Corporate AI Rejected a Scientific Paper for $10 Million — and Was Right in Form but Not in Substance
A corporate AI model gave a negative review of a paper on self-organized criticality with a violation of causality, which is explained by fundamental limitations of large language models: inability to recognize novel structures, non-convex landscape, and confusing signal with noise. The paper proposes a paradigm shift: from accumulating knowledge to diagnosing system state.
10 मिलियन डॉलर की कॉरपोरेट AI मॉडल ने वी.वी. व्लादिमीरोव के लेख "An additional degree of freedom in the processes of self-organized criticality with violation of causality" पर नकारात्मक समीक्षा दी, जो Chaos, Solitons & Fractals जर्नल में प्रकाशित हुआ है। लेखक बताते हैं कि इसका कारण AI की "मूर्खता" नहीं, बल्कि यह है कि आधुनिक LLMs (लार्ज लैंग्वेज मॉडल्स) एक अलग प्रतिमान पर प्रशिक्षित हैं। पहली समस्या: AI उस स्थान पर संरचना नहीं देखता जहाँ वह डेटा में व्यक्त नहीं है - वह केवल ज्ञात पैटर्न पहचानता है, जिसे योग्यता का भ्रम कहा जाता है। दूसरी समस्या: AI गैर-उत्तलता और खराब स्थिति को नहीं समझता, क्योंकि मानक विधियाँ (Adam, BatchNorm) स्थिति संख्या की समस्या को छिपा देती हैं। तीसरी समस्या: AI महत्वपूर्ण जानकारी और शोर में अंतर नहीं करता, जबकि लेख में दावा किया गया है कि "महत्वपूर्ण जानकारी नहीं है, केवल सिस्टम की नाड़ी है"। लेख स्व-संगठित क्रिटिकलिटी (SOC - Self-Organized Criticality) प्रक्रियाओं पर विचार करता है, जहाँ हाइपरबोलिक अंतरिक्ष में पड़ोस में स्वतंत्रता की एक अतिरिक्त डिग्री उत्पन्न होती है; गतिशील एंट्रॉपी परिचित निर्देशांकों को बदल देती है। ML इंजीनियर के लिए व्यावहारिक मूल्य हाइपरबोलिक जोड़ी (u,v) की खोज में निहित है - गतिशील लॉस लैंडस्केप और संरचनात्मक स्थिति संख्या, जो टोपोलॉजिकल-अनुकूली ऑप्टिमाइज़र डिज़ाइन करने, "ब्लैक बॉक्स" की व्याख्या करने और होलोग्राफिक न्यूरल नेटवर्क बनाने की अनुमति देता है। लेख का कोड सर्कुलेंट मैट्रिक्स के नॉर्म के लिए सामान्यीकृत रेले अनुपात का उपयोग करता है, जहाँ पैरामीटर ρ के चरम हाइपरबोलिक अंतरिक्ष में संरचित संपीड़न और विरलन के अनुरूप होते हैं। अंततः, प्रतिमान बदलाव का निष्कर्ष निकाला गया है: निर्देशांक से एंट्रॉपी की ओर, भविष्यवाणी से निदान की ओर, एल्गोरिदम से डेटा की ओर।
स्रोत: Habr — хаб ML —
मूल