来源：清熙

笔者去年整理的 大模型数理原理 ，迎来了最强有力的实践证明！

原理回顾

笔者在 降低大模型幻觉的必由之路 文中针对重整化、范畴与transformer之间的关系做了详细的阐述：

这里的范畴是Transformer视角下的高维概率向量编织起来的事物之间的各种复杂的关系。从海量的预训练数据集中提纯出来，对大量的分段线性核函数参数化后的表达。这些关系，关系的关系，关系的关系的关系，本质上，在范畴论概念下，就是对事物的 米田嵌入 。

最新实证

麻省理工学院 Markus J. Buehler 教授最近在《机器学习：科学与技术》发文【文献1】，展示了一种先进的 AI 方法：集成生成式知识提取、基于图的表征和多模态智能图推理。惊人地揭示了生物组织和贝多芬的“第九交响曲”之间的 复杂性与秩序的共同模式。

该工作使用受 范畴论 启发的方法开发的 图 作为中心机制，教模型理解科学中的抽象结构和它们之间的符号关系，通过关注对象及其交互，而不是它们的具体内容，来理解和统一不同的系统。

我们知道，范畴论中， 对象 可以是任何东西，从数字到更抽象的实体，如结构或过程，对应上文笔者讲的 “事物”；形态 则是定义这些对象之间关系的箭头或函数，对应上文中的“ 米田嵌入 ”。

Buehler 教授通过 范畴对象和形态 教会 AI 模型系统地推理复杂的科学概念和行为。通过形态引入的符号关系清楚地表明，AI 不仅仅是在进行类比，而是在进行更深入的推理 ，以映射不同领域的抽象结构。

这也回应了近期大模型究竟会不会推理的业界大辩论。当大模型生成的时候，已经不是那个简单的 next token prediction,  而是基于 丰富范畴 的推理、推理、推理，重要的事情得说三遍。Ilya Sutskever最新访谈提到的「扩大正确的Scaling」，应该指推理的Scaling law。

“苹果称LLM不会推理” 其实是苹果学者 想当然合成了语料 ；字节豆包大模型团队大规模实验发现大模型无法抽象出一般物理规则，从实验看并 无法判断是否局部触发了scaling law。

Buehler 教授通过这个方式，分析了 1000 篇有关生物材料的科学论文，并将其转化为 图 表征形式的知识图谱。

教AI系统思考基于图的数据，以帮助它们构建更好的 世界模型表征 ，并提高思考和探索新想法的能力，以实现超出人类认知的 高维新发现 ：回答复杂的问题，发现当前知识中的差距，提出新的材料设计，预测材料的行为方式，还能够将以前从未连接过的概念联系起来。

生物材料和“第九交响曲”之间 出乎意料的相似之处： 两者都遵循复杂性模式，生物材料中的细胞以复杂但有组织的方式相互作用以形成功能，贝多芬的第九交响曲则以创造一种复杂但连贯的音乐体验为目标安排音符和主题。

通过追踪联系进行图遍历，能够找到以前尚未建立的概念之间的联系，或未理解为以任何已知方式相关的概念。使用生成式 AI 模型的复杂推理可以提供 更深入的见解 ，产生新的信息连接，从而产生新知识，甚至促进新想法的发现。

探索复杂的 图遍历 为分析提供广阔的空间，既可以确定单个 最可能的路径 ，也可以对 多个路径进行采样 。图形是通过合并所有节点来构建的，即使它们来自不同的路径。整体图具有明显不同的拓扑结构，并在边缘编码的概念及其关系之间提供了新颖的联系。表明了非常灵活的图可以被构建并最终用于 推理 。

图表征了相应领域知识的 本体结构 ，可用于支持该特定科学研究中的推理，例如提出有关材料特性的假设或预测组合不同材料的可能结果，还可以帮助识别知识差距，提出新的研究领域，并促进对材料科学或不同学科之间复杂相互关系的理解。

学者在一项实验中，基于来自瓦西里·康定斯基 （Wassily Kandinsky） 的画作《构图 VII》中的抽象图案的灵感，AI 提出了一种新的基于菌丝体的复合材料：这种材料结合了一组创新的概念，包括混乱与秩序的平衡、可调节的特性、孔隙率、机械强度和复杂的图案化学功能。

基于宏大的人类知识提取出来 丰富范畴 ，形成众多领域的本体知识结构，这是大模型通过预训练已经构建的内部世界模型；提高推理采样的机制，通过训练达成学习 推理的scaling law ，是大模型下一步努力提升的方向。

相比传统方法，新的大模型机理，具备更高维度的新颖性、对能力和技术细节的探索，可以通过揭示隐藏的联系建立 更广泛有用的创新框架 。AI 知识图驱动的跨学科研究可能会成为科学和哲学探索的有力工具。

文献1: Accelerating scientific discovery with generative knowledge extraction, graph-based representation, and multimodal intelligent graph reasoning https://iopscience.iop.org/article/10.1088/2632-2153/ad7228

数据 与 代码：https://github.com/lamm-mit/GraphReasoning

阅读最新前沿科技研究报告， 欢迎 访问欧米伽研究所的“未来知识库”

未来知识库 是“ 欧米伽 未来研究所”建立的在线知识库平台，收藏的资料范围包括人工智能、脑科学、互联网、超级智能，数智大脑、能源、军事、经济、人类风险等等领域的前沿进展与未来趋势。 目前拥有超过8000 篇重要资料。 每周更新不少于100篇世界范围最新研究 资料 。 欢迎扫描二维码或点击本文左下角“阅读原文”进入。

截止到10月25日 ”未来知识库”精选的100部前沿科技趋势报告