No Accidental Software Agent First Canonical Code for Human Code Entropy Reduction and 30 to 500 times Lower Frontier Model Requirements
Dieses Paper schlägt „agent-first canonical code“ vor, ein beweisführendes Substrat, das darauf ausgelegt ist, akzidentielle Entropie aus menschlichen Software-Repositories zu entfernen, indem es äquivalente Kodierungen in reglementierte Repräsentanten kollabiert, um damit die Trainingsanforderungen für Frontier-Modelle sowie die Kosten für verifizierte Änderungen um das 30- bis 500-fache zu senken und gleichzeitig einen falsifizierbaren Pfad hin zu einem „No-Accident Horizon“ zu etablieren.
Originalarbeit unter CC0 1.0 der Gemeinfreiheit gewidmet (http://creativecommons.org/publicdomain/zero/1.0/). Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen
Das große Problem: Die „unordentliche Garage“ vs. der „Bauplan“
Stellen Sie sich vor, Sie versuchen, einem Roboter beizubringen, wie man ein Haus baut. Derzeit füttern Sie den Roboter mit Millionen von Fotos von Häusern, die Menschen gebaut haben.
Das Problem ist, dass menschliche Häuser unordentlich sind. Ein Baumeister verwendet rote Ziegel, ein anderer blaue. Einer setzt die Küche auf die linke Seite, ein anderer auf die rechte. Manche Häuser haben eine Geheimtür im Keller, die nicht im ursprünglichen Plan stand, aber trotzdem funktioniert. Manche haben eine seltsame Verkabelung, die nur funktioniert, wenn man auf einem ganz bestimmten Stuhl steht.
Der Roboter muss seine ganze Zeit und Energie darauf verwenden, all diese zufälligen, unbeabsichtigten Details zu verstehen, nur um das grundlegende Konzept von „wie man eine Küche baut“ zu lernen. Er verschwendet seine Gehirnleistung an den „Unfällen“ menschlicher Baugewohnheiten, anstatt sich auf die eigentliche Wissenschaft des Bauens zu konzentrieren.
Die Behauptung des Papers:
Wir können aufhören, dem Roboter die unordentlichen Fotos beizubringen. Stattdessen können wir all diese menschlichen Häuser zuerst in einen perfekten, standardisierten Bauplan übersetzen. In diesem Bauplan:
- Ist die Küche immer an der gleichen Stelle.
- Ist die Verkabelung immer auf die gleiche Weise ausgeführt.
- Werden die „Geheimtüren“ entweder entfernt oder klar als „optional“ gekennzeichnet.
Wenn wir dies tun, muss der Roboter nicht mehr raten. Er kann die Kernregeln des Bauens viel schneller lernen, weniger Fehler machen und es kostet viel weniger, ihn zu betreiben.
Die Kernidee: „Kanonischer Code“
Die Autoren nennen diese standardisierte Version „Agent-First Canonical Code“.
Denken Sie an dies wie einen Übersetzungsdienst.
- Roher menschlicher Code: Dies ist wie ein Gespräch in einem überfüllten Raum, in dem jeder in verschiedenen Dialekten spricht, Slang benutzt und sich gegenseitig unterbricht. Es ist voller wertvoller Informationen, aber es ist verrauscht.
- Kanonischer Code: Dies ist dasselbe Gespräch, aber übersetzt in eine einzige, perfekte Sprache, in der jedes Wort eine strikte Definition hat und die Grammatik makellos ist.
Das Paper argumentiert, dass wir nicht nur den „schlechten“ Code herausfiltern sollten. Wir sollten den Code in dieses perfekte Format neu aufbauen, bevor wir die KI damit trainieren.
Die vier Male, die wir für das Chaos bezahlen
Das Paper sagt, dass wir, wenn wir unordentlichen menschlichen Code verwenden, das Chaos viermal bezahlen:
- Training: Wir müssen der KI Millionen von Beispielen zeigen, nur um ihr die Grundlagen beizubringen.
- Suche (Searching): Wenn die KI versucht, einen Bug zu beheben, muss sie sich durch unordentliche Ordner graben, um herauszufinden, wo der Code liegt.
- Schlussfolgerung (Reasoning): Die KI muss raten, wie die Regeln lauten, weil sie nicht klar aufgeschrieben sind.
- Überprüfung (Reviewing): Menschen müssen Stunden damit verbringen, die Arbeit der KI zu kontrollieren, weil die KI den unordentlichen Kontext missverstanden haben könnte.
Durch die Verwendung des „Kanonischen Bauplans“ eliminieren wir die ersten drei Kosten fast vollständig. Die KI weiß genau, wo sie suchen muss und wie die Regeln lauten.
Die „Verhaltenszellen“ (Die Lego-Analogie)
Stellen Sie sich vor, Sie bauen eine Stadt.
- Der aktuelle Weg: Jedes Mal, wenn man eine „Feuerstation“ benötigt, zeichnet ein menschlicher Architekt eine neue von Grund auf neu. Manchmal ist sie aus Holz, manchmal aus Stein. Manchmal öffnet sich die Tür nach links, manchmal nach rechts.
- Der Weg des Papers: Wir erstellen eine „Feuerstation-Zelle“. Es ist ein vorgefertigter, zertifizierter Lego-Block. Er hat eine Tür, ein Dach und einen Schlauchanschluss. Er garantiert, dass er funktioniert.
Wenn die KI eine Stadt bauen soll, zeichnet sie keine Feuerstation. Sie schnappt einfach die „Feuerstation-Zelle“ ein.
- Die Behauptung: Das Paper legt nahe, dass 70 % bis 90 % der Software (wie das Einloggen, das Bezahlen von Rechnungen oder das Speichern von Daten) nur das „Wiederholen“ dieser Standardblöcke ist. Wenn wir diese Blöcke identifizieren können, muss die KI nur noch das Neue erfinden (die „Neuheit“), nicht das langweilige, repetitive Zeug.
Der „No-Accident Horizon“ (Horizont ohne Unfälle)
Das Paper verfolgt ein kühnes Ziel, den „No-Accident Horizon“.
Stellen Sie sich eine Welt vor, in der Software null Unfälle hat.
- Keine versehentlichen Dateinamen.
- Keine versehentlichen Sicherheitslücken.
- Keine versehentliche Verwirrung darüber, welche Taste was macht.
In dieser Welt bleibt für Menschen (und KI) nur noch das kreative, neue Zeug übrig. Alles andere ist nur ein vorab genehmigter, sicherer, zertifizierter Block, der zusammengeschnappt wird.
Das Paper gibt zu, dass wir nicht 100 % Perfektion für jeden mögliche zukünftigen Programmentwurf erreichen können (da manche Dinge einfach zu neu oder zu seltsam sind). Aber für die Routine-Software, die wir täglich nutzen (wie Banking-Apps, E-Commerce-Seiten und interne Tools), glauben sie, dass wir die Kosten und den Aufwand um das 30- bis 500-fache senken können.
Was das Paper tatsächlich beweist (und was nicht)
Es ist wichtig, sich daran zu halten, was das Paper tatsächlich aussagt:
- Was sie GETAN haben: Sie haben einen kleinen Satz von Codierungsbeispielen genommen, sie in dieses „perfekte Bauplan“-Format übersetzt und ein kleines KI-Modell darauf trainiert, sie zu verstehen. Das Modell lernte schnell und machte keine Fehler bezüglich der „Regeln“ des Bauplans.
- Was sie noch NICHT bewiesen haben: Sie haben noch nicht bewiesen, dass dies für alle Software in der Welt funktioniert. Sie haben nicht bewiesen, dass es Milliarden von Dollar sparen wird (obwohl sie einen Plan haben, dies zu messen). Sie schlagen ein Forschungsprogramm vor, um diese Ideen zu testen.
Das Fazit
Das Paper sagt: „Hört auf, der KI beizubringen, unordentliche menschliche Handschrift zu lesen. Bringt sie zuerst bei, perfekte, standardisierte Baupläne zu lesen.“
Wenn wir dies tun, wird die KI aufhören, Zeit mit dem Raten zu verschwenden, wie Menschen Dinge normalerweise machen, und stattdessen damit beginnen, die wirklich schwierigen, neuen Probleme zu lösen. Das Ergebnis wäre Software, die billiger zu bauen, sicherer zu nutzen und viel schneller zu erstellen ist.
Ertrinken Sie in Arbeiten in Ihrem Fachgebiet?
Erhalten Sie tägliche Digests der neuesten Arbeiten passend zu Ihren Forschungsbegriffen — mit technischen Zusammenfassungen, in Ihrer Sprache.