Naukowcy z arXiv postawili fundamentalne pytanie: jak szybko może zmieniać się rzeczywistość zanim system AI traci zdolność niezawodnego działania. Zdefiniowali to jako zagadnienie modelowo-niezależne, w którym systemy muszą wnioskować niezawodne akcje dla coraz bardziej odległych stanów przyszłościowych przy rosnącej luce między obserwacją a rzeczywistością.
Kluczową metryką wprowadzoną w pracy jest efektywna Prędkość Spójnego Poznania (S_C^eff) - najwyższa testowana Prędkość Rzeczywistości (S_R), przy której system konsekwentnie spełnia z góry określone kryteria behawioralne. Zespół badaczy testował tę ideę z agentami wzmacniającymi trenowanymi na baseline'owej prędkości, a następnie ewaluowanymi bez dalszego treningu przy S_R zwiększonej aż 50-krotnie. Porównali standardowe architektury Transformer i gated-MLP z nową architekturą Co^4, zainspirowaną mechanizmami komórkowymi związanymi ze świadomością i myśleniem czuwającym.
Wyniki pokazują, że Co^4 osiąga znacznie wyższą S_C^eff od bazowych modeli na testowanych scenariuszach. To odkrycie sugeruje nową perspektywę na niezawodność AI - zamiast maksymalizować dokładność na statycznych benchmarkach, możemy skupić się na zdolności systemów do utrzymania spójności poznawczej w dynamicznie zmieniającym się środowisku. S_C^eff proponowana jest jako nowy benchmark i mogą być fundamentem dla bardziej odpornych systemów AI zdolnych do działania w warunkach niepewności i zmienności.