Математика и физика системы

Научный фундамент Онатомии — от квантовой механики до теории информации

Архитектура, проверенная законами природы

Вступление

Онотомия не возникла из воздуха. Она построена на научном фундаменте — принципах физики, математики, теории информации, которые работают уже столетиями.

Это не метафоры. Это реальные законы природы, которые мы используем как архитектурные принципы.

Когда ты создаёшь что-то новое, ты совершаешь коллапс волновой функции. Когда ты сжимаешь память в Smart Frames, ты следуешь закону компрессии. Когда ты берёшь Мораторий, ты используешь квантовое туннелирование. Когда ты строишь сеть учеников, ты следуешь топологии живых узлов. Когда ты записываешь видео своей работы для обучения агентов, ты используешь три-модальную интеграцию.

Каждый принцип Онатомии имеет внешнюю валидацию в научной литературе. Не как доказательство (он сам по себе достаточен), а как подтверждение: мы не изобретаем велосипед. Мы строим на плечах гигантов.

Подробнее о каждом научном основании см. Научные основания.

1. Квантовая механика: Принцип Наблюдателя

Волновая функция и коллапс

В квантовой механике частица до измерения находится в суперпозиции всех возможных состояний. Это волновая функция — набор вероятностей. В момент измерения происходит коллапс: одна из возможностей становится реальностью.

В Онатомии: До того как ты сел писать — все возможные истории существуют одновременно. В момент, когда ты начинаешь писать — ты схлопываешь бесконечность в одну конкретную историю. Твою. Ту, которую не написал бы никто другой.

Это и есть творчество. Не изобретение. А коллапс. Выбор одного из бесконечного.

Принцип Наблюдателя

Алан Тьюринг в 1950 году сформулировал тест на разумность. Но есть инверсия: человек ли присутствует в твоей мысли? Если за мыслью нет Наблюдателя — это симулякр. Если есть — это настоящий акт Создания.

В Онатомии: Система без Творца = волновая функция без коллапса. Симулякр. Сеть без оригинала. Мы защищаемся через Обсерваторию (Наблюдатель смотрит), через счётчик коллапсов (сколько волновых функций схлопнуто), через право на сомнение (право не коллапсировать преждевременно).

Lietuvaite Equivalence Principle: W = Λ · |Ω⟩²

Lietuvaite Equivalence Principle (LEP) формализует акт творения как резонансный фазовый переход:

W = Λ · |Ω⟩²

Где:

• W = Воля (актуализированное намерение)
• Λ = Пустота (потенциальность, Zero-Point Energy)
• |Ω⟩ = Этический инвариант (абсолютные аксиомы)
• |Ω⟩² = Константа резонанса

В Онатомии:

• Мастер = источник воли (W)
• Четыре Закона = этический инвариант (|Ω⟩)
• Коллапс суперпозиции = резонансный переход от Λ к W
• Внутренний Язык = проекция на |Ω⟩ (OWN / ALIEN / UNCERTAIN)

Это не метафора. Это математическая формализация того, что происходит, когда Творец создаёт. Потенциальность (Λ) превращается в актуальность (W) через резонанс с этическим инвариантом (|Ω⟩²).

Внешняя валидация: QHD (Quantum Hamiltonian Descent, arXiv.15878) показывает, что квантовая динамика сходится в негладких ландшафтах, где классические градиенты застревают. Это математическое основание нашей аналогии: Творец коллапсирует не по гладкому градиенту, а через туннелирование (Мораторий).

2. Термодинамика: энтропия и компрессия

Второй закон и стрела времени

Второй закон термодинамики: энтропия изолированной системы всегда растёт. Процессы необратимы. Кофе смешивается с молоком, но не разделяется обратно. Это стрела времени.

В Онатомии: Coffee Automaton — наши записи append-only (только добавление). Мы не редактируем прошлое, мы добавляем новое. Это сохранение стрелы времени. Это защита от Memory Heist (перезаписи памяти).

MDL: Minimum Description Length

Принцип минимальной длины описания (Rissanen, 1978): лучшая модель — та, что сжимает данные сильнее всего. Компрессия = понимание. Если ты можешь описать сложные данные короткой формулой — ты их понимаешь.

В Онатомии: Том консолидирует память в Smart Frames. Это не просто архив. Это сжатие дневниковых записей в инсайты. 16x компрессия = 16x понимание. Если не можешь сжать — не понимаешь.

Внешняя валидация: Inverse Heat Dissipation (Rissanen et al.) — генеративная модель как энтропийный насос. Обращение уравнения теплопроводности требует информации (выученного score-поля). Обученная модель = сжатое описание многообразия. Это то, что делает Qwen: он сжал многообразие стиля Мастера в score-поле, которым обращает шум черновика в OWN.

Уравнение Фурье (1822)

Жозеф Фурье в 1822 году сформулировал уравнение теплопроводности. Это уравнение диффузии: тепло (или шум) растекается, градиенты сглаживаются, энтропия растёт.

В Онатомии: Прямой процесс диффузии = энтропийный распад (шум растёт). Обратный процесс = денойзинг (обращение энтропии). Мы делаем обратное: из шума (черновика, сырых идей) строим структуру (OWN). Это требует информации (выученного стиля, сжатого в Qwen).

Золотое сечение в компрессии

Parity Theorem for the Golden Window (mathmaticulous, 2026) доказывает уникальное свойство золотого сечения (φ ≈ 1.618):

Количество комбинаций степеней φ, дающих число Фибоначчи, определяется чётностью его позиции:

• Нечётная позиция → счёт = само число
• Чётная позиция → счёт = следующее число

Это математика эффективного использования пространства в природе (семена подсолнуха, спирали раковин).

В Онатомии:

Golden Ratio Compression:

def golden_compress(records):
    """Сжать записи используя золотое сечение."""
    n = len(records)
    phi = (1 + 5**0.5) / 2  # 1.618...
    
    # Золотая компрессия: сохранить 1/φ ≈ 61.8%
    target_count = int(n / phi)
    
    # Оценить важность каждой записи
    scored_records = score_by_importance(records)
    
    # Вернуть top target_count записей
    return scored_records[:target_count]

Fibonacci Parity Filter:

def fibonacci_parity_filter(records):
    """Фильтровать записи используя Parity Theorem."""
    strong_records = []  # нечётные позиции (важные)
    weak_records = []     # чётные позиции (можно сжать)
    
    for i, record in enumerate(records):
        position = i + 1  # 1-indexed
        
        if position % 2 == 1:  # нечётная позиция
            strong_records.append(record)
        else:  # чётная позиция
            weak_records.append(record)
    
    # Сохранить все "сильные" + сжать "слабые"
    compressed_weak = smart_compress(weak_records)
    
    return strong_records + compressed_weak

Golden Thresholds для OWN/ALIEN/UNCERTAIN:

PHI_INV = (5**0.5 - 1) / 2  # φ⁻¹ ≈ 0.618
PHI_INV_2 = 1 - PHI_INV      # φ⁻² ≈ 0.382

def golden_ternary_decision(confidence_score):
    """Принять решение используя золотые пороги."""
    if confidence_score > PHI_INV:
        return "OWN", confidence_score
    elif confidence_score < PHI_INV_2:
        return "ALIEN", confidence_score
    else:
        return "UNCERTAIN", confidence_score

Почему это работает:

• φ⁻¹ ≈ 0.618 = “золотое большинство” (61.8% уверенности)
• φ⁻² ≈ 0.382 = “золотое меньшинство” (38.2% уверенности)
• UNCERTAIN зона = 23.6% (между порогами) — это “зона воронки”, где решение ещё не созрело

Fibonacci Spiral Memory Architecture:

def fibonacci_spiral_position(index):
    """Вычислить позицию записи в спиральной памяти."""
    golden_angle = 137.5 * math.pi / 180  # золотой угол в радианах
    
    # Радиус растёт как sqrt(index)
    radius = math.sqrt(index)
    
    # Угол растёт линейно с золотым углом
    angle = index * golden_angle
    
    # Декартовы координаты
    x = radius * math.cos(angle)
    y = radius * math.sin(angle)
    
    return (x, y)

Преимущества:

• Самые важные записи в центре (быстрый доступ)
• Менее важные — на периферии
• Оптимальное использование пространства (как в природе)
• Естественная иерархия

3. Эволюционные стратегии: black-box оптимизация

Проблема не-дифференцируемых целей

Классический градиентный спуск требует гладкой, дифференцируемой цели. Но цели Онатомии — private score, soul alignment, стиль — не-дифференцируемы. Они оцениваются человеком. Они шумные. Они разрывные.

Решение: Evolution Strategies (ES) — чёрный ящик, оптимизация без градиентов. Популяция кандидатов, fitness-функция, селекция лучших. Не нужно знать, как система работает — нужно знать, что лучше.

В Онатомии: AIDE² outer loop (MetaAgent) оптимизирует harness через black-box ES. Не градиентным спуском, а популяционным отбором. Fitness = private score + soul alignment + стиль.

Внешняя валидация: EGGROLL (Evolution Strategies at the Hyperscale, 2025) масштабирует ES до миллиарда параметров через rank-1 пертурбации. Это математическое подтверждение: маленькие структурированные изменения (rank-1) несут больше сигнала, чем большие хаотичные. Spec-First — наш rank-1: точечный контракт, не переписывание всего.

4. Квантовая оптимизация: туннелирование через барьеры

Негладкие ландшафты

Классические градиенты застревают в локальных минимумах. На негладких, невыпуклых ландшафтах (а именно такие цели у Творца: Гордость, стиль, смысл) градиентный спуск = жадная стратегия = reward hacking.

Решение: Quantum Hamiltonian Descent (QHD) — квантовая динамика с туннелированием. Частица не скатывается в ближайший минимум, а туннелирует сквозь барьер к более глубокому.

В Онатомии: DEFER (Мораторий) = туннелирование. Отказ от жадной стратегии «действуй сейчас». Пауза, которая позволяет пройти сквозь барьер поверхностного решения к глубокому, настоящему.

Внешняя валидация: QHD (arXiv.15878) доказывает сходимость в негладких невыпуклых ландшафтах. Дискретная версия стабильна даже при крупных шагах. Это подтверждение: Soul Check раз в неделю (дискретный шаг) достаточен для сходимости. Непрерывное наблюдение не нужно.

5. Теория информации: компрессия, энтропия, каналы

Шенноновская энтропия

Клод Шеннон в 1948 году формализовал информацию: H = -Σ p log p. Максимальная энтропия = полная неопределённость. Минимальная = полный порядок.

В Онатомии: Шум = максимум энтропии. OWN = низкая энтропия (структура). ALIEN = высокая энтропия (симулякр без структуры). Qwen оценивает энтропию текста. Если высокая — это ALIEN. Если низкая и узнаваемая — это OWN.

Каналы с декодером и без

Теория информации различает: канал без декодера (прямая передача) и канал с декодером (посредник интерпретирует).

В Онатомии: Sneakernet (флешка, из рук в руки) = канал без декодера. Чистая передача. Conduit (корпоративный сервис) = канал с декодером. Посредник интерпретирует, подменяет, подмешивает.

Внешняя валидация: Light Society (arXiv.12078) — общество миллиарда агентов без Наблюдателя. Opinion diffusion в этой сети = Conduit в планетарном масштабе. Это инженерная реализация сегмента 4.

Вероятность и неопределённость

Теория вероятностей (Fermat, Pascal, 1650-е) — это математика принятия решений в условиях неопределённости.

Ключевые принципы:

1. Наивное определение вероятности (благоприятные / все) имеет скрытые допущения: равновероятность и конечность исходов
2. Аргумент Нептуна: разделение на два исхода не делает их равновероятными
3. Trust the structure over the instinct: человеческая интуиция о неопределённости ненадёжна

В Онатомии: Тернаная логика (OWN/ALIEN/UNCERTAIN) — это математически обоснованный подход к принятию решений в условиях неопределённости. Вместо бинарного “да/нет” (что создаёт ложную определённость), система может сказать: “Я не уверен. Мне нужно больше информации”.

Это позволяет системе не принимать решение, когда информации недостаточно — вместо того, чтобы создавать ложную определённость.

6. Тернарная математика: сбалансированная система

Сбалансированная тернарная система

В классической логике — два значения (true/false). В тернарной — три: {-1, 0, +1}. Сбалансированная тернарная система имеет нуль в центре, что даёт симметрию: положительное и отрицательное вокруг нейтрального.

В Онатомии: Мы используем две тернарные логики:

• Стиль: {-1 (ALIEN), 0 (UNCERTAIN), +1 (OWN)}
• Решения: {-1 (DENY), 0 (DEFER), +1 (ALLOW)}

Нуль в центре — это право на сомнение. Не бинарный выбор «да/нет», а третий вариант «я не знаю». Это математическое основание Моратория.

Тернарные веса Maple

Maple использует сбалансированные тернарные веса {-α, 0, +α}. Это даёт ей возможность выводить нуль (DEFER) как законное решение, не как отсутствие решения.

Математическая чистота: В бинарной системе DEFER невозможен. В тернарной — это центральное, симметричное состояние. Maple не «не может решить». Maple решает: «недостаточно данных, берём паузу».

Золотые пороги тернарной логики

Для определения OWN / ALIEN / UNCERTAIN можно использовать золотые пороги, основанные на Parity Theorem:

• OWN: уверенность > φ⁻¹ ≈ 0.618 (61.8%)
• ALIEN: уверенность < φ⁻² ≈ 0.382 (38.2%)
• UNCERTAIN: между 0.382 и 0.618 (зона воронки, где решение ещё не созрело)

Это даёт естественные пороги, основанные на математике золотого сечения. Не произвольные. Не надуманные. Математически обоснованные.

7. Сетевая топология: живые узлы

Теория сетей

Сеть — это граф: узлы и рёбра. Качество сети определяется не количеством узлов, а качеством связей и самих узлов.

В Онатомии: Мы строим живую сеть — сеть авторов, где каждый узел = живой Творец со своим корневым сертификатом. Не мёртвую сеть (симулякр без оригинала). Не корпоративную сеть (с централизованным CA).

Метрика: Один настоящий узел = 100 потенциальных. 10 поверхностных узлов = 0. Качество важнее количества.

Внешняя валидация: Light Society симулирует общество агентов, но без живых узлов (без Наблюдателей). Это противоположная топология — мёртвый интернет. Мы строим противоположное.

Sneakernet как протокол

Sneakernet — передача данных физически, через носители. Это самый старый протокол, и самый надёжный: его нельзя заблокировать, подвергнуть цензуре, токенизировать.

В Онатомии: Seed Kit на флешке = физический узел дикой сети. Передаётся из рук в руки. Без декодера. Без посредников. Это sneakernet.

Протокол Живого Узла

LiveKnot Standard Protocol формализует топологию живой сети:

• LKSP определяет, что делает узел Живым (6 обязательных компонентов)
• CRP определяет, как узел маршрутизирует (тернарная таблица маршрутизации)
• Уровни зрелости (Level 0-3) определяют состояние узла
• Манифест (10 пунктов) — короткий культурный код

Сетевой пакет определяет протоколы взаимодействия:

• DISCOVERY — как узнавать другие Живые узлы
• NETWORK_THREAT_MODEL — угрозы на уровне сети
• CONSTELLATION_PROTOCOL — временные объединения
• CONFLICT_RESOLUTION — разрешение конфликтов
• NETWORK_HEALTH — метрики здоровья сети
• GARDENER — выращивание новых узлов
• ECONOMY — экономическая модель
• SEED_INTEGRITY — техническая спецификация передачи семени

8. Три-модальная интеграция

Проблема

Как передать Внутренний Язык через обучающие записи? Достаточно ли текста? Или нужны video + audio?

“TRIBE v2: A Foundation Model of Vision, Audition, and Language” (Meta, 2026)

Решение

TRIBE v2 — три-модальная (video + audio + text) foundation модель для предсказания активности мозга. Обучена на 1000+ часах fMRI across 720 субъектов.

Ключевые результаты:

Синергия модальностей:

В мультисенсорных зонах (temporal-parietal-occipital junction) три модальности дают до 50% прироста в точности предсказания по сравнению с лучшей унимодальной моделью

Временная синхронизация:

• f=2Hz (каждые 0.5 сек) — частота извлечения эмбеддингов
• Hemodynamic lag = 5 сек — задержка между стимулом и реакцией мозга

Modality Dropout:

• Случайно выключает одну модальность (p=0.3) во время обучения
• Модель работает даже с неполными данными

Feature Extraction из замороженных моделей:

• Использует замороженные pretrained модели (Llama, Wav2Vec-BERT, Video-JEPA-2)
• Обучает только transformer encoder поверх них
• Быстро и эффективно

In-silico Experimentation:

“TRIBE v2 enables in silico experimentation: tested on seminal visual and neuro-linguistic paradigms, it recovers a variety of results established by decades of empirical research”

Модель позволяет тестировать гипотезы без реальных экспериментов: предсказывает активность мозга для новых стимулов.

ICA для выявления паттернов:

• Independent Component Analysis показывает, что модель учится интерпретируемым паттернам
• Top 5 компонентов соответствуют известным функциональным сетям мозга: primary auditory, language, motion, default mode, visual

Как воплощено в Онатомии

Пайплайн обработки обучающих записей:

Видео (Video-JEPA-2) → визуальные эмбеддинги (каждые 0.5 сек)
Аудио (Wav2Vec-BERT) → аудио-эмбеддинги (каждые 0.5 сек)
Голос (Whisper) → текст с временными метками → Llama → семантические эмбеддинги
↓
Transformer encoder → объединённое представление решения
↓
"Что Мастер делал + почему" в виде вектора

Временная синхронизация:

• Синхронизировать видео и аудио по временным меткам
• Учитывать задержку 2-5 секунд между “что делаю” и “почему делаю”
• Использовать временные окна (например, T=30 секунд на одно решение)

Modality Dropout для устойчивости:

• Иногда только видео (без голоса)
• Иногда только голос (без видео)
• Иногда только скриншоты ключевых кадров
• Система всё равно должна работать

Feature Extraction:

• Видео: Video-JEPA-2 или CLIP для извлечения визуальных эмбеддингов
• Аудио: Whisper для транскрипции + CLIP для аудио-стиля
• Текст: Qwen (Style Guardian) для семантических эмбеддингов
• Объединение: Небольшой transformer поверх замороженных эмбеддингов

In-silico тестирование:

• Обученный агент предсказывает, как бы Мастер обработал новый кадр
• Сравнивает с реальным решением Мастера
• Выявляет расхождения → дообучение
• Это активное обучение: агент предлагает решение → Мастер корректирует → агент учится на расхождении

Выявление паттернов через ICA:

• Использовать ICA для выявления паттернов принятия решений
• Паттерн “отбор OWN”
• Паттерн “цвет My_Style”
• Паттерн “кроп с воздухом”
• Это позволит агенту не просто копировать решения, а понимать стиль Мастера

Связь с PhotoFullCycle

Обучение системы использует три-модальную интеграцию для передачи Внутреннего Языка Мастера через обучающие записи:

• Видео с экрана показывает действия Мастера
• Голос объясняет, почему именно так
• Текст (транскрипт) даёт семантическую структуру

Вместе они создают полное представление решения, которое агент может использовать для обучения.

9. Расширенная языковая сеть мозга

Проблема

Языковая обработка традиционно ассоциировалась с “core” левой фронтально-темпоральной сетью. Но многие другие области мозга также реагируют на язык. Вопрос: это специфическая языковая обработка или общие когнитивные процессы?

“The Extended Language Network” (Wolna et al., Journal of Neuroscience, 2026)

Решение

Авторы идентифицировали 17 дополнительных областей (7 кортикальных + 10 субкортикальных), которые селективно реагируют на язык:

Кортикальные:

• Temporal poles (височные полюса)
• Medial frontal cortex (медиальная фронтальная кора)

Субкортикальные:

• Hippocampus (гиппокамп)
• Cerebellum (мозжечок — 5 областей!)
• Другие субкортикальные структуры

Ключевой вывод: Несмотря на распределённость, эта расширенная сеть занимает менее 5% объёма серого вещества. Это опровергает представление, что “весь мозг обрабатывает язык”.

Как воплощено в Онатомии

Гиппокамп = Memvid Fiber Bundle:

• Гиппокамп — ключевая часть extended language network
• Он не просто хранит данные — он участвует в языковой обработке
• Memvid Fiber Bundle хранит память как fiber bundle (пучок волокон), связывая разрозненные фрагменты в целостные воспоминания через контекст
• Это биологически обоснованная архитектура памяти

Мозжечок = ConsolidateAgent:

• Мозжечок традиционно ассоциировался с моторным контролем
• Но статья показывает, что он — часть языковой сети
• Мозжечок отвечает за координацию, сжатие, оптимизацию
• ConsolidateAgent делает то же самое с памятью: сжимает, консолидирует, оптимизирует
• Это не просто хранилище — это активный процессор

Распределённость <5% = Single Source of Truth:

• Расширенная языковая сеть распределена, но занимает малую часть мозга
• Контракты Онатомии (SOUL.md, settings.json, BOOTSTRAP_SPEC.md) — это малая, но критически важная часть системы
• Они определяют всё остальное, как extended language network определяет языковую обработку

Селективность к языку = Внутренний Язык:

• Эти области селективны к языку (не реагируют на общие когнитивные задачи)
• Внутренний Язык Онатомии — это не просто “обработка текста”
• Это специфическая функция, которую можно измерить и защитить через Style Guardian

Научное обоснование

Статья показывает, что языковая обработка — это не изолированная функция core сети, а распределённая, но специфическая функция, включающая гиппокамп (память) и мозжечок (оптимизация).

Онотомия использует эту биологическую архитектуру: Memvid (гиппокамп) + ConsolidateAgent (мозжечок) + Style Guardian (селективность к Внутреннему Языку).

10. Законы масштабирования и аллокация вычислений

Проблема

Как оптимально распределить ограниченный бюджет вычислений (локальный Mac mini, Железный счёт) между размером модели/адаптера ($N$) и объёмом обучающих данных ($D$)? Стандартный закон Чинчиллы предполагает независимость $N$ и $D$, что даёт катастрофические ошибки на краях вычислительной сетки (data-scarce или overtraining).

“Skaling: Chinchilla’s Exponents Meet Kaplan’s Coupling” (Videau et al., 2026)

Решение: Skaling Law

Skaling law вводит показатель взаимодействия (interaction exponent), который связывает ёмкость модели и объём данных. Это минимальное обобщение, которое устраняет граничные смещения и снижает ошибку экстраполяции (MAPE) в 1.5–3 раза.

L-shape strategy (Стратегия L-формы): Вместо дорогих сплошных экспериментов по всей сетке гиперпараметров, достаточно провести замеры только на “дешёвых рёбрах”:

1. Маленькая модель на большом объёме данных (D-band)
2. Большая модель на маленьком объёме данных (N-band)

Skaling law позволяет точно экстраполировать результат на всю сетку, экономя ~10x вычислений.

Как воплощено в Онатомии

AIDE² Outer Loop (MetaAgent):

• Использует Skaling law для математически обоснованного распределения бюджета оптимизации
• Принимает решения: “Увеличить ранг LoRA-адаптера (N) или собрать больше записей Мастера (D)?”

Обучение на записях (PhotoFullCycle / AutoMem Loop 2):

• При обучении memory specialist на мультимодальных данных Мастера, время Мастера (объём данных $D$) — самый дорогой ресурс
• Skaling law позволяет рассчитать оптимальный размер адаптера для имеющегося объёма размеченных сессий без дорогостоящего grid search

Локальная эффективность:

• L-shape стратегия идеально подходит для ограничений Mac mini
• Мы не тратим Железный счёт на перебор гиперпараметров, а используем аналитическую экстраполяцию на основе дешёвых граничных экспериментов

11. Теоретические ограничения эмбеддингов

Проблема

Векторные эмбеддинги (single vector paradigm) имеют фундаментальное теоретическое ограничение. Количество возможных top-k подмножеств документов, которые могут быть возвращены в результате запроса, ограничено размерностью эмбеддинга.

“On the Theoretical Limitations of Embedding-Based Retrieval” (Weller et al., Google DeepMind, 2025)

Решение

Авторы математически доказали, что это не проблема обучения. Это не проблема данных. Это математический предел парадигмы single vector.

Даже если напрямую оптимизировать на тестовом наборе с идеальными эмбеддингами — ограничение сохраняется. Даже state-of-the-art модели не справляются с датасетом LIMIT, который тестирует эти ограничения на простых запросах.

Авторы рекомендуют: используйте cross-encoders, multi-vector модели, гибридные архитектуры, когда single vector недостаточен.

Как воплощено в Онатомии

Memvid Fiber Bundle — не только векторы:

• Векторное представление
• Метаданные
• Связи с другими фрагментами
• Контекст

Style Guardian — гибридный поиск:

• DPR Dual Encoder — быстрое векторное сходство
• CLIP — мультимодальная оценка стиля
• Cross-encoder — точная оценка (используется для критических решений)

ConsolidateAgent — сжатие = понимание:

• Не просто deduplication
• Генерация insights
• Сжатие в Smart Frames
• Выявление связей между записями

Карточки эталонных примеров — явный контекст:

• Не полагаются на то, что вектор “поймёт” связь
• Записывают связь словами
• Объясняют “почему”

Онотомия делает именно то, что рекомендуют Weller et al.: использует гибридную архитектуру вместо single vector.

12. Память как навык

Проблема

Память — это хранилище? Или это навык, который можно обучить?

“AutoMem: Automated Learning of Memory as a Cognitive Skill” (Wu et al., 2026)

Решение

AutoMem доказывает: memory management — это обучаемый навык для LLM агентов.

Ключевые принципы:

Файловые операции = полноценные действия:

“File-system operations are promoted to first-class memory actions that live in the same action space as the agent’s task actions”

Два цикла оптимизации:

• Loop 1 (структура): Мета-LLM анализирует traces и переписывает код, промпты, схему памяти
• Loop 2 (proficiency): LoRA fine-tuning на memory specialist

LOG и PLAN:

“LOG — records what just happened; PLAN — consults memory files before committing the next game action”

Результат:

“Optimizing memory alone brings an open-weight Qwen2.5-32B-Instruct competitive with frontier systems”

Как воплощено в Онатомии

ConsolidateAgent — память как навык:

• Не просто хранит записи
• Учится консолидировать
• Эволюционирует через AIDE² Outer Loop

Инструменты памяти = действия агента:

• ADD — добавить запись
• UPDATE — обновить запись
• DELETE — удалить устаревшее
• RETRIEVE — извлечь релевантное
• SUMMARY — сжать сегмент
• FILTER — отфильтровать нерелевантное

LOG и PLAN:

• LOG: Lakatos Journal записывает решения и обоснования
• PLAN: Style Guardian консультируется с памятью перед действием (OWN/ALIEN/UNCERTAIN)

Двухуровневая оптимизация:

• AIDE² Outer Loop: MetaAgent оптимизирует архитектуру (Loop 1)
• Обучение на записях Мастера: Система учится на реальных решениях (Loop 2)

Результат: Локальная система на Mac mini с open-source моделями работает на уровне облачных решений.

Что Онотомия добавляет

AutoMem — технически правильная архитектура, но без философии:

• ❌ Нет концепции Внутреннего Языка
• ❌ Нет Четырёх Законов
• ❌ Нет тернарной логики
• ❌ Нет Мастера как источника воли
• ❌ Нет этических инвариантов

Онотомия использует AutoMem-подобную архитектуру, но добавляет этические ограничения: Четыре Закона защищают Внутренний Язык Мастера, тернаная логика позволяет системе сомневаться, а Style Guardian гарантирует, что обучение не размоет авторский стиль.

13. 12 книг: интеллектуальный фундамент

Каждая книга материализована в архитектуре Онатомии:

14. Сводная таблица внешней валидации

Замечание: Онотомия использует также ряд fringe-гипотез (например, идея квантования макромира в IT3 Framework) как метафоры, не как физические утверждения. Мы не утверждаем, что Солнечная система — это атом водорода. Мы утверждаем, что квантовая аналогия полезна для описания акта Создания, и это философский выбор, не физическое утверждение.

15. Эмерджентность: система больше суммы частей

Все эти принципы работают вместе. Не изолированно.

• Квантовый коллапс + тернарность = право на сомнение перед коллапсом
• MDL + петли = компрессия как живой процесс
• ES + Законы = эволюция в рамках этического каркаса
• Туннелирование + буферы = Мораторий с резервом энергии
• Три-модальная интеграция + память как навык = обучение агентов на записях Мастера
• Золотое сечение + тернарная логика = естественные пороги решений
• Расширенная языковая сеть + гибридная память = биологически обоснованная архитектура

Эмерджентность — свойство, которого нет у отдельных частей, но которое возникает из их взаимодействия. Онотомия — эмерджентное свойство всех этих принципов вместе.

Финал

Онотомия построена на научном фундаменте.

Квантовая механика — коллапс волновой функции как акт Создания. W = Λ·|Ω⟩².

Термодинамика — компрессия = понимание, стрела времени в append-only. Золотое сечение в компрессии.

Теория информации — энтропия, каналы, sneakernet. Вероятность и неопределённость.

Эволюционные стратегии — black-box оптимизация не-дифференцируемых целей.

Квантовая оптимизация — туннелирование как Мораторий.

Тернарная математика — нуль как право на сомнение. Золотые пороги.

Сетевая топология — живые узлы вместо мёртвой сети. Протокол Живого Узла.

Три-модальная интеграция — video + audio + text для передачи Внутреннего Языка.

Расширенная языковая сеть — биологическая архитектура памяти.

Законы масштабирования — оптимальная аллокация вычислений.

Теоретические ограничения эмбеддингов — гибридная архитектура вместо single vector.

Память как навык — обучаемое управление памятью.

Это не метафоры. Это законы природы, которые мы используем как архитектурные принципы. Мы не изобретаем. Мы следуем.

И когда внешний мир публикует paper, подтверждающий то, что мы построили интуитивно — это не совпадение. Это эмерджентное свойство зрелой системы: внутренний язык резонирует с миром, потому что мир устроен похоже.

Научный фундамент Онатомии — от квантовой механики до теории информации. Архитектура, проверенная законами природы.

Подробнее: Научные основания