Splecione moduły gier jako fundament architektury AGI

Nowa praca badawcza opublikowana na arXiv proponuje nietypowe podejście do budowy sztucznej inteligencji ogólnej (AGI) – oparte nie na sieciach neuronowych z bilionami nieprzejrzystych parametrów, lecz na modelu falowo-probabilistycznym inspirowanym mechanizmami działania ludzkiego mózgu. Zespół pięciu badaczy: Haochen Li, Xinshuai Guo, Jingdong Ouyang, Wei Zhang i Leilei Shi, przedstawił 7 września 2026 roku pracę „Adaptive Entangled Game Modules in Artificial General Intelligence”, w której testuje swoją teorię na danych z chińskiego rynku akcji.

Autorzy wychodzą od hipotezy Liu-Chen-Ao (LCA), zgodnie z którą w mózgu istnieją nielokalne, splecione (entangled) włókna nerwowe wpływające na zbiorowe zachowania inteligentnych podmiotów. Aby ją zweryfikować, badacze zbudowali „generalizowane równanie falowo-probabilistyczne inteligencji behawioralnej” (GBI) i zastosowali je do analizy decyzji tysięcy inwestorów giełdowych, traktując rynek jako naturalny poligon testowy dla teorii zbiorowego zachowania adaptacyjnych agentów.

Kluczowe wnioski

• Zaproponowany model falowo-probabilistyczny wyjaśnia 82–94% (89% ogółem) obserwowanych wzorców decyzyjnych na chińskim rynku akcji śróddziennych – znacznie więcej, niż przewiduje klasyczna ekonomia neoklasyczna zakładająca niezależnych, racjonalnych agentów.
• 2–12% zachowań inwestorów wykazuje adaptację do bieżących wiadomości, wydarzeń i zmian otoczenia, charakteryzując się podwójnymi stanami równowagi i nagłymi przesunięciami punktu odniesienia.
• Czysto niezależne, „nie-splecione” wzorce zachowań pojawiają się w mniej niż 5% przypadków – co podważa fundamentalne założenie o niezależności racjonalnych agentów.
• Wyniki empirycznie wspierają hipotezę LCA – obserwowane zachowania inwestorów odzwierciedlają leżące pod nimi mechanizmy mózgowe i wewnętrzne procesy decyzyjne opisywane przez psychologię behawioralną.
• Autorzy postulują, że architektury AGI powinny integrować „adaptacyjne moduły gier splecionych” z konwencjonalnymi sieciami neuronowymi (ANN), by przezwyciężyć ograniczenia obecnych modeli AI opartych na bilionach nieprzejrzystych parametrów.

Jak działa model falowo-probabilistyczny

Centralnym elementem pracy jest wywiedzenie testowalnych „modów własnych” (eigenmodes) z równania GBI – matematycznego narzędzia opisującego, jak zbiorowe zachowanie interagujących, adaptujących się agentów może przypominać zjawiska falowe znane z fizyki kwantowej. Zamiast modelować każdego uczestnika rynku jako niezależnego, racjonalnego decydenta – co jest podstawą klasycznej teorii finansów – autorzy zakładają, że decyzje inwestorów są ze sobą nielokalnie splecione, podobnie jak sugeruje hipoteza LCA dotycząca struktury nerwowej mózgu.

To podejście pozwoliło im na analizę śróddziennych danych z chińskiego rynku akcji jako pośredniej metody testowania mechanizmów neurologicznych – bez konieczności bezpośrednich badań mózgu. Logika jest następująca: jeśli decyzje traderów odzwierciedlają wewnętrzne procesy poznawcze sterowane przez splecione struktury nerwowe, to zbiorowe zachowanie rynku powinno wykazywać charakterystyczne wzorce falowe, a nie przypadkowy szum wynikający z niezależnych decyzji jednostek.

Uzyskane wyniki – 89% wyjaśnionej wariancji przez modele splecione, przy jednoczesnym ograniczeniu czysto niezależnych zachowań do poniżej 5% przypadków – autorzy interpretują jako mocny argument przeciwko fundamentalnym założeniom neoklasycznej ekonomii finansowej i jednocześnie jako wsparcie dla hipotezy o nielokalnych mechanizmach mózgowych.

Znaczenie dla architektury sztucznej inteligencji ogólnej

Najważniejsza konkluzja pracy wykracza poza finanse behawioralne. Autorzy argumentują, że skoro model falowo-probabilistyczny lepiej opisuje ludzkie zachowania decyzyjne niż klasyczne podejścia statystyczne, powinien on znaleźć zastosowanie w projektowaniu systemów AGI. Ich zdaniem konwencjonalne sieci neuronowe, opierające się na bilionach nieprzejrzystych parametrów, mają istotne ograniczenia w odwzorowywaniu ludzkiej inteligencji.

Proponowane rozwiązanie to integracja klasycznych sieci neuronowych z symulacjami „splecionego mózgu” opartymi na falach probabilistycznych. Taka hybryda ma – według autorów – wzbogacić modele fundamentalne (foundation models, FM) wykorzystywane obecnie w AGI oraz umożliwić rozwój tzw. human-like processing units (HPU) – jednostek przetwarzających zaprojektowanych na wzór mechanizmów mózgowych.

W długoterminowej perspektywie autorzy widzą w HPU potencjał do budowy bardziej kompaktowych, efektywnych i odpornych systemów AGI, szczególnie przydatnych w kontekście inteligencji ucieleśnionej (embodied intelligence) i robotyki. To obszar, w którym redukcja liczby parametrów przy zachowaniu efektywności działania ma szczególne znaczenie – zbliżony problem odpowiedniej adaptacji systemów do nowych zadań pojawia się choćby w pracach nad robotami uczącymi się z pojedynczych nagrań wideo.

Kontekst i ograniczenia

Praca, licząca 22 strony, 13 rysunków i 3 tabele, jest interdyscyplinarna – autorzy klasyfikują ją równocześnie w dziedzinach sztucznej inteligencji, fizyki społecznej, neurobiologii, finansów ogólnych oraz fizyki kwantowej. To odzwierciedla ambicję pracy: połączenie zjawisk giełdowych, mechanizmów mózgowych i architektury AI w jeden formalny opis matematyczny.

Warto zauważyć, że temat rozwoju AGI i debat o jego kierunku, tempie oraz bezpieczeństwie jest obecnie żywo dyskutowany w branży – przykładem są głosy ostrzegające przed niekontrolowanym wyścigiem w stronę superinteligencji, jak te przywołane w wypowiedziach Connora Leahy'ego. Praca o adaptacyjnych modułach gier splecionych wpisuje się w inny, bardziej techniczny wątek tej debaty – pytanie o to, jakie fundamenty architektoniczne powinny leżeć u podstaw systemów mających naśladować ludzką inteligencję.

Autorzy nie przedstawiają jeszcze konkretnej implementacji HPU czy prototypu systemu AGI wykorzystującego zaproponowany mechanizm – praca ma charakter teoretyczno-empiryczny, oparty na analizie danych rynkowych jako pośredniego dowodu na istnienie nielokalnych mechanizmów decyzyjnych w mózgu.

Podsumowując, badanie proponuje alternatywny, inspirowany fizyką kwantową sposób modelowania kolektywnego zachowania inteligentnych agentów i wskazuje, że tego typu mechanizmy mogłyby uzupełnić dominujące obecnie podejście sieci neuronowych w drodze do rozwoju sztucznej inteligencji ogólnej.