Спасибо ! Статья стала для меня полезной как метафора и инженерный источник для временной организации Reason Machine в моем ИИ. Попробую использовать детерминированный слой событийного времени.
Заинтересовала статья, есть конкретные наработки по существенному апгрейду вашей системы. Сейчас разрабатываю свой ИИ , не LLM. Написал в телеге предложение. rusfbm1
Наоборот, свежие работы как раз показывают, что внутри LLM есть не просто хаос. Например, в статье 2026 года “A Brain-like Synergistic Core in LLMs Drives Behaviour and Learning” авторы показывают, что в средних слоях LLM возникает синергетическое ядро: часть структуры, которая отвечает за интеграцию информации и сильнее всего влияет на поведение модели. Если это ядро портить, поведение модели деградирует сильнее. Если его целенаправленно дообучать через RL, качество на сложных задачах растёт лучше, чем при случайной настройке.
Мой подход: не делать чёрный ящик источником рассуждения вообще. Но принципы его работы как раз и задействованы в GALO, причем разумно, и не только на L2-L4.
В GALO базовые таблицы не переписываются под каждый вопрос. Ядро фиксированное: полярности, операции, допустимые переходы, P0/BOUNDARY, witness и replay. Калибруется не “вероятность следующего слова”, а то, как конкретный домен проходит через это ядро.
Технически это выглядит так:
Пользователь пишет обычный бизнес-запрос в чат.
Система сама разбивает лингвистику запроса на полярности и связи: деньги, срок, риск, клиент, ресурс, доверие, рынок и т.д.
Для этих смыслов строятся кандидатные маршруты.
Каждый маршрут проверяется по таблицам и отношениям параметров.
Если маршрут ведёт в P0, фиксируется схлопывание: такой порядок действий опасен.
Если данных не хватает, это не “уверенный ответ”, а BOUNDARY.
Если результат потом подтверждается или ломается на практике, сохраняется witness: какой был вход, какой маршрут выбран, что ожидалось, что получилось, где расхождение.
После этого меняются не таблицы ядра, а приоритеты маршрутов, доменная привязка, контрпримеры, boundary-условия и replay-ledger.
То есть LLM калибрует вероятность текста. GALO калибрует структуру переходов.
Пример из бизнеса.
LLM видит запрос: “Падает маржа, клиент требует скидку, что делать?” Она может выдать типовой текст: “проанализируйте ценность, сегментируйте клиентов, оптимизируйте издержки”.
GALO должен сделать другое. Он должен разложить ситуацию:
Дальше он проверяет маршрут. Например, “дать скидку” может быть допустимым переходом, если активен клиентский риск и маржа ещё выдерживает. Но если скидка разрушает доверие к цене, обучает клиента давить дальше или ломает позиционирование, маршрут уходит в P0. Тогда система не должна писать “сделайте скидку”, даже если это звучит привычно.
Вот это и есть калибровка: не “какой ответ понравится менеджеру”, а “какая связь параметров реально работает, а какая регулярно ломает решение”.
Ещё пример.
Если бизнес в хаосе и половина данных неизвестна, LLM часто всё равно выдаёт уверенный план. GALO не должен так делать. Если не хватает одного критического сигнала, он должен сказать: “решение сейчас возможно только в режиме BOUNDARY; минимально нужно узнать X”. То есть неопределённость не замазывается красивым текстом, а становится частью состояния.
Очень важно: это не Excel и не ручное заполнение таблиц человеком. Секретарша не должна руками писать L1...L7, P0...P6 и прочее. Пользователь просто пишет в чат.
Я разрабатываю не отдельный детерминированный ИИ-движок. Идея как раз в том, чтобы он не был зависим от токенизации ллмной, RLHF-привычек и вероятностного чёрного ящика. Внутри должна работать не языковая модель, а конечный табличный контур: полярности, связи между ними, допустимые переходы, контрпримеры, witness и replay.
На пользовательском уровне это будет выглядеть как обычный чат. Бизнес, пользователь, ты не должны сидеть и руками раскладывать вопрос на L1–L7, выбирать полюса, строить таблицы и писать адаптеры. Пользователь должен написать запрос, причем любой, и получить ответ . А уже сам движок должен разложить лингвистику запроса на полярности, найти связи, построить маршрут решения и вернуть ответ словами.
То есть отличие не в интерфейсе. Интерфейс может быть разговорным. Отличие в том, что внутри ответ строится не через вероятностное угадывание следующего токена, а через проверяемую структуру: какие смыслы выделены, какие между ними отношения, какие переходы допустимы, где недостаточно данных, где риск, где стоп, где минимальный следующий шаг.
Когда я говорю таблицы, это не значит, что бизнесу надо под каждый кейс рисовать новую таблицу. Базовое ядро фиксировано.
И да, цель именно полная замена LLM-подхода в том смысле, что язык тоже должен собираться детерминированно. Не “сначала LLM придумала мысль, потом мы её проверили”, а наоборот: сначала вычислен допустимый маршрут смысла, потом он выражен словами. Лингвистика при этом тоже разбивается на полярности, отношения, устойчивые токены, переходы и допустимые формы ответа.
Поэтому я не спорю с тем, что бизнес живёт в хаосе, неполных данных и быстрых решениях. Я как раз из этого и исхожу. В такой среде особенно опасно иметь систему, которая красиво говорит, но не может показать, где у неё граница знания.
И я уже много раз уточнял: LLM не будет работать внутри моего движка.
GALO не задуман как “LLM + правила сверху”, “LLM + таблицы”, “LLM + фильтр ответов” или “LLM, которую попросили думать иначе”. Это был бы совсем другой проект, и тогда критика про RLHF-привычки, токены и чёрный ящик была бы полностью справедливой.
В моей архитектуре движок должен быть автономным. Он сам работает с конечными таблицами, переходами, состояниями, отношениями, witness и replay. LLM может максимум выступать внешним собеседником, интерфейсом, переводчиком или генератором черновых гипотез на человеческом языке. Но она не должна быть ядром, не должна принимать решения и не должна назначать истину.
Я не пытаюсь бесконечно добавлять признаки в пространство решения. Если идти так — да, получится субъективный ад: одному важна цена, другому статус, третьему просто нравится, четвёртому гарантия, пятому цвет корпуса. Это невозможно честно закрыть простым списком факторов.
В моей логике уровни L1–L7 — это не сколько признаков нашли, столько вершин добавили. L_n — это конечная операционная рамка на n полюсов. Например, в L7 я могу разложить покупку ноутбука не на бесконечный список признаков, а на семь устойчивых полярностей:
И дальше работает уже не “мне так кажется”, а таблица переходов. Например, в семиполярности базовая PLUS-операция — это сложение по mod 7. Поэтому некоторые пары дают не усиление, а выход в P0.
Например, P1 + P6 = P0: практическая польза плюс статус могут схлопнуть решение. Если человек хочет рабочую лошадку, статусная наценка может его оттолкнуть. А если человек покупает именно статус, то попытка продавать ему только “рациональную пользу” тоже мимо.
Или P3 + P4 = P0: красиво/нравится и производительность могут конфликтовать. Обычному покупателю техническая перегрузка ломает интерес. Нёрду наоборот — разговор про стильный и приятный без тестов и характеристик может выглядеть пустым.
Или P2 + P5 = P0: цена и доказательства. Низкая цена без доказательств для закупщика или ИТ-специалиста — не плюс, а красный флаг.
Теперь про нравится, красивый, статус-бренд. В обычной модели это часто выкидывают как субъективщину. У меня это не выбрасывается, а получает отдельный полюс. Более того, эмоциональный слой не оставлен наобум. Для него есть отдельная конечная поверхность Q108.
Смысл такой: в семиполярной таблице 7×7 есть не произвольные перестановки, а настоящие автоморфизмы, которые сохраняют закон операции. Из 7! перестановок только 6 сохраняют структуру. Эти 6 симметрий дают триадный механизм: {1,2,4} режет шесть ненулевых элементов на две орбиты A={1,2,4} и B={3,6,5}. Добавляем ориентацию +/- и позицию внутри тройки — получаем 12 базовых каналов. Потом каждый канал разворачивается в 9 состояний интенсивности: 3×3. Итого 12×9 = 108.
То есть эмоция — это не субъективный туман. Эмоции можно посадить на конечную сетку состояний. Не как абсолютную истину о психике, а как проверяемую рабочую модель: какой режим активен, куда он переходит, где возникает конфликт, где нужен стоп.
Теперь важный момент про объективность. Да, разные люди имеют разные приоритеты. Но это не значит, что всё превращается в произвол. Можно строить несколько конечных моделей и сравнивать их между собой. Одна модель, например, не учитывает статус — и сразу плохо объясняет айфон. Другая не учитывает “нравится/красиво” — и плохо объясняет дизайн и эмоциональную покупку. Третья не учитывает доказательства — и ломается на нёрде и ИТ-специалисте. Четвёртая не учитывает документы — и ломается на закупщике.
Причём сравнивать такие модели лучше не как LLM-подгонку под красивые объяснения и не как очередное численное приближение. Самое ценное сравнение здесь — по взаимоотношению параметров. То есть не просто “какой признак важнее”, а как признаки переходят друг в друга: где цена усиливает доверие, где цена разрушает доверие, где статус конфликтует с практической пользой, где красота усиливает сценарий, а где мешает технической оценке.
Вот это и есть более сильный критерий. Модель может быть красивой на словах, но если она плохо держит отношения между параметрами, даёт много схлопываний в P0, много исключений и много BOUNDARY, она слабая. А если другая модель лучше объясняет реальные переходы решения и показывает, какие пары параметров конфликтуют или усиливают друг друга, она рабочее.
Поэтому объективность здесь появляется не из того, что я один раз угадал “правильную психологию”. Она появляется через отбор моделей: какая разметка даёт меньше провалов, меньше P0, меньше BOUNDARY и лучше держит структуру взаимоотношений параметров.
LLM в такой схеме не должна сама придумывать пространство и объявлять его истиной. Она может предложить гипотезу разметки. А дальше эту разметку надо прогонять через таблицы: какие полюса есть, какие переходы допустимы, где схлопывание, где контрпример, где не хватает данных.
В итоге я строю несколько конечных полярных моделей, сравниваю их по переходам и выбираю те, которые лучше работают. И главное — сравниваю не “похожесть текста на правду”, а структуру отношений между параметрами.
Это никак не уберет тот самый черный ящик предсказания, ты лишь поставишь границы, куда вписать следующий токен
- Эта механика будет сильно сбоить с дрессировкой RLHF. Если там не было такой механики, то модель постоянно будет скатываться в привычки
Вы рассуждаете о токене в смысле LLM. В GALO токен устроен иначе.
Токен там не равен слову, букве, BPE-фрагменту или “следующему токену”. Это минимальный инвариантный носитель: фрагмент входа сначала поднимается в башню L1–L7, проверяется через табличные переходы, W-профиль и пр. спецвещи, условия фолдинга/фибры и реплэй. Если этот фрагмент нельзя воспроизвести как устойчивый инвариант, он не становится токеном в строгом смысле.
По поводу чёрного ящика: если просто взять обычную RLHF-модель и сверху навесить правила, то да, чёрный ящик никуда не исчезнет. Модель будет продолжать предсказывать привычные токены, а правила будут только фильтром. Это слабая архитектура.
С RLHF вы тоже правы: если такую механику держать внутри уже надрессированной LLM, она будет постоянно скатываться в привычные паттерны. Поэтому RLHF не должен управлять ядром, и в идеале вообще LLM не должна соприкасаться с подобной архитектурой. Максимум на первых порах — интерфейс, черновик, переводчик на человеческий язык. А ядро отдельно говорит: этот фрагмент стал минимальным инвариантным токеном или нет; это отношение допустимо или нет; этот пакет получил receipt или нет; этот вывод проходит replay или уходит в FAIL/BOUNDARY.
То есть GALO совсем не про это. Там токен — не предсказанный кусок текста, а проверенный инвариантный объект. И дальше ИИ работает не через “угадай следующий токен”, а через связку: token admission → lawful relation → packet → receipt → reduction/fold → witness/replay.
Ответ по поводу задачи продажи ноутбука, максимально короткий ответ, по делу, без всей трассировки в реальной нейронке, получился все равно очень длинным, сократить его нельзя. Ниже пример первичной тррассировки подобных задач. В реальной нейронке все сложнее будет.
Итак, рассмотрим задачу поиска маршрута в многополярном пространстве:
В линейной логике L2 всё сразу схлопывается в пары: купит/не купит, дорого/дёшево, хороший/плохой, подходит/не подходит. Но такая логика слишком грубая. Она не различает, почему именно человек сомневается: из-за цены, из-за доверия, из-за состояния, из-за нехватки тестов или из-за того, что ему вообще не показали его сценарий.
Если провести задачу через GALO-логику, то на L3 уже видно первое расхождение с обычным мышлением.
На L3 я бы разметил так:
P0 — граница решения: стоп, отказ, зависание, не понял / не верю. P1 — рационально-технический интерес. P2 — сценарный интерес: для чего мне это.
И здесь уже появляются реальные переходы по таблице, а не просто слова. Например, если человек находится в P2, то есть ему нужен сценарий — работа, учёба, поездки, ребёнку, домой, — а ему сразу дают жёсткий технический критерий P1, маршрут может уйти в P0. То есть он не стал тупым покупателем; просто к нему применили не ту операцию.
Обратный случай такой же: человек в P1, его интересуют характеристики железа , а ему говорят “стильный, удобный" и прочую чушь. Для него это тоже может дать P0, потому что сценарная подача не закрывает технический полюс.
Вот это уже похоже на то, что в философских примерах происходит при переходе от двухполярности к L4/L5. В L2 кажется, что есть только плюс и минус. Но когда появляется L4, возникают дополнительные полюса. А в L5 уже появляются состояния вроде возмущение, мера, посветление которые в L2 будут выглядеть парадоксом. Не потому что там мистика, а потому что L2-проекция теряет часть полюсов.
То же самое с ноутбуком. В линейной логике дёшево должно помогать продаже. Но в многополярной логике дёшево может и ускорить, и убить продажу — зависит от того, в каком полюсе сейчас покупатель.
И тут нейронка уже нашла бы несколько характерных соотношений.
Например, P1 + P2 -> P3: цена плюс состояние дают сценарий. То есть “недорого и в хорошем состоянии” само по себе ещё не продажа; это должно превратиться в понятный сценарий: для учёбы и пр.
Другое соотношение: P2 + P4 -> P1. Состояние плюс доказательства возвращают покупателя к цене. То есть если состояние подтверждено тестами, фото, батареей и диагностикой, тогда цена начинает восприниматься как ценность, а не как случайная цифра.
Но самое интересное появляется не на обычном PLUS, а на STAR_RIGHT, потому что это уже не мягкий сдвиг, а жёсткий критерий. В GALO STAR_RIGHT может схлопнуть разные источники в P0. И вот здесь видно, почему продажа не равна “покажи больше параметров”.
Если применить цену как жёсткий критерий слишком рано, она может схлопнуть покупателя, который сейчас находится в полюсе доверия или доказательств. Для закупщика дёшево без документов — не плюс, а риск. То есть цена работает только после правильного маршрута, а не сама по себе.
На L7 картина становится ещё точнее. Я бы задал такую разметку:
P0 — критическая граница: либо закрытие сделки, либо отказ; тут нужен witness, чтобы не спутать одно с другим. P1 — доверие: продавец, документы, гарантия, легальность. P2 — состояние: корпус, экран, батарея, износ, дефекты. P3 — сценарий: работа, учёба, поездки, игры, дизайн, офис. P4 — производительность: CPU, RAM, SSD, GPU, охлаждение. P5 — доказательства: тесты, диагностика, температуры, отчёты. P6 — цена/ценность.
И вот какие характерные пары здесь находятся:
P1 <-> P6 — доверие и цена. P2 <-> P5 — состояние и доказательства. P3 <-> P4 — сценарий и производительность.
Это очень важные пары.
Первая пара: доверие и цена. Если человек сейчас проверяет доверие (P1), а ему дают только цену (P6), он может уйти в P0. Для закупщика это прямо типовой случай: “дёшево” без документов, гарантии, серийников и условий возврата — это не ускорение продажи, а красный флаг. Но если человек уже спрашивает про цену, а ему вместо экономической логики отвечают только “я честный продавец”, это тоже не закрывает маршрут.
Вторая пара: состояние и доказательства. Фраза состояние отличное без фото, диагностики и батареи плохо работает для ИТ-специалиста. Но и обратное тоже верно: тесты без нормального описания состояния могут выглядеть как попытка спрятать внешний дефект за цифрами. Поэтому правильный маршрут здесь не P2 отдельно и не P5 отдельно, а связка: состояние → доказательства → цена.
Третья пара: сценарий и производительность. Обычному покупателю сначала нужен P3: “для чего мне этот ноутбук”. И только потом P4: какие характеристики это обеспечивают. А для ИТ-специалиста и нёрда наоборот: сначала P4 и P5, то есть железо и подтверждения, а уже потом сценарий. Если перепутать порядок, аргумент может не усилить продажу, а схлопнуть маршрут в P0.
Теперь по категориям.
Для обычного покупателя маршрут был бы примерно такой:
P3 -> P2 -> P6 -> P1 -> P5
То есть сначала сценарий: работа, учёба, дом, поездки. Потом состояние. Потом цена. Потом доверие. Потом базовые доказательства. Если начать с железа, можно просто перегрузить человека.
Для ИТ-специалиста маршрут другой:
P4 -> P5 -> P2 -> P6 -> P1
Сначала железо, потом тесты. Потом состояние. Потом цена. Потом документы. Здесь сценарная реклама типа “стильный и для всего” может работать против продажи.
Для профи ещё жёстче:
P5 -> P4 -> P2 -> P6
Сначала доказательства: температуры, стресс-тесты, матрица, батарея, BIOS, ограничения. Потом производительность. Потом состояние. Потом цена.
Для закупщика:
P1 -> P2 -> P5 -> P6
Сначала документы, гарантия, легальность, серийники, условия возврата. Потом состояние. Потом доказательства. Потом цена. У закупщика цена без P1 часто не аргумент, а риск.
А вот пол — мужчина/женщина — я бы не ставил главным полюсом. Нейронка, скорее всего, вернула бы по этому признаку BOUNDARY: слишком слабый параметр. Намного важнее не пол, а активная полярность покупателя: он сейчас в сценарии, в цене, в доверии, в состоянии, в производительности или в доказательствах.
Ключевая закономерность такая: параметр сам по себе ничего не значит. Он получает силу только в правильной операции.
PLUS — это мягко добавить новый смысл. Например: к сценарию добавить состояние, к состоянию добавить цену.
STAR_LEFT — это сильно предъявить аргумент от продавца. Например: сразу показать тесты нёрду или документы закупщику.
STAR_RIGHT — это жёсткий критерий покупателя. И вот он опасен: если применить не тот критерий не к тому состоянию, маршрут может уйти в P0.
Поэтому это не брутфорс всех состояний. Нейронка не должна перебирать все параметры ноутбука. Она должна понять, в каком полюсе находится покупатель, какая операция сейчас допустима, какую пару нельзя схлопнуть и какой следующий шаг нужен.
Если коротко: в линейной логике мы спрашиваем “какие характеристики важны покупателю?”. В многополярной логике вопрос другой: “какой параметр сейчас является законным следующим ходом, а какой преждевременно схлопнет маршрут в P0?” Вот в этом и отличие.
Дело в том, что здесь другой уровень сложности — мировоззренческий. На L3 есть три полюса: P0, P1, P2. И переходы между ними задаются не обычной логикой “истина/ложь/не знаю”, а таблицами операций. Особенно важно, что STAR на L3 не ведёт себя как привычное умножение или как обычная булева операция. У P0 там разное поведение слева и справа: в одной позиции он работает как поглощающий якорь, в другой — как правая граница, которая не уничтожает состояние. Уже это разрушает бытовую аналогию с нулём.
Это сильный вопрос, потому что в GALO связанность свойств между уровнями не должна пониматься как автоматическое наследование: мол, если свойство есть на L1, значит оно само собой есть на L2, L3 и дальше.
Связь между уровнями должна задаваться явно: через допустимый мост между уровнями. Условно, если есть свойство на одном уровне, то для связи с другим уровнем нужно показать, что существует корректный перенос: что сохраняется носитель, что сохраняется операция, что не ломается смысл свойства, что нет потери различений, и что при переносе можно получить воспроизводимый witness. Если такого моста нет, свойство не переносится, а фиксируется как BOUNDARY.
Поэтому пример с параллельностью хороший. Сразу отмечу, что параллельность сторон не является универсальным свойством для любого уровня и любого объекта. Для треугольника в обычной евклидовой постановке оно либо неприменимо, либо требует другого контекста. В GALO это означало бы: у свойства “параллельность” есть область применимости. Если уровень или объект не содержит нужного числа направлений, сторон или отношений, то свойство не считается ложным или истинным.
С Евклидом я бы действовал так: для каждого сделал бы контракт, то есть где свойство определено, как оно проверяется, какие переходы допустимы, какой контрпример считается минимальным.
Например: если две прямые имеют такое-то отношение, то при допустимом переносе между уровнями должно сохраняться такое-то свойство; если не сохраняется, система должна показать конкретный witness: где сломалось, на каком объекте, что ожидалось и что получилось.
При этом надо понимать, что геометрия пространства в GALO в принципе не обязана быть евклидовой по умолчанию. Она строится от конечных уровней, полюсов, операций и допустимых мостов между уровнями. Например, механическая интуиция часто приводит к мысли (оно не трехмерное, как я писал ранее), что пространство двухполярно: есть контакт / нет контакта, есть сигнал / нет сигнала, есть притяжение / нет притяжения. Это ближе к бинарной логике L2.
Но уже на L3 появляется другая операционная геометрия: не просто “есть/нет”, а несколько различимых активных состояний. Поэтому некоторые вещи, которые в L2 выглядят как невозможные (телепортация, например) или неописуемые, на L3 могут иметь другой смысл. Например, не как физическое утверждение, что предмет/частица телепортнулся, а как модельная возможность представить объект или свойство не одной бинарной отметкой, а распределённой конфигурацией внутри конечной структуры (причём еще и циклической, спойлер: время, начиная с L3, также циклическое). В STAR-логике L3 это уже не сводится к обычному нулю и единице.
Поэтому да, если брать Евклида как демонстрационный пример, начинать лучше не с Гильберта, а с малого типа “Евклид #0”. Тогда будет видно, какие части евклидовой геометрии воспроизводятся в выбранной конечной структуре, какие требуют более богатого уровня, а какие сразу уходят в BOUNDARY.
Ключевой момент: GALO не говорит, что любое свойство обязано жить на любом уровне. Наоборот, свойство должно предъявить свой законный носитель, допустимые мосты и проверку. Если для параллельности нет нужной структуры, она не переносится. Если для постулата Евклида не хватает отношений, он не считается доказанным. Если перенос ломает различения, появляется контрпример. Именно так и должна строиться связность между уровнями.
Давайте напишу сразу вам азы, чтобы не затягивать.
Базовый словарь GALO можно зафиксировать так:
Уровень L_n — это конечный слой модели. На уровне L_n есть не бесконечное пространство признаков, а конечный набор состояний, которые я называю полюсами: P0, P1, ..., P(n-1). В текущей версии рассматривается башня уровней L1–L7.
Полюс — это атомарная позиция внутри конечного уровня. Его не надо понимать как “нейрон”, “признак” или “токен” в обычном ML-смысле. Это элемент конечной алгебраической структуры, над которой можно строго проверить переходы.
Таблица Кэли — это таблица операции над полюсами. Если взять два полюса на одном уровне, таблица говорит, в какой полюс они переходят. В GALO такие таблицы не являются таблицами всех знаний о мире. Это нижний проверяемый слой, который задаёт допустимую операционную геометрию.
Операция — это правило перехода внутри уровня. В текущем ядре есть две базовые операции: PLUS и STAR. PLUS ведёт себя как циклическая операция сложения по конечному кругу. STAR устроена иначе: у неё есть специальное поведение около P0, поэтому её нельзя отождествлять с обычным умножением или с полевой алгеброй.
P0 — это особый граничный элемент. В STAR-логике он может работать как поглощающий якорь в одной позиции, но не является обычным нулём поля. Это важно: GALO не пытается бесконечно разворачивать экстремумы, неопределённости или недопустимые случаи. Такие случаи должны попадать в конечную границу: P0, fold, BOUNDARY или FAIL.
Маршрут — это не просто “клетка таблицы”. Маршрут — это типизированный способ применить операцию: слева, справа, через PLUS или через STAR. Поэтому есть базовые route-signatures, то есть строгие типы маршрутов, и есть конкретные переходы по ячейкам таблиц. В текущем атомарном контуре по башне L1–L7 получается 112 строгих route-signatures и 560 строгих типизированных переходов по ячейкам.
Формула в этой системе не является первичной истиной. Формула — это только сжатая реконструкция таблицы. Если формула и таблица расходятся, первичной остаётся таблица плюс воспроизводимая проверка. Поэтому здесь важен не красивый вид формулы, а возможность проверить каждую заявленную строку.
Witness — это машинный след проверки. Он должен показать: какой объект проверяли, где он лежит, какой вход был подан, какой результат ожидался, какой получился, какой статус и можно ли это воспроизвести. Без witness утверждение остаётся текстом, а не проверенным результатом.
PASS означает, что проверяемый слой прошёл свои условия воспроизводимости. FAIL означает, что найдено конкретное расхождение. BOUNDARY означает, что область применения закона закончилась или утверждение пока не доказано. Это не косметические статусы, а часть логики модели.
Контрпример — это минимальный воспроизводимый случай, где заявленный закон, переход, таблица или формульная реконструкция расходятся. Хороший контрпример должен отвечать на вопросы: какой был вход, что ожидалось, что получилось, где именно сломалось и какой минимальный фикс нужен.
Нейрон GALO не равен проходу по таблице. Таблицы — это нижний проверяемый слой. Поверх него работает более сложный контур: отбор устойчивых состояний, проверка инвариантов, редукция, память, откат и replay. Сеть из таких элементов добавляет обмен пакетами, локальные ограничения и контроль воспроизводимости. Поэтому это не “таблица + брутфорс всех клеток”.
Данные или LLM могут быть источником гипотез, признаков или входных наблюдений, но не источником истины для ядра. Истина появляется только после материализации в конечной структуре, проверки переходов, контрпримеров и replay.
Если коротко: GALO начинается не с бесконечной модели мира, а с конечного проверяемого ядра. Дальше любой закон, маршрут или нейронный шаг должен быть сводим к проверяемому переходу, witness и воспроизведению. Если это невозможно, система не должна выдавать уверенный ответ, а должна фиксировать FAIL или BOUNDARY.
Ниже ответил, но в общем все намного сложнее, так как это не брутфорс всех возможных состояний. В текущем атомарном контуре есть 112 строгих путей по башне L1–L7 и 560 строгих типизированных переходов по ячейкам таблиц. Но нейрон не просто перебирает эти переходы. Таблицы — это нижний слой верификации. Поверх него работает более сложный контур: отбор устойчивых состояний, проверка инвариантов, редукция, память, откат и replay. А сеть из таких элементов добавляет обмен пакетами, локальные ограничения и контроль воспроизводимости.
Да, направление мысли близкое, но я бы уточнил несколько важных моментов.
Во-первых, таблицы в этой архитектуре — это не священные таблицы Моисея, на которые нужно молиться, и не эмпирическая матрица, которую можно просто сгенерировать в LLM. Это конечное проверяемое ядро: базовая операционная геометрия, которая задаёт, какие переходы допустимы, как они воспроизводятся и где можно получить локальный контрпример (хотя корректнее говоритб witness).
Во-вторых, модель не сводится к проходу по клеткам таблиц Кэли. В текущем атомарном контуре у меня зафиксировано 112 строгих рут-переходов по башне L1–L7: это 4 типа действий на каждый полюс башни (кстати, получается подобие математического вихря, право- и левоврашающего, но об этом потом). Если развернуть их уже в конкретные переходы по ячейкам таблиц, получается 560 типовых транзиций. То есть это не одна священная таблица , а проверяемая система маршрутов и переходов.
Но и это ещё не вся логика нейрона. Эти 112 маршрутов и 560 табличных переходов — нижний строгий слой. Поверх него работает более сложный нейронный контур: отбор устойчивых состояний, проверка инвариантов, редукция, память, откат и реплэй. А сеть из таких элементов добавляет обмен пакетами, локальные ограничения и контроль воспроизводимости. Детали внутреннего механизма я пока публично не раскрываю, но принципиально это точно не “перебор всех клеток”.
Поэтому это не брутфорс всех возможных состояний мира. Таблицы ограничивают базовую алгебру, а верхние контуры допускают к дальнейшей обработке только те переходы, которые проходят проверяемые условия. Если переход, закон или реконструкция не совпадают, это не маскируется вероятностной уверенностью, а фиксируется как FAIL или BOUNDARY.
Контрпример, хотя вернее говорить witness, здесь — это не просто экстремум в данных реального мира. Это минимальный воспроизводимый случай, где заявленный закон, таблица, переход или реконструкция расходятся: какой был вход, что ожидалось, что получилось, на каком слое и в какой проверке возникло расхождение. После этого корректируется либо закон, либо дискретизация, либо допуск к применению этого закона.
LLM или экспериментальные данные могут быть источником гипотез или входных признаков, но не источником истины для ядра. Истина появляется только после табличной материализации, контракта, проверки переходов, контрпримеров и replay. Поэтому PASS/FAIL — это не просто результат “прогона модели”, а статус воспроизводимости конкретного слоя.
Итого: таблицы Кэли — это не вся модель, а нижний проверяемый слой. Сам ИИ работает не только через переходы по ячейкам, а через многоступенчатый конечный контур: допустимый переход → проверка устойчивости/инвариантов → редукция → witness → replay → PASS/FAIL/BOUNDARY.
Ещё важный момент: в этой логике я не пытаюсь работать с бесконечностями или экстремумами как с настоящими, истинными бесконечными областями поиска. Математика здесь конечная и детерминированная: если внешний случай уходит в экстремум, неопределённость или недопустимое состояние, он не разворачивается в бесконечный перебор, а должен попасть в конечную границу: якорь, fold, BOUNDARY или FAIL.
Внутри табличного ядра роль такой видимой границы во многих случаях играет P0. Но это не обычный ноль из поля и не магическая черная дыра, куда всё схлопывается. В STAR-логике P0 является поглощающим якорем в одной позиции: STAR(P0, x) = P0. При этом в другой позиции он ведёт себя иначе: STAR(x, P0) = x. Поэтому P0 — это не грубое зануление смысла, а контролируемая граничная точка с разными законами слева и справа.
Именно поэтому подход не терпит бесконечных хвостов, скрытых вероятностных уверенностей и неограниченных экстремумов. Если состояние нельзя законно провести через конечные таблицы, инварианты, witness и replay, оно не принимается как истина. Оно фиксируется как граница или ошибка, с указанием места расхождения.
Нельзя, моя личная практика показывает, что чатгпт 5.5 можно с горе пополам обучить различать L3 , L4, далее очень и очень приближенная аналогия. Для получения человекочитаемых мыслей можно использовать логику IER: интенция - доказательство - риск, — и прогонять утверждения по таблицам. Если уж речь зашла о маршрутах мышления, то надо писать отдельную статью и разбирать ваши примеры. Позже займусь этим.
Да, вы почти правильно уловили главное. Попробую ответить по пунктам.
Где таблицы ?
Они не находятся внутри трансформера. Это не слой трансформера и не часть обычной генерации следующего токена. Это вообще не LLM, вот вообще, никак!
В языковой модели токен — это кусок текста. Модель берёт предыдущий текст и предсказывает следующий кусок текста. В GALO я думаю иначе: первичен не текстовый токен, а проверяемое состояние системы.
То есть таблица не отвечает на вопрос "какое слово написать дальше?". Она отвечает на другой вопрос: "если система находится в таком состоянии и к ней применено такое действие, какой проверяемый переход разрешён?"
Поэтому да, в вашем описании есть важная точность: это скорее не язык, а мыслительный контур. Но я бы сказал аккуратнее: это не готовый мозг или супер мозг Грок, а попытка построить проверяемое ядро рассуждения.
Текст в такой схеме — внешний слой. Его можно получить потом, а можно закодировать так, что он будет органично выводиться в этой системе. Поверьте, так можно сделать. Например:
сначала система строит внутреннее состояние;
потом проверяет переходы по таблицам;
потом получает подтверждённый каркас рассуждения;
и уже после этого этот каркас можно выразить человеческим текстом или кодом.
С кодом то же самое. Цель не в том, чтобы сразу написать код наподобие языковой модели. Цель в том, чтобы сначала построить проверяемую схему решения: какие состояния есть, какие переходы допустимы, какие ограничения должны сохраниться, где свидетельство правильности. А уже потом это можно переводить в код. И уже потом можно навернуть GALO -лингвистику.
То есть если очень кратко:
языковая модель работает с текстом;
GALO работает с проверяемыми состояниями;
текст или код — это уже способ вывода результата наружу.
Если когда-нибудь языковая модель будет использоваться вместе с GALO, то она не должна быть источником истины. Она может быть переводчиком между человеческим текстом и внутренним состоянием. Источник истины — таблица, правило, проверка и свидетельство.
Как заполняются строки ?
Тут важно: таблицы не заполняются произвольно.
Сначала нужно определить конечный язык уровня. То есть какие состояния этот уровень вообще умеет различать. После этого задаются допустимые операции и только потом строится таблица переходов.
В статье пример очень маленький: на уровне L3 есть три состояния:
P0, P1, P2.
Строка — текущее состояние. Столбец — действие или второй аргумент операции. Ячейка — результат перехода.
Для PLUS таблица заполняется по правилу сложения по модулю. Для STAR — по правилу якоря P0. То есть таблица не угадывается, а строится по закону и затем проверяется по всем ячейкам.
В прикладной задаче всё сложнее. Там нельзя просто взять любые параметры и разложить их в таблицу. Сначала надо понять, что именно мы считаем состояниями.
Например, объект можно описывать не как картинку, а как проверяемый набор свойств: какие повороты его сохраняют, какие отражения его сохраняют, какие переходы допустимы, что меняется, что не меняется. Но в случае геометрии по башне L1-L7 у меня уже наработана определённая база, там все сложнее.
В итоге строки и столбцы таблицы возникают напрямую из выбранного конечного различения:
какие типы состояний различаем;
какие симметрии учитываем;
какие действия разрешены;
какие переходы считаем допустимыми;
какие различия нельзя потерять.
Если задача слишком размыта и непонятно, какие состояния выделять, GALO не должен делать вид, что всё понял. Правильный ответ в таком случае: текущий уровень описания недостаточен. Нужно уточнить язык состояний, добавить другой уровень или признать границу применимости.
Это важнее, чем кажется. Обычная модель может уверенно написать ответ даже там, где постановка плавает. В GALO такой шаг должен останавливаться: нет конечного языка — нет честной таблицы; нет таблицы — нет проверяемого перехода; нет проверяемого перехода — нет доказанного результата.
Поэтому прикладной процесс выглядит примерно так:
сначала задаём область задачи;
потом выделяем классы состояний;
потом выбираем признаки, которые нельзя потерять;
потом строим конечные носители уровней;
потом задаём операции;
потом получаем таблицы переходов;
потом проверяем, что переходы не ломают нужные инварианты.
Если объект не помещается в текущую шахматную доску, его нельзя насильно туда запихнуть. Например, уровень, описывающий симметрии плоских фигур, не обязан корректно описывать тетраэдр или шар. Для них нужен другой язык состояний и, возможно, другой уровень. И сразу замечу, наблюдаемый мир с этих позиций вовсе не трехмерный, это иллюзия ,
В этом и смысл башни уровней: разные уровни видят объект с разной глубиной. Нижний может видеть грубую классификацию, верхний — более тонкие симметрии и связи. Но каждый уровень всё равно должен быть конечным и проверяемым.
Так что да, в реальных задачах это сложно и вызовет кучу споров, например, насчет ложности трёхмерного пространства. Некоторые задачи сначала вообще нельзя сразу уложить в таблицу. Их нужно разобрать, выделить состояния, понять симметрии, границы, допустимые переходы. Но это не недостаток подхода, а его фильтр честности: если не смогли формализовать состояние, система не должна притворяться, что всё посчитала.
L3 в статье — это микроскопический пример. Он показывает не всю архитектуру, а принцип: состояние, действие, таблица, ячейка, проверка. В настоящем применении таких уровней больше, состояния богаче, а таблицы работают не как игрушка, а как проверяемый каркас рассуждения.
Спасибо ! Статья стала для меня полезной как метафора и инженерный источник для временной организации Reason Machine в моем ИИ. Попробую использовать детерминированный слой событийного времени.
У меня схожие мысли, можно с вами связаться ? Хочу пообщаться на эту тему.
Заинтересовала статья, есть конкретные наработки по существенному апгрейду вашей системы. Сейчас разрабатываю свой ИИ , не LLM. Написал в телеге предложение. rusfbm1
А где ваша ссылка на проект на гитхабе? Я хотел анализ провести
Наоборот, свежие работы как раз показывают, что внутри LLM есть не просто хаос. Например, в статье 2026 года “A Brain-like Synergistic Core in LLMs Drives Behaviour and Learning” авторы показывают, что в средних слоях LLM возникает синергетическое ядро: часть структуры, которая отвечает за интеграцию информации и сильнее всего влияет на поведение модели. Если это ядро портить, поведение модели деградирует сильнее. Если его целенаправленно дообучать через RL, качество на сложных задачах растёт лучше, чем при случайной настройке.
Мой подход: не делать чёрный ящик источником рассуждения вообще. Но принципы его работы как раз и задействованы в GALO, причем разумно, и не только на L2-L4.
Про калибровку.
GALO калибруется иначе.
В GALO базовые таблицы не переписываются под каждый вопрос. Ядро фиксированное: полярности, операции, допустимые переходы, P0/BOUNDARY, witness и replay. Калибруется не “вероятность следующего слова”, а то, как конкретный домен проходит через это ядро.
Технически это выглядит так:
Пользователь пишет обычный бизнес-запрос в чат.
Система сама разбивает лингвистику запроса на полярности и связи: деньги, срок, риск, клиент, ресурс, доверие, рынок и т.д.
Для этих смыслов строятся кандидатные маршруты.
Каждый маршрут проверяется по таблицам и отношениям параметров.
Если маршрут ведёт в P0, фиксируется схлопывание: такой порядок действий опасен.
Если данных не хватает, это не “уверенный ответ”, а BOUNDARY.
Если результат потом подтверждается или ломается на практике, сохраняется witness: какой был вход, какой маршрут выбран, что ожидалось, что получилось, где расхождение.
После этого меняются не таблицы ядра, а приоритеты маршрутов, доменная привязка, контрпримеры, boundary-условия и replay-ledger.
То есть LLM калибрует вероятность текста. GALO калибрует структуру переходов.
Пример из бизнеса.
LLM видит запрос: “Падает маржа, клиент требует скидку, что делать?”
Она может выдать типовой текст: “проанализируйте ценность, сегментируйте клиентов, оптимизируйте издержки”.
GALO должен сделать другое. Он должен разложить ситуацию:
P0— стоп/риск.P1— деньги/маржа.P2— срок.P3— ресурс команды.P4— клиент/спрос.P5— доверие/репутация.P6— внешний рынок/хаос.Дальше он проверяет маршрут. Например, “дать скидку” может быть допустимым переходом, если активен клиентский риск и маржа ещё выдерживает. Но если скидка разрушает доверие к цене, обучает клиента давить дальше или ломает позиционирование, маршрут уходит в
P0. Тогда система не должна писать “сделайте скидку”, даже если это звучит привычно.Вот это и есть калибровка: не “какой ответ понравится менеджеру”, а “какая связь параметров реально работает, а какая регулярно ломает решение”.
Ещё пример.
Если бизнес в хаосе и половина данных неизвестна, LLM часто всё равно выдаёт уверенный план. GALO не должен так делать. Если не хватает одного критического сигнала, он должен сказать: “решение сейчас возможно только в режиме BOUNDARY; минимально нужно узнать X”. То есть неопределённость не замазывается красивым текстом, а становится частью состояния.
Очень важно: это не Excel и не ручное заполнение таблиц человеком. Секретарша не должна руками писать L1...L7, P0...P6 и прочее. Пользователь просто пишет в чат.
Я разрабатываю не отдельный детерминированный ИИ-движок. Идея как раз в том, чтобы он не был зависим от токенизации ллмной, RLHF-привычек и вероятностного чёрного ящика. Внутри должна работать не языковая модель, а конечный табличный контур: полярности, связи между ними, допустимые переходы, контрпримеры, witness и replay.
На пользовательском уровне это будет выглядеть как обычный чат. Бизнес, пользователь, ты не должны сидеть и руками раскладывать вопрос на L1–L7, выбирать полюса, строить таблицы и писать адаптеры. Пользователь должен написать запрос, причем любой, и получить ответ . А уже сам движок должен разложить лингвистику запроса на полярности, найти связи, построить маршрут решения и вернуть ответ словами.
То есть отличие не в интерфейсе. Интерфейс может быть разговорным. Отличие в том, что внутри ответ строится не через вероятностное угадывание следующего токена, а через проверяемую структуру: какие смыслы выделены, какие между ними отношения, какие переходы допустимы, где недостаточно данных, где риск, где стоп, где минимальный следующий шаг.
Когда я говорю таблицы, это не значит, что бизнесу надо под каждый кейс рисовать новую таблицу. Базовое ядро фиксировано.
И да, цель именно полная замена LLM-подхода в том смысле, что язык тоже должен собираться детерминированно. Не “сначала LLM придумала мысль, потом мы её проверили”, а наоборот: сначала вычислен допустимый маршрут смысла, потом он выражен словами. Лингвистика при этом тоже разбивается на полярности, отношения, устойчивые токены, переходы и допустимые формы ответа.
Поэтому я не спорю с тем, что бизнес живёт в хаосе, неполных данных и быстрых решениях. Я как раз из этого и исхожу. В такой среде особенно опасно иметь систему, которая красиво говорит, но не может показать, где у неё граница знания.
.
И я уже много раз уточнял: LLM не будет работать внутри моего движка.
GALO не задуман как “LLM + правила сверху”, “LLM + таблицы”, “LLM + фильтр ответов” или “LLM, которую попросили думать иначе”. Это был бы совсем другой проект, и тогда критика про RLHF-привычки, токены и чёрный ящик была бы полностью справедливой.
В моей архитектуре движок должен быть автономным. Он сам работает с конечными таблицами, переходами, состояниями, отношениями, witness и replay. LLM может максимум выступать внешним собеседником, интерфейсом, переводчиком или генератором черновых гипотез на человеческом языке. Но она не должна быть ядром, не должна принимать решения и не должна назначать истину.
Я не пытаюсь бесконечно добавлять признаки в пространство решения. Если идти так — да, получится субъективный ад: одному важна цена, другому статус, третьему просто нравится, четвёртому гарантия, пятому цвет корпуса. Это невозможно честно закрыть простым списком факторов.
В моей логике уровни L1–L7 — это не сколько признаков нашли, столько вершин добавили. L_n — это конечная операционная рамка на n полюсов. Например, в L7 я могу разложить покупку ноутбука не на бесконечный список признаков, а на семь устойчивых полярностей:
P0— стоп / отказ / граница решения.P1— практическая польза.P2— цена / выгода.P3— нравится / красиво / эмоционально зашло.P4— характеристики / производительность.P5— доверие / доказательства / гарантия.P6— статус / бренд / социальный сигнал.И дальше работает уже не “мне так кажется”, а таблица переходов. Например, в семиполярности базовая PLUS-операция — это сложение по mod 7. Поэтому некоторые пары дают не усиление, а выход в
P0.Например,
P1 + P6 = P0: практическая польза плюс статус могут схлопнуть решение. Если человек хочет рабочую лошадку, статусная наценка может его оттолкнуть. А если человек покупает именно статус, то попытка продавать ему только “рациональную пользу” тоже мимо.Или
P3 + P4 = P0: красиво/нравится и производительность могут конфликтовать. Обычному покупателю техническая перегрузка ломает интерес. Нёрду наоборот — разговор про стильный и приятный без тестов и характеристик может выглядеть пустым.Или
P2 + P5 = P0: цена и доказательства. Низкая цена без доказательств для закупщика или ИТ-специалиста — не плюс, а красный флаг.Теперь про нравится, красивый, статус-бренд. В обычной модели это часто выкидывают как субъективщину. У меня это не выбрасывается, а получает отдельный полюс. Более того, эмоциональный слой не оставлен наобум. Для него есть отдельная конечная поверхность Q108.
Смысл такой: в семиполярной таблице 7×7 есть не произвольные перестановки, а настоящие автоморфизмы, которые сохраняют закон операции. Из 7! перестановок только 6 сохраняют структуру. Эти 6 симметрий дают триадный механизм:
{1,2,4}режет шесть ненулевых элементов на две орбитыA={1,2,4}иB={3,6,5}. Добавляем ориентацию+/-и позицию внутри тройки — получаем 12 базовых каналов. Потом каждый канал разворачивается в 9 состояний интенсивности:3×3. Итого12×9 = 108.То есть эмоция — это не субъективный туман. Эмоции можно посадить на конечную сетку состояний. Не как абсолютную истину о психике, а как проверяемую рабочую модель: какой режим активен, куда он переходит, где возникает конфликт, где нужен стоп.
Теперь важный момент про объективность. Да, разные люди имеют разные приоритеты. Но это не значит, что всё превращается в произвол. Можно строить несколько конечных моделей и сравнивать их между собой. Одна модель, например, не учитывает статус — и сразу плохо объясняет айфон. Другая не учитывает “нравится/красиво” — и плохо объясняет дизайн и эмоциональную покупку. Третья не учитывает доказательства — и ломается на нёрде и ИТ-специалисте. Четвёртая не учитывает документы — и ломается на закупщике.
Причём сравнивать такие модели лучше не как LLM-подгонку под красивые объяснения и не как очередное численное приближение. Самое ценное сравнение здесь — по взаимоотношению параметров. То есть не просто “какой признак важнее”, а как признаки переходят друг в друга: где цена усиливает доверие, где цена разрушает доверие, где статус конфликтует с практической пользой, где красота усиливает сценарий, а где мешает технической оценке.
Вот это и есть более сильный критерий. Модель может быть красивой на словах, но если она плохо держит отношения между параметрами, даёт много схлопываний в
P0, много исключений и много BOUNDARY, она слабая. А если другая модель лучше объясняет реальные переходы решения и показывает, какие пары параметров конфликтуют или усиливают друг друга, она рабочее.Поэтому объективность здесь появляется не из того, что я один раз угадал “правильную психологию”. Она появляется через отбор моделей: какая разметка даёт меньше провалов, меньше
P0, меньше BOUNDARY и лучше держит структуру взаимоотношений параметров.LLM в такой схеме не должна сама придумывать пространство и объявлять его истиной. Она может предложить гипотезу разметки. А дальше эту разметку надо прогонять через таблицы: какие полюса есть, какие переходы допустимы, где схлопывание, где контрпример, где не хватает данных.
В итоге я строю несколько конечных полярных моделей, сравниваю их по переходам и выбираю те, которые лучше работают. И главное — сравниваю не “похожесть текста на правду”, а структуру отношений между параметрами.
Вы рассуждаете о токене в смысле LLM. В GALO токен устроен иначе.
Токен там не равен слову, букве, BPE-фрагменту или “следующему токену”. Это минимальный инвариантный носитель: фрагмент входа сначала поднимается в башню L1–L7, проверяется через табличные переходы, W-профиль и пр. спецвещи, условия фолдинга/фибры и реплэй. Если этот фрагмент нельзя воспроизвести как устойчивый инвариант, он не становится токеном в строгом смысле.
По поводу чёрного ящика: если просто взять обычную RLHF-модель и сверху навесить правила, то да, чёрный ящик никуда не исчезнет. Модель будет продолжать предсказывать привычные токены, а правила будут только фильтром. Это слабая архитектура.
С RLHF вы тоже правы: если такую механику держать внутри уже надрессированной LLM, она будет постоянно скатываться в привычные паттерны. Поэтому RLHF не должен управлять ядром, и в идеале вообще LLM не должна соприкасаться с подобной архитектурой. Максимум на первых порах — интерфейс, черновик, переводчик на человеческий язык. А ядро отдельно говорит: этот фрагмент стал минимальным инвариантным токеном или нет; это отношение допустимо или нет; этот пакет получил receipt или нет; этот вывод проходит replay или уходит в FAIL/BOUNDARY.
То есть GALO совсем не про это. Там токен — не предсказанный кусок текста, а проверенный инвариантный объект. И дальше ИИ работает не через “угадай следующий токен”, а через связку: token admission → lawful relation → packet → receipt → reduction/fold → witness/replay.
Вот привел https://habr.com/ru/articles/1039330/#comment_30023014
Ответ по поводу задачи продажи ноутбука, максимально короткий ответ, по делу, без всей трассировки в реальной нейронке, получился все равно очень длинным, сократить его нельзя. Ниже пример первичной тррассировки подобных задач. В реальной нейронке все сложнее будет.
Итак, рассмотрим задачу поиска маршрута в многополярном пространстве:
В линейной логике L2 всё сразу схлопывается в пары: купит/не купит, дорого/дёшево, хороший/плохой, подходит/не подходит. Но такая логика слишком грубая. Она не различает, почему именно человек сомневается: из-за цены, из-за доверия, из-за состояния, из-за нехватки тестов или из-за того, что ему вообще не показали его сценарий.
Если провести задачу через GALO-логику, то на L3 уже видно первое расхождение с обычным мышлением.
На L3 я бы разметил так:
P0— граница решения: стоп, отказ, зависание, не понял / не верю.P1— рационально-технический интерес.P2— сценарный интерес: для чего мне это.И здесь уже появляются реальные переходы по таблице, а не просто слова. Например, если человек находится в
P2, то есть ему нужен сценарий — работа, учёба, поездки, ребёнку, домой, — а ему сразу дают жёсткий технический критерийP1, маршрут может уйти вP0. То есть он не стал тупым покупателем; просто к нему применили не ту операцию.Обратный случай такой же: человек в
P1, его интересуют характеристики железа , а ему говорят “стильный, удобный" и прочую чушь. Для него это тоже может датьP0, потому что сценарная подача не закрывает технический полюс.Вот это уже похоже на то, что в философских примерах происходит при переходе от двухполярности к L4/L5. В L2 кажется, что есть только плюс и минус. Но когда появляется L4, возникают дополнительные полюса. А в L5 уже появляются состояния вроде возмущение, мера, посветление которые в L2 будут выглядеть парадоксом. Не потому что там мистика, а потому что L2-проекция теряет часть полюсов.
То же самое с ноутбуком. В линейной логике дёшево должно помогать продаже. Но в многополярной логике дёшево может и ускорить, и убить продажу — зависит от того, в каком полюсе сейчас покупатель.
На L5 я бы разметил задачу так:
P0— граница/стоп-фактор.P1— цена/выгода.P2— физическое состояние.P3— сценарий использования.P4— доказательства: фото, тесты, батарея, диагностика.И тут нейронка уже нашла бы несколько характерных соотношений.
Например,
P1 + P2 -> P3: цена плюс состояние дают сценарий. То есть “недорого и в хорошем состоянии” само по себе ещё не продажа; это должно превратиться в понятный сценарий: для учёбы и пр.Другое соотношение:
P2 + P4 -> P1. Состояние плюс доказательства возвращают покупателя к цене. То есть если состояние подтверждено тестами, фото, батареей и диагностикой, тогда цена начинает восприниматься как ценность, а не как случайная цифра.Но самое интересное появляется не на обычном
PLUS, а наSTAR_RIGHT, потому что это уже не мягкий сдвиг, а жёсткий критерий. В GALOSTAR_RIGHTможет схлопнуть разные источники вP0. И вот здесь видно, почему продажа не равна “покажи больше параметров”.Если применить цену как жёсткий критерий слишком рано, она может схлопнуть покупателя, который сейчас находится в полюсе доверия или доказательств. Для закупщика дёшево без документов — не плюс, а риск. То есть цена работает только после правильного маршрута, а не сама по себе.
На L7 картина становится ещё точнее. Я бы задал такую разметку:
P0— критическая граница: либо закрытие сделки, либо отказ; тут нужен witness, чтобы не спутать одно с другим.P1— доверие: продавец, документы, гарантия, легальность.P2— состояние: корпус, экран, батарея, износ, дефекты.P3— сценарий: работа, учёба, поездки, игры, дизайн, офис.P4— производительность: CPU, RAM, SSD, GPU, охлаждение.P5— доказательства: тесты, диагностика, температуры, отчёты.P6— цена/ценность.И вот какие характерные пары здесь находятся:
P1 <-> P6— доверие и цена.P2 <-> P5— состояние и доказательства.P3 <-> P4— сценарий и производительность.Это очень важные пары.
Первая пара: доверие и цена.
Если человек сейчас проверяет доверие (
P1), а ему дают только цену (P6), он может уйти вP0. Для закупщика это прямо типовой случай: “дёшево” без документов, гарантии, серийников и условий возврата — это не ускорение продажи, а красный флаг. Но если человек уже спрашивает про цену, а ему вместо экономической логики отвечают только “я честный продавец”, это тоже не закрывает маршрут.Вторая пара: состояние и доказательства.
Фраза состояние отличное без фото, диагностики и батареи плохо работает для ИТ-специалиста. Но и обратное тоже верно: тесты без нормального описания состояния могут выглядеть как попытка спрятать внешний дефект за цифрами. Поэтому правильный маршрут здесь не
P2отдельно и неP5отдельно, а связка: состояние → доказательства → цена.Третья пара: сценарий и производительность.
Обычному покупателю сначала нужен
P3: “для чего мне этот ноутбук”. И только потомP4: какие характеристики это обеспечивают. А для ИТ-специалиста и нёрда наоборот: сначалаP4иP5, то есть железо и подтверждения, а уже потом сценарий. Если перепутать порядок, аргумент может не усилить продажу, а схлопнуть маршрут вP0.Теперь по категориям.
Для обычного покупателя маршрут был бы примерно такой:
P3 -> P2 -> P6 -> P1 -> P5То есть сначала сценарий: работа, учёба, дом, поездки. Потом состояние. Потом цена. Потом доверие. Потом базовые доказательства. Если начать с железа, можно просто перегрузить человека.
Для ИТ-специалиста маршрут другой:
P4 -> P5 -> P2 -> P6 -> P1Сначала железо, потом тесты. Потом состояние. Потом цена. Потом документы. Здесь сценарная реклама типа “стильный и для всего” может работать против продажи.
Для профи ещё жёстче:
P5 -> P4 -> P2 -> P6Сначала доказательства: температуры, стресс-тесты, матрица, батарея, BIOS, ограничения. Потом производительность. Потом состояние. Потом цена.
Для закупщика:
P1 -> P2 -> P5 -> P6Сначала документы, гарантия, легальность, серийники, условия возврата. Потом состояние. Потом доказательства. Потом цена. У закупщика цена без
P1часто не аргумент, а риск.А вот пол — мужчина/женщина — я бы не ставил главным полюсом. Нейронка, скорее всего, вернула бы по этому признаку BOUNDARY: слишком слабый параметр. Намного важнее не пол, а активная полярность покупателя: он сейчас в сценарии, в цене, в доверии, в состоянии, в производительности или в доказательствах.
Ключевая закономерность такая: параметр сам по себе ничего не значит. Он получает силу только в правильной операции.
PLUS— это мягко добавить новый смысл.Например: к сценарию добавить состояние, к состоянию добавить цену.
STAR_LEFT— это сильно предъявить аргумент от продавца.Например: сразу показать тесты нёрду или документы закупщику.
STAR_RIGHT— это жёсткий критерий покупателя.И вот он опасен: если применить не тот критерий не к тому состоянию, маршрут может уйти в
P0.Поэтому это не брутфорс всех состояний. Нейронка не должна перебирать все параметры ноутбука. Она должна понять, в каком полюсе находится покупатель, какая операция сейчас допустима, какую пару нельзя схлопнуть и какой следующий шаг нужен.
Если коротко: в линейной логике мы спрашиваем “какие характеристики важны покупателю?”. В многополярной логике вопрос другой: “какой параметр сейчас является законным следующим ходом, а какой преждевременно схлопнет маршрут в
P0?” Вот в этом и отличие.Дело в том, что здесь другой уровень сложности — мировоззренческий. На L3 есть три полюса: P0, P1, P2. И переходы между ними задаются не обычной логикой “истина/ложь/не знаю”, а таблицами операций. Особенно важно, что STAR на L3 не ведёт себя как привычное умножение или как обычная булева операция. У P0 там разное поведение слева и справа: в одной позиции он работает как поглощающий якорь, в другой — как правая граница, которая не уничтожает состояние. Уже это разрушает бытовую аналогию с нулём.
Это сильный вопрос, потому что в GALO связанность свойств между уровнями не должна пониматься как автоматическое наследование: мол, если свойство есть на L1, значит оно само собой есть на L2, L3 и дальше.
Связь между уровнями должна задаваться явно: через допустимый мост между уровнями. Условно, если есть свойство на одном уровне, то для связи с другим уровнем нужно показать, что существует корректный перенос: что сохраняется носитель, что сохраняется операция, что не ломается смысл свойства, что нет потери различений, и что при переносе можно получить воспроизводимый witness. Если такого моста нет, свойство не переносится, а фиксируется как BOUNDARY.
Поэтому пример с параллельностью хороший. Сразу отмечу, что параллельность сторон не является универсальным свойством для любого уровня и любого объекта. Для треугольника в обычной евклидовой постановке оно либо неприменимо, либо требует другого контекста. В GALO это означало бы: у свойства “параллельность” есть область применимости. Если уровень или объект не содержит нужного числа направлений, сторон или отношений, то свойство не считается ложным или истинным.
С Евклидом я бы действовал так: для каждого сделал бы контракт, то есть где свойство определено, как оно проверяется, какие переходы допустимы, какой контрпример считается минимальным.
Например: если две прямые имеют такое-то отношение, то при допустимом переносе между уровнями должно сохраняться такое-то свойство; если не сохраняется, система должна показать конкретный witness: где сломалось, на каком объекте, что ожидалось и что получилось.
При этом надо понимать, что геометрия пространства в GALO в принципе не обязана быть евклидовой по умолчанию. Она строится от конечных уровней, полюсов, операций и допустимых мостов между уровнями. Например, механическая интуиция часто приводит к мысли (оно не трехмерное, как я писал ранее), что пространство двухполярно: есть контакт / нет контакта, есть сигнал / нет сигнала, есть притяжение / нет притяжения. Это ближе к бинарной логике L2.
Но уже на L3 появляется другая операционная геометрия: не просто “есть/нет”, а несколько различимых активных состояний. Поэтому некоторые вещи, которые в L2 выглядят как невозможные (телепортация, например) или неописуемые, на L3 могут иметь другой смысл. Например, не как физическое утверждение, что предмет/частица телепортнулся, а как модельная возможность представить объект или свойство не одной бинарной отметкой, а распределённой конфигурацией внутри конечной структуры (причём еще и циклической, спойлер: время, начиная с L3, также циклическое). В STAR-логике L3 это уже не сводится к обычному нулю и единице.
Поэтому да, если брать Евклида как демонстрационный пример, начинать лучше не с Гильберта, а с малого типа “Евклид #0”. Тогда будет видно, какие части евклидовой геометрии воспроизводятся в выбранной конечной структуре, какие требуют более богатого уровня, а какие сразу уходят в BOUNDARY.
Ключевой момент: GALO не говорит, что любое свойство обязано жить на любом уровне. Наоборот, свойство должно предъявить свой законный носитель, допустимые мосты и проверку. Если для параллельности нет нужной структуры, она не переносится. Если для постулата Евклида не хватает отношений, он не считается доказанным. Если перенос ломает различения, появляется контрпример. Именно так и должна строиться связность между уровнями.
Давайте напишу сразу вам азы, чтобы не затягивать.
Базовый словарь GALO можно зафиксировать так:
Уровень L_n — это конечный слой модели. На уровне L_n есть не бесконечное пространство признаков, а конечный набор состояний, которые я называю полюсами: P0, P1, ..., P(n-1). В текущей версии рассматривается башня уровней L1–L7.
Полюс — это атомарная позиция внутри конечного уровня. Его не надо понимать как “нейрон”, “признак” или “токен” в обычном ML-смысле. Это элемент конечной алгебраической структуры, над которой можно строго проверить переходы.
Таблица Кэли — это таблица операции над полюсами. Если взять два полюса на одном уровне, таблица говорит, в какой полюс они переходят. В GALO такие таблицы не являются таблицами всех знаний о мире. Это нижний проверяемый слой, который задаёт допустимую операционную геометрию.
Операция — это правило перехода внутри уровня. В текущем ядре есть две базовые операции: PLUS и STAR. PLUS ведёт себя как циклическая операция сложения по конечному кругу. STAR устроена иначе: у неё есть специальное поведение около P0, поэтому её нельзя отождествлять с обычным умножением или с полевой алгеброй.
P0 — это особый граничный элемент. В STAR-логике он может работать как поглощающий якорь в одной позиции, но не является обычным нулём поля. Это важно: GALO не пытается бесконечно разворачивать экстремумы, неопределённости или недопустимые случаи. Такие случаи должны попадать в конечную границу: P0, fold, BOUNDARY или FAIL.
Маршрут — это не просто “клетка таблицы”. Маршрут — это типизированный способ применить операцию: слева, справа, через PLUS или через STAR. Поэтому есть базовые route-signatures, то есть строгие типы маршрутов, и есть конкретные переходы по ячейкам таблиц. В текущем атомарном контуре по башне L1–L7 получается 112 строгих route-signatures и 560 строгих типизированных переходов по ячейкам.
Формула в этой системе не является первичной истиной. Формула — это только сжатая реконструкция таблицы. Если формула и таблица расходятся, первичной остаётся таблица плюс воспроизводимая проверка. Поэтому здесь важен не красивый вид формулы, а возможность проверить каждую заявленную строку.
Witness — это машинный след проверки. Он должен показать: какой объект проверяли, где он лежит, какой вход был подан, какой результат ожидался, какой получился, какой статус и можно ли это воспроизвести. Без witness утверждение остаётся текстом, а не проверенным результатом.
PASS означает, что проверяемый слой прошёл свои условия воспроизводимости. FAIL означает, что найдено конкретное расхождение. BOUNDARY означает, что область применения закона закончилась или утверждение пока не доказано. Это не косметические статусы, а часть логики модели.
Контрпример — это минимальный воспроизводимый случай, где заявленный закон, переход, таблица или формульная реконструкция расходятся. Хороший контрпример должен отвечать на вопросы: какой был вход, что ожидалось, что получилось, где именно сломалось и какой минимальный фикс нужен.
Нейрон GALO не равен проходу по таблице. Таблицы — это нижний проверяемый слой. Поверх него работает более сложный контур: отбор устойчивых состояний, проверка инвариантов, редукция, память, откат и replay. Сеть из таких элементов добавляет обмен пакетами, локальные ограничения и контроль воспроизводимости. Поэтому это не “таблица + брутфорс всех клеток”.
Данные или LLM могут быть источником гипотез, признаков или входных наблюдений, но не источником истины для ядра. Истина появляется только после материализации в конечной структуре, проверки переходов, контрпримеров и replay.
Если коротко: GALO начинается не с бесконечной модели мира, а с конечного проверяемого ядра. Дальше любой закон, маршрут или нейронный шаг должен быть сводим к проверяемому переходу, witness и воспроизведению. Если это невозможно, система не должна выдавать уверенный ответ, а должна фиксировать FAIL или BOUNDARY.
Ниже ответил, но в общем все намного сложнее, так как это не брутфорс всех возможных состояний. В текущем атомарном контуре есть 112 строгих путей по башне L1–L7 и 560 строгих типизированных переходов по ячейкам таблиц. Но нейрон не просто перебирает эти переходы. Таблицы — это нижний слой верификации. Поверх него работает более сложный контур: отбор устойчивых состояний, проверка инвариантов, редукция, память, откат и replay. А сеть из таких элементов добавляет обмен пакетами, локальные ограничения и контроль воспроизводимости.
Да, направление мысли близкое, но я бы уточнил несколько важных моментов.
Во-первых, таблицы в этой архитектуре — это не священные таблицы Моисея, на которые нужно молиться, и не эмпирическая матрица, которую можно просто сгенерировать в LLM. Это конечное проверяемое ядро: базовая операционная геометрия, которая задаёт, какие переходы допустимы, как они воспроизводятся и где можно получить локальный контрпример (хотя корректнее говоритб witness).
Во-вторых, модель не сводится к проходу по клеткам таблиц Кэли. В текущем атомарном контуре у меня зафиксировано 112 строгих рут-переходов по башне L1–L7: это 4 типа действий на каждый полюс башни (кстати, получается подобие математического вихря, право- и левоврашающего, но об этом потом). Если развернуть их уже в конкретные переходы по ячейкам таблиц, получается 560 типовых транзиций. То есть это не одна священная таблица , а проверяемая система маршрутов и переходов.
Но и это ещё не вся логика нейрона. Эти 112 маршрутов и 560 табличных переходов — нижний строгий слой. Поверх него работает более сложный нейронный контур: отбор устойчивых состояний, проверка инвариантов, редукция, память, откат и реплэй. А сеть из таких элементов добавляет обмен пакетами, локальные ограничения и контроль воспроизводимости. Детали внутреннего механизма я пока публично не раскрываю, но принципиально это точно не “перебор всех клеток”.
Поэтому это не брутфорс всех возможных состояний мира. Таблицы ограничивают базовую алгебру, а верхние контуры допускают к дальнейшей обработке только те переходы, которые проходят проверяемые условия. Если переход, закон или реконструкция не совпадают, это не маскируется вероятностной уверенностью, а фиксируется как FAIL или BOUNDARY.
Контрпример, хотя вернее говорить witness, здесь — это не просто экстремум в данных реального мира. Это минимальный воспроизводимый случай, где заявленный закон, таблица, переход или реконструкция расходятся: какой был вход, что ожидалось, что получилось, на каком слое и в какой проверке возникло расхождение. После этого корректируется либо закон, либо дискретизация, либо допуск к применению этого закона.
LLM или экспериментальные данные могут быть источником гипотез или входных признаков, но не источником истины для ядра. Истина появляется только после табличной материализации, контракта, проверки переходов, контрпримеров и replay. Поэтому PASS/FAIL — это не просто результат “прогона модели”, а статус воспроизводимости конкретного слоя.
Итого: таблицы Кэли — это не вся модель, а нижний проверяемый слой. Сам ИИ работает не только через переходы по ячейкам, а через многоступенчатый конечный контур: допустимый переход → проверка устойчивости/инвариантов → редукция → witness → replay → PASS/FAIL/BOUNDARY.
Ещё важный момент: в этой логике я не пытаюсь работать с бесконечностями или экстремумами как с настоящими, истинными бесконечными областями поиска. Математика здесь конечная и детерминированная: если внешний случай уходит в экстремум, неопределённость или недопустимое состояние, он не разворачивается в бесконечный перебор, а должен попасть в конечную границу: якорь, fold, BOUNDARY или FAIL.
Внутри табличного ядра роль такой видимой границы во многих случаях играет P0. Но это не обычный ноль из поля и не магическая черная дыра, куда всё схлопывается. В STAR-логике P0 является поглощающим якорем в одной позиции: STAR(P0, x) = P0. При этом в другой позиции он ведёт себя иначе: STAR(x, P0) = x. Поэтому P0 — это не грубое зануление смысла, а контролируемая граничная точка с разными законами слева и справа.
Именно поэтому подход не терпит бесконечных хвостов, скрытых вероятностных уверенностей и неограниченных экстремумов. Если состояние нельзя законно провести через конечные таблицы, инварианты, witness и replay, оно не принимается как истина. Оно фиксируется как граница или ошибка, с указанием места расхождения.
Нельзя, моя личная практика показывает, что чатгпт 5.5 можно с горе пополам обучить различать L3 , L4, далее очень и очень приближенная аналогия. Для получения человекочитаемых мыслей можно использовать логику IER: интенция - доказательство - риск, — и прогонять утверждения по таблицам. Если уж речь зашла о маршрутах мышления, то надо писать отдельную статью и разбирать ваши примеры. Позже займусь этим.
Насчет фундаментальных алгоритмов мышления могу накатать статью по их классификации. Я посмотрю твой репозиторий позже, напишу ответ
Да, вы почти правильно уловили главное. Попробую ответить по пунктам.
Где таблицы ?
Они не находятся внутри трансформера. Это не слой трансформера и не часть обычной генерации следующего токена. Это вообще не LLM, вот вообще, никак!
В языковой модели токен — это кусок текста. Модель берёт предыдущий текст и предсказывает следующий кусок текста. В GALO я думаю иначе: первичен не текстовый токен, а проверяемое состояние системы.
То есть таблица не отвечает на вопрос "какое слово написать дальше?". Она отвечает на другой вопрос: "если система находится в таком состоянии и к ней применено такое действие, какой проверяемый переход разрешён?"
Поэтому да, в вашем описании есть важная точность: это скорее не язык, а мыслительный контур. Но я бы сказал аккуратнее: это не готовый мозг или супер мозг Грок, а попытка построить проверяемое ядро рассуждения.
Текст в такой схеме — внешний слой. Его можно получить потом, а можно закодировать так, что он будет органично выводиться в этой системе. Поверьте, так можно сделать. Например:
сначала система строит внутреннее состояние;
потом проверяет переходы по таблицам;
потом получает подтверждённый каркас рассуждения;
и уже после этого этот каркас можно выразить человеческим текстом или кодом.
С кодом то же самое. Цель не в том, чтобы сразу написать код наподобие языковой модели. Цель в том, чтобы сначала построить проверяемую схему решения: какие состояния есть, какие переходы допустимы, какие ограничения должны сохраниться, где свидетельство правильности. А уже потом это можно переводить в код. И уже потом можно навернуть GALO -лингвистику.
То есть если очень кратко:
языковая модель работает с текстом;
GALO работает с проверяемыми состояниями;
текст или код — это уже способ вывода результата наружу.
Если когда-нибудь языковая модель будет использоваться вместе с GALO, то она не должна быть источником истины. Она может быть переводчиком между человеческим текстом и внутренним состоянием. Источник истины — таблица, правило, проверка и свидетельство.
Как заполняются строки ?
Тут важно: таблицы не заполняются произвольно.
Сначала нужно определить конечный язык уровня. То есть какие состояния этот уровень вообще умеет различать. После этого задаются допустимые операции и только потом строится таблица переходов.
В статье пример очень маленький: на уровне L3 есть три состояния:
P0, P1, P2.
Строка — текущее состояние.
Столбец — действие или второй аргумент операции.
Ячейка — результат перехода.
Для PLUS таблица заполняется по правилу сложения по модулю. Для STAR — по правилу якоря P0. То есть таблица не угадывается, а строится по закону и затем проверяется по всем ячейкам.
В прикладной задаче всё сложнее. Там нельзя просто взять любые параметры и разложить их в таблицу. Сначала надо понять, что именно мы считаем состояниями.
Например, объект можно описывать не как картинку, а как проверяемый набор свойств: какие повороты его сохраняют, какие отражения его сохраняют, какие переходы допустимы, что меняется, что не меняется. Но в случае геометрии по башне L1-L7 у меня уже наработана определённая база, там все сложнее.
В итоге строки и столбцы таблицы возникают напрямую из выбранного конечного различения:
какие типы состояний различаем;
какие симметрии учитываем;
какие действия разрешены;
какие переходы считаем допустимыми;
какие различия нельзя потерять.
Если задача слишком размыта и непонятно, какие состояния выделять, GALO не должен делать вид, что всё понял. Правильный ответ в таком случае: текущий уровень описания недостаточен. Нужно уточнить язык состояний, добавить другой уровень или признать границу применимости.
Это важнее, чем кажется. Обычная модель может уверенно написать ответ даже там, где постановка плавает. В GALO такой шаг должен останавливаться: нет конечного языка — нет честной таблицы; нет таблицы — нет проверяемого перехода; нет проверяемого перехода — нет доказанного результата.
Поэтому прикладной процесс выглядит примерно так:
сначала задаём область задачи;
потом выделяем классы состояний;
потом выбираем признаки, которые нельзя потерять;
потом строим конечные носители уровней;
потом задаём операции;
потом получаем таблицы переходов;
потом проверяем, что переходы не ломают нужные инварианты.
Если объект не помещается в текущую шахматную доску, его нельзя насильно туда запихнуть. Например, уровень, описывающий симметрии плоских фигур, не обязан корректно описывать тетраэдр или шар. Для них нужен другой язык состояний и, возможно, другой уровень. И сразу замечу, наблюдаемый мир с этих позиций вовсе не трехмерный, это иллюзия ,
В этом и смысл башни уровней: разные уровни видят объект с разной глубиной. Нижний может видеть грубую классификацию, верхний — более тонкие симметрии и связи. Но каждый уровень всё равно должен быть конечным и проверяемым.
Так что да, в реальных задачах это сложно и вызовет кучу споров, например, насчет ложности трёхмерного пространства. Некоторые задачи сначала вообще нельзя сразу уложить в таблицу. Их нужно разобрать, выделить состояния, понять симметрии, границы, допустимые переходы. Но это не недостаток подхода, а его фильтр честности: если не смогли формализовать состояние, система не должна притворяться, что всё посчитала.
L3 в статье — это микроскопический пример. Он показывает не всю архитектуру, а принцип: состояние, действие, таблица, ячейка, проверка. В настоящем применении таких уровней больше, состояния богаче, а таблицы работают не как игрушка, а как проверяемый каркас рассуждения.