Minotaur 是一种旨在无需大型语言模型（LLM）或 GPU 等专用硬件即可执行高层推理的 AI 架构。虽然现代 LLM 通过预测序列中的下一个词来实现类推理能力——实际上是在模仿人类记录思想的方式——但 Minotaur 通过分析其评估系统的底层结构来运行。该架构建立在被称为 ELC（能量、控制和逻辑）的框架之上，该框架将任何系统表示为一个元素网络，其中“能量”驱动系统，“控制”约束系统，而“逻辑”定义两者之间的关系。
Minotaur 的核心机制是一个称为“沉降”的过程。为了回答问题，系统将其网络中的特定节点识别为“固定”（固定事实）、“切割”（强制值）或“自由”（待解决的未知数）。随后网络开始沉降，类似于水寻找水平面，每个合法的节点都会根据其内部逻辑获得一个值。Minotaur 测量“压力”——即网络沉降后固定事实未能保持一致的程度。这种压力通过逻辑节点向后推送到“自由”孔洞中，直到找到一致状态或识别出矛盾。这使得系统能够通过在系统规则中寻找平衡点来执行演绎、归纳和溯因推理。
这张图片展示了 Minotaur 的核心机制，即网络像水寻找水平面一样沉降。
通过将推理分为两个不同的“半球”，Minotaur 在被推理的系统与执行工作的计算器之间保持清晰的界限。ELC 端持有系统的结构，并可以从数据记录中学习新模型，而“精确”端则充当执行算术运算并检查逻辑一致性的计算器。这种分离允许 Minotaur 提供由记录的两个侧面之间的“交叉”组成的“思维链”，提供关于如何得出答案的可验证证书。因为它基于系统的结构而非人类思想的散文，它可以在大约每题 0.25 秒的时间内在单个普通处理器核心上执行这些操作，这与当代 LLM 对数据中心的高要求相比，提供了不同的权衡。然而，作为一个资源受限的项目，该模型的具体实现细节和公开可用性仍是外部验证中的一个不确定点。
这描绘了架构中描述的两个不同“半球”——ELC 端和“精确”端。
与 LLM 相比，这种方法的一个显著限制是需要“因果图”或对系统组件的描述。虽然 LLM 可以用平实的语言解释问题的描述，但 Minotaur 需要系统规则和部分的结构化表示。开发者认为，这是为了实现可认证和可重放的“精确”推理而必须做的权衡。通过处于 20 世纪 AI（如 Prolog 或专家系统）的“精确”逻辑与现代深度学习的“学习”模式之间，Minotaur 试图提供一个中间地带：一个既能从数据中学习模型，又能以形式逻辑求解器的精度进行推理的系统。
最终，Minotaur 在盲测中能够匹配 LLM 的推理能力——包括警察审讯（问题会改变证人的记忆）以及仅从数据中诊断系统——这表明 LLM 的“基于散文”的推理可能不是智能行为的唯一路径。通过专注于被推理系统的机制而非人类思想的语言模式，Minotaur 提供了一条通往计算高效且逻辑可验证的推理路径，即使它比当今 AI 领域常见的对话界面需要更结构化的输入。
这张图片支持了 Minotaur 可以执行诊断推理的说法，这是文中提到的关键能力。