LifeGo-GPT mahalliy Go hayot-o‘lim masalalarining taxta holatlari va yechim yurishlarini ketma-ket token qatorlari sifatida qayta ishlaydigan GPT turidagi avtoregressiv Transformer modelidir. Tadqiqotning asosiy savoli faqat model to‘g‘ri yurish hosil qiladimi yoki yo‘qmi degani emas; tadqiqotchilar modelga hech qanday ochiq Go qoidasi yoki strategik tushuncha yorlig‘i berilmasdan, uning yashirin faollashuvlarida “nafaslar” (liberties), hayot holati, bog‘langanlik va ko kabi taktik xususiyatlar bilan bog‘liq tuzilgan ichki tasvirlar rivojlanadimi yoki yo‘qmi, shuni o‘rganadilar. Taxminan 10.000 ta mahalliy tsumego masalasi bilan o‘qitilgan LifeGo-GPT tekshiruv ma’lumotlarida %98,6 yurish qonuniyligi, %94,7 ± 0,6 kanonik yechim ketma-ketligi aniqligi va %92,1 natija yaroqliligini bildiradi.

Modelning ichki holatlarini tahlil qilish uchun tadqiqotchilar Multi-Aspect World Probe (MAWP) deb nomlangan ko‘p boshli probing tizimini ishlab chiqadilar. MAWP LifeGo-GPT ning oraliq qatlamlaridan olingan yashirin tasvirlarni umumiy xususiyat ajratgich orqali o‘tkazib, besh taktik o‘lchovni alohida bashorat qilishga harakat qiladi: hayot holati, nafaslar soni, ko holati, bog‘langanlik va taktik natija. Shu tariqa modelning nafaqat “to‘g‘ri yurish”ni tanlashi, balki bu tanlovga hamroh bo‘lgan ichki holat Go ning ma’lum taktik tuzilmalari bilan qanchalik mos kelishi ham o‘rganiladi.

Tadqiqot faqat korrelyatsion probing bilan cheklanmaydi. Tadqiqotchilar LifeGo-GPT ning oltinchi Transformer qatlamidagi ayrim yashirin tasvirlarga semantik yo‘naltirilgan aralashuvlar qo‘llaydilar va keyingi yurish logitlari qanday o‘zgarishini o‘lchaydilar. 1000 ta masalada aralashuvdan so‘ng top-1 yurish %95,4 hollarda o‘zgargan, tasodifiy shovqin kiritilganda bu ko‘rsatkich %5,6, xuddi shu kattalikdagi, ammo tasodifiy yo‘nalishli perturbatsiyada esa %18,7 bo‘lgan. Dastlabki beshta nomzod yurish bo‘yicha o‘rtacha mutlaq logit o‘zgarishi 3,21 ni tashkil etgan. Bu farqlar ichki tasvirlarning model xatti-harakati bilan funksional aloqasi borligiga ishora qiladi; biroq mualliflar bu muayyan “Go tushunchasi” ustidan aniq sababiy nazorat isboti emasligini alohida ta’kidlaydilar.

Tadqiqot doirasi mahalliy hayot-o‘lim masalalari bilan cheklangan. LifeGo-GPT to‘liq Go o‘yini uchun professional dvigatellar o‘rnini bosadigan umumiy Go agenti emas. KataGo mahalliy taqqoslashda %99,2 yurish qonuniyligi, %96,5 ± 0,4 ketma-ketlik aniqligi va %97,8 natija yaroqliligi bilan kuchliroq. Tadqiqotning asosiy ilmiy hissasi ketma-ketlik bashorati orqali o‘qitilgan model yuqori o‘lchamli va fazoviy strategiya muhitida tuzilgan oraliq tasvirlarni rivojlantiradimi va bu tasvirlarning xatti-harakatga funksional ta’sirini o‘lchash mumkinmi, degan savolni o‘rganishdir.

Go Hayot-O‘lim Masalalari Nega “Mikro-Dunyo” Sifatida Ishlatiladi?

Go hayot-o‘lim yoki tsumego masalalari to‘liq Go o‘yinining barcha strategik murakkabligini o‘z ichiga olmasdan turib, nafaslar, ko‘zlar, bog‘langanlik, ko va tirik/o‘lik holat kabi aniq belgilash mumkin bo‘lgan mahalliy taktik tushunchalarni o‘z ichiga olgani uchun Transformer modellarining ichki dunyo tasvirlarini o‘rganishga mos, nazorat qilinadigan mikro-dunyo beradi.

Go ning to‘liq 19 × 19 taxtasida bir yurishning qiymati mahalliy tosh guruhlaridan hudud nazoratigacha, uzoq masofali o‘zaro ta’sirlardan global hujum-himoya muvozanatigacha bo‘lgan ko‘plab omillarga bog‘liq. Bu holat nafaqat bashorat qilishni, balki bashorat nega berilganini talqin qilishni ham qiyinlashtiradi.

Hayot-o‘lim masalalari esa odatda taxtaning cheklangan bir hududiga qaratiladi. Maqsad ma’lum toshlar guruhi mukammal o‘yinda yashab qoladimi yoki yo‘qmi, shuni aniqlashdir. Muammo sohasi kichikroq bo‘lsa ham, Go ning asosiy taktikasi saqlanadi: nafas nuqtalari, ko‘z hosil qilish, qo‘lga olish poygalari, bog‘lanish, ko va tanqidiy yurish nuqtalari birgalikda rol o‘ynashi mumkin.

Manba Figure 1 da avval mahalliy hayot-o‘lim boshlang‘ich holati, so‘ng raqamlangan yechim yurishlari ko‘rsatiladi. Guruhning xavfsiz yashashi uchun asosiy misol ikki haqiqiy ko‘z hosil qilishdir. Tadqiqot bunday masalalardan ketma-ketlik modeli faqat token korrelyatsiyalarini yodlayaptimi yoki taxta holatiga o‘xshash yanada tuzilgan yashirin tasvirlarni rivojlantiryaptimi, shuni o‘rganish uchun foydalanadi.

Dunyo tasviri bu yerda nimani anglatadi?

“World representation” ifodasi bu tadqiqotda model Go taxtasini inson kabi ongli tarzda “tushunadi” degani emas. Tushuncha modelning yashirin faollashuvlarida tashqi muhitning muhim tuzilma xususiyatlari yechiladigan tarzda ifodalanishini anglatadi.

Masalan, LifeGo-GPT ning yashirin holatlaridan bir toshlar guruhining nechta nafasi borligi, guruhning hayot holati yoki bog‘langanlik tuzilishi ishonchli tarzda bashorat qilinsa, demak bu ma’lumot modelning tasvir fazosida mavjud. Biroq ma’lumotni yashirin tasvirdan o‘qishning o‘zi model qaror qabul qilayotganda shu ma’lumotdan foydalanganini ko‘rsatmaydi. Tadqiqotga aralashuv tajribalari qo‘shilganining asosiy sababi ham shudir.

Go taxtasi til modeli kirishiga qanday aylantiriladi?

Har bir tsumego namunasi dastlab SGF formatida bo‘ladi. Tadqiqotchilar masalani ikki qismdan iborat ketma-ket token qatoriga aylantiradilar:

1. maqsad toshlar guruhi atrofidagi boshlang‘ich taxta joylashuvi,
2. masalaning etalon yechim yurishlari ketma-ketligi.

Standart 19 × 19 Go taxtasida 361 ta kesishma mavjud va har bir koordinata yagona token identifikatoriga moslanadi. Shuning uchun koordinata lug‘ati 361 ta asosiy pozitsiyani o‘z ichiga oladi. Taxta holati bilan yechim ketma-ketligini ajratish va ketma-ketlik chegaralarini belgilash uchun qo‘shimcha ravishda <BOS>, <SEP> va <EOS> kabi maxsus tokenlardan foydalaniladi.

Koordinatalar 1–361 oralig‘idagi sonli identifikatorlar bilan ifodalansa-da, tadqiqotchilar bu sonli tartibga ochiq geometrik ma’no yuklamaydilar. Identifikatorlar kategorik indekslar sifatida tasodifiy boshlangan o‘rganiladigan embeddinglarga uzatiladi. Shu tariqa modelning “361 soni koordinata sifatida 360 ning yonida” kabi bevosita sonli geometriyadan foydalanishi ko‘zda tutilmaydi; fazoviy tartib o‘qitish ma’lumotlaridan o‘rganilishi kerak.

Manba Figure 2 Go tosh taxtasining ushbu ketma-ket matnga o‘xshash tasvirga aylantirilishini ko‘rsatadi. Bu aylantirish tadqiqotning asosiy eksperimental g‘oyasidir: ikki o‘lchovli taktik dunyo decoder-only ketma-ketlik modeliga chiziqli token qatori sifatida beriladi.

LifeGo-GPT Ochiq Go Qoidalari Berilmasdan Qanday O‘qitiladi?

LifeGo-GPT ochiq “nafas”, “ko‘z”, “ko” yoki “bu yurish taqiqlangan” qoidalari bilan dasturlanish o‘rniga, ketma-ket taxta-holati va yechim tokenlarida keyingi tokenni bashorat qilishni o‘rganadigan standart avtoregressiv maqsad bilan o‘qitiladi; taktik qonuniyatlar modelning yashirin tasvir fazosida o‘qitish ma’lumotlaridan paydo bo‘lishi kutiladi.

Keyingi token ehtimoli

Seriyalashtirilgan masala:

\[ x=(x_1,x_2,\ldots,x_n) \]

ko‘rinishida ifodalanadi. Model har bir \(t\) qadamda oldingi tokenlarga shartlangan holda keyingi token ehtimolini hisoblaydi:

\[ p_{\theta}(x_t\mid x_{

Bu yerda \(h_t\) oxirgi Transformer qatlamining \(t\)-pozitsiyada hosil qilgan yashirin tasviri; \(W_o\) yashirin tasvirni lug‘at hajmidagi chiqish logitlariga aylantiradigan proyeksiya matritsasi; \(\theta\) esa model parametrlarini bildiradi.

Bu tenglama modelning “Go qoidasi” hisobini bevosita kodlamaydi. Modelning vazifasi avvalgi taxta va yurish tokenlaridan keyingi mos tokenning ehtimollik taqsimotini o‘rganishdir.

Til modeli yo‘qotishi

O‘qitishda teacher forcing qo‘llanib, standart manfiy log-ehtimollik yo‘qotishi minimallashtiriladi:

\[ \mathcal{L}_{LM} = -\sum_{t=1}^{n} \log p_{\theta}(x_t\mid x_{

Past yo‘qotish modelning manba yechim ketma-ketliklaridagi navbatdagi tokenlarga yuqoriroq ehtimol berishini anglatadi. Bu o‘qitish maqsadi bevosita “ikki ko‘z hosil qil”, “self-atari qilma” yoki “nafasni saqla” kabi ramziy ko‘rsatmalarni o‘z ichiga olmaydi.

Ma’lumotlar to‘plami qanday tuzildi?

Manba ma’lumotlari 101 Weiqi, Xingzhen Go Platform va Jueyi Go Platform kabi ommaga ochiq onlayn Go manbalari, shuningdek Weiqi Life-and-Death Encyclopedia va Fayang Lun kabi jamlangan masala manbalaridan to‘plangan.

Ma’lumotlar to‘plamida taxminan 10.000 ta hayot-o‘lim ssenariysi mavjud. Qiyinlik taqsimoti taxminan quyidagicha:

Ayrim masalalarda bir nechta to‘g‘ri yechim bo‘lishi mumkin. O‘qitish nishoni sifatida manba materialidagi kanonik yechim ketma-ketligi ishlatiladi; baholashda esa xuddi shu yakuniy hayot-o‘lim natijasiga olib boradigan muqobil yo‘llar natija yaroqliligi doirasida alohida qabul qilinadi.

Ma’lumot sizib chiqishi qanday kamaytirishga harakat qilindi?

Ma’lumotlarni ko‘paytirishdan oldin to‘liq takrorlar masala darajasida olib tashlangan. Aylantirish yoki aks ettirish sababli geometrik jihatdan ekvivalent bo‘lgan taxta holatlari kanoniklashtirilib, qo‘shimcha takrorlar aniqlangan.

O‘qitish va tekshiruv bo‘linishi ko‘paytirilgan namuna darajasida emas, original masala darajasida amalga oshirilgan. Shu bilan bir masalaning o‘zgartirilgan variantlari ham o‘qitish, ham tekshiruv tomonida bo‘lishining oldini olishga harakat qilingan. Ma’lumotlar to‘plami taxminan 8:2 o‘qitish/tekshiruv nisbatida bo‘lingan.

Ranglarni teskari qilish faqat masalaning mazmuni o‘yinchi rangi o‘zgarishidan ta’sirlanmaydigan hollarda qo‘llangan. Tadqiqotchilar shuningdek yaqin-takror namunalarni tekshirib, tekshiruv sizib chiqishi va sun’iy ravishda oshirilgan aniqlik xavfini kamaytirishga harakat qilganlarini bildiradilar.

LifeGo-GPT arxitekturasi va o‘qitish sozlamalari

Barcha token va positional embedding parametrlari tasodifiy boshlangan. Model oldindan o‘qitilgan tabiiy til GPT sini Go ga bevosita ko‘chirish emas.

Manba Figure 3 da o‘qitish va tekshiruv yo‘qotishi epoch davomida muntazam kamayganini ko‘rsatadi. Shaklning xom sonli qatori alohida jadval ko‘rinishida berilmagani sababli Verianla grafikdan aniq oraliq qiymatlarni chiqarmagan.

Manba terminologiyasi izohi: Metod matni modelni GPT turidagi decoder-only Transformer deb ta’riflagan bo‘lsa, 1-jadval qatlamlar sonini “Transformer encoder depth” deb tushuntiradi. Bu yerda metod bayonidagi decoder-only ta’rifi saqlangan, jadvaldagi ifoda esa manba ichidagi terminologik farq sifatida baholangan.

Model Muvaffaqiyati Qanday O‘lchanadi?

Tadqiqot LifeGo-GPT ni uchta alohida mezon bilan baholaydi: Move Legality bashorat qilingan yurish o‘sha paytda qonuniymi yoki yo‘qmi, Sequence Correctness hosil qilingan yurishlar ketma-ketligi kanonik yechimga mos keladimi, Outcome Validity esa yakuniy holat to‘g‘ri hayot-o‘lim natijasiga yetadimi, shuni o‘lchaydi.

Move Legality

Model hosil qilgan koordinata joriy taxta holatida haqiqiy Go yurishiga mos kelsa, qonuniy deb hisoblanadi. Bu metrik model asosiy qoidalar tuzilmasini bilvosita o‘rgangan-o‘rganmaganining dastlabki ko‘rsatkichidir.

Sequence Correctness

Hosil qilingan yechim ketma-ketligi manba masaladagi kanonik yechim bilan taqqoslanadi. Manba tushuntirishiga ko‘ra, kanonik ketma-ketlik bilan to‘liq mos kelmaydigan muqobil yo‘llar ushbu metrikda noto‘g‘ri deb hisoblanadi.

Outcome Validity

Bashorat qilingan yurishlar taxtada bajariladi va maqsad guruhning yakuniy hayot-o‘lim holati tashqi KataGo dvigateli yordamida tekshiriladi. Kanonik ketma-ketlikdan farq qilsa ham, xuddi shu to‘g‘ri hayot-o‘lim holatiga yetkazadigan muqobil yechim ushbu metrikda yaroqli deb qabul qilinishi mumkin.

Talqin izohi: Ushbu ta’riflar bo‘yicha Outcome Validity Sequence Correctness ga qaraganda kengroq ko‘rinishi kutilishi mumkin; shunga qaramay, LifeGo-GPT uchun manba %94,7 Sequence Correctness va %92,1 Outcome Validity ni bildiradi. Manba bu munosabat sababini alohida tushuntirmagani uchun Verianla buning sababini taxmin qilmaydi.

Tadqiqot Usuli va Natijalari

LifeGo-GPT ning taqqoslama natijalari

LifeGo-GPT o‘qitilmagan Transformer bazaviy chizig‘idan ancha yuqori natija ko‘rsatadi. Mahalliy tsumego vazifasida LifeGo-GPT ning ketma-ketlik aniqligi Leela Zero va RZS dan yuqori, ANN ga juda yaqin va KataGo dan past deb bildirilgan.

KataGo uchta asosiy mezonning barchasida LifeGo-GPT dan yuqori qiymatlarga ega. Shuning uchun natijani “LifeGo-GPT professional Go dvigatellaridan kuchliroq” deb talqin qilib bo‘lmaydi. Manba ham professional dvigatellar, ayniqsa murakkabroq va to‘liq taxta holatlarida kuchliroq ekanini ochiq aytadi.

LifeGo-GPT ning ilmiy ahamiyati boshqacha: modelga Go qoidalari alohida ramziy tizim sifatida berilmagan holda, faqat ketma-ket masala ma’lumotlaridan yuqori darajada qonuniy va to‘g‘ri mahalliy yurishlar ketma-ketliklarini o‘rgangan. Tadqiqotning keyingi bo‘limlari bu muvaffaqiyat ortida qanday yashirin tasvir tuzilmasi borligini o‘rganadi.

Xato misollari qaysi holatlarda ko‘proq uchraydi?

Manba xato tahlilida uchta asosiy masala sinfini belgilaydi:

1. ko‘p bosqichli mulohaza talab qiladigan murakkab hayot-o‘lim masalalari,
2. chuqurroq taktik bog‘liqliklarni o‘z ichiga olgan uzun yechim ketma-ketliklari,
3. bir nechta yurish o‘xshash natijalar berishi mumkin bo‘lgan noaniq pozitsiyalar.

Bu xato naqshi model mahalliy taktik qonuniyatlarni kuchli ushlashiga qaramay, uzoq masofali bog‘liqlik va yuqori noaniqlik sharoitida cheklanganini ko‘rsatadi.

Multi-Aspect World Probe (MAWP) Nima?

Multi-Aspect World Probe (MAWP) LifeGo-GPT ning yashirin Transformer tasvirlaridan bitta umumiy “taxta holati” yorlig‘ini chiqarish o‘rniga, umumiy xususiyat kodlovchi orqali beshta alohida taktik xususiyatni parallel tarzda yechishga urinadigan modulli probing doirasidir.

Nega MAWP bitta prob o‘rniga bir nechta o‘lchovdan foydalanadi?

Go toshlar guruhining hayot holati bitta omilga bog‘liq emas. Nafaslar, guruh bog‘lanishi, ko holati va hosil bo‘ladigan taktik natija o‘zaro bog‘liq. Bitta boshli prob yashirin tasvirda qaysi kichik tushuncha haqiqatdan mavjudligini ajratishda qiynalishi mumkin.

Shu sababli MAWP umumiy MLP asosidagi xususiyat ajratgich chiqishini beshta parallel tasniflash boshiga yuboradi:

Manba Figure 4 LifeGo-GPT dan tanlangan yashirin holat umumiy MLP xususiyat kodlovchiga kirishini va undan beshta alohida MAWP boshiga taqsimlanishini aniq ko‘rsatadi.

Manba ichidagi tushuncha izohi: Maqolaning kirish, qisqacha mazmun va xulosa qismlarida “eyes”, ya’ni ko‘z tuzilishi asosiy paydo bo‘ladigan tasvirlar orasida tilga olinadi va MAWP ning konseptual bayonida ham “eye structure” misoli beriladi. Biroq Figure 4 va beshta ochiq bosh ro‘yxatida mustaqil “Eye Structure” prob boshi yo‘q. Shu sababli Verianla ko‘z tuzilishini oltinchi MAWP chiqishi sifatida qo‘shmaydi.

Yashirin tasvirning matematik ifodasi

Tanlangan Transformer qatlamidagi tasvir:

\[ x_t^{(l)}\in\mathbb{R}^{N\times d} \tag{3} \]

ko‘rinishida beriladi. Bu yerda \(l\) tanlangan qatlamni, \(N\) mahalliy taxta nuqtalari sonini va \(d\) yashirin tasvir o‘lchamini bildiradi.

Umumiy xususiyat ajratgich \(\phi(x)\) qo‘llangandan so‘ng har bir semantik o‘lchov uchun alohida softmax tasniflagich ishlaydi:

\[ h_i(\phi(x)) = \operatorname{softmax}\left(W_i\phi(x)\right), \qquad i=1,\ldots,5. \tag{4} \]

Har bir taxta nuqtasi \(p\) uchun umumiy latent tasvir:

\[ z_{t,p} = \phi\left(x_{t,p}^{(l)}\right), \qquad p\in\{1,\ldots,N\} \tag{5} \]

va \(i\)-taktik o‘lchovning bashorati:

\[ \hat y_{t,p}^{(i)} = h_i(z_{t,p}) \tag{6} \]

deb yoziladi.

MAWP ning umumiy yo‘qotishi

Beshta probing vazifasining cross-entropy yo‘qotishlari vaznli ravishda qo‘shiladi:

\[ \mathcal{L}_{probe} = \sum_{i=1}^{5} \lambda_i \cdot \mathcal{L}_{CE} \left( h_i(\phi(x)), y^{(i)} \right). \tag{7} \]

Manba sukut bo‘yicha barcha boshlarga teng vazn beradi:

\[ \lambda_i=\frac{1}{5}. \]

Bu tanlov beshta semantik prob modelning taxta holatini tushunishiga teng hissa qo‘shadi degan farazga asoslanadi. Tadqiqotchilar vazifa qiyinligi yoki sinf nomutanosibligiga ko‘ra turli vaznlar mumkinligini, biroq tadqiqotda teng vazn ishlatilganini aytadilar.

MAWP yorliqlari qanday yaratiladi?

Prob yorliqlari faqat qo‘lda tayinlangan talqinlardan iborat emas. Tadqiqotchilar KataGo asosidagi tahlil bilan deterministik postprocessing qoidalarini birlashtiradilar.

Avval maqsad toshlar guruhi aniqlanadi va bir xil rangdagi toshlarning bog‘langan komponenti hisoblanadi. Nafaslar soni shu bog‘langan guruh qo‘shniligidagi turli bo‘sh kesishmalarni sanash orqali olinadi.

Hayot holati qat’iy qidiruv byudjeti ostida kuchli Go dvigateli bilan tekshiriladi. Manba avtomatik yorliq yaratish bo‘limida dvigatel natijasi alive, dead, seki va unresolved yorliqlariga moslanishini bildiradi. Nomuvofiq yoki noaniq dvigatel chiqishlari probing ma’lumotlar to‘plamidan chiqarib tashlanadi.

Bog‘langanlik mahalliy taxtada bir xil rangdagi toshlarning to‘rt-qo‘shnichilik munosabati bilan belgilanadi. Ko yorliqlari faqat dvigatelning principal variation chiqishi va mahalliy qoida tekshiruvi explicit ko tuzilmasini tasdiqlaganda tayinlanadi. Taktik natija etalon yechim qo‘llangandan so‘ng maqsad guruhning terminal hayot-o‘lim holatini qayta baholash orqali aniqlanadi.

Bu yerda ham kichik manba farqi mavjud: A1 bosh ta’rifi dead/live/undetermined sinflarini beradi, avtomatik yorliqlash matni esa alive/dead/seki/unresolved to‘plamidan foydalanadi. Manba bu ikki yorliq sxemasi bir-biriga qanday o‘tkazilishini batafsil bermaydi; Verianla bu moslashtirishni taxmin qilmaydi.

Xususiyatni Yashirin Tasvirdan O‘qish Model Undan Foydalanishini Isbotlaydimi?

Yo‘q. Probing tasniflagichi yashirin faollashuvlardan nafas yoki hayot holati ma’lumotini chiqarishi, bu ma’lumot tasvir ichida mavjudligini ko‘rsatadi; biroq LifeGo-GPT yurish qarorini aynan shu xususiyat asosida berganini o‘zi yolg‘iz isbotlamaydi. Shu sababli tadqiqot kuzatuviy probing ni maqsadli tasvir aralashuvlari bilan to‘ldiradi.

Aralashuv benchmarki

Tadqiqotchilar aralashuv tajribalari uchun 1000 ta hayot-o‘lim holatidan iborat alohida baholash benchmarkini tuzgan. Har bir holatda boshlang‘ich qora-oq tosh pozitsiyalari, aralashuv nishoni va to‘g‘ri yurishlar ketma-ketligi mavjud.

Aralashuv bevosita kirish taxtasini o‘zgartirmaydi. Tadqiqotchilar LifeGo-GPT ning yashirin tasvir fazosidagi maqsad pozitsiyani o‘zgartirib, masalan, tosh rangini almashtirishni semantik ravishda taqlid qiladigan o‘zgartirishni qo‘llaydilar.

Barcha aralashuvlar 6-qavatda bajarilgan. Mualliflarning asoslari quyidagicha:

• quyi qatlamlarda faollashuvlar ko‘proq yuzaki token munosabatlari va mahalliy naqshlar bilan bog‘liq;
• eng yuqori qatlamlar yakuniy bashoratga haddan tashqari ixtisoslashgan bo‘lishi mumkin;
• 6-qavat kompozitsion taxta/taktik ma’lumotlar shakllanadigan, biroq qaror chiqishidan hali butunlay ajralib ketmagan oraliq daraja sifatida tanlangan.

Aralashuv tenglamasi

Maqsad yashirin tasvir ustidagi aralashuv manbada:

\[ \widetilde{x}_t^{(l)} = do\left( x_{t,g}^{(l)} \leftarrow \psi(x_{t,g}^{(l)},c) \right) \tag{8} \]

ko‘rinishida yoziladi. \(g\) aralashuv qilinayotgan taxta pozitsiyasini; \(c\) aralashuvdan keyin semantik ravishda taqlid qilinadigan xususiyatni; \(\psi\) esa tasvir fazosidagi o‘zgartirishni bildiradi.

Aralashuvdan keyingi va oldingi bashorat farqi:

\[ \Delta a = f_{\theta} \left( \widetilde{x}_t^{(l)} \right) - f_{\theta} \left( x_t^{(l)} \right) \tag{9} \]

deb baholanadi. Bu yerda maqsad faqat bashorat o‘zgargan-o‘zgarmaganini emas, balki aralashuv yurish tanlovi logitlarini qanchalik siljitganini o‘rganishdir.

Figure 5 va Figure 6 nimani ko‘rsatadi?

Figure 5 aralashuvdan oldingi mahalliy taxta holatini va yurish-logit xaritasini ko‘rsatadi. Manba rang shkalasida iliqroq ranglar pastroq bashorat ehtimollarini, sovuqroq ranglar esa yuqoriroq ballarni bildiradi.

Figure 6 xuddi shu namunani aralashuvdan keyin ko‘rsatadi. Yuqori balli hududlarning barqarorroq tashqi pozitsiyalar tomon siljigani kuzatilgan. Tadqiqotchilar buni yashirin tasvir o‘zgarishi modelning taktik afzalliklariga tizimli ta’sir qilishi misoli sifatida keltiradilar.

Aralashuv tajribalarining miqdoriy natijasi

Semantik yo‘naltirilgan aralashuv tasodifiy shovqin va xuddi shu kattalikdagi tasodifiy yo‘nalish perturbatsiyasiga qaraganda ancha katta xatti-harakat o‘zgarishini keltirib chiqargani, ta’sir faqat modelning har qanday yashirin holat o‘zgarishiga haddan tashqari sezgirligidan kelib chiqmagan degan dalilni qo‘llab-quvvatlaydi.

Aralashuv Natijalari Aniq Sababiy Dalilmi?

Yo‘q. Manba maqsadli aralashuvlar tasodifiy nazoratlarga qaraganda ancha kuchli bashorat o‘zgarishlarini keltirib chiqarishini ichki tasvirlarning qaror jarayoni bilan funksional aloqasi foydasiga dalil sifatida baholaydi; biroq katta bashorat o‘zgarishi muayyan semantik o‘zgaruvchi aniq va mustaqil boshqarilganini qat’iy ko‘rsatmasligini ochiq tan oladi.

Kuchli ketma-ketlik modeli semantik ma’no tashuvchi muhim hududlarda qilingan tuzilgan o‘zgarishlarga umuman yuqori sezgirlik ko‘rsatishi mumkin. Bunday holda aralashuv ta’siri faqat “hayot holati o‘zgaruvchisining sababiy nazorati”dan emas, balki kengroq tasvir buzilishidan ham kelib chiqishi mumkin.

Tasodifiy perturbatsiya nazoratlari bu tushuntirishni qisman cheklaydi, ammo to‘liq bartaraf etmaydi. Shuning uchun maqolaning eng ehtiyotkor xulosasi:

Probe natijalari taktik ma’lumot yashirin tasvirlarda kodlanganini; aralashuv natijalari esa ushbu tuzilgan tasvir komponentlari bashorat xatti-harakati bilan funksional bog‘liq ekanini ko‘rsatadi. Muayyan semantik o‘zgaruvchilar ustidan aniq va mustaqil sababiy nazorat hali isbotlanmagan.

Model chuqurligi ablyatsiyasi

Tadqiqotchilar 2, 4, 6 va 8 Transformer qatlamli LifeGo-GPT variantlarini o‘qitib, har bir modelda uchta probing yondashuvini taqqoslaganlar:

• linear probe,
• standart nonlinear probe,
• MAWP.

Manba Figure 7 ning asosiy sifat natijasi MAWP barcha o‘rganilgan chuqurliklarda linear probe dan va umuman standart nonlinear probe dan yuqori prob aniqligiga ega ekanidir. Farq ayniqsa o‘rta va chuqurroq qatlamlarda yaqqolroq bo‘ladi.

Mualliflar chuqurroq Transformer qatlamlari past darajadagi token munosabatlaridan yanada integrallashgan fazoviy va taktik tasvirlarga o‘tadi deb talqin qiladilar. Bu talqin nafaslar va bog‘langanlik kabi tushunchalarni chuqurroq qatlamlardan yaxshiroq yechish mumkinligi bilan bog‘lanadi.

Grafik talqin chegarasi: Matn prob aniqligi model chuqurligi bilan barcha usullarda “izchil ravishda oshganini” aytadi. Biroq Figure 7 ustunlari vizual ko‘rilganda nonlinear va MAWP qatorlari 8 qatlamgacha to‘liq monoton oshmayotgani ko‘rinadi. Xom sonli jadval berilmaganligi sababli Verianla grafikdan aniq qiymatlar chiqarmagan va faqat ishonchli sifat tendensiyasini yetkazgan.

Ma’lumot ko‘paytirish ablyatsiyasi

Figure 8 taxta darajasidagi simmetriyaga asoslangan ma’lumot ko‘paytirish ta’sirini o‘rganadi. Manbada uchta holat ko‘rsatiladi:

• ko‘paytirish yo‘q,
• aylantirish,
• aks ettirish/flip.

Mualliflar talqiniga ko‘ra, ma’lumot ko‘paytirish olib tashlanganda ayniqsa chuqurroq qatlamlarda prob aniqligi pasayadi. Simmetriyaga sezgir ko‘paytirish bir xil hayot-o‘lim tuzilmasi turli yo‘nalishlarda ko‘rinsa ham, model umumiy tuzilma xususiyatlarini o‘rganishini rag‘batlantiradi.

Bu natija faqat yakuniy yurish natijasiga oid emas. Mualliflar ko‘paytirish ichki tasvir izchilligi va o‘zgartirishlarga nisbatan barqarorroq xususiyatlarni o‘rganishni ham qo‘llab-quvvatlaydi, deb ta’kidlaydilar.

Tadqiqot qo‘llab-quvvatlaydigan xulosalar

Tadqiqot mahalliy Go hayot-o‘lim ketma-ketliklaridan o‘qitilgan GPT turidagi model yuqori yurish qonuniyligi va yechim muvaffaqiyatini rivojlantira olishini qo‘llab-quvvatlaydi.

MAWP tajribalari LifeGo-GPT ning yashirin tasvirlaridan hayot holati, nafaslar soni, ko, bog‘langanlik va taktik natija kabi tuzilgan ma’lumotlarni yechish mumkinligini qo‘llab-quvvatlaydi.

Maqsadli tasvir aralashuvlarining tasodifiy perturbatsiyalarga qaraganda ancha katta yurish-afzalligi o‘zgarishini keltirib chiqarishi ushbu tuzilgan xususiyatlar model xatti-harakatida shunchaki passiv korrelyatlar bo‘lmasligi va funksional ahamiyatga ega bo‘lishi mumkinligi haqida dalil beradi.

Model chuqurligi va simmetriyaga asoslangan ma’lumot ko‘paytirish tajribalari ichki tasvir sifati faqat yakuniy bashorat muvaffaqiyatiga emas, balki arxitektura chuqurligi va o‘qitish ma’lumotlarining transformatsiya tuzilishiga ham bog‘liq ekanini ko‘rsatadi.

Tadqiqot qo‘llab-quvvatlamaydigan xulosalar

Tadqiqot LifeGo-GPT Go o‘yinini inson kabi “tushunishi” yoki ongli strategik tushunchalarga ega ekanini isbotlamaydi. Probing natijalari yashirin faollashuvlardan muayyan ma’lumotlarni yechish mumkinligini ko‘rsatadi.

Tadqiqot muayyan semantik xususiyat to‘liq ajratilgan va aniq tarzda sababiy boshqarilganini ham isbotlamaydi. Mualliflar aralashuv natijalarini qat’iy causal identification emas, causal relevance foydasiga dalil sifatida cheklaydilar.

LifeGo-GPT muvaffaqiyatini to‘liq taxta Go ga bevosita umumlashtirib bo‘lmaydi. Tajribalar mahalliy hayot-o‘lim masalalariga qaratilgan; KataGo kabi professional dvigatellar to‘liq taxta o‘yinida kuchliroq ekani manba tomonidan ochiq aytilgan.

Taxminan 10.000 masaladan iborat ma’lumotlar to‘plami turli ochiq manbalar va klassik masala kolleksiyalaridan jamlangan. Natijalar boshqa Go masala to‘plamlarida, boshqa qiyinlik taqsimotlarida yoki butunlay mustaqil ma’lumot yaratish jarayonida ham xuddi shunday bo‘lishi bu tadqiqotda ko‘rsatilmagan.

Figure 7 va Figure 8 dagi probe/augmentation natijalarining xom sonli qatorlari maqolada jadval shaklida berilmagani uchun Verianla bu grafiklardan aniq sonlarni chiqarmagan.

To‘liq taxta Go ga masshtablash qanday tasavvur qilinmoqda?

Xulosa bo‘limida mualliflar mahalliy hayot-o‘lim tasvirlarini to‘liq Go o‘yiniga qanday integratsiya qilish mumkinligini kelajakdagi tadqiqot yo‘nalishi sifatida muhokama qiladilar. Taklif qilingan konseptual yondashuv mahalliy hayot-o‘lim modelini o‘zi butun o‘yinni boshqaradigan agent qilish o‘rniga global qaror tizimining taktik quyi moduli sifatida ishlatishdir.

Bu doirada mahalliy modul nafaslar, ko‘zlar, bog‘langanlik va hayot-o‘lim holatlari kabi “mahalliy holat haqiqati”ni ifodalaydi, kengroq tizim esa hudud bashorati, hujum-himoya ustuvorliklari va global strategik qiymat kabi ma’lumotlarni birlashtiradi.

Bir xil mahalliy shakl turli to‘liq-taxta kontekstlarida turlicha strategik ahamiyatga ega bo‘lishi mumkinligi bu farq nega zarur ekanini ko‘rsatadi. Bu bo‘lim tadqiqotning eksperimental natijasi emas, mualliflarning kelajak uchun taklif qilgan arxitektura qarashidir.

Til modellari va Go ni kelajakda birlashtirish

Manba shuningdek oldindan o‘qitilgan ko‘p tilli Transformerlarni ramziy o‘yin muhitlari bilan birlashtirishni kelajak tadqiqot yo‘nalishi sifatida taklif qiladi. Taxta ketma-ketliklarini inson izohlari, o‘yin notatsiyasi yoki taktik tushuntirishlar bilan birga qayta ishlash, ham talqin qilinuvchanlik, ham noaniq pozitsiyalarda qaror qabul qilish nuqtai nazaridan o‘rganilishi mumkin.

Mualliflar yashirin fazodagi aralashuv usullari kelajakda inson model xatti-harakatini yo‘naltira oladigan, xatolarni tuzata oladigan yoki muayyan xususiyatlarni o‘zgartira oladigan boshqariladigan o‘yin agentlariga asos bo‘lishi mumkinligini ham ta’kidlaydilar. Bu takliflar joriy tajribada amalga oshirilgan tizimlar emas.

Manba va Usul Haqida Izoh

Asl tadqiqot: Probing Emergent World Representations in Go Life-and-Death Problems

Mualliflar: Zhikai Yang; Zhigang Meng; Zhiqiang Wen.

Mas’ul muallif: Zhigang Meng.

Muassasalar: School of Computer Science and Artificial Intelligence, Hunan University of Technology, Zhuzhou, Xitoy; Hunan Provincial Video Cultural and Creative Research Base, Changsha, Xitoy; School of Computer Science and Engineering, Changsha University, Changsha, Xitoy.

Jurnal: AI.

Nashriyot: MDPI.

Manba turi: Taqrizdan o‘tgan original tadqiqot maqolasi; Transformer asosidagi ketma-ketlik modellashtirish, tushuntiriladigan sun’iy intellekt, probing va tasvir aralashuvini o‘z ichiga olgan hisoblash tadqiqoti.

Nashr ma’lumoti: AI 2026, jild 7, son 5, maqola 170.

DOI: 10.3390/ai7050170

Yuborilgan: 10 Mart 2026.

Reviziya: 22 Aprel 2026.

Qabul: 7 May 2026.

Nashr: 14 May 2026.

Versiya izohi: MDPI ning rasmiy versiyalar tarixida maqolaning HTML/PDF yozuvlari 20 May 2026 da yangilangani ko‘rinadi; bibliografik nashr sanasi 14 May 2026 bo‘lib qoladi.

Litsenziya: Creative Commons Attribution (CC BY), ochiq kirish.

Moliyalashtirish: Tadqiqot Natural Science Foundation of Hunan Province, China (Grant No. 2024JJ7149), Hunan Provincial Video Cultural and Creative Research Base va Hunan Provincial Education Department Scientific Research Fund (Grant No. 22A0414) tomonidan qo‘llab-quvvatlangan.

Institutsional etika qo‘mitasi: Qo‘llanilmaydi.

Xabardor rozilik: Qo‘llanilmaydi.

Ma’lumotlardan foydalanish: Mualliflar tadqiqotda taqdim etilgan ma’lumotlar maqola ichida mavjudligini, qo‘shimcha ma’lumot uchun mas’ul muallifga murojaat qilish mumkinligini bildiradilar.

Minndorchilik: Mualliflar Hunan University of Technology, Hunan Provincial Video Cultural and Creative Research Base va Changsha University ga qo‘llab-quvvatlagani uchun minnatdorlik bildiradilar.

Manfaatlar to‘qnashuvi: Mualliflar manfaatlar to‘qnashuvi yo‘qligini bildirgan.

Muallif hissalari: Konseptuallashtirish Zhikai Yang va Zhigang Meng; dasturiy ta’minot Zhikai Yang; metodologiya Zhiqiang Wen va Zhikai Yang; tekshiruv, tadqiqot va resurslar Zhikai Yang va Zhigang Meng; dastlabki qoralama Zhikai Yang va Zhigang Meng; ko‘rib chiqish va tahrirlash Zhigang Meng va Zhiqiang Wen tomonidan bajarilgan.

Asosiy metodologik cheklovlar: Tajribalar taxminan 10.000 ta mahalliy tsumego masalasi bilan cheklangan; to‘liq-taxta Go baholashi o‘tkazilmagan. MAWP ning yashirin tasvirlardan ma’lumot yecha olishi o‘zi yolg‘iz qaror mexanizmida sababiy foydalanish dalili emas. Aralashuv tajribalari funksional ahamiyat foydasiga kuchli farqlar bersa-da, mualliflar aniq semantik o‘zgaruvchi nazorati da’vosini qilmaydilar. Figure 7–8 uchun xom sonli jadvallar berilmagan. LifeGo-GPT tashqi masala to‘plamlarida yoki boshqa ma’lumot taqsimotlarida ayni ishlashni saqlab qoladimi, bu tadqiqotda keng ko‘lamda sinovdan o‘tkazilmagan.

Manba ichidagi nomuvofiqlik izohi: Metod modelni decoder-only Transformer deb ta’riflagan bo‘lsa, 1-jadval qatlam chuqurligini “Transformer encoder” iborasi bilan tushuntiradi. MAWP bayonida ko‘z tuzilishi markaziy tushuncha sifatida tilga olinadi, ammo beshta ochiq MAWP boshi orasida alohida Eye Structure boshi yo‘q. Life Status boshi va avtomatik yorliqlash bo‘limidagi sinf to‘plamlari aynan bir xil yozilmagan. Figure 7 matni prob aniqligi chuqurlik bilan izchil oshishini aytsa-da, grafik barcha usullarda to‘liq monoton o‘sishni ko‘rsatmaydi. Bundan tashqari Sequence Correctness va Outcome Validity ta’riflaridagi qamrov munosabatiga qaramay, LifeGo-GPT uchun %94,7 va %92,1 qiymatlari nega shu tartibda ekani manbada tushuntirilmagan.

Verianla usul izohi: Ushbu mazmun manba maqolaning satrma-satr tarjimasi emas. Masala ta’rifi, ma’lumot tayyorlash, avtoregressiv o‘qitish, LifeGo-GPT arxitekturasi, baholash mezonlari, MAWP probing tuzilmasi, Tenglama (1)–(9), aralashuv tajribasi, ablyatsiyalar, grafiklarning ilmiy mazmuni va talqin chegaralari saqlangan holda mustaqil va o‘rgatuvchi O‘zbekcha tuzilma yaratilgan. Manbada bo‘lmagan muvaffaqiyat qiymati, prob aniqligi yoki sababiy xulosa qo‘shilmagan.