[«AI-черновик/заготовка»] Многомерный анализ текста с помощью "три и более логик одновременно"

advat · 26.Июнь.2025 11:04:47

Как мне сейчас видится (ошибаюсь? — перепроверю в будущем!), поход, который много лучше и изящнее моего — это подход @ailev :
чтобы “онтология не разбухала”, LLM получает задание на построение USF как методологии системного моделирования, где ключевым является введение абстрактного примитива GenerativeModel для унификации описания внутренних структур систем:

19 июня, 20:55:

А теоретические обоснования — см. Anatoly Levenchuk (ailev)
2025-06-13 01:02:00

13 июня, 1:14:

Инженерия личности на базе розетской таблицы термодинамики эволюции Исследования

Хотя у меня есть по факту уже написанное и как-то опробованное руководство по инженерии личности (главным образом инженерия мастерства как подсистемы личности, при этом ещё и “внешний взгляд”), но там нет чёткой посадки всей инженерии на какое-то более-менее общее научное основание. Идея была в том, что инженерия личности ничем вообще не отличается от инженерии любой другой системы, а инженерия опирается на физику. То есть мне нужна была прослеживаемость вот этого общего подхода: есть система, о…

Инженерия личности на базе розетской таблицы термодинамики эволюции

Вот итоговая черновая “Розетская таблица термодинамики эволюции” (после десятка итераций, каждый раз там спецы из LLM что-то находили, а ещё и я вмешивался – и не факт, что текущий вариант стал хорош, но возражать и корректировать по-крупному спецы стали меньше. Начальная таблица там отползла от начальных предложений из статьи Ванчурина, Волфа, Кунина и Кацнельсона. Шрифты я пока не стал править-возиться, это “черновик”, а ещё к этой таблице можно прилагать экспертные заключения нежити-спецов, это отдельная история, как они обсуждают аналогии из разных предметных областей. В жизни такую команду, конечно, очень трудно собрать. Скажем, в оригинальной статье собрали спецов на три предметные области, а тут их на парочку больше плюс ещё я как “методолог исследований/науки” aka эпистемолог):

Концепт (единый термин) Thermodynamics Machine Learning Evolutionary Biology Active Inference Learning-Sciences / SRL Systems Engineering

Блок 1A · Состояние и модель среды
1A-1 Состояние среды S Macrostate — (T,P,V) True env. state — sₜ Ecosystem state — Sₑ Hidden state — x Task situation — Cond True state — S_true
1A-2 Параметры модели θ System params — λ Trainable weights — θtrain Genotype — G Model params — θ Long-term knowledge — LTM Config params — θcfg
1A-3 Внутреннее представление B ∅ Latent embedding — z ∅ Belief state — s Activated knowledge — WM Estimated state — Ŝ
Блок 1B · Состояние агента
1B-4 Аппаратное / физиол. сост. H Microstate — x Neuron activations — a Phenotype — P Neural activity — a Arousal level — arousal HW state — H_hw
1B-5 Ресурсная мощность C Particle count — N Param count — **Cparam= θ ** Pop. size — Nₑ Model size — Cparam WM / Energy cap — C_res Throughput — BW
1B-6 Потенциал обучаемости Lₚ — Trainability — ∇θ Adaptive gene-pool div. — trace G Synaptic plasticity — η ZPD metric — ZPD Evolvability — Evol
Блок 2 · Инфо-действ. поток
2-7 Фактический сигнал o Env. fluctuation — δ_env Observation — oₜ Stimulus — Stim Sensory outcome — oₜ Task stimulus — Stim Sensor reading — y_meas
2-8 Предсказанный сигнал ô — Predicted obs. — ôₜ — Expected outcome — ôₜ Expected result — Exp Forecast — y_pred
2-9 Планируемое действие â Set-point forces — û Planned action — âₜ — Action plan — âₜ Planned step — Plan Control cmd — u_cmd
2-10 Выполненное действие a Generalised forces/fluxes — J, u_real Action — aₜ Phenotypic act — Act Executed action — aₜ Enacted step — Step Actuation — u
Блок 3 · Оценочные метрики
3-11 Невязка ε ΔF (free-energy change) Loss — L(y,ŷ) −ln fitness — −ln w Prediction error — ε Observed error — Err Error signal — e
3-12 Ожид. невязка E[ε] Exp ΔH — ⟨ΔH⟩ Exp loss — ⟨L⟩ Mean −ln w Exp. surprisal — E[ε] Anticip. error — AErr Expected cost — J_exp
3-13 Неопределённость U Entropy — S Entropy — H(X) Diversity — D State entropy — H(s) Ambiguity — Amb Entropy — H
3-14 Потенциал F Free energy — F Variational FE — F_V Adaptive potential — Φ Variational FE — F Subjective cost — Cost Objective func — J
3-15 Обоснованность Λ Partition func — Z log-likelihood — log ℒ Macro-fitness — W Evidence — log p(o) Overall confidence — Conf log-likelihood — log L
3-16 Шум ξ Thermal noise — ξ Inv. precision — β⁻¹ Evol. noise — ξ Inv. precision — γ⁻¹ Novelty — Nov Channel noise — ξ
Блок 4 · Целеполагание и стратегия
4-17 Стратегия π(a s) Min-F principle Policy — π(a s) Reaction norm — π Policy — π Metacognitive strategy — π Control law — π
4-18 Ожидаемая польза V / Q Gamma potential — Γ(Ω) Utility/Value func — V(s), Q(s,a) Inclusive fitness — w_inc Exp. free energy — G + C Expectancy × utility Utility func — V

Дальше эта предложенная терминология была использована мной для создания аутлайна руководства/guide по инженерии личности для инженеров и менеджеров. Это руководство будут использовать для того, чтобы единообразно обсуждать и классическую эволюционную инженерию систем самой разной природы (киберфизические системы, программные системы, системы управления) и эволюционную инженерию систем-агентов на основе нейросетей, где главной операцией “изготовления” является обучение/training и научение/learning. Задача руководства в том, чтобы научить рассуждать об обучении и развитии людей примерно так же, как рассуждают инженеры, а не гуманитарии (психологи, маркетологи, педагоги, философы и т.д.), но всё-таки учесть и соображения гуманитариев.

Такой подход ( USF) “покрывает как бык овцу” предложенное мной выше, т.к. учитывает не только (и не столько!) запросы стажёра, но и запросы методолога, автора руководства, … , и стажёра тоже.