Three passages. One history.
A · Learn. Eleven connected elements change their values under actions. Iskra sees their state, connections and the action, but not the equation governing the next step. She learns from outcomes.
B · Encounter change. We change the world’s laws, keeping the same session and accumulated experience. The model receives no signal announcing the change. Does learning A help it learn B?
A · Return. The earlier laws return in new sequences of events. A retained rule could become useful again. Can Iskra recognise that quickly enough?
The observer returns changed
The returning world has the same laws, but the model now carries the experience of B. This tests both the world and the trace that learning leaves in its observer. Retaining a procedure is one part of that idea; a learned model of the observer’s own capabilities and memory remains future work.
What changed
One CoreSession retains up to eight learned numerical procedures. Their weights change after the actual outcome is compared with predictions recorded in advance. The model is not told the world’s name, its hidden laws or the moment it changes.
New candidate rules are learned from the last four completed episodes and judged over at least three later episodes. Hypothetical branches show different outcomes and observer weights for supplied actions; they do not become real experiences.
What we tested
Three trials per design: wave → wave and saturation → wave. Each compared learning in A, then B, then returning to A, against starting directly in B, remaining in A, and the previous learning method. Each episode had 16 steps and 11 elements, with matched observations and randomly sampled actions.
In total: 24 runs and 16,128 scored steps. Both designs share the same three B seeds; these are not six independent B worlds.
Starting directly in B isolates the effect of having learned A. Staying in A measures the cost of the visit to B. The previous method measures the effect of changing the core. Actions are chosen randomly by the experiment; Iskra predicts their consequences.
The criterion, set before the trial
Late B error had to fall by at least 10%, with the upper bound of the 95% bootstrap interval for the error ratio below 1. Return error could be at most 5% above the control without B. Both conditions had to pass in both designs.
Results
- Late prediction in B: the new / previous mean squared error ratio was 0.060 for wave → wave and 0.029 for saturation → wave. This measure uses the last 12 B episodes.
- Return to A: error was 3.27× and 15.38× the control that had not visited B. The criterion required at most 1.05× over the first four return episodes.
- Time to the previous accuracy threshold: the reduction in episodes was −25% and −50%. Transfer did not speed up reaching that threshold.
- Verdict: both designs failed the predeclared combined criterion. Better late predictions do not cancel the failed return test.
The rules survived. Recognising when to use them was still too slow. The next question is whether Iskra can learn distinctions, and eventually choose informative actions, that help separate competing explanations.
Limits and the next test
Both the training window and the mechanism memory changed. A control with only the short window is needed to isolate memory’s contribution. Candidate budgets matched, but computing the memory bank took about 3.7–4.2 times as long. Three trials per design are a development result, not final evidence of generalisation. The held-out evaluation seeds were not used.
The next task is to recognise which retained rule fits the current situation, then test it on new combinations. This is not evidence of general intelligence or a complete implementation of the observer thesis.
The code author supplied the procedure language, search method and acceptance criteria. The model learns rules and parameters from experience; this trial does not show that it created its own representation language.
The public live display still uses an earlier checkpoint. Each public world starts from the same saved model; the display does not show this A → B → A test. This report describes a separate development evaluation from 17 October, not a new production model. Source: the frozen development protocol and result, summarised in the project’s report “Observer mechanisms”, version 95dec8c.
Back to IskraW tej próbie pytamy, co naprawdę zostaje z doświadczenia. Czy wcześniejsza wiedza pomaga spotkać nowe — i czy można do niej wrócić, gdy znów jest potrzebna? To warunek, który stawiamy przed Płomieniem: rozwój, w którym poznawanie kolejnego świata nie odbiera dostępu do poprzedniego.
Trzy przejścia. Jedna historia.
A · Poznać. Iskra obserwuje mały, sztuczny świat: jedenaście połączonych elementów zmienia wartości pod wpływem działań. Widzi stan, połączenia i działanie. Nie dostaje równania, które wyznacza następny krok. Musi uczyć się z jego skutków.
B · Spotkać inne. Zmieniamy prawa świata. Iskra zachowuje tę samą sesję i zgromadzone doświadczenia. Nikt nie mówi jej: „od tej chwili obowiązuje coś innego”. Sprawdzamy, czy wcześniejsza nauka pomaga jej odnaleźć się w nowej sytuacji.
A · Wrócić. Przywracamy wcześniejsze prawa, ale dajemy nowe przebiegi zdarzeń. To najważniejszy moment: reguła, która kiedyś pomagała, znów może być użyteczna. Czy Iskra rozpozna to dostatecznie szybko?
Obserwator wraca już zmieniony
W powracającym świecie prawa są te same. Iskra ma jednak za sobą pobyt gdzie indziej. Dlatego pytamy jednocześnie o świat i o ślad, który poznawanie zostawiło w modelu.
W tej implementacji ten ślad ma konkretną postać: jeden rdzeń zachowuje do ośmiu wyuczonych reguł liczbowych i zmienia ich udział w prognozie na podstawie rzeczywistych wyników. Zachowana reguła może nadal istnieć, a mimo to mieć zbyt mały wpływ, by pomóc. To pierwszy fragment tezy „obserwator jest zdarzeniem”; pełny model własnych możliwości i pamięci pozostaje przed nami.
Z czym porównujemy jej powrót?
Sam spadek błędu nie odpowiada na nasze pytanie. Potrzebujemy równoległych przebiegów, które pokażą, co zmieniła właśnie historia doświadczeń:
- Bez wcześniejszego A: ten sam zapis początkowy trafia od razu do B. Porównanie ujawnia, czy pobyt w A pomógł w nauce B.
- Bez pobytu w B: Iskra uczy się A i zostaje sprawdzona na tych samych nowych zdarzeniach A. To miara kosztu odejścia i powrotu.
- Z wcześniejszym sposobem uczenia: poprzedni wariant przechodzi całą drogę A → B → A. To punkt odniesienia dla zmiany rdzenia.
Porównywane przebiegi dostają dopasowane obserwacje i te same działania. Działania losuje eksperyment; Iskra przewiduje ich skutki. Prognozę zapisujemy przed wykonaniem kroku świata.
Co miało wystarczyć — i co się stało
Warunki zapisaliśmy przed próbą. W końcowej części B nowy wariant miał zmniejszyć błąd o co najmniej 10%, z górną granicą 95-procentowego przedziału bootstrap dla stosunku błędów poniżej 1. Po powrocie błąd mógł być najwyżej o 5% większy niż w kontroli bez B. Oba warunki musiały przejść w obu badanych układach.
- W nowym świecie prognoza stała się trafniejsza. W ostatnich 12 epizodach B błąd był niższy od wcześniejszej metody o 94,0% dla fala → fala i o 97,1% dla nasycenie → fala.
- Powrót okazał się zbyt kosztowny. W pierwszych czterech epizodach A błąd wyniósł odpowiednio 3,27 i 15,38 razy tyle co w kontroli bez B. Dopuszczalny stosunek wynosił 1,05.
- Nauka nie przyspieszyła dojścia do wcześniejszego progu dokładności. Redukcja liczby potrzebnych epizodów wyniosła −25% i −50%, czyli dojście trwało dłużej.
Płomień pozostaje niezapalony. Reguły przetrwały. Umiejętność sięgnięcia po właściwą w odpowiednim momencie jeszcze nie wystarczyła.
Co ten wynik otwiera
Następna próba powinna sprawdzić, czy Iskra potrafi wyuczyć rozróżnienia pozwalające rozpoznać obecną sytuację. Chcemy też badać działania, których skutek pomaga odróżnić konkurujące wyjaśnienia. Dopiero późniejsze doświadczenia pokażą, czy takie rozpoznanie rzeczywiście przyspiesza powrót.
Musimy również oddzielić wpływ pamięci od wpływu krótszego okna nauki: tym razem zmieniliśmy obie rzeczy naraz. Potrzebne jest porównanie z wariantem, który dostaje tylko krótsze okno. Obecny wynik nie pozwala przypisać całej poprawy samej pamięci.
Zapis próby
Po trzy próby dla dwóch układów: fala → fala oraz nasycenie → fala. W każdej: 24 epizody A, 24 epizody B i 8 epizodów powrotu; epizod to 16 kroków. Razem z kontrolami: 24 przebiegi i 16 128 ocenionych kroków. Oba układy korzystają z tych samych trzech losowań świata B — nie są sześcioma niezależnymi światami B.
Kandydatury nowych reguł powstają z ostatnich czterech zakończonych epizodów i przechodzą ocenę na co najmniej trzech późniejszych. Autor kodu określił język procedur, sposób wyszukiwania i kryteria przyjęcia. Model dobiera reguły i parametry z doświadczeń; ta próba nie dowodzi, że sam stworzył język reprezentacji.
Budżet kandydatów był równy, lecz obliczenia nowego wariantu trwały około 3,7–4,2 razy dłużej. Trzy próby na układ służą rozwojowi i diagnozie. Odłożonych przypadków do końcowej oceny nie użyliśmy.
To wynik badawczy z 17 października, odrębny od publicznego pokazu. „Na żywo” korzysta z wcześniejszej wersji rdzenia i zaczyna każdy świat od tego samego zapisanego modelu; nie pokazuje tej próby A → B → A. Źródło: zamrożony protokół i wynik opisane w raporcie projektu „Zachowane mechanizmy i warianty obserwatora”, wersja 95dec8c.
Obejrzyj zapis jednego doświadczenia