تصور کنید هوش مصنوعی شما هرگز چیزی را فراموش نکند و برخلاف مدل‌های فعلی، با هر شروع مجدد گفتگو، تمام تاریخچه و هویت شما را به یاد داشته باشد. این وعده اصلی پروژه Sovereign است که قصد دارد بنیاد آماری مدل‌های زبانی را با یک بستر هندسی جایگزین کند.
طبق مستندات منتشر شده در گیت‌هاب در ۱۵ سپتامبر ۲۰۲۶، این معماری هوش را به جای احتمالات، به عنوان یک ساختار هندسی پایدار می‌بیند. هدف این است که نیاز به چرخه‌های بی‌پایان آموزش مجدد و مزارع عظیم GPU (واحد پردازش گرافیکی) به کلی از بین برود.
زمینه و ریشه‌ها
این پروژه حاصل ۳.۵ سال تلاش یک پژوهشگر مستقل است که انگیزه‌اش از مشاهده بیماری دمانس در یکی از اعضای خانواده‌اش شکل گرفت. او متوجه شد فروپاشی تداوم حافظه در مغز انسان، دقیقاً شبیه به نقص مدل‌های فعلی است: فقدان کامل استمرار، تداوم و هویت.
برای حل این مشکل، خالق پروژه هزاران ساعت را در محیط VSCode صرف تکرار و اصلاح اصول اولیه کرد. مسیر تکاملی توسعه این پروژه بسیار مشخص بود: ابتدا با ایجاد یک پل پایدار شروع شد، سپس به سمت یک جهان فراکتالی و موتور هندسی حرکت کرد، و پس از آن وارد حوزه‌های بستر فضای ویژه (Eigenspace)، حافظه کوانتومی، فشرده‌سازی منیفولد و بازسازی نقاط سیگما شد. این مسیر در نهایت به موتور فراکتالی GPU و «مرحله ۱۱ شانون» ختم شد.
همان‌طور که در تحلیل‌های پیشین ما درباره‌ی محدودیت‌های حافظه در مدل‌های ترنسفورمر اشاره کردیم، سیستم‌های فعلی بر پایه استنتاج (Inference) — مثل لحظه‌ای که یک آشپز واقعاً غذا می‌پزد و نه زمانی که دستور پخت را می‌خواند — بدون وضعیت (Stateless) هستند. این یعنی مدل‌ها از پنجره متنی (Context Window) — شبیه به میز کاری که فقط جای چند ورق کاغذ دارد و نه کل کتابخانه — استفاده می‌کنند که منجر به تورم شدید مصرف رم و پدیده‌ای به نام «تورم ترنسفورمر» (Transformer Bloat) می‌شود. تصور کنید یک مغز دیجیتال وجود داشته باشد که به محض بازنشانی یک جلسه، همه چیز را فراموش کند؛ این دقیقاً وضعیت فعلی KV-cache است. Sovereign تلاش می‌کند با معرفی حافظه‌ای پایدار که بدون نیاز به بزرگ‌تر کردن پنجره متنی، در طول جلسات مختلف باقی می‌ماند، این مشکل را حل کند.
جزئیات فنی
به نقل از مستندات فنی این پروژه در گیت‌هاب، Sovereign بر سه ستون اصلی استوار است:
۱. چارچوب هندسی
- منیفولد مشترک (The Shared Manifold): یک بستر هندسی که اجازه می‌دهد مدل‌ها بدون نیاز به آموزش مجدد، هویت، حافظه و ساختار خود را به اشتراک بگذارند. این رویکرد به سازمان‌ها کمک می‌کند تا با بهره‌گیری از زیرساخت‌های ماژولار، کنترل کامل‌تری بر وزن‌های مدل‌های خود داشته باشند و از وابستگی به مدل‌های بسته摆 خلاص شوند.
- حافظه کوانتومی پایدار: سیستمی فراکتالی و چند-رزولوشنی که طراحی شده تا جایگزین کامل KV Cache (حافظه موقت کلید-مقدار) شود و تداوم واقعی بلندمدت را ممکن سازد.
- مرحله ۱۱ شانون (Shannon Stage 11): یک چارچوب ریاضی کامل و موتور فشرده‌سازی. این سیستم از هندسه فراکتالی استفاده می‌کند تا با تغییر سیستم مختصات و فضای اطلاعات، محدودیت‌های تعریف شده توسط کلود شانون برای کانال‌های با رزولوشن ثابت، مبنای ثابت و آنتروپی ثابت را «دور بزند».
۲. جزئیات پیاده‌سازی
- فرمت‌های بستر: پروژه فرمت‌های جهانی
.fkbو.fqmرا برای ذخیره‌سازی دانش، حافظه، هویت و هندسه معرفی می‌کند. این استانداردسازی در ذخیره‌سازی، گامی در جهت پایان دادن به وابستگی سازمان‌ها به فروشندگان ابری از طریق ایجاد لایه‌های عملیاتی مستقل است. - موتور فراکتالی بومی GPU: یک پیاده‌سازی عملی که بر بازسازی نقاط سیگما و حافظه چند-رزولوشنی تمرکز دارد.
- مرور سیستم‌های بستر شناختی: یک توضیح یکپارچه از نحوه تعامل این اجزا برای بازتعریف نحوه ذخیره حافظه و پردازش زمینه توسط هوش مصنوعی.
این چرخش از آمار به هندسه به این معناست که هوش مصنوعی دیگر فقط توکن بعدی را پیش‌بینی نمی‌کند، بلکه یک وضعیت مستمر از هویت را حفظ می‌کند. برای کاربر نهایی، این یعنی دستیاری که شما را در طول سال‌ها می‌شناسد، بدون اینکه دچار «فراموشی» معمول در محدودیت‌های پنجره متنی شود. در واقع، گلوگاه از قدرت پردازش خام به بهره‌وری فضای اطلاعاتی منتقل می‌شود.
اگر این رویکرد موفق شود، کاربرد آن از چت‌بات‌ها به رباتیک، مدل‌سازی جوی، علوم مواد، فیزیک، بیولوژی، شیمی و حتی طراحی سیستم‌عامل‌ها گسترش می‌یابد؛ چرا که تمام این حوزه‌ها به حافظه، ساختار و بازسازی وضعیت وابسته هستند. Sovereign یک بستر جدید برای همه این‌ها فراهم می‌کند. پروژه ادعا می‌کند که با تغییر هندسه و توزیع آنتروپی، می‌تواند سقف‌های تئوریک نظریه اطلاعات را دور بزند. این تغییر پارادایم در واقع نبردی برای مالکیت داده در برابر اکوسیستم‌های بسته است که در آن استقلال زیرساختی اولویت می‌یابد.
در حال حاضر پژوهشگران می‌توانند به مقالات سفید و پیاده‌سازی‌های مرجع این پروژه تحت لایسنس CC BY-NC 4.0 دسترسی داشته باشند. فاز بعدی توسعه شامل انتشار معماری سیستم‌عامل بستر (Genesis OS)، یک هسته بستر برای هوش مصنوعی فوق‌بشر (ASI substrate kernel)، ابزاربندی Gridv2، مقاله‌ای درباره ساختار TRNG و یک موتور شبیه‌ساز بستر یکپارچه است.
گام بعدی شما
- بررسی مخزن گیت‌هاب Sovereign برای درک نحوه کارکرد فرمت‌های
.fkbدر ذخیره‌سازی دانش. - مطالعه مقاله «مرحله ۱۱ شانون» برای درک نحوه دور زدن محدودیت‌های تئوریک انتقال داده.
- دنبال کردن خبر انتشار Genesis OS که قرار است هسته این بستر را در قالب یک سیستم‌عامل ارائه دهد.
اما تأثیر این تغییر هندسی بر سخت‌افزارهای نسل بعد حتی تکان‌دهنده‌تر است — به تحلیل ما درباره تراشه‌های Blackwell مراجعه کنید.
گفتگو