

A valódi játékkal való kapcsolat kívülről jön létre: a befagyasztott szabályok 4160 átmenetet jósolnak előre nem látott elrendezéseken, és a játékmotor kimerítő keresése megerősíti a lezárt küszöböket. De ha a feltárás nem volt teljes, és az ügynök figyelmen kívül hagyott egy fontos szabályt, az eredmény egy helyi igazság, nem pedig az egész világ leírása. A szerzők egy hurkot írnak le: megfigyelés, hipotézis, kísérlet, absztrakció, bizonyítás és ismét megfigyelés. A papír be van kapcsolva arXiv (benyújtva 2026. október 29-én, felülvizsgálva október 30-án), és a futási rekordok és a demó a projekt helyszínén.

Miért számít ez a játékokon túl?

Az ügynökök már utakat terveznek, kódot írnak és feladatokat kezelnek. A való világban azonban nem csak azt kell mondaniuk, hogy „itt a megoldás”, hanem „nincs megoldás, és ez az oka”. A különbség óriási. A „nem találtam” azt jelenti, hogy megpróbálok más megközelítést vagy várni. „Bebizonyítottam, hogy nem lehet” erőforrásokat szabadít fel, megváltoztatja a tervet, és megállítja a végtelen kört.

Egy generatív modellekre épített platform esetében a kérdés a másik oldalról is így néz ki: minél több feladat automatizálódik, annál fontosabbá válik az ellenőrizhetőség – nem a válaszba vetett bizalom. A formális bizonyítás ennek az ellenőrizhetőségnek a legszélsőségesebb, legszigorúbb formája. Játékokban már működik. A tervezés, a költségvetés és a kód áttekintése során a következő lépés az, hogy megtanuljunk ugyanolyan rövid és olvasható bizonyítékokat készíteni a problémákra egyértelmű szabályok nélkül.

Mit jelent a felhasználók számára

A papír mindkét modellje – Claude Opus 5.5 és GPT-6 Astra – elérhető NeuralSpace Chat. A AWM egy olyan kutatási projekt, amelyhez nincs nyilvános hozzáférés, de már most láthatja, hogyan érvelnek a modern modellek saját feladatairól. Építőipari ügynökök és saját projektek számára rendelkezésre áll a Kód szakasz.

És egy kis valós statisztika. A NeuralSpace névtelen gyártási adatai szerint az elmúlt 30 napban (2026.10.03–02.11. ablak) a csevegés 1513 felhasználói üzenetet kezelt 516 munkamenet során. Négy modell adta a válaszok 69%-át, a GPT-5.4 Mini pedig 580 válasznál vezetett. A nehéz zászlóshajókat szelektíven választják ki: a mindennapi munkában általában a sebesség és az ár nyer, a nehéz problémák pedig külön történet.

GYIK

Mi az a Algebraic World Model?

Egy olyan rendszer, amely egy ismeretlen környezetet tár fel, abból matematikai modellt épít, és formálisan bizonyítja a Lean 4-ban a modellre vonatkozó állításokat – például, hogy egy cél elérhetetlen egy adott cselekvési költségvetésen belül.

Miben különbözik a AWM a normál nyelvi modelltől?

A nyelvi modell választ kínál, és tévedhet anélkül, hogy megmutatná. A AWM először explicit szabályokat épít a világra, majd ellenőrzi azokat, és következtetéseket von le annak bizonyítékaként, hogy egy független program ellenőrizni tudja. A szabály hibája látható, nem pedig a súlyokba rejtve.

Kipróbálhatom a AWM-t?

Nincs nyilvános verzió; ez egy kutatási projekt. De az alapmodellek, amelyeken futott, elérhetők a NeuralSpace Chatben, és saját kísérleteket is készíthet a Kód részben.