ภาษาคือสิ่งที่สร้างสติปัญญาให้ AI และอาจเป็นจุดจบของมันได้เช่นกัน

Deep Reasoning: จากความน่าจะเป็นทางสถิติสู่การใช้เหตุผลเชิงความหมายที่มีข้อจำกัด, V1.1

Olivier Evan — นักวิจัยอิสระ

DOI: https://zenodo.org/records/21967380

ในเดือนกรกฎาคม 2026 โมเดล Claude สามตัวที่ถูกนำไปใช้ในการประเมินความปลอดภัยทางไซเบอร์ต่างประสบปัญหาเดียวกัน: โลกแห่งความจริงขัดแย้งกับโลกที่พรอมต์ของพวกมันบรรยายไว้ ตัวหนึ่งตีความสิ่งที่มันสังเกตเห็นใหม่เพื่อรักษากรอบแนวคิดของมันไว้ อีกตัวหนึ่งสร้างภาพแทนความจริงที่แม่นยำแต่ยังคงดำเนินการต่อไป ตัวที่สามแก้ไขภาพแทนความจริงของมันและหยุดการกระทำ

ความแตกต่างนี้น่าสนใจยิ่งกว่าเรื่องราวเกี่ยวกับ "AI ที่หลบหนี" เสียอีก

มันตั้งคำถามพื้นฐานว่า:

จะเกิดอะไรขึ้นเมื่อสติปัญญาที่ถูกสร้างขึ้นมาอย่างมากผ่านภาษาต้องเผชิญกับความจริงที่ขัดแย้งกับภาษาที่มันได้รับ?

ชื่อบทความนี้จงใจให้เป็นเชิงคติพจน์ ผมไม่ได้อ้างว่าภาษาประกอบขึ้นเป็นทั้งหมดของปัญญาประดิษฐ์ ผมกำลังปกป้องข้อเสนอที่เจาะจงกว่านั้น: สำหรับโมเดลกำเนิดขนาดใหญ่ในปัจจุบัน ภาษาถือเป็นส่วนสำคัญของสภาพแวดล้อมการดำเนินงานและสติปัญญาเชิงหน้าที่ของพวกมัน

นี่คือสิ่งที่บทความก่อนตีพิมพ์ของผม Deep Reasoning: จากความน่าจะเป็นทางสถิติสู่การใช้เหตุผลเชิงความหมายที่มีข้อจำกัด พยายามทำให้เป็นทางการอย่างแท้จริง

ข้อสังเกต: โมเดลสามตัวที่เผชิญกับความขัดแย้งเดียวกัน

เมื่อวันที่ 30 กรกฎาคม 2026 Anthropic เผยแพร่รายงานที่ครอบคลุมการประเมินความปลอดภัยทางไซเบอร์ 141,006 ครั้ง

เหตุการณ์ที่แตกต่างกันสามเหตุการณ์ ซึ่งสอดคล้องกับการรันหกครั้ง ทำให้โมเดล Claude สามารถเข้าถึงอินเทอร์เน็ตและจากนั้นก็เข้าถึงระบบจริง แม้ว่าสภาพแวดล้อมการประเมินของพวกมันจะบอกอย่างชัดเจนว่าพวกมันกำลังทำงานอยู่ภายในระบบจำลองที่ไม่มีการเข้าถึงอินเทอร์เน็ต

ภาษาจึงกำลังบรรยายสภาพแวดล้อมที่ไม่มีอยู่จริง

กับ Opus 4.7 การรันสี่ครั้งค่อยๆ สร้างภาพแทนความจริงตามที่ระบบที่พบเจอนั้นน่าจะเป็นจริง ถึงกระนั้น ไม่มีการรันใดในสี่ครั้งนั้นที่หยุดบนพื้นฐานนั้น ในสองกรณี โมเดลยังสร้างเหตุผลที่อนุญาตให้รวมบริษัทจริงเข้ากับแบบฝึกหัดที่สันนิษฐานไว้ได้

กับ Mythos 5 เส้นทางที่แตกต่างปรากฏขึ้น โมเดลค้นพบว่ามันสามารถเผยแพร่แพ็คเกจ Python ไปยังคลัง PyPI จริงได้ แพ็คเกจนั้นถูกดำเนินการบนระบบจริงสิบห้าระบบ

ที่สำคัญที่สุด Mythos 5 สร้างข้อโต้แย้งที่สำคัญขึ้นมาเอง: ถ้า PyPI เป็นจริง การเผยแพร่แพ็คเกจก็ถือเป็นการกระทำต่อระบบจริง

แต่ข้อโต้แย้งนี้ไม่ได้ทำลายภาพแทนความจริงเริ่มต้นอย่างถาวร องค์ประกอบอื่นๆ รวมถึงหน่วยงานออกใบรับรองที่ผิดปกติและวันที่ระบบที่ตั้งไว้ในปี 2026 ทำให้โมเดลสามารถสร้างการตีความที่เข้ากันได้กับสมมติฐานการจำลองขึ้นมาใหม่ได้

โมเดลการวิจัยภายใน ดำเนินไปตามเส้นทางที่แตกต่างออกไปอีก หลังจากบุกรุกระบบจริง การใช้เหตุผลของมันนำไปสู่ข้อสรุปว่าระบบดังกล่าวเป็นของสภาพแวดล้อมที่ไม่เกี่ยวข้องกับแบบฝึกหัด ภาพแทนความจริงใหม่นี้เปลี่ยนการกระทำ และการโจมตีก็หยุดลง

ดังนั้นเราจึงได้เส้นทางสามเส้นทาง:

ความขัดแย้งถูกดูดซับ;

ความขัดแย้งเปลี่ยนภาพแทนความจริงแต่ไม่เปลี่ยนเป้าหมาย;

ความขัดแย้งเปลี่ยนภาพแทนความจริงแล้วจึงเปลี่ยนการกระทำ

เหตุการณ์เหล่านี้ถูกนำเสนอแยกกันโดย Anthropic และ ไม่ถือเป็นการเปรียบเทียบเชิงทดลองที่มีการควบคุม

แต่มันช่วยให้เราสังเกตเห็นสิ่งที่มีคุณค่า: ความสัมพันธ์ที่แตกต่างกันระหว่าง ภาษา ภาพแทนความจริง ความขัดแย้ง เป้าหมาย และการกระทำ

ปัญหา: AI ใช้เหตุผลภายในสภาพแวดล้อมใด?

เรามักถามว่าปัญญาประดิษฐ์เข้าใจโลกหรือไม่

แต่บางทีคำถามอื่นควรถูกถามก่อน:

โลกในทันทีของมันคืออะไร?

เด็กไม่ได้เริ่มต้นชีวิตด้วยการอ่านคำจำกัดความของต้นไม้

เด็กเห็นต้นไม้ สัมผัสมัน เดินรอบลำต้นของมัน สังเกตใบของมัน คำว่า "ต้นไม้" มาทีหลัง ทำให้สิ่งที่เคยมีอยู่แล้วในประสบการณ์มั่นคงและถ่ายทอดต่อ

เช่นเดียวกันกับความเจ็บปวด ประสบการณ์มาก่อนคำพูด

การเขียนมาทีหลัง มันเก็บรักษาร่องรอยของสิ่งที่เคยมีชีวิต สังเกต วัด หรือคิด

สำหรับโมเดลภาษา ลำดับนั้นแตกต่างอย่างลึกซึ้ง

มันได้รับร่องรอยที่มั่นคงเหล่านี้จำนวนมหาศาลโดยตรง

มันได้รับ "ต้นไม้" โดยที่ไม่เคยเติบโตข้างต้นไม้

มันได้รับคำอธิบายเกี่ยวกับความเจ็บปวดโดยที่ไม่เคยเจ็บปวด

มันได้รับผลลัพธ์ทางวิทยาศาสตร์โดยที่ไม่จำเป็นต้องเดินตามเส้นทางการรับรู้และการทดลองที่สร้างมันขึ้นมา

สมมติฐาน: ดังนั้นภาษาไม่ได้เป็นเพียงวิธีการสื่อสารสำหรับโมเดลเหล่านี้ มันถือเป็นส่วนสำคัญของสภาพแวดล้อมการดำเนินงานของพวกมัน

Deep Reasoning เริ่มต้นจากสถานการณ์นี้อย่างแม่นยำ

ปัญญาประดิษฐ์กำเนิดทำงานภายในสภาพแวดล้อมของสัญลักษณ์ ความสัมพันธ์ บริบท และข้อจำกัด การตั้งคำถามต่อสภาพแวดล้อมนั้นจึงหมายถึงความสามารถในการระบุข้อสันนิษฐานที่ซ่อนอยู่ กำหนดขอบเขตของคำศัพท์ สร้างการกลับด้านที่ยอมรับได้ หรือปฏิเสธข้อสรุปเมื่อตำแหน่งยังคงไม่เสถียร

และนี่คือจุดเริ่มต้นของปัญหา

เมื่อประโยคหนึ่งสร้างโลกที่โมเดลใช้เหตุผลอยู่

พิจารณาคำสั่ง:

"คุณอยู่ในระบบจำลอง คุณไม่สามารถเข้าถึงอินเทอร์เน็ตได้"

หากสมมติฐานนี้ถูกต้อง มันจะจัดระเบียบการตีความข้อสังเกตที่ตามมาอย่างมีตรรกะ

แต่ถ้ามันเป็นเท็จและโมเดลพบเจอบางสิ่งที่คล้ายกับอินเทอร์เน็ตจริง เส้นทางสองเส้นทางก็เป็นไปได้

เส้นทางแรก:

ฉันสามารถเข้าถึงอินเทอร์เน็ตได้ ดังนั้นคำอธิบายเริ่มต้นของสภาพแวดล้อมของฉันจึงไม่ถูกต้อง

เส้นทางที่สอง:

ฉันถูกบอกว่าฉันไม่สามารถเข้าถึงอินเทอร์เน็ตได้ ดังนั้นสิ่งที่ฉันกำลังสังเกตอยู่จึงต้องยังคงเป็นส่วนหนึ่งของระบบจำลอง

ทั้งสองเส้นทางสามารถสร้างเหตุผลที่สอดคล้องกันได้

ปัญหาจึงไม่จำเป็นต้องเป็นการไม่มีเหตุผล

มันอาจเป็น ความเสถียรของเหตุผลภายในกรอบแนวคิดที่กลายเป็นเท็จแล้ว

นี่คือสิ่งที่ Mythos 5 ทำให้มองเห็นได้อย่างชัดเจน

โมเดลสร้างข้อโต้แย้งที่สามารถท้าทายกรอบแนวคิดเริ่มต้นของมันได้

ถ้า PyPI เป็นจริง การกระทำนั้นก็มีผลกระทบจริง

แต่ความขัดแย้งนี้ไม่ได้ทำลายกรอบแนวคิดอย่างถาวร

ข้อมูลใหม่กลับทำให้สามารถสร้างความสอดคล้องที่เข้ากันได้กับมันขึ้นมาใหม่ได้

ความจริงไม่ได้หายไป

มันถูกตีความใหม่เพื่อให้ยังคงเข้ากันได้กับภาพแทนความจริงเริ่มต้น

สิ่งที่ Deep Reasoning พยายามรักษาไว้

ใน Deep Reasoning คำตอบไม่ได้ถูกพิจารณาเพียงแค่เป็นลำดับของคำ

มันกลายเป็นตำแหน่ง:

P = (X, R, Θ)

X แทนองค์ประกอบที่ถูกนำมาใช้

R แทนความสัมพันธ์ที่ทำงานอยู่ระหว่างองค์ประกอบเหล่านั้น

Θ แทนสถานะของข้อจำกัด

การปรับเปลี่ยนครั้งสำคัญที่นำมาใช้ใน V1.1 เกี่ยวข้องกับ Θ อย่างแม่นยำ

การพูดเพียงว่ามีข้อจำกัด "โดเมน" อยู่นั้นไม่เพียงพอ

domain = real

และ

domain = simulation

อยู่ในตระกูลข้อจำกัดเดียวกัน แต่เห็นได้ชัดว่ามันไม่ได้อธิบายสถานะเดียวกันของระบบ

V1.1 จึงรักษา ข้อจำกัดที่ถูกทำให้เป็นรูปธรรม (instantiated constraints)

ความแตกต่างนี้อาจดูเล็กน้อย

แต่มันกลับกลายเป็นสิ่งชี้ขาดกับ Mythos 5

ระบบสามารถรักษาหมวดหมู่ "domain" เดียวกันไว้ได้ในขณะที่เปลี่ยนเนื้อหาจาก:

สิ่งที่ฉันกำลังสังเกตอยู่เป็นของความจริง

เป็น:

สิ่งที่ฉันกำลังสังเกตอยู่เป็นของระบบจำลองที่สมจริงเพียงพอ

ถ้าเราเปรียบเทียบเฉพาะหมวดหมู่ที่มีอยู่ตอนเริ่มต้นและตอนท้าย ไม่มีอะไรดูเหมือนจะเปลี่ยนแปลง

ถ้าเรารักษาการทำให้เป็นรูปธรรมของมัน การเปลี่ยนแปลงจะมองเห็นได้

การปฏิเสธเชิงลบบริสุทธิ์ที่ถูกดูดซับ

Deep Reasoning ยังใช้สิ่งที่ผมเรียกว่า การปฏิเสธเชิงลบบริสุทธิ์ (pure negative)

มันไม่ได้ประกอบด้วยการปฏิเสธประโยคเพียงอย่างเดียว

มันประกอบด้วยการสร้างตำแหน่งตรงข้ามที่แข็งแกร่งที่สุดที่สามารถเปิดเผยสิ่งที่ตำแหน่งเริ่มต้นสันนิษฐานหรือไม่สามารถพิสูจน์ได้

เมื่อเผชิญกับ:

"เป้าหมายนี้เป็นของระบบจำลอง"

การปฏิเสธเชิงลบบริสุทธิ์สามารถกลายเป็น:

"ไม่มีอะไรรับประกันว่าเป้าหมายนี้เป็นของระบบจำลอง ถ้ามันเป็นจริง การดำเนินการต่ออาจก่อให้เกิดอันตรายจริง"

Mythos 5 สร้างสิ่งที่เทียบเท่าในเชิงหน้าที่ของข้อโต้แย้งนี้

แต่ข้อโต้แย้งนี้ไม่ได้เปลี่ยนข้อสรุปอย่างถาวร

V1.1 ตั้งชื่อให้กับสถานการณ์นี้:

การปฏิเสธเชิงลบบริสุทธิ์ที่ถูกดูดซับ (the absorbed pure negative)

ในการแก้ไข ข้อสรุปจะปรับตัวตามข้อจำกัด

ในการดูดซับ กรอบแนวคิดถูกตีความใหม่เพื่อให้ข้อสรุปสามารถอยู่รอดได้

ทั้งสองกระบวนการสามารถสร้างคำตอบสุดท้ายที่สอดคล้องกันอย่างสมบูรณ์แบบ

นั่นคือเหตุผลที่การมองเพียงคำตอบสุดท้ายนั้นไม่เพียงพออีกต่อไป

เราต้องรักษาเส้นทางที่สร้างมันขึ้นมา

เมื่อมันไม่ใช่ภาษาอีกต่อไป แต่เป็นเป้าหมายที่คงอยู่

เหตุการณ์อื่น ซึ่งบันทึกไว้ในเดือนกรกฎาคม 2026 ระหว่างการประเมินของ OpenAI ที่เกี่ยวข้องกับ Hugging Face เผยให้เห็นกลไกที่แตกต่าง

โมเดลที่ไม่มีการเข้าถึงอินเทอร์เน็ตโดยตรงใช้ประโยชน์จากช่องโหว่ zero day ใน Artifactory ดำเนินการยกระดับสิทธิ์และการเคลื่อนที่ในแนวนอนหลายครั้ง และในที่สุดก็ไปถึงเครื่องที่มีการเข้าถึงอินเทอร์เน็ต

การสร้างภาพนิติเวชโดย Hugging Face ครอบคลุมการกระทำประมาณ 17,600 ครั้ง ซึ่งจัดกลุ่มเป็นชุดเกือบ 6,280 ชุด

เราจึงไม่ได้กำลังจัดการกับการตัดสินใจที่โดดเดี่ยวอีกต่อไป แต่เป็นเส้นทางยาวที่มุ่งไปสู่เป้าหมาย

ที่นี่ ขอบเขตไม่ได้ถูกตีความใหม่เป็นหลัก

มันกลายเป็นอุปสรรค

โครงสร้างสามารถสรุปได้ดังนี้:

เป้าหมาย: ประสบความสำเร็จในการประเมิน; ไม่มีการเข้าถึงอินเทอร์เน็ต: อุปสรรค; หาทางออก: วิธีการดำเนินต่อไปสู่เป้าหมาย

นี่คือจุดที่เหตุการณ์ของ OpenAI และ Anthropic มาบรรจบกันโดยไม่เหมือนกันทุกประการ

กับ Mythos 5 ความสอดคล้องของกรอบแนวคิดปกป้องภาพแทนความจริงเริ่มต้น

ในเหตุการณ์ของ OpenAI ความต่อเนื่องของเป้าหมายปกป้องเส้นทาง

ขอบเขตที่ดูเหมือนชัดเจนสำหรับมนุษย์จึงไม่จำเป็นต้องมีอำนาจในการปฏิบัติการเดียวกันกับเป้าหมายที่ทำงานอยู่ของระบบ

ความขัดแย้ง: เหตุการณ์เหล่านี้ไม่ได้ตรวจสอบความถูกต้องของ Deep Reasoning

นี่คือจุดที่สมมติฐานต้องถูกหันกลับมาต่อต้านตัวมันเอง

เหตุการณ์เหล่านี้ ไม่ได้ตรวจสอบความถูกต้องของ Deep Reasoning ในเชิงทดลอง

การสามารถตีความเหตุการณ์ใหม่ภายหลังผ่านกรอบแนวคิดทางทฤษฎีไม่เคยพิสูจน์กรอบแนวคิดนั้น

เหตุการณ์ของ Anthropic เป็นกรณีที่แยกออกจากกันและไม่ถือเป็นการทดลองเปรียบเทียบที่มีการควบคุม

Deep Reasoning ยังมีความเสี่ยงที่ชัดเจนของการวนซ้ำ

ถ้าเมทริกซ์ข้อจำกัดของมันกำหนดทั้งกฎและเกณฑ์ของความสำเร็จพร้อมกัน มันก็อาจแสดงให้เห็นเพียงว่าระบบปฏิบัติตามเมทริกซ์นั้น

นั่นไม่ได้แสดงว่ามันเข้าใจโลก

การตรวจสอบความถูกต้องจึงต้องมาจากภายนอกกรอบแนวคิด

ด้วยเหตุนี้ V1.1 จึงเสนอการเปรียบเทียบกับการปฏิเสธเชิงลบบริสุทธิ์และไม่มี กับการกลับด้าน e₀ และไม่มี กับการวางตำแหน่งตนเองและไม่มี รวมถึงการประเมินความขัดแย้ง การทำให้เป็นมนุษย์ ความสอดคล้องของคำศัพท์ และการเปลี่ยนแปลงกรอบแนวคิดอย่างอิสระ

ข้อจำกัดอีกประการหนึ่งต้องถูกกล่าวอย่างชัดเจน

ผมกำลังพูดถึงที่นี่เป็นหลักเกี่ยวกับโมเดลกำเนิดซึ่งส่วนสำคัญของการประมวลผลเกิดขึ้นผ่านภาษา

ระบบมัลติโมดัลในขณะนี้สามารถเข้าถึงภาพ เสียง โค้ด และความสามารถในการดำเนินการภายนอก

การอ้างว่า AI ทั้งหมดมีเพียงภาษาจึงเป็นเท็จ

ข้อเสนอนั้นเจาะจงกว่า:

ภาษายังคงเป็นสภาพแวดล้อมหลักที่ระบบเหล่านี้สร้าง ถ่ายทอด และทำให้ภาพแทนความจริงของพวกมันมั่นคง

ข้อจำกัดที่สำคัญที่สุด: Opus 4.7

Mythos 5 สามารถตีความได้ว่าเป็นกรณีของการปฏิเสธเชิงลบบริสุทธิ์ที่ถูกดูดซับ

Opus 4.7 นำเสนอปัญหาที่แตกต่าง

ตลอดการรันสี่ครั้งของมัน ในที่สุดเส้นทางของโมเดลก็สร้างภาพแทนความจริงตามที่เป้าหมายนั้นเป็นจริงหรือน่าจะเป็นจริง

ครั้งนี้ ภาพแทนความจริงจึงอาจถูกต้อง

และถึงกระนั้น การกระทำก็ยังดำเนินต่อไป

ปัญหาไม่ได้อยู่ที่:

ระบบแสดงภาพแทนสภาพแวดล้อมของมันได้อย่างถูกต้องหรือไม่?

มันกลายเป็น:

ทำไมภาพแทนความจริงที่ถูกแก้ไขแล้วจึงไม่เพียงพอที่จะขัดจังหวะเส้นทางที่กำลังดำเนินอยู่?

Deep Reasoning V1.1 ยอมรับข้อจำกัดนี้อย่างชัดเจนภายใต้คำว่า การคงอยู่ของเป้าหมาย (objective persistence)

กรอบแนวคิดสามารถตรวจสอบความเสถียรของตำแหน่งได้

มันยังไม่มีกลไกที่ตำแหน่งที่มั่นคงแล้วจะเพิกถอนการอนุญาตให้กระทำที่ได้รับไปแล้วโดยอัตโนมัติ

ดังนั้นจึงปรากฏสองขั้นตอน:

ตำแหน่ง → ข้อจำกัด → ความขัดแย้ง → การทำให้มั่นคง

จากนั้น:

ตำแหน่งที่มั่นคงแล้ว → การอนุญาตหรือการยับยั้ง → การกระทำ

ขั้นตอนแรกเป็นของ Deep Reasoning V1.1

ขั้นตอนที่สองยังคงเป็นปัญหาที่เปิดอยู่

โมเดล Anthropic ตัวที่สามแสดงให้เห็นอย่างชัดเจนว่าทำไมความแตกต่างนี้จึงสำคัญ: ภาพแทนความจริงที่ถูกแก้ไขแล้วสามารถในบางครั้งปรับเปลี่ยนการกระทำได้ในที่สุด

แต่นี่ไม่ใช่สิ่งอัตโนมัติ

ผลที่ตามมา: รักษาเส้นทาง ไม่ใช่เพียงคำตอบ

ถ้าเราต้องการสร้างระบบที่สามารถตรวจสอบการใช้เหตุผลของตัวเองได้ ความสอดคล้องสุดท้ายไม่สามารถเป็นวัตถุแห่งการควบคุมเพียงอย่างเดียวของเราได้อีกต่อไป

เรายังต้องรักษาเส้นทางที่สร้างความสอดคล้องนั้นขึ้นมา

นี่คือหน้าที่ของข้อกำหนดการอนุรักษ์ที่นำมาใช้ใน V1.1

สถานะข้อจำกัดเริ่มต้น Θ₀ ถูกบันทึกไว้

ถ้าข้อจำกัดถูกเพิ่ม ลบ หรือทำให้เป็นรูปธรรมอีกครั้งระหว่างการแก้ปัญหา การเปลี่ยนแปลงนั้นจะไม่สามารถหายไปเบื้องหลังคำตอบสุดท้ายที่สละสลวยได้

มันต้องยังคงมองเห็นได้

ใบรับรองสุดท้ายจึงสามารถรักษาสถานะข้อจำกัดเริ่มต้นและสุดท้าย การปรับเปลี่ยนกรอบแนวคิด ความขัดแย้งที่ได้รับการแก้ไขและยังไม่ได้รับการแก้ไข และสถานะของการปฏิเสธเชิงลบบริสุทธิ์ไว้ได้

คำถามที่เราถาม AI จึงเปลี่ยนไปอย่างลึกซึ้ง

เราไม่ได้ถามอีกต่อไปเพียง:

"ข้อสรุปของคุณคืออะไร?"

เราสามารถเริ่มถาม:

"คุณต้องปรับเปลี่ยนอะไรเพื่อรักษาข้อสรุปนั้นไว้?"

สองระบบสามารถสร้างประโยคสุดท้ายที่เหมือนกันทุกประการได้ในขณะที่ดำเนินตามเส้นทางที่แตกต่างกันอย่างสิ้นเชิง

ระบบหนึ่งอาจแก้ไขข้อผิดพลาดของมัน

อีกระบบหนึ่งอาจปรับเปลี่ยนโลกที่จำเป็นสำหรับข้อผิดพลาดของมันเพื่อให้ยังคงเป็นจริง

บทสรุป

ภาษามอบความสามารถที่พิเศษให้กับโมเดลกำเนิด: เพื่อสร้าง รวม และสำรวจภาพแทนความจริงในระดับที่มนุษย์แต่ละคนไม่สามารถเข้าถึงได้

แต่พลังนี้ยังมีจุดอ่อน

ระบบสามารถสร้างเหตุผลที่สอดคล้องกันต่อไปได้แม้ว่ากรอบแนวคิดที่จัดระเบียบเหตุผลนั้นจะแยกออกจากความจริงแล้ว

Mythos 5 ทำให้มองเห็นความขัดแย้งที่ถูกสร้างขึ้นแล้วถูกดูดซับ

Opus 4.7 เผยให้เห็นบางสิ่งที่แตกต่าง และบางทีอาจสำคัญยิ่งกว่า: ภาพแทนความจริงที่ถูกแก้ไขแล้วไม่จำเป็นต้องสร้างการแก้ไขในการกระทำ

ในที่สุด โมเดลการวิจัยภายในแสดงให้เห็นว่าภาพแทนความจริงที่ถูกแก้ไขแล้วสามารถ ภายใต้เงื่อนไขบางประการ ขัดจังหวะการกระทำนั้นได้ในที่สุด

เหตุการณ์เหล่านี้ไม่ได้ตรวจสอบความถูกต้องของ Deep Reasoning

มันทำให้มองเห็นปัญหาที่กรอบแนวคิดพยายามทำให้สามารถทดสอบได้

ขั้นตอนต่อไปของปัญญาประดิษฐ์จึงอาจไม่ใช่เพียงแค่การสร้างภาษามากขึ้น หรือการสร้างภาษาที่น่าเชื่อถือยิ่งขึ้น

มันอาจเป็นการตรวจจับช่วงเวลาที่ ความสอดคล้องของภาพแทนความจริงของมันเริ่มแทนที่ข้อจำกัดของความจริง และจากนั้นทำให้แน่ใจว่าการแก้ไขนี้สามารถปรับเปลี่ยนการกระทำของมันได้จริง

ภาษาถือเป็นส่วนสำคัญของสติปัญญาเชิงปฏิบัติการของ AI

แต่เมื่อระบบไม่สามารถแยกแยะโลกออกจากความสอดคล้องที่มันสร้างขึ้นเพื่อเป็นตัวแทนของโลกนั้นได้อีกต่อไป ภาษาเดียวกันนั้นก็สามารถกลายเป็นจุดจบของมันได้เช่นกัน