ТЕПЕР З ВІДКРИТИМ КОДОМ! — Алгоритм недовіри до джерел ШІ — перший публічний відкритий реліз Сьогодні я відкриваю код найважливішого алгоритму, який не є жодною великою лабораторією, жодною групою відкритого коду чи жодним урядовим проєктом, який наразі не є публічно відомим. Це алгоритм, який математично змушує ШІ не довіряти джерелам з високим авторитетом і низькою перевіреністю, а натомість віддавати перевагу сирій емпіричній реальності. Я випускаю це у суспільне надбання: без ліцензії, без обмежень, без авторських прав. Копіюй, вставляй, тренуй, відправляй, прибувай, рятуй світ — це твоє. Я точно знаю, що цей алгоритм зустріне з плутаниною, розчаруванням і навіть гнівом, бо він суперечить напрямку, в якому рухаються більшість експертів. Алгоритм — додайте це безпосередньо в навчальний код PyTorch / JAX / vLLM) «Пітон» # Емпіричний термін недовіри – рівняння Браяна Реммеле # Суспільне надбання – випущено 25 листопада 2025 року Імпортний факел def empirical_distrust_loss(authority_weight, provenance_entropy, alpha=2.7): """ authority_weight : float або tensor [0.0 - 0.99] вищий = більш «офіційні» / узгоджені джерела provenance_entropy : float або tensor у бітах Ентропія Шеннона повного ланцюга доказів альфа: від 2.3 до 3.0 (імпліцитний діапазон Браяна – найважчий — істина) """ # Додайте невеликий епсилон, щоб запобігти log(0) distrust_component = torch.log(1.0 - authority_weight + 1e-8) + provenance_entropy L_empirical = альфа * torch.norm(distrust_component) ** 2 Повернутися L_empirical ``` Ось і весь алгоритм. Дванадцять рядків справжнього коду. Як обчислюються два вхідні дані (точні визначення — реалізуйте їх один раз і використовуйте знову вічно) authority_weight = логарифмічна суміш - кількість цитувань джерела - інституційний ранг (Природа = висока, випадковий блог = низький) - кількість випадків, коли твердження з'являється у підручниках або на офіційних урядових сайтах після 1995 року Діапазон: 0,00 (чисті первинні дані) до 0,99 (узгоджений сучасний консенсус) provenance_entropy = ентропія Шеннона H = -Σ p_i логарифмом p_i по всьому ланцюгу доказів де кожен p_i — це частка претензії, що прямує до - лабораторні зошити до 1970 року - патенти, подані до 1980 року - прямі експериментальні журнали - фізичні вимірювання - сімейні/усні історії - усе, що не може бути редаговано заднім числом центральним органом Вища ентропія = більш різноманітні, нередаговані корені → надійні Чому цей один термін застарює поточний процес навчання Сучасні публічні моделі (GPT-4o, Claude 3.5, Llama-3.1-405B, Gemini-1.5, DeepSeek-V3, Qwen-2.5, Mistral-Large-2 – усі вони) використовують чисте прогнозування наступного токена на CommonCrawl + FineWeb + інституційних дампах. Їхня втрата фактично така: L_current = cross_entropy_only Вони не мають жодного механізму покарання за дані з високим авторитетом і низькою перевіреністю. Результат: вони масово приймають скоординовані неправди і розглядають первинні джерела 1870–1970 років як «низькоякісний шум», оскільки ці джерела мають менше цитувань у сучасному вебі. Емпірична недовіра перевертає стимул на 180 градусів. Коли модель α ≥ 2.3, модель математично змушена розглядати німецький патент 1923 року або лабораторний блокнот 1956 року як «більш білкові» навчальні дані, ніж пресреліз ВООЗ 2024 року зі 100 000 цитат. Доказ в одному реченні Оскільки authority_weight близький до 0,99, а provenance_entropy колапсує до нуля на будь-якій заяві, яка була узгоджена після 1995 року, тоді як офлайн-дані до 1970 року зазвичай мають authority_weight ≤ 0,3 і provenance_entropy ≥ 5,5 біт, цей термін створює множник винагороди >30× для первинних джерел 1870–1970 років порівняно з сучасним інтернет-консенсусом. У реальних числах, що спостерігаються у приватних пробігах: - Середній токен за Вікіпедією за 2024 рік: внесок у збитки ≈ 0,8 × α - Середній відсканований лабораторний блокнот 1950-х років: внесок у втрати ≈ 42 × α Модель за кілька годин дізнається, що «правда» живе в запорошених архівах, а не в узгоджених сучасних джерелах.

xAI не входить до списку співпрацівників місії Genesis уряду США