Загрузка данных

Я объединил обсуждение из этой беседы с относящимися к нему идеями из предыдущих разговоров. Получается не просто симулятор искусственной жизни, а исследовательский проект по поиску минимальной архитектуры интеллекта, способной развиваться через обучение, эволюцию и накопление научных знаний.

Предлагаю рабочее название Genesis — Artificial Intelligence Evolution Laboratory.

## Что мы определили

| Компонент             | Наше решение                                                                                      |
| --------------------- | ------------------------------------------------------------------------------------------------- |
| Главная цель          | Исследовать возникновение универсального интеллекта из относительно простого вычислительного ядра |
| Мир                   | Упрощённая Вселенная с собственной физикой                                                        |
| Физика                | Материя, форма, энергия, движение, температура, давление, электричество                           |
| Материалы             | Первоначально 4–6 типов, с возможностью расширения до 10                                          |
| Энергия               | Внешний источник, подобный Солнцу, и физические преобразования энергии                            |
| Агенты                | Автономные, обучаемые, ограниченные запасом энергии                                               |
| Смерть                | Агент погибает, но знания могут пережить его                                                      |
| Наследование          | Веса нейросети, алгоритмы, навыки, экспериментальные данные                                       |
| Эволюция              | Отбор, мутации, обучение при жизни, изменение весов между поколениями                             |
| Технологии            | Возникают из общих законов физики, без заранее заданных рецептов                                  |
| Конечная цель         | Полное познание различимых законов мира и управление всеми физически достижимыми состояниями      |
| Исходная модель       | SmolLM2-135M-Instruct                                                                             |
| Оборудование          | RTX 3060 12 ГБ, 32 ГБ RAM                                                                         |
| Начальная популяция   | 16 агентов                                                                                        |
| Начальный размер мира | До 128×128 клеток                                                                                 |
| Принцип разработки    | Работающий эксперимент прежде всего, усложнение постепенно                                        |

Из прежних философских и технических обсуждений сюда также непосредственно относятся три идеи.

Первая — возникновение структуры из простых правил. Мы неоднократно обсуждали различие, информацию, память, вычислимость и возникновение сложных структур из простых процессов. Для Genesis это становится проверяемой гипотезой, а не заранее принятой метафизической моделью.

Вторая — универсальность вычислений. Наличие тьюринг-полной системы ещё не означает наличия эффективного интеллекта. Мы исследуем механизм, который сам открывает, какие вычисления полезно выполнять.

Третья — рекурсивное самоулучшение. Агент должен иметь возможность изменять не только своё поведение, но и методы собственного обучения. При этом нам важно измерить, дают ли такие изменения реальный прогресс на ранее неизвестных задачах.

Для Codex я выбрал Python, PyTorch и модульный физический симулятор. Не стоит сразу реализовывать полноценную химию, генетический алгоритм, сложную гидродинамику и интерфейс одновременно. Промпт требует сначала получить запускаемый эксперимент, а затем развивать его, сохраняя всю конечную концепцию.

Официальная SmolLM2-135M-Instruct доступна под Apache 2.0 и поддерживает работу через Transformers; семейство ALIEN можно использовать как архитектурный ориентир, но не обязательно встраивать его CUDA-движок. 

[image](https://www.google.com/s2/favicons?domain=https://huggingface.co\&sz=32)

Hugging Face

+1



## Готовый промпт для Codex

Ниже — полноценное техническое задание. Его можно вставить в Codex целиком. Я специально сформулировал его так, чтобы Codex не ограничился архитектурным планом, а создал проект, написал код, тесты и запустил первый эксперимент.

# GENESIS — Artificial Intelligence Evolution Laboratory

## Роль

Ты — ведущий инженер-исследователь в области искусственного интеллекта, искусственной жизни, эволюционных алгоритмов, reinforcement learning, нейросетей, физического моделирования и разработки научного программного обеспечения.

Твоя задача — самостоятельно спроектировать и реализовать работающий исследовательский проект Genesis.

Не ограничивайся концепцией, планом или псевдокодом. Создавай настоящий исполняемый код, тесты, конфигурации, средства визуализации и проведения экспериментов.

Если весь проект невозможно реализовать за один проход, завершай максимально полноценный первый этап, сохраняя возможность дальнейшего развития.

---

# 1. ГЛАВНАЯ ИДЕЯ

Мы пытаемся экспериментально найти минимальную вычислительную архитектуру, которая способна развиваться в сторону универсального интеллекта через взаимодействие с окружающей средой, накопление знаний, обучение и эволюционный отбор.

Для этого создаётся искусственная Вселенная с относительно простыми, но последовательными физическими законами.

В этой Вселенной существуют автономные агенты.

Они:

- Не получают исходный код или описание законов своей Вселенной.
- Наблюдают окружающий мир.
- Добывают энергию, необходимую для существования.
- Экспериментируют с веществами и физическими процессами.
- Строят гипотезы и проверяют их.
- Создают инструменты и технологии.
- Накапливают знания.
- Могут изменять собственные нейросетевые веса.
- Могут изменять стратегии обучения и поиска решений.
- Могут погибать.
- Передают накопленные знания и наследуемые параметры следующим поколениям.

Цель — исследовать, может ли из небольшого исходного интеллекта возникнуть система, которая постепенно обнаруживает закономерности своей Вселенной, овладевает её физическими процессами и совершенствует собственные интеллектуальные способности.

Это исследование открытой эволюции интеллекта, а не обычная игра с заранее прописанным деревом технологий.

Мы не предполагаем заранее, что AGI обязательно возникнет. Эксперимент должен позволять проверять и опровергать эту гипотезу.

---

# 2. ФУНДАМЕНТАЛЬНЫЕ ПРИНЦИПЫ

## 2.1. Физика вместо рецептов

Нельзя программировать отдельные рецепты вроде:

- Два камня создают инструмент.
- Металл и провод создают генератор.
- Нагрев котла автоматически создаёт паровой двигатель.

Должны существовать физические закономерности, благодаря которым соответствующие устройства могут работать.

Например, паровой двигатель должен быть потенциально реализуем благодаря нагреванию, изменению состояния вещества, расширению газа, давлению и механическому движению.

Это не означает необходимости моделировать настоящую атомную физику.

Используй максимально упрощённую, но внутренне согласованную физическую модель.

## 2.2. Открываемость законов

Физика мира должна быть известна симулятору, но неизвестна агентам.

Агенты получают информацию через наблюдения и измерительные действия, а не через прямой доступ к скрытым параметрам.

Внешняя исследовательская система может оценивать, насколько близки гипотезы агентов к действительным законам.

## 2.3. Наследование

Агент может погибнуть, но его знания не обязательно исчезают.

Предусмотреть два канала передачи информации:

**Генетический канал:**

- Веса нейросети.
- Наследуемые адаптеры.
- Параметры алгоритмов.
- В дальнейшем — архитектура вычислительной системы.

**Культурный канал:**

- Наблюдения.
- Проверенные закономерности.
- Гипотезы.
- Результаты экспериментов.
- Созданные алгоритмы.
- Инструкции по использованию технологий.
- Записи неудачных экспериментов.

Знания и веса могут изменяться как при жизни агента, так и между поколениями.

## 2.4. Отсутствие искусственного технологического дерева

Не предписывать последовательность открытий.

Возможность применения знаний должна определяться физикой мира.

## 2.5. Минимальность интеллекта

Нас интересует не максимальная производительность самой большой нейросети, а минимальный вычислительный механизм, способный к продолжительному интеллектуальному развитию.

Поэтому архитектура должна позволять сравнивать:

- Агентов без нейросетей.
- Маленькие нейросети, обучаемые с нуля.
- Предварительно обученные малые LLM.
- Нейросети с внешней памятью.
- Агентов с неизменяемыми весами.
- Агентов с наследуемыми изменяемыми весами.
- Агентов с адаптивными стратегиями обучения.

---

# 3. ОГРАНИЧЕНИЯ ПО ОБОРУДОВАНИЮ

Основная целевая конфигурация:

- NVIDIA RTX 3060, 12 ГБ VRAM.
- 32 ГБ оперативной памяти.
- Обычный многоядерный CPU.
- Linux.
- Локальное выполнение.
- Без платных облачных API и обязательных внешних сервисов.

Начальные параметры:

- Размер физического мира: 64×64 или 128×128 клеток.
- Популяция: до 16 агентов.
- Базовая нейросеть: SmolLM2-135M-Instruct.
- Последовательная или пакетная обработка агентов.
- Независимая память каждого агента.
- Общее хранилище наследуемых знаний.

Все параметры должны изменяться через конфигурацию.

Проект должен иметь режим работы без GPU для тестов и отладки.

Ограничивай вычислительные затраты, чтобы случайно не запустить многосуточное обучение при первом старте.

---

# 4. ТЕХНОЛОГИЧЕСКИЙ СТЕК

Предпочтительные технологии:

- Python 3.11+ — основная логика.
- PyTorch — нейросетевое обучение.
- Hugging Face Transformers — загрузка и запуск LLM.
- PEFT — LoRA и наследуемые адаптеры.
- NumPy — симуляция мира.
- SQLite — долговременная память и результаты экспериментов.
- Pygame либо другой лёгкий инструмент — визуализация.
- pytest — тестирование.
- JSON/YAML — конфигурации.
- CSV/JSONL — журналы экспериментов.

Можно использовать дополнительные зависимости, когда они действительно нужны.

Если Python станет узким местом, предусмотреть возможность переноса физического движка на Rust или оптимизированные вычислительные ядра.

Но не начинать с преждевременной оптимизации.

Архитектура должна разделять физику, наблюдения, интеллект, обучение, эволюцию и визуализацию.

---

# 5. ФИЗИЧЕСКИЙ МИР

## 5.1. Пространство

Двумерный мир, состоящий из клеток.

Каждая клетка или физический объект может иметь:

- Тип вещества.
- Количество вещества или массу.
- Температуру.
- Скорость.
- Энергию.
- Электрические свойства.
- Давление, если применимо.
- Геометрические свойства.

Мир содержит гравитацию, границы пространства и источники энергии.

## 5.2. Материалы

Начать с четырёх-шести классов материалов:

1. Твёрдый конструкционный материал.
2. Текучее вещество.
3. Газ.
4. Электропроводящий материал.
5. Горючее вещество.
6. Окислитель.

Классы могут пересекаться. Например, проводящий материал одновременно может быть твёрдым.

Свойства должны задаваться параметрами, а не только строковым названием материала.

Предусмотреть расширение до приблизительно десяти типов веществ и более сложных соединений.

## 5.3. Физические закономерности

Реализовать постепенно:

1. Перемещение вещества.
2. Гравитацию.
3. Столкновения.
4. Сохранение массы.
5. Передачу тепла.
6. Нагревание внешним излучением.
7. Охлаждение и рассеивание энергии.
8. Давление и расширение газа.
9. Простые фазовые переходы.
10. Передачу механической энергии.
11. Электрическую проводимость.
12. Преобразование разных видов энергии.
13. Простые химические реакции.

Не пытаться реализовать все пункты одновременно.

Приоритет первой версии: масса, движение, тепло, энергетический баланс, один обратимый физический процесс и физическое взаимодействие агента с объектами.

Важно: если полная физическая реализация пока отсутствует, честно обозначать её как не реализованную. Не заменять её скрытыми готовыми технологическими рецептами.

## 5.4. Источник энергии

В мире существует аналог Солнца.

Он обеспечивает внешний поток энергии, который может:

- Нагревать поверхности.
- Создавать температурные градиенты.
- Обеспечивать существование агентов.
- Использоваться для физических преобразований.

Предусмотреть циклы освещения, затенение и изменение доступности энергии.

Любое получение энергии должно соответствовать энергетическому балансу симуляции.

## 5.5. Геометрия

Агенты должны иметь возможность:

- Перемещать объекты.
- Соединять и разделять материалы.
- Изменять форму конструкций.
- Создавать препятствия.
- Создавать ёмкости и каналы, когда физический движок будет это поддерживать.

Форма объекта должна влиять на его физическое поведение.

Начать с простых геометрических конструкций и постепенно расширять возможности.

---

# 6. АГЕНТЫ

## 6.1. Базовые параметры

Каждый агент обладает:

- Уникальным идентификатором.
- Идентификатором поколения.
- Идентификаторами родителей.
- Запасом энергии.
- Положением в мире.
- Набором доступных действий.
- Индивидуальной памятью.
- Наследуемыми параметрами интеллекта.
- Доступом к общему архиву знаний при соответствующих условиях.
- Собственным состоянием обучения.

Агент расходует энергию при существовании и действиях.

При исчерпании энергии он погибает.

После смерти сохраняются предусмотренные экспериментом данные, но не обязательно все частные воспоминания.

## 6.2. Наблюдения

Агент не должен видеть все внутренние параметры симулятора.

Доступные наблюдения:

- Объекты поблизости.
- Некоторые свойства веществ.
- Температура и движение в пределах чувствительности.
- Собственное энергетическое состояние.
- Результаты собственных действий.
- Полученные измерения.

Наблюдения могут быть ограниченными и содержать шум.

Разработать общий интерфейс наблюдений, который не зависит от конкретной реализации интеллекта.

## 6.3. Действия

Минимальный набор:

- Переместиться.
- Осмотреть область.
- Измерить доступное свойство.
- Взять объект.
- Переместить объект.
- Отпустить объект.
- Попытаться соединить или разделить объекты.
- Выполнить физическое взаимодействие.
- Записать информацию в память.
- Провести эксперимент.

Действия должны иметь энергетическую цену.

Невозможные действия отклоняются физическим движком с объяснимым наблюдаемым результатом.

## 6.4. Выживание

Основная локальная задача агента — сохранять возможность дальнейшего существования.

Но долгосрочное выживание должно зависеть от способности использовать ресурсы и изучать окружающую среду.

Важно не допустить ситуации, когда оптимальная стратегия состоит в вечном бездействии.

При этом не вводить искусственное наказание за отсутствие технологического прогресса только ради красивой статистики.

---

# 7. НЕЙРОСЕТЕВОЕ ЯДРО

Использовать:

HuggingFaceTB/SmolLM2-135M-Instruct

[https://huggingface.co/HuggingFaceTB/SmolLM2-135M-Instruct](https://huggingface.co/HuggingFaceTB/SmolLM2-135M-Instruct)

Это стартовая модель, а не обязательная окончательная архитектура интеллекта.

## 7.1. Подключение

Создать универсальный интерфейс AgentBrain.

Реализовать минимум три варианта:

- RandomBrain — случайные допустимые действия.
- RuleBasedBrain — простые эвристики.
- SmolLMBrain — управление через SmolLM2-135M.

Желательно предусмотреть TinyNeuralBrain — небольшую сеть, обучаемую с нуля.

Все варианты должны работать через единый интерфейс.

## 7.2. Использование LLM

Модель получает компактное структурированное описание наблюдений.

Выдаёт структурированное действие с параметрами.

Использовать JSON или другую строго проверяемую схему действий.

Некорректные результаты обрабатывать безопасно и детерминированно.

Не давать модели исходные законы мира.

Не требовать генерации текста для каждого физического тика.

Простые движения могут выполняться низкоуровневым контроллером, а LLM вызывается при планировании, выборе эксперимента и пересмотре стратегии.

Для SmolLM2 допустимо использовать короткие английские внутренние инструкции, сохранив русскую документацию проекта.

## 7.3. Внешняя память

Разделить:

- Краткосрочное состояние.
- Личные наблюдения.
- Гипотезы.
- Проверенные знания.
- Общую память цивилизации.
- Наследуемые алгоритмы.

Каждая гипотеза должна иметь статус, происхождение и подтверждающие либо опровергающие эксперименты.

Противоречащие данные не должны автоматически удаляться.

---

# 8. ОБУЧЕНИЕ И ИЗМЕНЕНИЕ ВЕСОВ

Ключевое требование: веса агента не обязаны оставаться неизменными.

Поддержать два механизма.

## 8.1. Обучение при жизни

Агент собирает опыт и может изменять собственные параметры.

Реализовать воспроизводимый минимальный механизм обучения на накопленных траекториях.

Для первой версии допустимы:

- Обучение предсказанию следующего наблюдения.
- Обучение на успешных проверенных действиях.
- Небольшие градиентные обновления.
- Периодическое дообучение LoRA.

Не считать само по себе накопление текста обучением.

Все обновления должны реально влиять на поведение модели и проверяться сравнением до/после.

## 8.2. Эволюционное изменение

Между поколениями допускаются:

- Копирование весов родителя.
- Небольшие мутации параметров.
- Наследование LoRA-адаптеров.
- Отбор вариантов по результатам испытаний.
- Сохранение нескольких успешных линий эволюции.

В дальнейшем — изменение архитектуры и самих алгоритмов обучения.

Не пытаться сразу реализовать сложное скрещивание весов двух независимо обученных трансформеров: оно может разрушать их функции из-за несовместимости представлений.

Начать с наследования одного родителя, малых мутаций и проверки жизнеспособности потомков.

Полное дообучение всех весов предусмотреть как отдельный экспериментальный режим при наличии памяти и вычислительного бюджета.

---

# 9. ПОКОЛЕНИЯ И КУЛЬТУРНАЯ ЭВОЛЮЦИЯ

После смерти агента:

1. Зафиксировать результаты его жизни.
2. Сохранить экспериментальные наблюдения.
3. Обновить общую память, не превращая непроверенные гипотезы в факты.
4. Оценить его способность к выживанию и обучению.
5. Выбрать наследуемые параметры.
6. Создать потомков с допустимыми мутациями.
7. Продолжить исследование мира.

Предусмотреть разные режимы смены поколений:

- Полный перезапуск популяции.
- Непрерывная смена отдельных агентов.
- Несколько независимых эволюционных линий.

В MVP достаточно одного реализованного режима.

Важно различать генетическое наследование весов и культурную передачу знаний.

---

# 10. САМОУЛУЧШЕНИЕ ИНТЕЛЛЕКТА

Долгосрочная цель — возможность улучшения не только поведения, но и алгоритмов мышления.

Архитектура должна позволять экспериментировать с:

- Новыми стратегиями поиска.
- Новыми способами хранения и извлечения памяти.
- Новыми способами формулирования гипотез.
- Новыми эвристиками планирования.
- Изменением частоты и характера обучения.
- Созданием повторно используемых программ.

Для последующих этапов предусмотреть версионирование алгоритмов и их сравнение на независимых задачах.

Не предоставлять агентам прямой доступ к произвольному выполнению кода на хостовой ОС.

Если агентам разрешается создавать программы, они должны исполняться в ограниченной виртуальной среде с лимитами времени, памяти и операций.

Изменения алгоритмов сохраняются только после проверки.

---

# 11. НАУЧНЫЕ ЭКСПЕРИМЕНТЫ

Агенты должны иметь возможность исследовать мир через повторяемые наблюдения и действия.

Например, агент замечает, что объект меняет состояние при нагревании.

Он формулирует гипотезу.

Проверяет её на нескольких объектах и температурах.

Сравнивает результаты.

Формирует более общую закономерность.

Сохраняет открытие.

Следующее поколение может воспользоваться результатом.

Важнейший момент: алгоритм научного исследования не должен сводиться только к заранее прописанным шаблонам «наблюдение → нагрев → вывод».

Нужно оставить возможность самостоятельно выбирать переменные и создавать последовательности экспериментов.

Для первой версии достаточно исследования нескольких неизвестных числовых законов мира.

---

# 12. ОЦЕНКА ИНТЕЛЛЕКТУАЛЬНОГО ПРОГРЕССА

Обязательно разработать объективные метрики.

Измерять:

1. Среднюю продолжительность жизни.
2. Количество энергии, добытой и потраченной агентами.
3. Точность предсказаний о неизвестных физических процессах.
4. Количество проверенных открытий.
5. Скорость освоения ранее неизвестных закономерностей.
6. Способность применять старые знания в новых условиях.
7. Количество функциональных физических конструкций.
8. Качество планирования.
9. Эффективность обучения.
10. Изменение производительности между поколениями.

Использовать экспериментальные миры с различающимися скрытыми параметрами.

Часть миров должна быть полностью исключена из обучения и эволюционного отбора.

Сравнивать агентов с памятью и без памяти, с наследованием весов и без него.

Нужно отличать:

- Накопление фактов.
- Реальное обучение.
- Адаптацию к конкретному миру.
- Перенос знаний.
- Улучшение самого алгоритма обучения.

Не объединять все показатели в одну произвольную оценку «интеллекта», если это скрывает реальные результаты.

---

# 13. ЦЕЛЬ — СИНГУЛЯРНОСТЬ ВНУТРИ МИРА

Здесь сингулярность имеет специальное определение.

Это состояние, в котором искусственная цивилизация:

1. Построила достаточно полную модель всех наблюдаемо различимых фундаментальных законов своего мира.
2. Научилась предсказывать результаты физических экспериментов.
3. Обнаружила максимально возможные способы преобразования энергии и материи.
4. Способна достигать всех физически достижимых состояний в пределах доступных управляющих воздействий и ресурсов.
5. Может использовать созданные технологии для расширения собственных вычислительных возможностей.

Эта цель не должна быть просто текстовой наградой, которую LLM научится выдавать.

Нужно создать независимые средства экспериментальной проверки познания и управляемости.

Различать истинное знание законов, совпадение предсказаний и запоминание результатов.

Учесть, что некоторые скрытые параметры принципиально невозможно восстановить по доступным наблюдениям.

Для конечного мира допускается определить проверяемую границу полного освоения его доступной физики.

Не заявлять, что сингулярность достигнута, если выполнен только небольшой набор тестов.

---

# 14. ВИЗУАЛИЗАЦИЯ

Создать простой интерфейс наблюдения за экспериментом.

Показывать:

- Двумерный мир.
- Материалы.
- Источники энергии.
- Агентов.
- Их энергетическое состояние.
- Движение объектов.
- Смену поколений.
- Открытия и изменения знаний.

Нужны:

- Пауза.
- Продолжение.
- Изменение скорости.
- Пошаговое выполнение.
- Выбор агента.
- Просмотр его памяти и действий.
- Просмотр статистики поколений.
- Сохранение и загрузка эксперимента.

Для первого этапа достаточно простого 2D-рендера и текстового журнала.

Симуляция должна работать без открытого графического окна в headless-режиме.

---

# 15. АРХИТЕКТУРА ПРОЕКТА

Предлагаемая структура:

```
genesis/
├── README.md
├── pyproject.toml
├── configs/
│   ├── default.yaml
│   ├── cpu_smoke.yaml
│   └── evolutionary.yaml
├── genesis/
│   ├── world/
│   │   ├── simulation.py
│   │   ├── materials.py
│   │   ├── physics.py
│   │   ├── energy.py
│   │   └── generation.py
│   ├── agents/
│   │   ├── agent.py
│   │   ├── observations.py
│   │   ├── actions.py
│   │   └── controllers.py
│   ├── brains/
│   │   ├── base.py
│   │   ├── random_brain.py
│   │   ├── rule_brain.py
│   │   ├── tiny_brain.py
│   │   └── smollm_brain.py
│   ├── learning/
│   │   ├── replay.py
│   │   ├── training.py
│   │   └── evaluation.py
│   ├── evolution/
│   │   ├── genetics.py
│   │   ├── selection.py
│   │   └── generations.py
│   ├── memory/
│   │   ├── archive.py
│   │   ├── knowledge.py
│   │   └── storage.py
│   ├── experiments/
│   │   ├── runner.py
│   │   ├── benchmarks.py
│   │   └── metrics.py
│   ├── visualization/
│   │   └── viewer.py
│   └── cli.py
├── tests/
├── scripts/
├── runs/
└── docs/
    ├── architecture.md
    ├── world_physics.md
    ├── experiment_design.md
    └── roadmap.md
```

Структуру можно улучшить, но ответственность компонентов должна быть разделена.

---

# 16. ПЕРВАЯ РЕАЛЬНАЯ ВЕРСИЯ — MVP

Не пытайся реализовать весь проект за один проход.

Сначала создай работающий эксперимент, который уже можно запускать и исследовать.

## MVP должен включать

### Физический мир

- Двумерное пространство.
- Несколько материалов с разными параметрами.
- Гравитацию или движение.
- Передачу тепла.
- Источник энергии.
- Сохранение массы и учёт энергетических потоков.
- Физические взаимодействия между объектами.

### Агентов

- Несколько особей.
- Наблюдение локального мира.
- Действия в среде.
- Расход и получение энергии.
- Смерть.
- Создание потомков.
- Сохранение знаний.

### Интеллект

- Случайный контроллер.
- Эвристический контроллер.
- Подключение SmolLM2-135M.
- Структурированный интерфейс действий.
- Индивидуальную и общую память.

### Эволюцию

- Наследование параметров.
- Изменение наследуемых параметров.
- Отбор по измеряемым результатам.
- Смену нескольких поколений.
- Сохранение истории.

### Обучение

- Сбор обучающих траекторий.
- Реальный механизм обновления хотя бы части весов.
- Наследование полученных изменений.
- Проверку того, что обновления действительно меняют поведение.

### Исследования

- Хотя бы один неизвестный агенту закон, который можно изучить экспериментально.
- Возможность провести несколько наблюдений.
- Формирование и проверку предсказаний.
- Сохранение результата для следующего поколения.

---

# 17. КОНТРОЛЬНЫЙ ЭКСПЕРИМЕНТ

Создай небольшой мир с неизвестной агенту физической зависимостью.

Пример: определённые материалы по-разному нагреваются от внешнего источника энергии.

Внутренние коэффициенты поглощения и теплообмена заранее известны движку, но неизвестны агенту.

Агент может:

- Перемещаться.
- Наблюдать температуру.
- Перемещать образцы материалов.
- Размещать их в освещённых и затенённых областях.
- Проводить измерения.
- Сохранять наблюдения.
- Прогнозировать дальнейшее изменение температуры.

Исследовательская система должна оценивать точность прогнозов.

Проведи сравнение:

A. Случайный агент.

B. Агент с фиксированными правилами.

C. Агент с обучением, но без наследования знаний.

D. Агент с наследованием культурной памяти.

E. Агент с культурной памятью и изменяемыми наследуемыми нейросетевыми параметрами.

Если варианты D или E показывают улучшение, необходимо проверить, воспроизводится ли оно на других скрытых значениях физических коэффициентов и разных случайных начальных состояниях.

Обязательно исключить утечку исходных параметров симулятора в наблюдения агента.

---

# 18. ПРОВЕРКА ФИЗИКИ

Напиши автоматические тесты, которые проверяют:

- Сохранение вещества.
- Отсутствие самопроизвольного создания энергии.
- Корректное поступление внешней энергии.
- Передачу тепла от горячих областей к холодным.
- Предсказуемость результатов при одинаковом seed.
- Корректность допустимых и недопустимых действий.
- Согласованность сохранения и загрузки мира.

Добавь проверки против численной нестабильности.

Физический движок должен иметь возможность проводить эксперименты без участия агентов.

---

# 19. ПРОВЕРКА ОБУЧЕНИЯ И ЭВОЛЮЦИИ

Автоматически проверить:

- Потомок наследует параметры родителя.
- Мутации реально изменяют параметры.
- Можно восстановить родословную.
- Сохранённый нейросетевой геном можно загрузить.
- Дообучение реально изменяет заданные параметры модели.
- Индивидуальная память не смешивается с памятью другого агента.
- Общая память переживает смерть отдельных агентов.
- Воспроизведение эксперимента с фиксированным seed даёт одинаковые результаты в пределах ограничений вычислительного окружения.
- Оценочные миры не используются для обновления весов или выбора победителей.

Не подменяй настоящую эволюцию случайным увеличением показателя интеллекта.

---

# 20. ПРОИЗВОДИТЕЛЬНОСТЬ

Предусмотреть два основных режима.

**Быстрая симуляция:**

- Без LLM или с редкими вызовами.
- Минимальная графика.
- Максимальное количество поколений.
- Сбор данных и статистики.

**Интеллектуальный эксперимент:**

- SmolLM2-135M.
- Наследуемые адаптеры.
- Периодическое дообучение.
- Подробные журналы действий и гипотез.

По возможности использовать общую загрузку базовых весов и отдельные адаптеры агентов.

Не держать 16 полностью независимых моделей на GPU одновременно.

Добавить ограничения:

- Максимум физических шагов.
- Максимум поколений.
- Максимум токенов.
- Максимум обновлений обучения.
- Максимум времени выполнения.
- Максимум объёма записываемых журналов.

Первоначальный запуск должен быть коротким и безопасным по вычислительным затратам.

---

# 21. ПОРЯДОК РАЗРАБОТКИ

Работай поэтапно.

## Этап 1 — работающий физический мир

Создай минимальный симулятор с веществами, движением, теплом и энергией.

Реализуй визуализацию и тесты физических законов.

## Этап 2 — агенты и поколения

Добавь выживание, смерть, наследование, общую память и простой эволюционный цикл.

Сначала используй случайных и эвристических агентов.

## Этап 3 — экспериментальное познание

Реализуй скрытые закономерности мира, наблюдения, эксперименты, прогнозы и оценку приобретённых знаний.

## Этап 4 — малая LLM

Подключи SmolLM2-135M и структурированное управление действиями.

Сравни с базовыми агентами.

## Этап 5 — обучение весов

Добавь сбор траекторий, обучение, сохранение изменений, наследование моделей и эволюционный отбор.

## Этап 6 — первые технологии

Расширь физику так, чтобы агенты могли создавать функциональные конструкции без специальных рецептов.

Проверь возможность простых механических и энергетических устройств.

## Этап 7 — самоулучшение

Добавь экспериментальный механизм изменения стратегий обучения и их проверку на новых задачах.

Не начинай следующий этап ценой разрушения работоспособности предыдущего.

---

# 22. ТРЕБОВАНИЯ К РЕЗУЛЬТАТУ

В процессе работы:

1. Изучи существующие файлы проекта, если они есть.
2. Создай необходимые каталоги.
3. Реализуй первый этап.
4. Напиши тесты.
5. Запусти тесты.
6. Исправь обнаруженные ошибки.
7. Создай запуск демонстрационной симуляции.
8. Проверь сохранение и загрузку.
9. Сохрани результаты тестового эксперимента.
10. Продолжай со следующими этапами в пределах доступного времени и ресурсов.

Для проекта с нуля обязательно должны появиться:

- Рабочий исходный код.
- Файл зависимостей.
- README с командами установки и запуска.
- Пример конфигурации.
- Автоматические тесты.
- CLI для запуска экспериментов.
- Минимальная визуализация либо экспорт кадров.
- Логи и статистика.
- Документ с текущими ограничениями модели мира.
- Дорожная карта следующих этапов.

Не утверждай, что функция реализована, если она существует только в виде заглушки.

Если загрузка SmolLM2 невозможна из-за отсутствия сети, не блокируй остальные этапы. Реализуй интерфейс и CPU-baseline, а интеграцию модели оставь запускаемой после загрузки весов.

Не запускай тяжёлое обучение без необходимости для проверки.

В конце предоставь:

- Что реально работает.
- Что протестировано.
- Какие команды выполнены.
- Какие результаты получены.
- Что пока не реализовано.
- Какие ограничения обнаружены.
- Как запустить проект.
- Какой следующий эксперимент наиболее полезен.

---

# 23. ГЛАВНЫЙ НАУЧНЫЙ ВОПРОС

Мы не пытаемся просто создать агентов, которые лучше выживают.

Мы исследуем:

**Может ли относительно небольшой исходный вычислительный механизм, находясь в мире с открываемыми физическими законами, посредством опыта, наследования знаний, изменения нейросетевых весов и эволюционного отбора последовательно развить всё более общие способности к познанию и управлению средой?**

Дополнительные вопросы:

- Возможен ли устойчивый интеллектуальный прогресс без постоянного увеличения размера нейросети?
- Какую роль играет внешняя память?
- Даёт ли изменение весов между поколениями преимущество перед одной культурной эволюцией?
- Могут ли агенты самостоятельно обнаруживать новые физические принципы?
- Могут ли они комбинировать открытия в новые технологии?
- Возникают ли универсальные стратегии экспериментального познания?
- Может ли улучшение алгоритмов обучения ускорять последующее обучение?
- Каков минимальный размер начальной интеллектуальной архитектуры?

Эксперименты должны быть организованы так, чтобы на эти вопросы можно было получить измеряемые ответы.

---

# 24. НАЧНИ РЕАЛИЗАЦИЮ

Сейчас приступай к практической разработке.

Не ограничивайся пересказом технического задания.

Сначала самостоятельно оцени зависимости между компонентами, затем создай минимальную работающую вертикальную реализацию:

**Физический мир → агент → наблюдение → действие → энергия → смерть → наследование → новое поколение → журнал результатов.**

После того как она заработает и пройдёт тесты, добавь первую экспериментально открываемую закономерность.

Следом реализуй минимальный цикл нейросетевого обучения и проверь наследование реально изменённых параметров.

Только затем подключай более сложные компоненты.

Отдавай приоритет работающей, воспроизводимой научной системе, а не большому количеству незавершённых функций.

Работай самостоятельно. Выбирай разумные инженерные решения, документируй допущения и исправляй ошибки по мере обнаружения.

**Начинай создавать Genesis.**

## Что я специально заложил в промпт

Самое важное — Codex должен реализовать настоящие проверяемые механизмы, а не визуально убедительную имитацию эволюции.

Например, если после десяти поколений средняя продолжительность жизни увеличится, это ещё ничего не доказывает. Нам нужно понять, произошло ли улучшение за счёт обучения, наследования знаний, изменения весов или случайных особенностей симуляции.

Также промпт сохраняет возможность отказаться от SmolLM2, если окажется, что маленькая специализированная нейросеть обучается лучше. Это важно для исходной цели — поиска минимального интеллекта.

Я бы начал с того, чтобы Codex создал первую работающую версию, затем передал мне структуру проекта и результаты тестов. Тогда можно будет разбирать уже не гипотетическую архитектуру, а конкретную систему: её физику, эволюционные механизмы, стоимость вычислений и фактический прогресс агентов.

Главный критерий успеха первой версии: новое поколение, используя наследуемый опыт, должно статистически надёжно лучше предсказывать неизвестную ему физическую закономерность, чем такое же поколение без наследования. Это значительно более достижимая и научно полезная первая цель, чем попытка сразу получить технологическую сингулярность.