Демон Лапласа стал Python-проектом: код показывает, почему ИИ не может предсказать всё

В 1814 году Пьер-Симон Лаплас описал гипотетический ум, которому доступны все силы природы и точное положение каждого тела во Вселенной. Такой ум, по Лапласу, свёл бы движение галактик и атомов к одной формуле, и будущее открылось бы ему так же ясно, как прошлое. Эту конструкцию позже назвали «лаплас демон». Открытый проект на Python берёт эту идею и строит конечную модельную систему, в которой демон реализуем буквально, а затем показывает, где и почему конструкция перестаёт масштабироваться на реальную физику.

Что понадобится

• Python (стандартная библиотека, без дополнительных пакетов)
• Go (для вычислительного ядра квантовых состояний, если захотите запускать расширенные эксперименты)
• Базовое понимание клеточных автоматов (автомат Вольфрама, правила от 0 до 255) и энтропии Шеннона (мера неопределённости: чем выше, тем меньше мы знаем о событии)
• Около 2 часов на первый запуск и разбор результатов

Пошаговая инструкция

1. Клонируйте репозиторий проекта. В нём 102 модульных теста и настроена непрерывная интеграция, так что корректность кода проверена автоматически.

2. Определите модельную систему. Проект использует одномерное кольцо из w двоичных ячеек с элементарным клеточным автоматом. Пространство состояний конечно, закон локален, вычисления целочисленны. Выберите правило (по нумерации Вольфрама, от 0 до 255) и ширину кольца.

3. Задайте событие и наблюдателя. Событие определяется как конечнозначная функция состояния. Например: «ячейка 3 примет значение 1 через один шаг эволюции правила 30». Наблюдатель характеризуется доступным ему знанием: какие ячейки он видит.

4. Запустите расчёт коэффициента Лапласа. Программа вычисляет остаточную энтропию (условную энтропию события относительно знания наблюдателя) и нормированную взаимную информацию. Коэффициент Лапласа L принимает значения от 0 до 1:

5. L = 1 означает, что наблюдатель является «демоном» для данного события: знает достаточно, чтобы предсказать исход.

6. L = 0 означает, что доступное знание не снижает неопределённости.

7. Проведите полный перебор подмножеств. Программа перебирает все подмножества ячеек и строит профиль коэффициента Лапласа по объёму знания m. Это процедура, не имеющая аналога в аналитическом рассмотрении: алгоритм сам обнаруживает минимальный определяющий набор ячеек.

8. Проверьте ретродикцию. Симметрия «будущее и прошлое» проверяется перебором прообразов отображения. Для большинства правил отображение не является биекцией (взаимно однозначным), и возможны три исхода:

9. 0 прообразов: конфигурация типа Garden of Eden (в терминологии теоремы Мура и Майхилла), достижимая только как начальное условие

10. 1 прообраз: для данного состояния прообраз восстанавливается однозначно

11. Несколько прообразов: возникает потеря информации

12. Изучите шесть ограничений. Проект рассматривает шесть типов ограничений на условие полного предсказания: от практических (цена измерения, цена стирания памяти) до фундаментальных (квантовая неопределённость, самоприменение). Статус каждого ограничения оговорён в изложении и сведён в итоговую таблицу. Не все из них опираются на доказанные теоремы, и не все независимы друг от друга.

Что делать с этим прямо сейчас?

Автору Дзена. Концепция «лаплас демон» превращается в наглядный материал для статьи или серии постов: запустите код, сделайте скриншоты профиля предсказуемости для разных правил Вольфрама. Читатели увидят, как одна ячейка автомата бывает «предсказуемой» и «случайной» в зависимости от того, что вы знаете. Это работающая визуальная метафора для объяснения ограничений любого ИИ.

Маркетологу. Когда клиент спрашивает «почему нейросеть ошиблась в прогнозе», у вас появляется точная аналогия. Неопределённость зависит не только от модели, но и от данных, которые ей доступны. Коэффициент Лапласа наглядно показывает: больше релевантных данных означает меньше энтропии, а не «лучший алгоритм».

Предпринимателю в РФ. Проект открыт, написан на Python со стандартной библиотекой, не требует зарубежных API или платных подписок. Запускается без ограничений, связанных с санкциями или геоблоками. Для экспериментов с квантовыми состояниями нужен Go, тоже доступен без ограничений.

Проект показывает простую и неудобную вещь: даже в игрушечной вселенной из нескольких двоичных ячеек полное предсказание требует знания конкретного причинного конуса, а не «всех данных вообще». Для тех, кто работает с нейросетями каждый день, это практический вывод: не гонитесь за объёмом обучающих данных (обучающие данные, dataset, набор примеров, на которых модель учится), ищите релевантные.