AI har lært å bevise umulighet: AWM fra Tsinghua-slag GPT-6 Astra og Claude Opus 5.5 der de gir opp

Hva gjør en AI når en oppgave ikke har noen løsning? Vanligvis står det "Jeg kunne ikke gjøre det" - som ikke kan skilles fra "Jeg fant det ikke." Et team fra Tsinghua University og Zhejiang University ledet av Turing Award-vinneren Andrew Yao har introdusert Algebraic World Model (AWM), et system som beviser umulighet bokstavelig talt: det bygger en matematisk modell av et ukjent miljø, formaliserer den i Lean 4 og produserer en vinnende sekvens som finnes på ingen. På ARC-AGI-3 fjerner tilnærmingen alle 183 nivåer og løfter Claude Opus 5s poengsum fra 40,7 til 99,9.

Hvorfor "det ikke fungerte" er et dårlig svar

ARC-AGI-3 er et sett med 25 offentlige spill der agenten verken får regler eller mål. Den må finne ut mekanikken og deretter klare nivået. Disse oppgavene tester om en modell kan resonnere om en ukjent verden i stedet for å huske lignende eksempler fra trening.

Det er akkurat der flaggskipene snubler. I et eksperiment på to forseglede nivåer – nivåer hvis handlingsbudsjett er én enhet under den billigste mulige gevinsten – produserte verken Claude Opus 5.5 eller GPT-6 Astra, begge utstyrt med kodeverktøy, et enkelt bevis. På tvers av 12 kjøringer sa de at oppgaven var umulig bare fem ganger, og i fire av disse tilfellene nevnte de feil minimumskostnad. På nivå sc25 med et budsjett på 18 handlinger (den billigste gevinsten koster 19), fant GPT-6 Astra en rute som koster 22 trekk og konkluderte med at det ikke fantes noe billigere – uten bevis.

Hvordan AWM gjør et spill til et teorem

Arbeidet skjer i tre trinn. Først, utforskning: agenten spiller, registrerer observasjoner og skriver hypoteser som kjørbar Python-kode. Hver hypotese testes mot alle observerte overganger og omskrives hvis bare én overgang motsier den.

Så kommer struktur: hypoteser blir maskinskrevne objekter og delte regler, mens kategoriteori-inspirerte transformasjoner fjerner redundans. I lp85-spillet kollapset elleve separate konsepter om fire typer knapper til en enkelt regel, press_permutes. Til slutt er modellen oversatt til Lean 4, språket matematikere bruker for maskinsjekkbare bevis. Der AWM beviser to typer utsagn: at en spesifikk rute når målet, og at under et gitt budsjett eksisterer ingen vinnerrute i det hele tatt.

Nøkkelfrasen er "i det hele tatt." En vanlig modell sier "Jeg fant den ikke." AWM presenterer et bevis som kan kontrolleres linje for linje og som utelukker enhver lovlig rekkefølge av handlinger, ikke bare de agenten tilfeldigvis prøvde.

Seks bevis mot null

På de to forseglede nivåene ga AWM et lukket Lean bevis på at det er umulig å vinne innenfor budsjettet i alle seks av seks. GPT-6 Astra og Claude Opus 5.5 produserte null slike bevis over tolv kjøringer. Minimumskostnadsestimatene er enda mer talende: fire av AWMs seks innledende grenser var riktige, Claude Opus 5.5 fikk en av seks riktige, og GPT-6 Astra fikk ingen. Etter å ha blitt fortalt at det fantes en billigere gevinst, reviderte AWM reglene og nådde seks riktige grenser av seks.

183 nivåer, 99,9 poeng og 43 % av et menneskes handlinger

Så kommer hele ARC-AGI-3-settet. På tvers av de 25 offentlige spillene lar modellene til AWM Lean spille av vinnerbanene på alle 183 nivåer. På usynlige oppsett spådde de frosne reglene alle 4160 overganger; etter en mekanisk endring avviste modellen 4031 overganger - noe som betyr at modellen la merke til at verden hadde endret seg i stedet for å fortsette med de gamle instruksjonene.

Med Claude Opus 5 som basismodell får AWM 99,9; samme Claude Opus 5 uten AWM scorer 40,7. De sertifiserte vinnerbanene bruker 43 % av handlingene en menneskelig baseline bruker. Systemet klarer med andre ord ikke bare spillet; det fjerner det mer økonomisk enn et gjennomsnittsmenneske.

Hvor fangsten er

AWMs bevis er bevis om en lært modell, ikke om selve spillet. Å gjøre skjermer til tilstander skjer i Python, utenfor Lean. Modellen kan ende opp strengere enn spillet; da ville et bevis på "umulig" være sant for modellen og usant for virkeligheten. Forfatterne er eksplisitte om hva bevisene fastslår: reglene stemmer overens med hver registrerte overgang, den sertifiserte ruten klarer virkelig nivået under disse reglene, og på forseglede nivåer finnes ingen vinnerrute innenfor budsjettet.

Koblingen til det virkelige spillet etableres utenfra: de frosne reglene forutsier 4160 overganger på usett oppsett, og et uttømmende søk i spillmotoren bekrefter de forseglede tersklene. Men hvis letingen var ufullstendig og agenten gikk glipp av en viktig regel, er resultatet en lokal sannhet, ikke en beskrivelse av hele verden. Forfatterne beskriver en loop: observasjon, hypotese, eksperiment, abstraksjon, bevis og igjen observasjon. Papiret er på arXiv (innsendt 29. oktober 2026, revidert 30. oktober), og kjørerekorder pluss en demo er på prosjektsiden.

Hvorfor dette betyr noe utover spill

Agenter planlegger allerede turer, skriver kode og administrerer oppgaver. I den virkelige verden vil de imidlertid ikke bare måtte si "her er løsningen", men "det er ingen løsning, og her er hvorfor." Forskjellen er enorm. "Jeg fant det ikke" betyr å prøve en annen tilnærming eller vente. "Jeg beviste at det ikke kan gjøres" frigjør ressurser, endrer planen og stopper en endeløs loop.

For en plattform bygget på generative modeller ser spørsmålet det samme ut fra den andre siden: jo flere oppgaver blir automatisert, desto viktigere blir kontrollerbarheten – ikke tillit til et svar. Et formelt bevis er den mest ekstreme, strengeste formen for den kontrollerbarheten. I spill fungerer det allerede. I planlegging, budsjettering og kodegjennomgang er neste trinn å lære å bygge like korte og lesbare bevis for problemer uten klare regler.

Hva det betyr for brukerne

Begge modellene fra avisen — Claude Opus 5.5 og GPT-6 Astra — er tilgjengelige i NeuralSpace Chat. AWM er et forskningsprosjekt uten offentlig tilgang, men du kan allerede se hvordan moderne modeller resonnerer om dine egne oppgaver. For byggeagenter og egne prosjekter finnes det Kode del.

Og litt ekte statistikk. I følge anonymiserte produksjonsdata fra NeuralSpace i løpet av de siste 30 dagene (vindu 03.10–02.11.2026), håndterte chatten 1513 brukermeldinger fordelt på 516 økter. Fire modeller sto for 69 % av svarene, med GPT-5.4 Mini førende med 580 svar. Tunge flaggskip velges selektivt: I arbeidshverdagen vinner vanligvis hastighet og pris, mens harde problemer er en egen historie.

FAQ

Hva er Algebraic World Model?

Et system som utforsker et ukjent miljø, bygger en matematisk modell av det og formelt beviser utsagn om den modellen i Lean 4 — for eksempel at et mål er uoppnåelig innenfor et gitt handlingsbudsjett.

Hvordan er AWM forskjellig fra en vanlig språkmodell?

En språkmodell foreslår et svar og kan ta feil uten å vise det. AWM bygger først eksplisitte regler for verden, sjekker dem deretter og utleder konsekvenser som et bevis på at et uavhengig program kan verifisere. En feil i en regel er synlig i stedet for skjult i vektene.

Kan jeg prøve AWM?

Det er ingen offentlig versjon; det er et forskningsprosjekt. Men basismodellene den kjørte på er tilgjengelige i NeuralSpace Chat, og du kan bygge dine egne eksperimenter i kodedelen.