Estudo do KataGo investiga como redes de Go aprendem simetria

O KataGo publicou um estudo com cinco modelos que desafia uma premissa básica do aprendizado de máquina de horizonte sobre ampliação de dados. Rotações e reflexões aleatórias podem tornar as saídas consistentes, mas os conceitos internos da rede não precisam se tornar uniformemente simétricos.

O estudo examina como o KataGo representa posições de Go nas oito orientações espaciais do tabuleiro. As regras do Go permanecem inalteradas sob quatro rotações e quatro rotações refletidas. O KataGo treina com orientações aleatórias, mas os modelos testados não impõem essa simetria em toda a arquitetura.

Essa distinção cria o conflito central. A ampliação de dados ensina a um modelo quais respostas devem permanecer estáveis, enquanto a equivariância arquitetural restringe como o modelo realiza seus cálculos. Os resultados do KataGo sugerem que essas abordagens podem produzir organizações internas muito diferentes, mesmo quando ambas levam a um desempenho sobre-humano.

A pesquisa também compara redes convolucionais com modelos transformer mais recentes. Ambas as famílias aprendem uma simetria substancial, mas parecem quebrá-la e recuperá-la em pontos diferentes. As cabeças de atenção dos transformers produziram o resultado mais estranho do estudo: algumas se organizaram em famílias direcionais que lembram um hexágono.

O trabalho é um estudo de interpretabilidade, não um novo lançamento do KataGo nem um benchmark de força de jogo. Seus experimentos e artigo foram produzidos em grande parte com IA sob orientação humana detalhada. Essa procedência incomum torna o estudo interessante e especialmente dependente de reprodutibilidade.

KataGo mediu a simetria dentro de cinco redes lançadas

O estudo pergunta se a simetria existe apenas nas respostas do KataGo ou também nas representações usadas para produzi-las.

O mantenedor do KataGo, David Wu, publicou o estudo em 1º de agosto de 2026. Ele o apresentou como uma pequena investigação sobre se redes de Go aprendem conceitos independentes da orientação ou memorizam conceitos relacionados separadamente para cada direção.

A distinção importa porque as regras oferecem um cenário experimental claro. Uma posição de Go permanece estrategicamente idêntica após uma rotação ou reflexão válida. As coordenadas mudam, mas liberdades, conexões, território, capturas e continuações legais se transformam junto com o tabuleiro.

O KataGo usa ampliação estocástica óctupla durante o treinamento. Cada lote de treinamento recebe uma orientação de tabuleiro selecionada aleatoriamente. O modelo vê repetidamente posições equivalentes de diferentes direções, mas camadas comuns continuam livres para processar essas direções de maneira distinta.

Os pesquisadores avaliaram cinco checkpoints lançados. Eles incluíam dois tamanhos de redes convolucionais, um controle convolucional treinado com SGD e dois modelos transformer. Portanto, a comparação abrangeu arquitetura, escala do modelo e uma variação de otimizador.

O conjunto de testes continha 100 posições amostradas de partidas profissionais em tabuleiros padrão de 19 por 19. Os pesquisadores passaram versões transformadas dessas posições por cada rede. Em seguida, compararam canais internos e cabeças de atenção após considerar como as coordenadas espaciais deveriam girar ou refletir.

Essa propriedade é chamada de equivariância. Uma representação é equivariante quando transformar a entrada produz uma transformação correspondente e previsível na representação. A invariância é mais rigorosa, pois a própria representação permanece inalterada.

Uma política de Go não pode simplesmente ser invariante em todas as saídas espaciais. Se o tabuleiro gira, a jogada recomendada deve girar junto. Os mapas de características internos ainda podem representar conceitos independentes da orientação se suas localizações espaciais se transformarem de forma consistente.

O estudo de simetria do projeto examina esse comportamento em vários pontos dentro de cada modelo. Ele mede canais individuais em redes convolucionais e cabeças de atenção individuais em transformers.

Isso é mais informativo do que verificar apenas a concordância da política final. Dois modelos podem recomendar jogadas quase idênticas enquanto usam algoritmos internos muito diferentes. Um pode reutilizar uma representação comum, enquanto outro mantém vários componentes específicos de orientação que convergem mais tarde.

O repositório inclui dados, relatórios, scripts, figuras e instruções para baixar checkpoints. Seu pipeline documentado analisa todas as oito transformações e fornece o material necessário para regenerar as figuras publicadas.

Os pesquisadores relatam que uma análise completa de transformers reproduziu exatamente 1.520 matrizes de camadas internas armazenadas. As medições de atenção profunda e correlação concordaram dentro de uma tolerância declarada de 0,0000002. Nenhum canal ou cabeça mudou de classificação durante essa verificação de reprodução.

Essas verificações não validam de forma independente a interpretação científica. Elas estabelecem, porém, uma trilha de auditoria mais forte do que um gráfico sem código, dados ou identificadores de modelo.

A importância do evento vem do que foi medido. O KataGo não perguntou apenas se a ampliação melhora a generalização. Ele inspecionou onde um sistema treinado compartilha conceitos entre orientações e onde preserva distinções direcionais.

Por que a questão de aprendizado de máquina de horizonte vai além do Go

O KataGo transforma um argumento abstrato sobre viés indutivo em um teste com simetrias exatas e conhecidas.

Um viés indutivo é uma preferência incorporada que orienta quais soluções um modelo aprende. A convolução fornece um viés relacionado à translação por meio de filtros compartilhados. A convolução padrão não impõe automaticamente um tratamento equivalente para rotações e reflexões.

A ampliação de dados oferece uma abordagem mais flexível. Em vez de restringir os cálculos do modelo, o treinamento apresenta exemplos transformados e penaliza previsões inconsistentes. O modelo aprende, a partir das evidências, que a orientação não deve alterar a resposta estratégica.

A alternativa é uma arquitetura explicitamente equivariante. Esse modelo compartilha parâmetros entre um grupo definido de transformações, restringindo as características a se transformarem de acordo com regras conhecidas.

Cohen e Welling formalizaram essa abordagem em sua pesquisa sobre redes equivariante a grupos. Suas convoluções de grupo estendem o compartilhamento de pesos a transformações que incluem rotações de um quarto de volta e reflexões.

A vantagem não é apenas estética. Um modelo não precisa redescobrir a mesma relação de forma independente para cada transformação permitida. Isso pode reduzir as necessidades de amostras e tornar o comportamento mais previsível sob transformações.

O custo é menor liberdade. A simetria exata pode se tornar a restrição errada quando o pipeline de dados, as condições de contorno, os sensores ou a tarefa contêm assimetrias significativas. Um modelo pode se beneficiar ao quebrar a regra temporariamente.

O Go torna essa troca especialmente visível. Suas regras abstratas respeitam a simetria diédrica do tabuleiro, que consiste em quatro rotações combinadas com reflexões. Ainda assim, cálculos locais úteis podem ser direcionais.

Uma rede que examina uma forma pode distinguir norte de leste durante uma operação intermediária. Uma camada posterior pode combinar essas características direcionais em uma avaliação independente da orientação. Portanto, saídas simétricas não exigem que toda operação interna seja simétrica.

Essa observação pressiona duas narrativas simplistas.

A primeira diz que a ampliação deve tornar um modelo convencional efetivamente simétrico em todos os lugares. As medições internas do KataGo não sustentam uma conclusão tão uniforme.

A segunda diz que a simetria precisa ser codificada rigidamente para obter conceitos simétricos reutilizáveis. Segundo os relatos, as redes aprendem uma equivariância interna substancial sem essa garantia arquitetural.

A questão útil está entre essas afirmações. Pesquisadores precisam saber qual simetria emerge, qual simetria se fragmenta em famílias de características e onde os fragmentos se recombinam.

Essa questão de aprendizado de máquina de horizonte se aplica sempre que transformações preservam o significado. Imagens médicas, levantamentos astronômicos, cenas de satélite, moléculas, robótica e simulações físicas contêm estrutura geométrica.

Nesses campos, desenvolvedores frequentemente escolhem entre conjuntos de dados ampliados maiores e camadas equivariante especializadas. O KataGo sugere que essa escolha afeta a organização interna, não apenas a precisão em benchmarks.

Isso pode influenciar a confiabilidade. Um sistema que aprende oito atalhos relacionados pode concordar em entradas comuns, mas falhar de maneiras diferentes fora da distribuição de treinamento. Um sistema com representações compartilhadas tem menos formas independentes de se desviar.

O estudo não estabelece que as características mais simétricas do KataGo sejam mais seguras. Ele fornece medições que tornam a hipótese testável.

Também oferece aos pesquisadores de interpretabilidade um ambiente controlado. Modelos de linguagem contêm relações semânticas incertas e rótulos de avaliação contestados. O Go fornece transformações exatas e um mapeamento objetivo entre pontos correspondentes do tabuleiro.

Essa clareza ajuda a separar duas questões difíceis. Os pesquisadores podem primeiro testar se uma representação respeita uma simetria conhecida. Em seguida, podem investigar qual conceito estratégico essa representação carrega.

Redes convolucionais e transformers quebram a simetria de maneiras diferentes

O resultado central não é que uma arquitetura aprendeu simetria e a outra falhou, mas que elas situaram a assimetria em componentes internos diferentes.

Os modelos convolucionais do KataGo supostamente desenvolveram muitos canais que se comportavam de maneira equivariante entre posições transformadas. Um canal associado a um padrão estratégico podia acompanhar esse padrão conforme o tabuleiro girava ou refletia.

No entanto, as redes convolucionais não eram uniformemente simétricas. Algumas características permaneceram sensíveis à orientação. O modelo convolucional maior também exibiu o que o projeto descreve como uma leve “névoa de assimetria”, em vez de uma divisão simples entre canais perfeitos e quebrados.

Essa névoa importa porque a simetria aprendida não é necessariamente binária. Uma característica pode se comportar de forma consistente na maioria das posições, enquanto se desvia ligeiramente em outras. Ela também pode combinar um sinal simétrico dominante com um componente direcional menor.

O controle treinado com SGD ajuda a testar se essa organização pertence apenas a um caminho específico de otimização. Os otimizadores influenciam qual solução uma rede alcança entre muitas soluções com perda de treinamento semelhante.

O estudo inclui esse controle, mas não transforma a escolha do otimizador na explicação principal. A arquitetura produziu a diferença relatada mais nítida.

Transformers distribuem a computação espacial por meio de atenção. Uma cabeça de atenção atribui pesos entre localizações do tabuleiro, permitindo que uma localização colete informações de outras posições.

Os transformers do KataGo aprenderam cabeças de atenção com comportamentos de simetria distintos. Algumas cabeças permaneceram estreitamente alinhadas sob transformações. Outras pareciam formar grupos cujos membros correspondiam a direções diferentes.

Esse é um resultado mais estruturado do que oito soluções memorizadas e não relacionadas. Se girar uma entrada mapeia o comportamento de uma cabeça para outra, o grupo atua como uma órbita. As cabeças individuais são direcionais, enquanto a família como um todo respeita a simetria do tabuleiro.

Esse arranjo se assemelha a uma equipe de especialistas. Um componente lida com uma relação em uma direção, outro lida com sua contraparte rotacionada, e um cálculo posterior pode combiná-los.

O repositório do estudo relata uma diferença acentuada entre redes convolucionais e transformers quanto ao ponto em que a simetria é quebrada. Ele também documenta a análise de órbitas para características não equivariante.

Um resultado corrigido merece atenção. Uma análise inicial continha um erro de cancelamento de sinais que sugeria que certos canais pareados por sinal não tinham contrapartes rotacionadas. O cálculo corrigido encontrou uma órbita fechada de quatro membros que preservava o sinal.

Essa correção reforça a transparência do projeto, ao mesmo tempo que enfraquece qualquer alegação de que o fluxo de trabalho foi livre de erros. O repositório atual identifica o relatório falho e direciona os leitores para a versão corrigida.

A distinção entre uma característica verdadeiramente isolada e um membro de órbita é substancial. Uma característica isolada sugere aprendizado separado, sem uma regra de transformação reconhecível. Uma órbita sugere que o modelo codificou simetria em vários componentes.

As mudanças de sinal acrescentam outra camada. Uma característica transformada pode representar a mesma estrutura enquanto inverte o sinal de sua ativação. Pesos posteriores podem ignorar esse sinal ou usar componentes pareados para reconstruir a relação original.

É por isso que a correlação simples entre canais pode levar a conclusões enganosas. Pesquisadores precisam testar permutações, sinais e transformações espaciais. Caso contrário, uma representação equivariante organizada pode parecer inconsistente.

A descoberta também complica o debate do horizon machinelearning sobre “conceitos compartilhados”. Compartilhar não exige que um único neurônio ou canal signifique a mesma coisa em todas as orientações.

Um conceito pode ser distribuído por uma coleção estruturada de unidades. A representação permanece reutilizável porque as transformações mapeiam a coleção sobre si mesma.

Essa interpretação se alinha a trabalhos mais amplos sobre redes equivariantes, mas KataGo não usou uma arquitetura de transformer formalmente equivariante. A organização emergiu dos sinais de treinamento e da estrutura computacional disponível ao modelo.

Isso não mostra que transformers descobrem naturalmente todos os grupos relevantes. O experimento envolve cinco checkpoints do KataGo, um jogo e um conjunto finito de transformações.

Mostra, porém, que a assimetria interna pode ser organizada, e não arbitrária. Essa é a reversão mais consequente do estudo.

O padrão hexagonal de atenção é a pista mais estranha

Várias cabeças de transformer aparentemente se organizaram em estruturas direcionais semelhantes a um hexágono, apesar da grade quadrada do Go e da simetria óctupla do tabuleiro.

À primeira vista, um hexágono parece deslocado em um tabuleiro quadrado de Go. O tabuleiro comporta relações horizontais, verticais e diagonais, enquanto sua simetria global envolve rotações de quarto de volta e reflexões.

As figuras do estudo mostram cabeças de atenção com padrões preferenciais de deslocamento. Esses padrões descrevem para onde uma cabeça tende a olhar em relação a uma posição consultada no tabuleiro.

Em algumas camadas, cabeças relacionadas ocupavam papéis direcionais que formavam uma organização de seis partes. Os autores descrevem essas cabeças de atenção como organizadas hexagonalmente.

Isso não significa que o transformer descobriu um tabuleiro de Go literalmente hexagonal. Indica que a base direcional aprendida não espelhava a decomposição mais óbvia da tarefa para humanos.

Redes neurais podem escolher coordenadas internas que sustentem eficientemente a computação posterior sem corresponder a um conjunto de rótulos humanos. Uma base pode ser útil mesmo quando seus componentes individuais resistem a nomes semânticos diretos.

Portanto, o padrão hexagonal funciona como uma pista, e não como um algoritmo decodificado. Ele sugere que as cabeças de atenção se coordenam por meio de uma geometria mais estruturada do que o aprendizado independente de características.

Os pesquisadores examinaram posições individuais, perfis médios de deslocamento, ladders e exemplos relacionados a ko. Uma ladder é uma sequência forçada de capturas que percorre o tabuleiro diagonalmente. Ko é uma luta local repetitiva restringida por regras contra a repetição imediata do tabuleiro.

Ambas as situações exigem relações à distância. Elas oferecem testes plausíveis para a atenção direcional, porque pedras locais podem depender de continuações distantes ou de restrições de recaptura.

O repositório inclui uma ablação de ladder por cabeça. A ablação remove ou suprime um componente para observar como as saídas mudam. Esses testes vão além da semelhança visual, mas ainda exigem interpretação cuidadosa.

Se a remoção de uma cabeça altera a avaliação de uma ladder, isso não prova que a cabeça implemente exclusivamente a leitura de ladders. As cabeças de atenção interagem, e uma representação danificada pode afetar várias tarefas.

Da mesma forma, uma cabeça que observa ao longo de uma direção pode transportar conteúdo não relacionado à direção geométrica. Os pesos de atenção mostram padrões de comunicação, não toda a informação transmitida por eles.

Essa limitação é conhecida em toda a interpretabilidade mecanicista. Uma visualização clara pode inspirar uma narrativa semântica mais forte do que as evidências sustentam.

O trabalho sobre KataGo lida com esse risco ao apresentar correlações, estrutura de órbitas e intervenções selecionadas. Suas conclusões permanecem mais restritas do que uma engenharia reversa completa do jogo.

Ainda assim, o padrão é valioso porque uma regularidade inesperada pode gerar novos experimentos. Pesquisadores podem testar se a organização de seis cabeças aparece em diferentes sementes de treinamento, tamanhos de modelo ou outros jogos de tabuleiro.

Eles também podem treinar um transformer com equivariância diédrica explícita. Comparar suas cabeças com a estrutura aprendida pelo KataGo revelaria se a base hexagonal compensa a ausência de uma restrição arquitetural.

Outro teste removeria a ampliação de dados após uma etapa específica do treinamento. Se a estrutura persistisse, a simetria poderia se tornar autorreforçadora depois que o modelo estabelecesse um algoritmo interno.

Um terceiro teste alteraria o formato do tabuleiro. KataGo suporta tabuleiros retangulares e não convencionais, mas o estudo atual se concentra em posições profissionais de 19 por 19. Tabuleiros retangulares removem algumas simetrias quadradas, preservando relações de reflexão e rotação de meia volta.

Se a mesma organização de seis partes sobrevivesse a essa mudança, isso argumentaria contra uma codificação direta do grupo de simetria do tabuleiro. Se ela se reorganizasse, a interpretação geométrica ganharia respaldo.

O resultado de atenção é, portanto, interessante porque abre um programa de pesquisa tratável. Não é evidência de que os pesquisadores agora compreendam o processo completo de raciocínio do KataGo.

Código reproduzível não elimina a lacuna de verificação

O estudo é excepcionalmente inspecionável, mas seu processo de produção intensivo em IA exige mais replicação independente, não menos.

Wu afirma que a IA produziu quase todos os experimentos, a implementação e a redação, sob supervisão humana significativa. O repositório público identifica Claude como o principal sistema de geração.

Essa divulgação muda a forma como os leitores devem avaliar o trabalho. Ela não desacredita automaticamente as descobertas. Mas aumenta a importância de revisão independente do código, de novos desenhos experimentais e de replicação fora do fluxo de trabalho original.

Uma análise gerada por IA pode produzir erros internamente consistentes. A mesma suposição equivocada pode entrar no código, na documentação, nas figuras e no texto, criando uma aparência de concordância.

A correção do cancelamento de sinais é um exemplo concreto. O pipeline inicial produziu uma conclusão falsa sobre contrapartes rotacionadas. Uma revisão adversarial encontrou o problema, e a análise corrigida mudou a interpretação.

O projeto relata que cinco revisores independentes recalcularam os valores do artigo a partir dos dados brutos. Também relata reprodução de ponta a ponta com os checkpoints divulgados e um featurizador de entrada em Python puro.

Essas são salvaguardas significativas. No entanto, os revisores parecem fazer parte do processo assistido por IA do projeto, e não de grupos de pesquisa independentes. Portanto, a alegação deve ser entendida como uma auditoria adversarial interna.

A amostra também limita a generalização. Cem posições profissionais podem revelar uma forte estrutura recorrente, mas não representam todos os estados legais de Go.

Partidas profissionais se concentram em posições estrategicamente plausíveis. Estados incomuns do tabuleiro, arranjos adversariais, tabuleiros pequenos, tabuleiros grandes e posições simétricas artificiais podem produzir comportamentos internos diferentes.

A seleção de modelos cria outro limite. Cinco checkpoints sustentam comparações de arquitetura, mas não conseguem isolar todos os fatores que separam redes convolucionais e transformers.

Históricos de treinamento, contagens de parâmetros, cronogramas de otimização, pipelines de características e maturidade dos checkpoints podem afetar a representação. Um experimento controlado treinaria arquiteturas equivalentes com sementes aleatórias repetidas.

A própria pontuação de equivariância também incorpora escolhas analíticas. Pesquisadores precisam selecionar normalização, limiares de correspondência, regras de alinhamento espacial e métodos para lidar com sinais ou permutações.

Uma métrica diferente poderia dividir os canais limítrofes de outra forma. A “névoa de assimetria” relatada torna essa sensibilidade especialmente relevante.

A força de jogo traz outra complicação. O projeto público do KataGo descreve seus modelos como alguns dos sistemas open source de Go mais fortes, mas força não garante ampla confiabilidade interna.

Pesquisadores anteriores treinaram políticas adversariais que alcançaram uma taxa de vitória relatada superior a 97 por cento contra KataGo em configurações sobre-humanas. Os ataques exploravam estruturas cíclicas incomuns, e não o jogo profissional comum.

Esse histórico não contradiz as descobertas sobre simetria. Ele mostra por que um comportamento médio limpo não deve ser confundido com compreensão abrangente.

Um modelo pode aprender uma estrutura elegante de transformação para posições comuns e ainda falhar em arranjos raros. Regularidade interna e robustez adversarial são questões relacionadas, não intercambiáveis.

Pesquisas sobre equivariância aproximada oferecem outro alerta. Uma análise de equivariância de 2023 constatou que pequenos detalhes arquiteturais podem quebrar a simetria exata e reduzir a generalização para transformações não vistas.

Esse trabalho também encontrou casos em que relaxar a equivariância exata ajudou quando a simetria dos dados não correspondia perfeitamente às suposições da rede. A lição mais ampla é que restrições de simetria envolvem trade-offs mensuráveis.

Para KataGo, todas as oito transformações testadas são válidas pelas regras padrão de um tabuleiro quadrado. Ainda assim, as características de entrada, os limites do tabuleiro, a codificação de histórico e a busca posterior merecem verificações individuais.

Portanto, o estudo atual deve ser tratado como uma alegação de pesquisa reproduzível. Ele oferece código e medições falsificáveis, mas pesquisadores independentes ainda não estabeleceram quão amplamente suas conclusões se transferem.

Esse enquadramento é mais útil do que descartar o trabalho por ter sido gerado por IA ou aceitar seus padrões visuais sem questionamento.

O que os pesquisadores devem acompanhar a seguir

Três sinais de acompanhamento mostrarão se KataGo encontrou uma propriedade geral das representações aprendidas ou uma curiosidade específica de checkpoints.

O primeiro sinal é a replicação independente em diferentes sementes de treinamento. Outro grupo deveria repetir as medições em modelos convolucionais e de transformer treinados separadamente, com configurações equivalentes.

Estruturas de órbita repetidas reforçariam a alegação de que a arquitetura molda onde a simetria se rompe. Grande variação entre sementes sugeriria que as estruturas relatadas são apenas uma solução entre muitas.

O segundo sinal é uma comparação controlada com equivariância explícita. Pesquisadores podem treinar uma rede de Go equivariante a grupos e comparar sua eficiência, força, calibração e organização interna com modelos que usam apenas ampliação de dados.

Esse experimento testaria diretamente o principal contraponto. Ele poderia mostrar se a simetria codificada elimina o aprendizado redundante ou remove computação direcional útil.

A comparação deveria medir mais do que o Elo final. Eficiência de amostras no treinamento, custo de inferência, consistência entre posições transformadas e desempenho em tabuleiros adversariais exporiam o verdadeiro trade-off.

O terceiro sinal é a intervenção causal nas órbitas de características descobertas. Pesquisadores deveriam perturbar famílias direcionais completas, em vez de excluir uma cabeça de atenção por vez.

Se remover uma órbita inteira prejudica de forma consistente as versões transformadas de uma tarefa, a interpretação geométrica se torna mais convincente. Se os efeitos permanecerem dispersos, a órbita pode descrever a aparência sem capturar a função.

Testes de escada e ko oferecem pontos de partida úteis, mas trabalhos futuros devem incluir conjuntos de posições pré-registrados. Isso reduziria o risco de selecionar exemplos após inspecionar padrões de atenção.

Os pesquisadores também devem testar tabuleiros retangulares e regras intencionalmente assimétricas. Essas configurações podem revelar se uma característica aprendida acompanha uma simetria genuína da tarefa ou apenas reflete o pipeline de aumento de dados.

Para desenvolvedores, a lição prática é moderada. O aumento de dados pode estimular uma estrutura interna significativa, mesmo quando a arquitetura não impõe essa estrutura.

No entanto, resultados consistentes não dizem aos desenvolvedores como um modelo organizou o problema. Eles precisam de medições internas, testes de transformação e avaliação adversarial quando a consistência de orientação afeta a segurança ou a confiabilidade.

Para equipes de interpretabilidade, KataGo oferece um modelo útil de como empacotar pesquisa. O projeto conecta um artigo acessível a scripts, dados de medição, relatórios brutos, correções e instruções de reprodução.

Equipes que avaliam pesquisas assistidas por IA podem adotar esse padrão. Manter relatórios locais pesquisáveis em uma base de conhecimento de engenharia pode ajudar revisores a rastrear afirmações até os experimentos e revisões.

A questão mais ampla sobre machine learning permanece em aberto. Redes neurais podem aprender simetria sem receber uma regra arquitetural rígida, mas não necessariamente a expressam por meio de componentes uniformemente simétricos.

O resultado mais interessante do KataGo está no meio-termo. Suas redes parecem construir conceitos simétricos reutilizáveis ao lado de especialistas direcionais organizados.

Isso deixa claro o próximo passo. Pesquisadores devem parar de perguntar apenas se um modelo é simétrico e começar a testar onde, como e sob quais entradas essa simetria se mantém.

Reproduções independentes recuperarão as mesmas órbitas de características e famílias de atenção hexagonais? A resposta determinará se este é um estudo de caso conciso sobre KataGo ou um mapa reutilizável para interpretar geometria aprendida.