Editing Openai/6954df4f-8108-8013-8152-3f6ade4423a7 (section)

===== ML.2:5 - Archetypal Grounding — два примера, чтобы “схватить” идею =====

Суть (Tell): мы превращаем «оператор мутации» из внешней эвристики в часть модели. Тогда селекция начинает оптимизировать не только поведение в задаче, но и способ изменения самой модели под контекст.

Пример как система (Show #1):
Представьте контроллер для робота/дрона/манипулятора, у которого периодически меняются условия: нагрузка, трение, задержки, инверсия оси управления (условно “перепутали полярность”). Вам нужна схема, которая:
* быстро перестраивает управление без дифференцирования по физике,
* умеет «снизить хаос», когда снова стало стабильно,
* не требует ручного тюнинга шага мутации под каждый сценарий.

Self‑Referential GHN как раз демонстрируется на задачах с резкими переключениями условий, где популяция восстанавливает качество за несколько поколений. arXiv<ref>{{cite web|title=arXiv|url=https://arxiv.org/html/2512.16406v1|publisher=arxiv.org|access-date=2026-01-02}}</ref>

Пример как эпистема/метод (Show #2):
Вы строите AutoML/контур оптимизации, где вместо фиксированного “оптимизатора гиперпараметров” хотите, чтобы система сама выучила стратегию исследования (когда агрессивно искать, когда стабилизироваться). Это родственно:
* learned optimizers (оптимизатор как обучаемая модель), arXiv<ref>{{cite web|title=arXiv|url=https://arxiv.org/abs/1606.04474|publisher=arxiv.org|access-date=2026-01-02}}</ref>
* популяционным схемам, которые учат расписания гиперпараметров (PBT), arXiv<ref>{{cite web|title=arXiv|url=https://arxiv.org/abs/1711.09846|publisher=arxiv.org|access-date=2026-01-02}}</ref>
* и open‑ended подходам, где важен перенос решений между меняющимися задачами (POET). arXiv<ref>{{cite web|title=arXiv|url=https://arxiv.org/abs/1901.01753|publisher=arxiv.org|access-date=2026-01-02}}</ref>

Разница тут в том, что «правила вариативности» кодируются внутри самой гиперсети и подпадают под отбор. arXiv<ref>{{cite web|title=arXiv|url=https://arxiv.org/html/2512.16406v1|publisher=arxiv.org|access-date=2026-01-02}}</ref>