En ny videnskabelig artikel på arXiv præsenterer en samlet matematisk ramme for de mest udbredte AI-genereringsmetoder – flow-baserede, diffusions-baserede, variational og adversarial (GAN) modeller. Forskerne viser, at alle disse metoder kan beskrives som forskellige måder at evaluere den samme underliggende "master-action" på, hvilket giver en fælles teoretisk base for et felt, der hidtil har udviklet sig i separate spor.
For beslutningstagere er det vigtigste resultat dog en praktisk konsekvens: Den nye formulering muliggør en såkaldt one-loop-korrektion, der forbedrer deterministiske samplere uden ekstra beregningsomkostning. I test på både simple og ikke-lineære systemer reducerede denne korrektion fejlen fra 53 % til 1,6 % – en dramatisk forbedring, der kan oversættes til hurtigere og billigere billed- eller video-generering i produktion. Dette betyder, at virksomheder, der bygger eller køber generativ AI, kan opnå højere kvalitet uden at øge compute-omkostningerne.
Artiklen introducerer også to andre teoretiske værktøjer: en ny måde at håndtere uperfekte lærte scores på, og en metode til at designe symmetri-invariante modeller med klar prioritering af, hvilke effekter der betyder mest. Samlet set giver arbejdet et fælles sprog og værktøjskasse, som kan hjælpe teams med at vælge og optimere den rette genereringsmetode til deres specifikke behov – uden at skulle eksperimentere sig frem.
