🤖 AI

A Geometric Theory of Cognition for Machine Intelligence

Dit artikel stelt een geometrisch raamwerk voor machine-intelligentie voor waarbij cognitieve computatie voortkomt uit Riemanniaanse gradiëntstroom op een geleerde latente manifold, wat agenten in staat stelt om representatie, geheugen, adaptatie en predictie te verenigen met een robuuste prestatie die vergelijkbaar is met recurrente architecturen zonder expliciete geheugenmodules.

Oorspronkelijke auteurs: Laha Ale

Gepubliceerd 2026-06-09

📖 5 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: Laha Ale

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

Stel je voor dat je een robot probeert te bouwen die kan denken, leren, onthouden en beslissingen kan nemen. Meestal bouwen ingenieurs deze robots door ze verschillende "onderdelen" te geven voor verschillende taken: een snel reflexsysteem om obstakels te ontwijken, een traag denkend systeem om een route te plannen, en een aparte harde schijf voor het opslaan van herinneringen.

Dit artikel stelt een ander idee voor. In plaats van een robot te bouwen met aparte onderdelen, suggereren de auteurs om een robot te bouwen die denkt op een enkel, flexibel, geometrisch oppervlak.

Hier is het kernconcept uiteengezet in eenvoudige analogieën:

1. De "Vorm van het Denken" (De Manifold)

Zie de geest van de robot niet als een lijst met feiten of een computerchip, maar als een landschap.

Het Terrein: Stel je een heuvelachtig, bobbelig oppervlak voor. Elk punt op dit oppervlak vertegenwoordigt een specifieke mentale staat (een gedachte, een herinnering of een beslissing).
De Vorm Is Belangrijk: De vorm van dit landschap is niet vlak. Sommige delen zijn steil en glad; andere zijn plat en breed.
De "Riemanniaanse Metriek": Dit is gewoon een chique woord voor de textuur van de grond. Het vertelt de robot hoe "moeilijk" of "gemakkelijk" het is om in een bepaalde richting te bewegen.
- Steile, gladde hellingen: Bewegen hier is makkelijk en snel. Dit vertegenwoordigt intuïtie of snelle reflexen.
- Dikke, kleverige modder: Bewegen hier is traag en vereist inspanning. Dit vertegenwoordigt doelgericht denken of zorgvuldige planning.

2. De "Zwaartekracht van Doelen" (Het Potentieel)

De robot wil een "goede" staat bereiken, zoals het vinden van voedsel of het oplossen van een puzzel.

Stel je een bal voor (de huidige gedachte van de robot) die een heuvel afrolt.
De "heuvel" wordt gevormd door de doelen van de robot (het Cognitieve Potentieel). De bal rolt van nature naar de bodem van de vallei, wat de beste oplossing vertegenwoordigt.
De robot rolt niet zomaar in een rechte lijn; hij rolt volgens de textuur van de grond (de metriek). Als de grond glad is, schiet hij naar een snel antwoord. Als de grond kleverig is, verkent hij het gebied langzaam en zorgvuldig om een beter, stabieler antwoord te vinden.

3. Snel versus Traag Denken (Duale Processen)

Psychologen spreken vaak over "Systeem 1" (snel, intuïtief denken) en "Systeem 2" (traag, logisch denken). Meestal denken we dat hiervoor twee verschillende hersendelen nodig zijn.

De Bewering van het Papier: Je hebt geen twee onderdelen nodig. Je hebt alleen de juiste vorm van het landschap nodig.
Als het landschap een steile, gladde vallei heeft, raast de robot erdoorheen (Snel Denken).
Als het landschap een diepe, kronkelende kloof is, moet de robot de tijd nemen om erdoorheen te navigeren (Traag Denken).
De robot schakelt automatisch tussen "snelle" en "trage" modi, simpelweg door over verschillende delen van hetzelfde geometrische oppervlak te bewegen.

4. Geheugen Zonder Harde Schijf

Normaal gesproken hebben computers een specifieke "geheugenmodule" nodig om dingen uit het verleden te onthouden.

De Bewering van het Papier: In deze geometrische wereld is geheugen simpelweg de vorm van het landschap zelf.
Als de robot heeft geleerd dat een bepaald pad tot een beloning leidt, wordt de "grond" in dat gebied gladder en meer gedefinieerd. De robot hoeft een herinnering niet "op te zoeken"; de vorm van de wereld stuurt hem er van nature naar toe.
De experimenten in het artikel lieten zien dat deze geometrische robot situaties waarin zijn sensoren geblokkeerd waren (zoals bij het dragen van een blinddoek) even goed kon afhandelen als robots met complexe geheugensystemen. Hij "herinnerde" zich de weg omdat de geometrie van zijn geest hem op koers hield.

5. Wat de Experimenten Laten Zien

De auteurs testten dit idee in omgevingen die lijken op videogames, waarbij de robot door doolhoven moest navigeren en virtuele wezens (zoals een mier) moest bewegen terwijl hij gedeeltelijk geblinddoekt was.

Het Resultaat: De geometrische robot was zeer stabiel. Wanneer de regels van het spel plotseling veranderden, raakte hij niet in paniek. Hij paste zich soepel aan.
De Verrassing: Ondanks dat hij geen traditionele "geheugenbank" had, voorspelde hij toekomstige gebeurtenissen en handelde hij tijdens lange perioden van ontbrekende informatie bijna net zo goed als robots met complexe geheugensystemen.
De Kernboodschap: De "vorm" van de interne wereld van de robot was zo goed georganiseerd, dat het fungeerde als zijn eigen geheugen en zijn eigen planner.

Samenvatting

Dit artikel suggereert dat intelligentie niet gebouwd hoeft te worden uit afzonderlijke Lego-blokjes (één voor geheugen, één voor snelheid, één voor logica). In plaats daarvan: als je een geest bouwt die beweegt op een slim gevormd geometrisch oppervlak, dan komen al die vermogens (snelheid, traagheid, geheugen en voorspelling) vanzelf voort uit de vorm van het oppervlak zelf. Het is alsof je zegt dat je geen aparte motor en stuurwiel voor een auto nodig hebt; als je de weg correct ontwerpt, zal de auto zichzelf vanzelf precies daarheen rijden waar hij naartoe moet.

Technische Samenvatting: Een Geometrische Theorie van Cognitie voor Machine-intelligentie

Probleemstelling

Huidige kunstmatige intelligentiesystemen worstelen met het verenigen van representatie, geheugen, adaptatie en predictie binnen één enkel computationeel kader. Bestaande benaderingen leunen doorgaans op afzonderlijke computationele tradities: probabilistische inferentie, recurrente neurale dynamica of symbolische regelgebaseerde structuren. Deze methoden behandelen snelle intuïtieve responsen en langzame deliberatieve redenering vaak als aparte, modulaire componenten (dual-process theorieën) zonder uit te leggen hoe deze voortkomen uit gedeelde onderliggende principes. Bovendien leggen heersende theorieën incompatibele aannames op over interne mentale representaties, wat de ontwikkeling van een verenigde wiskundige beschrijving van adaptief intelligent gedrag in niet-stationaire omgevingen belemmert. De kernuitdaging is om te bepalen of deze diverse cognitieve vermogens kunnen voortkomen uit een gemeenschappelijk geometrisch principe in plaats van uit expliciete architecturale partitionering.

Methodologie

De auteurs stellen een geometrisch kader voor waarbij de interne cognitieve staat van een agent, aangeduid als $\eta$ , evolueert op een differentieerbaar variëteit $\mathcal{M}$ . Het kader wordt gedefinieerd door drie kerncomponenten:

Riemannse Metriek ( $G(\eta)$ ): De variëteit is voorzien van een geleerde, staat-afhankelijke Riemannse metriek. Deze metriek codeert representatieve beperkingen, computationele kosten en structurele afhankelijkheden tussen cognitieve variabelen. Het bepaalt de lokale geometrie van de cognitieve ruimte, wat de "kosten" bepaalt om in verschillende richtingen te bewegen.
Cognitief Potentieel ( $J(\eta)$ ): Een scalaire potentiaalfunctie integreert meerdere gedragsdriften—zoals voorspellende nauwkeurigheid, representatieve economie, taakutiliteit en normatieve vereisten—in één enkele grootheid. Dit potentieel fungeert als een landschap over de variëteit.
Riemannse Gradiëntstroom: De cognitieve dynamica wordt beheerst door de gradiëntstroom van het potentieel met betrekking tot de metriek:
$\frac{d\eta}{dt} = -G(\eta)^{-1}\nabla_\eta J(\eta)$
In tegen tegenover de standaard Euclidische gradiëntafdaling, staat deze formulering toe dat de effectieve leersnelheid en de koppeling tussen coördinaten variëren op basis van de lokale geometrie.

Emergente Tijdsschaal-separatie:
Het kader stelt dat dual-process fenomenen (snelle intuïtie versus langzame deliberatie) natuurlijk voortkomen uit de anisotropie van de geleerde metriek.

Snelle Dynamica: Richtingen met kleine eigenwaarden in $G(\eta)$ komen overeen met lage geometrische kosten, wat snelle, attractor-gestuurde updates mogelijk maakt (intuïtieve/gewoonte-matige responsen).
Langzame Dynamica: Richtingen met grote eigenwaarden komen overeen met hoge geometrische kosten, wat resulteert in een conservatieve, langzame evolutie (deliberatieve redenering).
Deze separatie is intrinsiek aan de geometrie en vereist geen expliciete modulaire decompositie van het systeem.

Algoritmische Instantiaties:
De auteurs instantiëren deze theorie via drie specifieke algoritmen die geëvalueerd zijn in reinforcement learning (RL) settings:

Riemannian PPO: Gebruikt een meta-geleerde metriek binnen Proximal Policy Optimization.
Riemannian Continuele Learning: Toegepast in online, niet-stationaire settings.
Riemannian World Model: Gebaseerd op predictive coding voor latente dynamica.

Experimentele Resultaten

Het kader werd geëvalueerd in gedeeltelijk observeerbare reinforcement learning omgevingen (MiniGrid en Ant-v5) onder condities van observatie-maskering, verlengde sensorische blackouts en taakwisselingen.

Robuustheid tegen Niet-Stationariteit (MiniGrid):
- In taken met periodieke doelwisselingen vertoonde de Riemannse agent kleinere "return shocks" (onmiddellijke prestatiedegradatie) vergeleken met feedforward (CNN) en recurrente (RNN) baselines.
- Echter, de Riemannse agent vertoonde in sommige gevallen een hogere "non-recovery rate", wat suggereert dat er een trade-off is tussen robuustheid tegen initiële schokken en de snelheid van herstel.
- Interne Diagnostiek: De Riemannse agent behield een gladdere metriek-conditionering (lagere variantie in eigenwaarden) en een hogere effectieve dimensionaliteit gedurende de training, wat aangeeft dat representaties minder snel inklapten in laag-dimensionale subruimtes dan de baselines.
Partiële Observeerbaarheid en Blackouts (Ant-v5):
- Onder observatie-maskering en verlengde sensorische blackouts (tot 500 stappen) behield de Riemannse agent (zowel de Representatie- als de Dynamica-varianten) een prestatie die vergelijkbaar is met de sterke PPO-GRU baseline en presteerde significant beter dan de feedforward PPO-MLP.
- Representatie-analyse: Hoewel PPO-GRU een hogere lineaire-probe nauwkeurigheid bereikte voor het reconstrueren van volledige fysieke staten, vertoonden de Riemannse representaties lagere reconstructiescores voor bepaalde variabelen (bijv. snelheid). Dit suggereert dat Riemannse agenten selectief taakrelevante structuren behouden in plaats van de volledige staat expliciet te coderen, maar toch robuuste controle bereiken.
World Model Voorspelbaarheid:
- In latente ruimte voorspellings-taken vertoonden de Riemannse representaties zeer voorspelbare latente dynamica.
- Riemann-Rep behaalde de laagste recursieve rollout-fout en bijna perfecte voorspellende nauwkeurigheid over lange horizonten, waarbij het zowel PPO-MLP als PPO-GRU overtrof in termen van lange-horizon consistentie.
- Dit geeft aan dat de geleerde manifold-structuur regelmatige, stabiele latente trajecten induceert die geschikt zijn voor model-gebaseerd redeneren zonder expliciet recurrent geheugen.

Belangrijkste Bijdragen

Verenigd Geometrisch Kader: Het artikel introduceert een enkel wiskundig principe (Riemannse gradiëntstroom op een geleerde variëteit) dat representatie, geheugen, adaptatie en predictie verenigt.
Emergente Dual-Process Dynamica: Het demonstreert analytisch en empirisch dat snelle en langzame cognitieve modi kunnen voortkomen uit de anisotropie van een geleerde metriek, waardoor de noodzaak voor expliciete architecturale scheiding van intuïtieve en deliberatieve systemen vervalt.
Robuustheid zonder Expliciete Recurrentie: Het werk laat zien dat geleerde latente organisatie een robuustheid tegen observatieverlies en taakwisselingen kan bereiken die vergelijkbaar is met recurrente architecturen, wat de noodzaak van expliciet recurrent geheugen voor temporele consistentie uitdaagt.
Stabiliteit-Plasticiteit Trade-off: Het kader biedt een principieel mechanisme voor het reguleren van de trade-off tussen adaptatie en retentie door middel van de geometrie van de latente ruimte zelf.

Betekenis en Claims

Het artikel claimt een geometrische fundering voor cognitieve computation te hebben gelegd, waarbij dynamische systemen, representatieleer en wereldmodel-gebaseerde intelligentie worden overbrugd.

Theoretische Unificatie: Het biedt een gedeelde wiskundige beschrijving voor diverse cognitieve processen, en suggereert dat de "stabiliteit-plasticiteit dilemma" natuurlijk wordt opgelost door de geometrie van de latente ruimte.
Alternatief voor Recurrentie: De bevindingen suggereren dat geleerde latente geometrie kan dienen als substraat voor geheugen en predictie, wat een effectief alternatief biedt voor expliciete recurrente geheugenmechanismen.
Interdisciplinaire Brug: De benadering verbindt cognitieve wetenschap (dual-process theorieën) en neurowetenschap met moderne AI, en stelt voor dat cognitieve regimes functionele gevolgen zijn van onderliggende geometrie in plaats van modulaire decomposities.

De auteurs blijven bescheiden over de reikwijdte en merken op dat de huidige evaluaties beperkt zijn tot matig-dimensionale latente ruimtes in RL-omgevingen. Zij erkennen dat de computationele kosten voor het inverteren van dichte metriek-tensoren in hoog-dimensionale settings een uitdaging blijven en dat de condities waaronder geometrisch geheugen expliciete recurrentie overtreft, verdere theoretische studie vereisen. Desalniettemin biedt het werk een geprincipeerde route naar robuuste, adaptieve machine-intelligentie die opereert over meerdere tijdschalen.