أجرى باحث تجارب سببية على nanoGPT وResNet-18 وشبكة U-Net للانتشار للتحقيق في ميكانيكا التدريب والتعلم والاستدلال. تشير النتائج إلى أن هذه العمليات تشكل دورة مستمرة حيث تؤدي التحديثات إلى استجابات غير خطية وإعادة تنظيم وظيفي مستمر، مما يؤثر بدوره على الحالات اللاحقة.

  • تطبيق نفس التحديث على حالات استقبال مختلفة ينتج تأثيرات مختلفة.
  • يترك التعلم تغييرات دائمة في الدعم الوظيفي الموزع.
  • يستعين الاستدلال المتجمد بهذا الدعم، ويغير التغذية الراجعة الحالة للتعلم المستقبلي.
  • تنطبق هذه العلاقة الهيكلية عبر هياكل ووظائف وأنماط ومحسّنات مختلفة.

يقترح المؤلف النظر إلى الشبكات العصبية كأنظمة ديناميكية كلاسيكية ذات الحالة بدلاً من دوال إدخال-إخراج معلمة بسيطة، مدعوماً ببحث مرتبط ومستودع GitHub.