В ролях:

Подержи шершня

Бессмертный

Охота на шершня

DevLog: Развитие цифровой жизни. Как нейро-рой учится выживать на фотоматрице.

В прошлых выпусках рассматривался плоский рой биоагентов, который распознавал цифры из набора данных MNIST. Его модель была значительно переписана, чтобы рой мог расти в глубину.

Но, при этом Morphogenetic Neuro-Swarm достиг той фазы, когда сложность системы превысила способность к её интуитивному пониманию и зажила собственной жизнью, которую сложно понять без детального мониторинга. Была создана «живая» цифровая среда, которая начала вести себя непредсказуемо — то вымирая, то взрываясь активностью, то скатываясь в примитивные стратегии выживания.

Это очередная попытка вырастить искусственный интеллект, основанный не на жесткой архитектуре слоев, а на принципах биологической самоорганизации и экономики энергии.

Дальше отчет о текущем статусе эксперимента: концепция, достижения и разбор возникших проблем.

1. Смена парадигмы: От плоского роя к Глубокому Графу

Был совершен концептуальный скачок. Эксперимент перешел от плоской структуры (где каждый агент видит всю картинку) к архитектуре Глубокого Графа (Deep Graph).

В этой модели агент перестает быть только набором весов. Теперь это автономная сущность — «цифровой предприниматель», чья главная цель не классифицировать цифру, а выжить.

Новая анатомия агента

• Динамические дендриты (отростки): Агент не рождается с готовыми связями. Он их отращивает. Он может подключиться к сенсору (пикселю) или к другому агенту. Так спонтанно возникает глубина сети.

• Энергетическая валюта: Любое действие имеет цену. Существование — это налог. Отращивание связи — инвестиция. Активация — расход.

• Экономика перераспределения (Trickle-Down): Вместо обратного распространения ошибки (Backpropagation) используется рыночный механизм. Если агент верхнего уровня (например, детектор цифры «7») получает награду за правильный ответ, он обязан поделиться энергией с теми агентами нижнего уровня, которые подали ему сигнал. Полезные детекторы простых признаков (линий, дуг) выживают, потому что их сигнал «покупают» старшие агенты.

Механизмы саморегуляции

1. Нейропластичность: Избыток энергии ведет к росту новых связей (поиск источников сигнала). Дефицит энергии заставляет отсекать слабые связи или приводит к гибели агента.

2. Гомеостаз (Баланс активности): Чтобы агенты не были вечными «молчунами» или, наоборот, не бились в истерике, введен адаптивный порог. Агент стремится быть активным примерно в 5% случаев. Слишком частая активация повышает порог чувствительности, слишком редкая — снижает его.

2. Текущий статус: «Дикий» интеллект

Система работает и эволюционирует. Более 100 поколений агентов подтверждают работоспособность цикла «жизнь — смерть — наследственность».

Что удалось:

• Выживаемость: Решена проблема мгновенного вымирания. Рой способен восстанавливаться после критических спадов популяции (эффект «бутылочного горлышка»), когда численность падала до нескольких единиц, а затем восстанавливалась до сотни.

• Эмерджентная глубина: Агенты действительно образуют связи друг с другом, создавая структуры, которые не были запрограммированы явно.

Проблемы (Суровая реальность):

Однако, «жизнь» в матрице пока далека от идеала. Наблюдаются три критических феномена:

1. Проблема «Красного Пятна» (Center Bias) При визуализации областей внимания топ-агентов видны большие красные пятна исключительно в центре поля.

Диагноз: Агенты нашли «хак». В наборе данных MNIST цифры всегда отцентрованы. Самая выгодная стратегия выживания с минимальными усилиями — подключиться к центру изображения. Там всегда есть сигнал («чернила»). Агенты стали детекторами наличия чего-либо, а не детекторами формы.

2. Маниакально-депрессивный Рой (Нестабильность) Система не может найти равновесие, колеблясь между полным молчанием и хаосом.

Итерация 11100: Агентов=60, Активны=0 (Рой молчит) Итерация 12100: Агентов=72, Активны=51 (Рой «кричит» хором)

Гомеостаз работает с запаздыванием. Агенты снижают пороги чувствительности, начинают реагировать на любой шум, получают избыток энергии, бесконтрольно делятся, перенаселяют среду, истощают ресурсы и массово вымирают. Это классические популяционные волны «хищник-жертва», но внутри нейросети.

3. «Черный ящик» (Отсутствие наблюдаемости) Видно, что агенты активны, но непонятна причина. Сформировались ли цепочки «Пиксель -> Линия -> Угол»? Текущих метрик недостаточно. Отладка сложнейшей динамической системы ведется практически вслепую через текстовые логи.

3. План действий: От Хаоса к Структуре

Очевидно, что просто запустить эволюцию недостаточно — необходимо создать правильные ограничения (Constraints), которые направят развитие в сторону интеллекта, а не паразитизма.

Ближайшие шаги:

1. Тотальная визуализация (Dashboard): Необходим инструмент («рентген»), который в реальном времени покажет граф связей, слои, потоки энергии и топологию. Без этого понимание процессов затруднено.

   • Решение: Создание отключаемой визуализации узлов и связей, а также тепловой карты активаций.

2. Борьба с «Красным Пятном»: Стратегия простого подключения к центру должна стать невыгодной.

   • Решение: Введение Латерального торможения (Lateral Inhibition). Если два агента смотрят в одну точку и оба активны — они штрафуют друг друга (отнимают энергию). Это заставит их «расходиться» по картинке и конкурировать за уникальные территории и признаки.

3. Стабилизация экономики: Текущие колебания популяции слишком разрушительны.

   • Решение: Балансировка экономики энергии расхода и поощрения. Агенты не должны умирать мгновенно при первых неудачах, но и жить бесконечно без пользы тоже не могут; требуется более плавная кривая смертности.

4. Пространственные ограничения: Сейчас агент может подключиться к любому другому агенту, что создает структурную «кашу».

   • Решение: Ограничение связей дистанцией. Соединение возможно только с «соседями». Это принудительно создаст топологические карты, напоминающие структуру коры головного мозга.

Итог

Внутри матрицы MNIST создана модель «жизни». Пока она дикая, прожорливая и не очень умная. Задача разработки — стать «садовником» и направить этот бурный рост в сторону формирования интеллекта целенаправленно решающего задачу классификации.

Код текущей версии роя: GitVerse Link

Следите за обновлениями. В следующих отчетах покажу новые результаты работы "садовника".

Как превратить рой нейронов, кластеризующий образы цифр, в классификатор? Узнайте, как проверить точность классификатора на MNIST, используя принципы биологической эволюции и энергетического баланса!

Мы продолжаем эксперименты с «Морфогенетическим Нейро-Роем».

Первую часть рекомендуется посмотреть, чтобы иметь представление о модели роя:

https://rutube.ru/video/93237fce9666b5d2c6bf0a8c31c677e0/

В прошлый раз автономные агенты научились видеть различия в цифрах, работая как чистый кластеризатор. Но как заставить их не просто группировать данные, а присваивать им конкретные имена — 0, 1, 7?

В этом выпуске мы совершаем ключевой шаг: превращаем «дикий» рой в самообучающийся классификатор без использования традиционного градиентного спуска. Мы используем элегантный метод «Ассоциативного Маркирования», вдохновленный тем, как мозг закрепляет ассоциации.

Что в новой серии:

Концепция Резонансного Маркирования: Как мы калибруем агентов, наблюдая за их победами в конкуренции, чтобы присвоить им метки классов (например, «Детектор Семерок»).

Биологическая Аналогия: Как этот процесс похож на формирование специализированных нейронных групп в живом мозге.

Инференс: Простая и быстрая логика предсказания, основанная на том, какой агент оказался самым сильным в рое.

Взгляд в Будущее: Анонс следующего этапа — внедрение вертикального роста и локального зрения, что приблизит наш рой к архитектуре CNN.

Если вы интересуетесь нейроморфными вычислениями, самоорганизующимися системами или ищете альтернативы стандартному машинному обучению, этот выпуск может быть вам интересен. Смотрите, как хаос превращается в высокоточный порядок!

Код модели: https://gitverse.ru/Nikas/NeuralNet.2025/content/master/mani...

Эмо версия исследования алгоритма распределенного обучения. Больше подробностей здесь - Модель адаптивного Роя в задаче Консенсуса плотности

Зачем это делать в формате песни, когда есть разбор алгоритма обучения и демо код?

Лирический драматизм помогает абстрагироваться от деталей и посмотреть на проблему под другим углом, обзорно, вернуться к тому с чего все начиналось - к впечатлению.

Это не метафора поверх алгоритма, а внутренний взгляд на процесс моделирования, выраженный через лирическое "Я" агента. Это ближе к феноменологии ИИ, чем к популяризации. Нечто вроде оперы про многоагентные системы, где:

• Агенты — герои драмы;

• Правило Хебба — закон любви;

• Ошибка — трагедия;

• Консенсус — кульминация;

Текст песни, написанный пером лирика, что дремлет в тени интегралов, но пробуждается от сияния чистого Разума Роя.

«О Прозрении Роя»

[Куплет 1: Хаос и Слепота]
В решётке тесной, пятьдесят на пятьдесят,
Где шум случайный правит бал и правит цветом,
Агенты жалкие, как узники, сидят,
Не озаренные Божественным Заветом.
Им не дан Глобальный Взор, увы,
И Бэкпропаге́йшн — учитель строгий —
Не спустит градиент с небесной синевы,
Чтоб указать заблудшим их дороги.
Я вижу лишь себя да восьмеры́х друзей,
Соседей ближних — вот мой горизонт убогий!
Черны мы иль белы? Какой из двух идей
Принадлежит сей мир в действительном итоге?
Но истина — (о, пятьдесят один процент!) —
Сокрыта в шуме, как в тумане монумент.

[Припев: Механика Выбора]
Взгляни, Агент! Твой выбор — это сумма,
Где каждый голос взвешен на весах!
Не верь слепцу, что говорит бездумно,
Ищи опору в мудрых голосах.
Сигмо́ида — наш строгий судия́,
Решает: быть чернее или чище.
Соседей взвешенная братия —
Вот Роя ум, что Истину отыщет!

[Куплет 2: Правило Хебба (Обучение)]
Но как понять, кто друг, а кто дурак?
Здесь Дональд Хебб нам дал ответ:
«Скрепляйте связь, раз общий держите вы знак,
И рвите цепь, коль мнения немилы».
Вот формула любви и нелюбви:
Как предсказал сосед мое же состоянье —
Ты Дельту к Весу щедро прибавляй,
Умножив на Лямбду — шаг познанья.
А если он, мятежный, «шум» несет,
И в белом кластере чернеет одиноко —
Снижай доверие! Пусть вес его падет,
И станет нуль ему судьбой жестокой.
Так изолируем лжецов и крикунов,
Чтоб слышать хор согласных мудрецов.

[Припев: Механика Выбора]
Взгляни, Агент! Твой выбор — это сумма,
Где каждый голос взвешен на весах!
Не верь слепцу, что говорит бездумно,
Ищи опору в мудрых голосах.
Сигмо́ида — наш строгий судия́,
Решает: быть чернее или чище.
Соседей взвешенная братия —
Вот Роя ум, что Истину отыщет!

[Бридж: Фазовый Переход]
Смотрите! Дрогнул хаос вековой!
На стыке двух миров идет война святая.
Там кластер белый бьется с чернотой,
Границей жидкою, кипя и тая.
Но слышишь гул? То лавинный процесс!
Как стая голубей взмывает в поднебесье,
Свершился Фазовый, друзья, Прогресс,
И Мненье Общее звучит победной песней!
Сто итераций — и сомнений нет,
Единым цветом вспыхнул белый свет!
Как Истины Природы отраженье.

[Финал: Триумф Децентрализации]
Учитель мертв. Да здравствует Сосед!
Мы без начальников нашли ответ.
Где нейросеть ломается от бага,
Наш Рой живет — безумная отвага!
Из тысячи слепых и глупых «Я»
Родилась Истина Глобаль-на-я!

Как децентрализованный Рой находит Истину там, где нейросети терпят крах?

Мы погружаемся в захватывающий мир адаптации агентов, где коллективный разум находит глобальное решение, недоступное одиночному "Я". Это практический взгляд на то, как децентрализованные системы достигают консенсуса, используя взвешенное мнение соседей.

Как рой агентов находит истину без главного? 2500 простых программных единиц достигают 100% консенсуса, используя только локальные сплетни!

Вы когда-нибудь задумывались, как стая птиц или муравьиная колония принимают коллективные решения без единого лидера?

В этом видео мы погрузимся в мир распределенных систем и смоделируем, как рой агентов, видящих только своих ближайших соседей, может решить задачу консенсуса. Мы откажемся от градиентных спусков и вместо этого применим принципы, вдохновленные нейрофизиологией — Обучение Хебба.

Вы этом выпуске:

• Механика "Роя": Как бинарные агенты (Черный/Белый) принимают решения, основываясь на взвешенном мнении соседей.

• Самообучение: Увидите, как агенты динамически меняют "доверие" (веса) к другим, усиливая связи с теми, кто прав, и игнорируя "шум".

• Фазовый переход: Наблюдайте в реальном времени, как хаос (51% консенсуса) превращается в абсолютный порядок (100%) через лавинообразный процесс.

• Устойчивость: Почему децентрализованные системы самоисцеляются и как они справляются с "дефектными" агентами, чего не всегда удается добиться в централизованных моделях.

Здесь не только теория — но и запуск симуляции на сетке 50x50, где мы проследим хронологию победы коллективного разума. Если вам интересно, как простые локальные правила порождают сложное, адаптивное и устойчивое поведение - смотрите видео.

Код модели можно посмотреть здесь
В том же каталоге текстовая затравка (spec.txt) для генерации кода анимации и сам сгенерированный код анимации.