La ricerca Social-JEPA rivela un isomorfismo geometrico emergente nei modelli di mondo dell'IA

Uno studio intitolato "Social-JEPA: Emergent Geometric Isomorphism" rivela approfondimenti sui modelli di mondo che condensano le informazioni sensoriali in codici latenti per prevedere eventi futuri. La ricerca ha coinvolto distinti agenti di IA che hanno sviluppato questi modelli da diverse prospettive all'interno dello stesso ambiente, funzionando in modo indipendente senza parametri condivisi o collaborazione. Dopo l'addestramento, gli agenti hanno mostrato una caratteristica emergente: i loro spazi latenti erano interconnessi attraverso un'isometria lineare approssimativa, facilitando una traduzione senza soluzione di continuità. Questo accordo geometrico è rimasto intatto nonostante notevoli cambiamenti nel punto di vista e una sovrapposizione limitata dei dati grezzi dei pixel. Utilizzando questo allineamento appreso, un classificatore di un agente potrebbe essere applicato a un altro senza ulteriori passaggi di gradiente. Inoltre, tecniche simili alla distillazione hanno migliorato l'apprendimento successivo e ridotto significativamente le esigenze computazionali. Documentato con l'identificatore arXiv 2603.02263v2, la ricerca evidenzia che gli obiettivi di apprendimento predittivo impongono forti regolarità sulla geometria della rappresentazione, suggerendo un approccio semplificato per raggiungere l'interoperabilità tra sistemi di IA decentralizzati.