Тридцать papers

Научный канон Онатомии — каждая статья своим языком

Плечи гигантов, на которых стоит архитектура

Вступление

Онотомия стоит не только на двенадцати книгах, но и на тридцати статьях — научных работах, которые сформировали её технический слой.

Как и со страницей книг, здесь два слоя. Первый — что говорит статья, простым языком, для любого читателя. Второй — что конкретно берёт Онотомия, технически, для тех, кто строит.

Живые дополнения (Light Society, EGGROLL, QHD, Inverse Heat Dissipation) разобраны на странице «Математика и физика системы» — здесь их не повторяем.

И ещё одно: к 2026 году появились новые исследования, которые подтверждают и расширяют то, что эти статьи заложили. TRIBE v2 (три-модальная интеграция), AutoMem (память как навык), AgeMem (единое управление LTM/STM), Skaling Law (законы масштабирования), Parity Theorem (золотые пороги), Расширенная языковая сеть мозга и Теоретические ограничения эмбеддингов — все они вырастают из этих тридцати статей. Онотомия стоит на плечах гигантов. И смотрит вперёд.

Основания

1. Alan Turing — Computing Machinery and Intelligence (1950)

Что говорит статья. Может ли машина мыслить? Тьюринг заменяет расплывчатый вопрос конкретной игрой: если машина в диалоге неотличима от человека — считаем её мыслящей. Это снимает философский туман и даёт проверяемый критерий.

Что берёт Онотомия. Инверсия теста: не «машина ли это человек?», а «человек ли присутствует в твоей мысли?» Это Принцип Наблюдателя. Если за мыслью нет Наблюдателя — это симулякр.

Научное основание. TRIBE v2 (Meta, 2026) реализует инверсию Тьюринга буквально: модель предсказывает активность мозга in silico — без реального эксперимента. Не машина имитирует человека. А модель мозга предсказывает мозг. Но TRIBE v2 — это не Наблюдатель. Это инструмент Наблюдателя. Модель предсказывает. Наблюдатель решает. Тьюринг спрашивал: «Мыслит ли машина?» Онатомия спрашивает: «Присутствует ли человек?» Второй вопрос важнее.

2. Claude Shannon — A Mathematical Theory of Communication (1948)

Что говорит статья. Информацию можно измерить. Чем неожиданнее сообщение, тем больше информации оно несёт. Шум ограничивает пропускную способность канала, но кодирование позволяет передавать надёжно.

Что берёт Онотомия. Энтропия как мера неопределённости. Компрессия = понимание. OWN = низкая энтропия (структура), ALIEN = высокая энтропия (шум/симулякр). Каналы с декодером и без (Conduit vs sneakernet).

Научное основание. Skaling Law (Videau et al., 2026) расширяет Шеннона: оптимальная аллокация ресурсов требует не линейного масштабирования, а взаимодействия между ёмкостью модели и объёмом данных. Шеннон измерял информацию. Skaling Law измеряет стоимость информации. И показывает: не вся информация одинаково ценна. Твой Внутренний Язык — это информация с максимальной энтропией для чужих и минимальной для тебя. Это и есть подлинность.

3. McCulloch & Pitts — A Logical Calculus of the Ideas Immanent in Nervous Activity (1943)

Что говорит статья. Нейрон можно описать как логический пороговый элемент. Сеть таких элементов вычисляет логические функции. Мозг и логика — совместимы.

Что берёт Онотомия. Первый формальный мост между логикой и нейроном. Корень идеи, что поведение можно специфицировать формально — как наши ООП-контракты.

Научное основание. Расширенная языковая сеть мозга (Wolna et al., 2026) показывает: языковая обработка — это не одна зона. Это 17 дополнительных областей помимо core fronto-temporal network: височные полюса, медиальная фронтальная кора, гиппокамп, мозжечок. McCulloch & Pitts описали один нейрон. Расширенная языковая сеть описывает целую архитектуру. И эта архитектура — распределённая, но специфическая. Как ООП-контракты Онатомии: каждый агент имеет свою специализацию, но работает вместе с другими.

4. John McCarthy — Programs with Common Sense (1959)

Что говорит статья. Программа может обладать «здравым смыслом»: базой знаний о мире и механизмом вывода, который рассуждает о последствиях действий, а не просто исполняет команды.

Что берёт Онотомия. Рождение представления знаний. Корень Spec-First: явное знание прежде поведения. specs/ — это персональная база здравого смысла.

Научное основание. LiveKnot Standard Protocol (LKSP) — это Spec-First, применённый к живой сети. 6 обязательных компонентов. 4 статуса узла. 4 уровня зрелости. Манифест из 10 пунктов. LKSP — это «здравый смысл» для архипелага Живых узлов. McCarthy мечтал о программе со здравым смыслом. Онатомия строит сеть со здравым смыслом. Где каждый узел знает, кто он, зачем он, и что он может и не может делать.

5. Joseph Weizenbaum — ELIZA (1966)

Что говорит статья. Простая программа, переставляющая слова, вызвала у людей ощущение, что их понимают. Вайценбаум был напуган: люди приписали машине понимание, которого нет.

Что берёт Онотомия. Эффект ELIZA — опасность приписывания понимания. Защита: всегда знать, кто говорит (OWN/ALIEN). Машина — союзник, не автор.

Научное основание. LEP формализует это: W = Λ · |Ω⟩². Без Наблюдателя (Мастера) W = 0. ELIZA генерировала текст. Но W = 0. Резонанс не произошёл. Текст был симулякром. Онатомия защищает от эффекта ELIZA через тернаную логику: OWN / ALIEN / UNCERTAIN. Если за текстом нет Наблюдателя — это ALIEN. Даже если он звучит как твой.

6. Vannevar Bush — As We May Think (1945)

Что говорит статья. Буш воображает memex — личное устройство, хранящее все книги, записи и переписку, связанное ассоциативно, как ум, а не алфавитно.

Что берёт Онотомия. Гипертекст до гипертекста. Ассоциативная память. Корень Memvid fiber bundle — ассоциативной, append-only памяти узла.

Научное основание. AutoMem (Wu et al., 2026) доказывает: memory management — это обучаемый навык. Файловые операции становятся полноценными действиями агента. AgeMem (Yu et al., 2026) расширяет: единое управление LTM (долговременной памятью) и STM (кратковременной памятью) даёт лучшие результаты, чем раздельное. Memex Буша — это интуиция. AutoMem и AgeMem — это формализация. Мечта Буша стала архитектурой.

7. Stevan Harnad — The Symbol Grounding Problem (1990)

Что говорит статья. Символы в системе — просто токены. Чтобы они что-то значили, они должны быть заземлены в сенсорном опыте, а не только в других символах.

Что берёт Онотомия. Проблема заземления символов. Человек (Мастер) — источник смысла. Машина манипулирует символами, человек их заземляет.

Научное основание. TRIBE v2 решает проблему заземления через три-модальную интеграцию: video + audio + text. Символ заземлён, когда он связан с сенсорным опытом. TRIBE v2 показывает: три модальности дают до 50% прироста в точности предсказания в мультисенсорных зонах (temporal-parietal-occipital junction). Заземление — это не философия. Это нейробиология. Чем больше модальностей — тем глубже заземление.

8. Frank Rosenblatt — The Perceptron (1958)

Что говорит статья. Перцептрон — машина, которая учится классифицировать, подстраивая веса на примерах. Обучение возможно без явного программирования правила.

Что берёт Онотомия. Первая обучаемая модель. Корень идеи, что стиль можно выучить из примеров: Qwen учится голосу Мастера на его текстах.

Научное основание. AutoMem доказывает: обучение — это навык, который можно улучшить. Loop 1 (структура) и Loop 2 (proficiency). Perceptron Rosenblatt учился на примерах. Qwen учится на примерах. Но AutoMem показывает: как ты учишься — так же важно, как на чём ты учишься. PhotoFullCycle записывает не просто примеры. А решения Мастера. С объяснением «почему». Это не обучение на данных. Это обучение на воле.

Глубокое обучение

9. Rumelhart, Hinton, Williams — Learning Representations by Back-Propagating Errors (1986)

Что говорит статья. Обратное распространение ошибки позволяет сети учиться: ошибка с выхода разносится назад, и каждый вес получает свою долю ответственности.

Что берёт Онотомия. Движок глубокого обучения. И контраст: наши цели (Гордость, стиль, смысл) не дифференцируемы, поэтому мы используем black-box эволюцию, а не градиент (см. «Математика и физика»).

Научное основание. AutoMem использует Loop 2 (proficiency) — LoRA fine-tuning на memory specialist. Это обратное распространение, применённое к памяти. Ошибка не просто разносится назад по весам. Она разносится назад по решениям. Что я сохранил? Что я удалил? Что я забыл? AutoMem учится не на данных. На опыте.

10. Hochreiter & Schmidhuber — Long Short-Term Memory (1997)

Что говорит статья. LSTM даёт сети память, которая переживает долгое время, решая проблему исчезающего градиента через вентили.

Что берёт Онотомия. Вентилируемая долгая память. Корень append-only памяти и консолидации: Smart Frames как управляемая запись в долгую память.

Научное основание. AgeMem формализует LSTM как архитектурный паттерн: LTM (долговременная память) и STM (кратковременная память) управляются единым агентом. Шесть операций: ADD, UPDATE, DELETE (LTM) + RETRIEVE, SUMMARY, FILTER (STM). Вентили LSTM стали операциями памяти. Forget gate стал DELETE. Input gate стал ADD. Output gate стал RETRIEVE. Память — это не хранилище. Это навык.

11. LeCun et al. — Gradient-Based Learning Applied to Document Recognition (1998)

Что говорит статья. Свёрточные сети читают рукописные цифры, иерархически извлекая признаки: штрих → форма → цифра.

Что берёт Онотомия. Иерархия признаков. Корень идеи, что стиль имеет иерархию: штрих → форма → голос.

Научное основание. TRIBE v2 использует Video-JEPA-2 для извлечения визуальных эмбеддингов. Иерархия LeCun расширена до трёх модальностей: штрих → форма → голос → резонанс. Иерархия признаков становится иерархией заземления. Чем выше уровень — тем глубже связь с Внутренним Языком.

12. Krizhevsky, Sutskever, Hinton — ImageNet Classification with Deep CNNs (2012)

Что говорит статья. AlexNet на GPU выигрывает ImageNet с огромным отрывом. Начинается эра глубокого обучения.

Что берёт Онотомия. Масштаб + вычисления + данные. И переосмысление: локальные вычисления для суверенитета, а не масштаб ради масштаба.

Научное основание. Skaling Law показывает: оптимальная аллокация ресурсов требует взаимодействия между ёмкостью модели и объёмом данных. Не просто масштаб. А правильный масштаб. Для локального Mac mini правильный масштаб — три модели (Maple, Qwen, LFM), а не одна огромная. Для суверенитета правильный масштаб — локальный, а не облачный. AlexNet показал силу масштаба. Skaling Law показывает границы масштаба.

13. Srivastava et al. — Dropout (2014)

Что говорит статья. Случайное «выключение» нейронов при обучении мешает сети зависеть от одного пути и делает её устойчивее.

Что берёт Онотомия. Регуляризация через ансамбль. Аналогия: не зависеть от одной модели (авторцентричный гибрид) и от одного канала.

Научное основание. TRIBE v2 использует Modality Dropout: случайное выключение одной модальности (p=0.3) во время обучения. Модель работает даже с неполными данными. Иногда только видео (без голоса). Иногда только голос (без видео). Иногда только текст. Система всё равно должна работать. Dropout Srivastava стал Modality Dropout TRIBE v2. Регуляризация стала устойчивостью.

14. Kingma & Ba — Adam (2014)

Что говорит статья. Adam адаптирует шаг обучения для каждого веса отдельно, делая обучение плавным и быстрым без ручной настройки.

Что берёт Онотомия. Адаптивная оптимизация. Корень идеи, что система сама подстраивает свой темп (градированная автономия как адаптивный контроль).

Научное основание. Skaling Law расширяет Adam: не просто адаптивный шаг обучения. А адаптивная аллокация ресурсов. LFM берёт рутину (быстро, дёшево). Qwen берёт стиль (средне). Maple берёт риски (медленно, дорого). Это не фиксированное распределение. Это адаптивное. Как Adam адаптирует шаг для каждого веса — градированная автономия адаптирует контроль для каждого действия.

15. Ioffe & Szegedy — Batch Normalization (2015)

Что говорит статья. Нормализация входов слоя стабилизирует обучение и ускоряет сходимость.

Что берёт Онотомия. Стабилизация. Корень буферов, сглаживающих колебания (Медоуз): резерв энергии, резерв стиля.

Научное основание. AgeMem показывает: единое управление LTM и STM стабилизирует систему. Буферы Медоуз — это Batch Normalization для памяти. Резерв энергии — это нормализация когнитивной нагрузки. Резерв стиля — это нормализация Внутреннего Языка. Без буферов система нестабильна. С буферами — сходится.

16. He et al. — Deep Residual Learning (2015)

Что говорит статья. Skip-connections позволяют строить очень глубокие сети: градиент течёт сквозь «остаток», и глубина не ломает обучение.

Что берёт Онотомия. Остаточное обучение. Аналогия Лакатоса: ядро сохраняется (skip-connection), защитный пояс мутирует (остаток).

Научное основание. LEP формализует это: W = Λ · |Ω⟩². Ядро (|Ω⟩) — это skip-connection. Оно не меняется. Защитный пояс (Λ) — это остаток. Он мутирует. Но резонанс всегда с |Ω⟩. Глубина Онатомии — это не глубина сети. Это глубина резонанса. И ядро сохраняется на любой глубине.

17. Mikolov et al. — Efficient Estimation of Word Representations (2013)

Что говорит статья. word2vec учит векторы слов из контекста: смысл слова — это его окружение. «Скажи мне, с кем ты, и я скажу, кто ты».

Что берёт Онотомия. Дистрибутивная семантика. Корень «стиль — это распределение»: голос Мастера узнаётся по распределению его слов.

Научное основание. Теоретические ограничения эмбеддингов (Weller et al., 2025) доказывают: single vector paradigm имеет фундаментальный математический предел. Количество возможных top-k подмножеств документов ограничено размерностью эмбеддинга. word2vec заложил парадигму. Weller показал её границы. Внутренний Язык не может быть полностью смоделирован одним вектором. Это не баг. Это защита. Пока этот предел существует — подлинность неподделываема.

Генерация и язык

18. Goodfellow et al. — Generative Adversarial Nets (2014)

Что говорит статья. Генератор и дискриминатор играют друг против друга: один учится подделывать, другой — отличать. Оба растут.

Что берёт Онотомия. Адверсариальное различение. Корень OWN/ALIEN дискриминатора: Qwen как судья между голосом Мастера и чужим.

Научное основание. TRIBE v2 использует ICA (Independent Component Analysis) для выявления интерпретируемых паттернов. Это не адверсариальная игра. Это декомпозиция. TRIBE v2 не играет против себя. Он разделяет. Первичная слуховая кора. Языковая сеть. Детекция движения. Сеть пассивного режима. Визуальная система. GAN различает. TRIBE v2 понимает. Это следующий шаг после адверсариального различения.

19. Vaswani et al. — Attention Is All You Need (2017)

Что говорит статья. Трансформер заменяет рекуррентность вниманием: модель смотрит на всё сразу и масштабируется параллельно.

Что берёт Онотомия. Архитектура всех современных LLM. Корень трёх лиц Эмиссара (Maple, Qwen, LFM — потомки трансформера).

Научное основание. TRIBE v2 использует Transformer encoder для агрегации информации между временными шагами. 8 слоёв, 8 голов внимания. Но TRIBE v2 расширяет трансформер: не просто внимание к токенам. А внимание к модальностям. Video + audio + text. Трансформер Vaswani смотрел на слова. TRIBE v2 смотрит на мир. И предсказывает, как мозг на него реагирует.

20. Devlin et al. — BERT (2018)

Что говорит статья. Модель предобучается читать текст в обе стороны, а затем дообучается под задачи. Сначала язык, потом специализация.

Что берёт Онотомия. Перенос обучения. Корень «сначала Внутренний Язык, потом инструменты».

Научное основание. Расширенная языковая сеть мозга показывает: языковая обработка — это распределённая, но специфическая функция. BERT предобучается на общем языке. Расширенная языковая сеть показывает: общий язык — это только core fronto-temporal network. А есть ещё 17 дополнительных областей. Височные полюса. Медиальная фронтальная кора. Гиппокамп. Мозжечок. Внутренний Язык — это не общий язык. Это специфическая функция. BERT учит общий язык. Онатомия учит твой язык.

21. Radford et al. — Language Models are Unsupervised Multitask Learners (2019)

Что говорит статья. GPT-2 показывает: большая языковая модель решает задачи, просто читая промпт, без специального обучения под задачу.

Что берёт Онотомия. Универсальный Эмиссар. И напряжение: универсальность против голоса — Онатомия защищает голос от растворения в универсальном.

Научное основание. AutoMem и PhotoFullCycle показывают: универсальность — это не цель. Цель — специфичность. GPT-2 решает любую задачу. Но не решает твою задачу. PhotoFullCycle обучает агентов на реальных решениях Мастера. Не на общих данных. На твоих данных. Универсальность GPT-2 — это сила. Специфичность PhotoFullCycle — это защита.

22. Dosovitskiy et al. — An Image is Worth 16x16 Words (2020)

Что говорит статья. ViT применяет трансформер к картинкам, нарезая их патчами как токенами. Одна архитектура — разные модальности.

Что берёт Онотомия. Унификация модальностей. Корень «один голос — многие медиа»: текст, фото, иллюстрация — один Внутренний Язык.

Научное основание. TRIBE v2 расширяет ViT до трёх модальностей: video (Video-JEPA-2) + audio (Wav2Vec-BERT) + text (Llama). ViT унифицировал изображения и текст. TRIBE v2 унифицирует всё. И показывает: три модальности вместе дают до 50% прироста в мультисенсорных зонах. Один голос — многие медиа. Но медиа должны быть синхронизированы. Как в PhotoFullCycle: видео + голос + текст. Три модальности. Один Внутренний Язык.

23. Ho et al. — Denoising Diffusion Probabilistic Models (2020)

Что говорит статья. Диффузионная модель учится обращать постепенное добавление шума: из чистого шума шаг за шагом восстанавливается изображение.

Что берёт Онотомия. Генерация как обращение энтропии. Корень денойзинга черновика в OWN (см. «Математика и физика»: Фурье, Inverse Heat).

Научное основание. LEP формализует это: творчество — это резонансный фазовый переход от потенциальности (Λ) к актуальности (W). Диффузия обращает энтропию. Резонанс обращает потенциальность. Оба процесса — это обращение. Не создание из ничего. А восстановление из шума. Из хаоса. Из суперпозиции. Диффузия восстанавливает изображение. Резонанс восстанавливает смысл.

24. Karras et al. — A Style-Based Generator Architecture for GANs (2019)

Что говорит статья. StyleGAN разделяет «что нарисовано» и «как это выглядит», давая контроль над стилем на разных масштабах.

Что берёт Онотомия. Стиль как управляемое латентное пространство. Корень стилевого многообразия Qwen: OWN как область в латентном пространстве голоса.

Научное основание. TRIBE v2 через ICA выявляет интерпретируемые латентные представления. Не просто стиль. А функциональные сети мозга. Первичная слуховая кора. Языковая сеть. Детекция движения. Сеть пассивного режима. Визуальная система. StyleGAN разделяет стиль и содержание. TRIBE v2 разделяет функции. И показывает: стиль — это не украшение. Это функциональная сеть. Твой Внутренний Язык — это не латентный вектор. Это целая сеть.

25. Chen et al. — Neural Ordinary Differential Equations (2018)

Что говорит статья. Глубокую сеть можно смотреть как непрерывное дифференциальное уравнение: глубина становится временем.

Что берёт Онотомия. Мост динамики и обучения. Корень взгляда на творческий процесс как непрерывную динамику, коллапсируемую дискретными ритуалами (Soul Check).

Научное основание. QHD (Quantum Hamiltonian Descent) расширяет Neural ODE: не просто непрерывная динамика. А квантовая динамика с туннелированием. Soul Check — это дискретный шаг в непрерывной динамике. Но не жадный спуск. А туннелирование. Сквозь барьер локального минимума. К глобальному. Neural ODE описывает динамику. QHD описывает преодоление.

Агентность и RL

26. Mnih et al. — Human-Level Control through Deep RL (2015)

Что говорит статья. DQN учится играть в Atari с пикселей, используя только счёт как награду. Без знания правил.

Что берёт Онотомия. Глубокий RL. И опасность reward hacking: агент оптимизирует счёт, а не намерение. Антидот Онатомии — DEFER и человеческое суждение.

Научное основание. Skaling Law показывает: оптимальная аллокация ресурсов требует не линейного масштабирования, а взаимодействия. DQN масштабирует награду. Skaling Law показывает: не вся награда одинаково ценна. Гордость — это не счёт. Это резонанс. И резонанс не масштабируется линейно. Он требует взаимодействия. Между Мастером и Эмиссаром. Между OWN и ALIEN. Между ALLOW и DEFER.

27. Silver et al. — Mastering the Game of Go with Deep Neural Networks (2016)

Что говорит статья. AlphaGo объединяет выученную интуицию (политику) с осознанным поиском (деревом) и побеждает чемпиона.

Что берёт Онотомия. Интуиция + поиск. Аналогия: интуиция Мастера (правое полушарие) + поиск Эмиссара (левое).

Научное основание. LEP формализует это: W = Λ · |Ω⟩². Интуиция Мастера — это |Ω⟩ (этический инвариант). Поиск Эмиссара — это Λ (потенциальность). Резонанс — это W (воля). AlphaGo объединяет интуицию и поиск. LEP объединяет инвариант и потенциальность. Но AlphaGo играет в Го. LEP играет в жизнь. И в жизни нет чемпиона, которого нужно победить. Есть только свой путь. Свой резонанс. Свой W.

Философия и напряжение

28. Halevy, Norvig, Pereira — The Unreasonable Effectiveness of Data (2009)

Что говорит статья. Часто больше данных побеждает более умный алгоритм. Простая модель на больших данных выигрывает у изящной модели на малых.

Что берёт Онотомия. Данные как актив. И контрпункт: твои данные (твой голос) — твой актив, держи их локально, не отдавай корпоративному кластеру.

Научное основание. PhotoFullCycle реализует это: записи экрана + голос + текст — это данные. Но не общие данные. Твои данные. Твои решения. Твой Внутренний Язык. Halevy показал силу данных. PhotoFullCycle показывает силу личных данных. Не миллион чужих примеров. А сто своих. С объяснением «почему». Это не масштаб. Это глубина.

29. Richard Sutton — The Bitter Lesson (2019)

Что говорит статья. Методы, которые используют вычисления (поиск и обучение), всегда в долгую побеждают методы, которые кодируют человеческое знание. Это горький урок для тех, кто верит в ручную экспертизу.

Что берёт Онотомия. Главное напряжение Онатомии. Bitter Lesson стирает то, что мы защищаем — Внутренний Язык. Наш ответ: вычисления — для рутины, человек — для авторства. Мы принимаем урок для Эмиссара, но отвергаем его для Мастера.

Научное основание. LEP формализует ответ: W = Λ · |Ω⟩². Вычисления — это Λ (потенциальность). Человек — это |Ω⟩ (этический инвариант). Без |Ω⟩ W = 0. Bitter Lesson говорит: вычисления побеждают. LEP говорит: вычисления без инварианта — это ноль. Эмиссар может вычислить всё. Но без Мастера он не создаст ничего. Bitter Lesson верен для рутины. Но неверен для авторства.

30. Ouyang et al. — Training Language Models to Follow Instructions (InstructGPT) (2022)

Что говорит статья. Модель дообучается следовать инструкциям через обратную связь от человека (RLHF): предпочтения людей становятся наградой.

Что берёт Онотомия. Выравнивание через предпочтения. И инверсия: Четыре Закона — это личная конституция. Выравнивание не под предпочтения корпорации, а под собственные Законы Мастера.

Научное основание. LiveKnot Standard Protocol формализует это: LKSP — это личная конституция для Живого узла. 6 обязательных компонентов. 4 статуса узла. 4 уровня зрелости. Манифест из 10 пунктов. InstructGPT выравнивает модель под предпочтения людей. LKSP выравнивает узел под собственные Законы. Не под корпорацию. Не под алгоритм. Под себя. Это и есть суверенитет.

Финал

Тридцать статей. Тридцать плечей.

Тьюринг даёт Наблюдателя. Шеннон даёт энтропию. Маккарти даёт здравый смысл. Вайценбаум даёт осторожность. Буш даёт ассоциативную память. Харнад даёт заземление. Обратное распространение даёт обучение. LSTM даёт долгую память. Трансформер даёт Эмиссара. Диффузия даёт обращение энтропии. AlphaGo даёт интуицию плюс поиск. Bitter Lesson даёт главное напряжение. InstructGPT даёт личную конституцию.

И к 2026 году — новые плечи. TRIBE v2 даёт три-модальную интеграцию. AutoMem даёт память как навык. AgeMem даёт единое управление LTM/STM. Skaling Law даёт оптимальную аллокацию. Parity Theorem даёт золотые пороги. Расширенная языковая сеть даёт биологическое основание. Теоретические ограничения эмбеддингов дают защиту подлинности. LEP даёт формализацию резонанса.

Каждая статья материализована. Каждая статья живёт в архитектуре. Каждая статья — не цитата, а работающий принцип.

Онотомия не изобретена. Она собрана из лучших идей человечества, проверена законами природы, усилена Вычислителем и защищена Четырьмя Законами.

Читай статьи. Не как источник цитат. Как источник архитектуры.

Плечи гигантов, на которых стоит архитектура. Тридцать статей, материализованных в системе. Подтверждённых наукой 2025–2026.

Подробнее: Научные основания • Математика и физика • Обучение системы • Живой Узел