Teoria formale dell'Intelligenza Artificiale Frastagliata come Ottimizzazione Disomogenea

Uno studio recente pubblicato su arXiv (2605.01420) introduce una teoria formale dell'Intelligenza Artificiale Frastagliata (AJI), caratterizzata da significativi punti di forza locali in grandi sistemi di apprendimento, ma che presenta debolezze in altre aree. I ricercatori concettualizzano l'addestramento come un'impresa a budget finito che alloca energia di aggiornamento guidata dal gradiente tra parametri rilevanti per la capacità. Suggeriscono che i profili frastagliati derivano da strutture obiettivo anisotropiche, geometria dei dati e accoppiamento rappresentazionale, piuttosto che da una metrica di intelligenza singolare. Concetti importanti discussi includono il guadagno di capacità, la distribuzione dell'energia di ottimizzazione e la frastagliatura. L'articolo dimostra che la concentrazione sostenuta di energia di aggiornamento cumulativa stabilisce limiti inferiori sulla dispersione del guadagno di capacità, mentre un teorema di tradeoff a budget finito indica che concentrarsi su una capacità comporta costi opportunità per altre, a meno che non sia presente un accoppiamento positivo.