FractalAI
studio e replica di un algoritmo che pianifica senza addestramento: niente pesi da imparare, due ordini di grandezza meno campioni di MCTS, e gira su una sola cpu.
il problema
il deep reinforcement learning ha passato un decennio a bruciare miliardi di step di training per policy che spesso non generalizzano. Fractal Monte Carlo parte dal presupposto opposto: l'intelligenza non è una rete addestrata, è una procedura di ricerca che, dato un reward e un simulatore, scopre azioni intelligenti in millisecondi, senza pesi da imparare.
cosa ho costruito
studio teorico, replica empirica ed estensioni originali di FMC. un'implementazione di riferimento in python e un port js bit-per-bit identico (66 test verdi), un documento di matematica canonica, e prove applicate: FMC su Atari (Boxing 96/100), su Craftax dove batte la SoTA tabulare con zero training, e perfino sul controllo del plasma di un vero tokamak. ho anche falsificato un claim popolare (il "magic 6" come costante universale) con tre esperimenti in fila.
cosa è successo
la sorpresa: i protocolli stimavano settimane su un cluster gpu, e invece i full sweep girano in una notte su una sola cpu, perché il cloning non ha forward pass di rete neurale. è un prototipo di ricerca in chiaro su github con licenza MIT, attento a separare ciò che è verificato da ciò che è opinione.