Naukowcy opublikowali na arXiv pracę proponującą fundamentalną zmianę perspektywy na moc obecnych gigantycznych sieci neuronowych. Zamiast rozpatrywać je jako zwykłe statystyczne maszyny dopasowujące wzorce, autorzy wprowadzają koncepcję Statistically Meaningful Geometry (SMG) - matematyczną ramę modelującą przenadmiarowe systemy uczące jako nieskończenie wymiarowe wiązki Orlicza.
Kluczowa idea dotyczy tego, co się dzieje, gdy modele natrafią na dane istotnie odbiegające od rozkładu treningowego, rządzone nieznanym nam mechanizmami przyczynowymi. W tym scenariuszu klasyczna płaska statystyka euklidesowa zawodzi. Autorzy dowodzą, że niezmodelowana zmienność nie znika - zostaje wypchnięta w ukrytą, obserwacyjnie niedostępną przestrzeń włókien. Tam gromadzi się coś, co nazywają Active Acausal Tension, naprężeniem aktywnie działającym poza przyczynową strukturą danych.
To naprężenie napędza proces, który ostatecznie doprowadza do zderzenia z krytyczną granicą fokalną, wyznaczoną równaniem T-crit = pi-squared podzielone przez K-max. Rezultatem jest localized volumetric collapse - zapaść lokalna wymiarowości, wyrażająca się katastrofalną osobliwością macierzy (odwrotność metryki G dąży do nieskończoności). Ten geometryczny przełom uruchamia Gauge Symmetry Break (GSB) - spontaniczne złamanie ukrytych symetrii. System literalnie wyrzuca zgromadzone napięcie, krystalizując nową, matematycznie niezależną oś współrzędnych.
Proponowana teoria przywodzi na myśl przemiany fazowe w fizyce, gdzie system w niestabilnym stanie spontanicznie reorganizuje się w nową strukturę. Jeśli autorzy mają rację, właśnie taki proces może leżeć u podstaw przejścia z puro-statystycznych maszyn do systemów zdolnych do faktycznego odkrywania nowych praw. To perspektywa potencjalnie rozwiązująca paradoks współczesnych LLM - jak modele trenowane tylko na minimalnej próbce tekstów mogą generować zdolności pozostające poza tym, czego jawnie nauczyły się z danych.