Od istraživačkog protokola do opšteg okvira za AI rezonovanje

Metodologija razvijena kroz ovu seriju započela je istraživačkim problemom: kako AI model može pomoći u istraživanju složenog pitanja, a da pritom ne pojačava samo pretpostavke koje su već prisutne u korisničkom upitu?

Taj problem na prvi pogled deluje kao da pripada istorijskom ili akademskom istraživanju. U stvarnosti, on je znatno širi.

Otklanjanje grešaka u softveru, arhitektonske odluke, tehnička dijagnostika, analiza bezbednosti, strategija proizvoda i mnogi oblici podrške pri odlučivanju dele istu osnovnu strukturu. Problem je predstavljen. Neki dokazi su dostupni. Jedno ili više objašnjenja deluju uverljivo. Pretpostavke ulaze u analizu. Sistem mora da utvrdi koji zaključak ima najbolju potporu.

Domen se menja. Epistemički problem često ostaje isti.

Ovaj članak stoga preduzima sledeći korak: pretvaranje istraživačkog protokola razvijenog u prethodnim člancima u opšti okvir zaključivanja za analitički rad uz podršku veštačke inteligencije.

Okvir se direktno oslanja na četiri prethodna sloja: Beyond Prompt Engineering: A Methodology for More Reliable AI Reasoning definiše opšti metodološki problem; The Prompt Is Part of the Bias ispituje uokviravanje i zavisnost od upita; Prompt Invariance: Does the Conclusion Survive the Prompt? uvodi test robusnosti protiv uokviravanja; i Falsification for AI Reasoning: From Answers to Tested Hypotheses dodaje sistematsku diskonfirmaciju i konkurentske hipoteze.

Ključna generalizacija

Generalizacija se ne sastoji u tome da svaki zadatak treba tretirati kao istorijsko istraživanje.

To bi bila kategorijalna greška.

Istorijsko istraživanje zavisi od hronologije, porekla, prenosa, kritike izvora i arhivske potpunosti. Otklanjanje softverskih grešaka zavisi od logova, konfiguracije, ponovljivosti, stanja izvršavanja i kontrolisanih testova. Arhitektura zavisi od zahteva, ograničenja, interfejsa, atributa kvaliteta i operativnih kompromisa.

Ono što se može generalizovati jeste proces zaključivanja koji okružuje te domenski specifične oblike dokaza.

Okvir je u svojoj suštini nezavisan od domena, ali nikada nije lišen domena.

Ova razlika je fundamentalna. Univerzalna metodologija zaključivanja ne može zameniti stručnost. Umesto toga, ona može definisati kako treba postupati sa dokazima, pretpostavkama, hipotezama, kontradikcijama i neizvesnošću pre nego što domenska stručnost donese konačni sud.

Jezgro zaključivanja nezavisno od domena

Kroz različite analitičke domene može se primeniti isti redosled visokog nivoa:

Problem → dekompozicija → dokazi → pretpostavke → konkurentske hipoteze → predviđanja → protividokazi → diskriminišući testovi → domenska validacija → rekalibracija poverenja → zaključak

Ovaj proces namerno sprečava da prvo koherentno objašnjenje modela po automatizmu postane konačan odgovor.

Umesto toga, prvo objašnjenje postaje kandidat.

1. Definišite stvarni problem

Pre generisanja rešenja, sistem bi trebalo da utvrdi šta se zapravo traži.

Korisnički zahtevi često sadrže i problem i predloženu dijagnozu:

Zašto nginx izaziva neuspehe povezivanja na moj API?

Stvarni problem, međutim, može biti:

Šta izaziva neuspehe povezivanja na API?

Razlika je lingvistički mala, a metodološki ogromna.

Prva formulacija ugrađuje uzročnu hipotezu. Druga izlaže tu hipotezu konkurenciji.

Ovo je upravo problem uokvirivanja ispitan u tekstu The Prompt Is Part of the Bias.

2. Razdvojte činjenice, pretpostavke i nepoznate stavke

Pouzdan proces rezonovanja mora sprečiti neprimetno spajanje zapažanja i interpretacija.

• Činjenica: direktno potkrepljena dostupnim dokazima.
• Interpretacija: objašnjenje izvedeno iz činjenica.
• Pretpostavka: tvrdnja neophodna za trenutni tok rezonovanja, ali nije nezavisno utvrđena.
• Nepoznato: informacija neophodna za pouzdanije razlikovanje, ali trenutno nedostupna.

Ova klasifikacija može delovati elementarno, ali rešava uobičajeni obrazac greške u analizama koje generiše veštačka inteligencija: pretpostavke bivaju ugrađene u tečan tekst i kasnije se ponovo pojavljuju kao da su već utvrđene.

Sledivost počinje sprečavanjem zaključka da se preruši u dokaz.

3. Generišite konkurentna objašnjenja

Kandidat za objašnjenje ne bi trebalo da se ocenjuje izolovano kada postoje verodostojne alternative.

Sistem bi stoga trebalo da generiše nekoliko verovatnih hipoteza pre nego što se opredeli za jednu.

Svrha nije veštački brejnstorming. Alternative bi trebalo da predstavljaju suštinski različite mehanizme sposobne da objasne zapažanja.

Preferirana hipoteza nije pobedila ako nijednom ozbiljnom konkurentu nije bilo dozvoljeno da uđe u testiranje.

Ovaj koncept je centralan za Falsifikaciju za AI rezonovanje, gde se hipoteze procenjuju kroz očekivana zapažanja, kontra-dokaze i diskriminativne testove, a ne kroz nagomilanu prozu podrške.

4. Očuvajte poreklo dokaza

Dokazi treba da ostanu sledljivi do svog izvora.

Zaključak → tumačenje → zapažanje → izvor

Linija u logu, zvanična tehnička specifikacija, eksperiment, primarni istorijski dokument, stručno tumačenje i sažetak generisan od strane veštačke inteligencije nemaju identičan dokazni status.

Okvir stoga ne skladišti samo informacije. On treba da sačuva dovoljno metapodataka kako bi se znalo odakle tvrdnja potiče i koliko je konačni zaključak udaljen od prvobitnog zapažanja.

5. Izvedite predviđanja pre objašnjavanja rezultata

Kada hipoteze postoje, svaka bi trebalo da generiše očekivanja.

Ako je hipoteza tačna, šta bi trebalo da uočimo?

Ako je alternativa tačna, šta bi trebalo da bude drugačije?

Izvođenje očekivanja pre tumačenja svih dostupnih dokaza pomaže da se spreči naknadno uklapanje svakog zapažanja u preferirani narativ.

6. Potraga za kontra-dokazima

Generativni model je prirodno efikasan u konstruisanju koherentne podrške za verovatnu ideju. Zbog toga je opovrgavanje posebno važno.

Sistem bi trebalo izričito da pita:

• Koje bi zapažanje značajno oslabilo ovo objašnjenje?
• Koje dokaze hipoteza slabo objašnjava?
• Koja alternativa objašnjava ista zapažanja sa manje pretpostavki?
• Koja očekivana zapažanja nedostaju?
• Da li bi se prividna podrška mogla objasniti nekim drugim mehanizmom?

Ovaj princip je detaljno razrađen u tekstu Falsifikacija za AI rezonovanje: od odgovora do testiranih hipoteza.

7. Testirajte zavisnost od prompta

Samo testiranje dokaza ne otkriva da li analiza modela ostaje preterano zavisna od formulacije korisnika.

Za dovoljno važne probleme, zaključak se stoga može ponovo testirati pod alternativnim legitimnim okvirima.

• Originalno: sačuvati formulaciju korisnika.
• Slepo: ukloniti preferirani zaključak.
• Invertovano: staviti u prvi plan najjaču alternativu.
• Adversarijalno: namerno tražiti najjači izazov zasnovan na dokazima.

Ovo je metod invarijantnosti upita predstavljen u tekstu Prompt Invariance: Does the Conclusion Survive the Prompt?.

Njegova funkcija nije da dokaže da je stabilan odgovor tačan. Njegova funkcija je da razotkrije zaključke koji se menjaju prvenstveno zato što se promenio okvir.

8. Primenite validatore specifične za domen

Ovde opšti okvir namerno prestaje da bude univerzalan.

Svaki domen zahteva sopstvena pravila za utvrđivanje da li je objašnjenje zaista verodostojno.

Okvir kontroliše kako se tvrdnje obrađuju. Validatori domena određuju da li te tvrdnje preživljavaju kontakt sa stvarnošću.

9. Rekalibrišite nivo pouzdanosti

Konačni zaključak ne bi trebalo automatski da zadrži nivo pouzdanosti početnog odgovora.

Pouzdanost treba ponovo izračunati nakon što se razmotre alternative, protivdokazi, varijacije upita i validacija domena.

Korisni ishod stoga može ostati neizvestan.

• snažno podržano;
• privremeno podržano;
• slabo podržano;
• nedovoljno determinisano;
• značajno opovrgnuto;
• nije proverljivo sa trenutnim dokazima.

Neizvesnost nije neuspeh rezonovanja kada su sami dokazi neizvesni.

Isti okvir kroz različite domene

Najlakši način da se razume opšti okvir jeste posmatranje kako se ista arhitektura rezonovanja ponaša kada se domen promeni.

Istorijsko istraživanje

Problem: utvrditi da li sličnosti između dve intelektualne tradicije ukazuju na istorijski prenos.

• Odvojiti dokumentovane sličnosti od interpretativnih paralela.
• Uporediti direktan prenos, indirektno nasleđe, konvergenciju i retrospektivnu interpretaciju.
• Proveriti hronologiju i geografski kontakt.
• Potražiti dokumentarne ili terminološke tragove.
• Identifikovati dokaze koji se očekuju u slučaju direktnog prenosa.
• Potražiti ranije nezavisne primere koji slabe tu hipotezu.
• Preformulisati pitanje bez preferirane genealogije.
• Donositi zaključke samo na nivou pouzdanosti koji podržavaju sačuvani dokazi.

Otklanjanje grešaka u softveru

Problem: utvrditi zašto API veza povremeno otkazuje.

• Odvojiti uočene greške od uzroka na koje sumnja programer.
• Generisati hipoteze vezane za proksi, aplikaciju, bazu podataka, mrežu i klijenta.
• Utvrditi koje zapise i ponašanje u toku izvršavanja svaka hipoteza predviđa.
• Izvršiti testove koji mogu napraviti razliku među njima.
• Pokušati reprodukovanje greške uz postepeno eliminisanje slojeva.
• Odbaciti objašnjenja koja su u suprotnosti sa kontrolisanim posmatranjima.
• Identifikovati prvi potvrđeni mehanizam otkaza umesto najuverljivijeg narativa.

Softverska arhitektura

Problem: izabrati arhitekturu za novu platformu.

• Odvojiti zahteve od implementacionih preferencija.
• Uporediti modularni monolit, servise i hibridne alternative.
• Testirati svaku opciju u odnosu na skalabilnost, strukturu tima, razmeštanje, operativnu složenost i troškove.
• Identifikovati koji zahtev zaista iziskuje arhitektonsku složenost.
• Potražiti jednostavnija rešenja sposobna da zadovolje ista ograničenja.
• Tretirati tehnološku preferenciju kao pretpostavku, a ne kao zahtev.

Strategija proizvoda

Problem: utvrditi da li određenu mogućnost proizvoda treba komercijalizovati.

• Odvojiti tehničku izvodljivost od dokazane potražnje.
• Definisati alternativne probleme korisnika i alternativna rešenja.
• Identifikovati vidljivo ponašanje tržišta predviđeno poslovnom tezom.
• Definisati kriterijume neuspeha pre tumačenja rezultata.
• Potražiti dokaze o tome da korisnici rešavaju problem na drugačiji način.
• Razlikovati interesovanje, spremnost na testiranje i spremnost na plaćanje.

Analiza projekta i isporuke

Problem: utvrditi zašto projekat ne ostvaruje planirane rezultate.

• Odvojiti simptome kao što je kašnjenje od njihovih pretpostavljenih uzroka.
• Uporediti obim, zavisnosti, kapacitet, zahteve, upravljanje i tehnički rizik.
• Pratiti dokaze kroz planove, odluke, izmene i kriterijume prihvatanja.
• Proveriti da li korektivna mera rešava stvarni mehanizam, a ne samo vidljivi simptom.
• Ponovo proceniti hipotezu projekta kako se pojavljuju novi dokazi o isporuci.

Zašto je ovo više od inženjeringa upita

Inženjering upita menja instrukciju koja se daje modelu.

Okvir za rezonovanje menja proces kroz koji je odgovoru dopušteno da postane zaključak.

Inženjering upita optimizuje poziv. Okvir za rezonovanje upravlja procesom zaključivanja.

Ova razlika postaje važna kako se AI sistemi pomeraju od interfejsa za ćaskanje ka agentima, RAG pipeline-ovima, automatizovanom istraživanju, razvojnim alatima i sistemima za podršku odlučivanju.

Jedan pažljivo dizajniran upit može poboljšati jedan poziv modela. Okvir za rezonovanje može definisati kako više poziva, pronađeni dokazi, rezultati alata i faze validacije interaguju pre nego što sistem donese odgovor.

Okvir je povezan sa — ali različit od — postojećih metoda rezonovanja LLM-a

Širi istraživački pejzaž već sadrži nekoliko važnih pristupa koji pokazuju da se performanse LLM-a mogu poboljšati kada je zaključivanje strukturirano kao proces, a ne kao jedna generacija.

ReAct kombinuje rezonovanje sa akcijama i zapažanjima iz spoljašnjeg okruženja. Umesto da se oslanja isključivo na interno znanje modela, model može da deluje, posmatra nove informacije i ažurira svoj sledeći korak.

Self-Refine koristi iterativnu generaciju, povratne informacije i rafiniranje, pokazujući da se početni izlaz LLM-a često može poboljšati kroz eksplicitne samopovratne informacije bez dodatne obuke modela.

Reflexion koristi verbalne povratne informacije i epizodičnu memoriju kako bi omogućio jezičkim agentima da uče iz prethodnih pokušaja i modifikuju kasnije ponašanje.

Tree of Thoughts istražuje više putanja rezonovanja umesto da se odmah opredeli za jedan lanac s leva na desno, omogućavajući pretragu, evaluaciju i vraćanje unazad preko kandidatskih pristupa.

Ove metode se značajno razlikuju po nameni i implementaciji, ali uspostavljaju važnu opštu poentu: struktura u vreme zaključivanja može materijalno promeniti performanse modela.

Okvir predložen u ovoj seriji bavi se drugačijim primarnim ciljem.

Cilj nije jednostavno naterati model da duže traži, više razmišlja ili generiše bolji odgovor. Cilj je učiniti put od dokaza do zaključka otpornijim na uokvirivanje, potvrđivanje i nepotkrepljene pretpostavke.

Nepromenljivost upita, testiranje usmereno na falsifikaciju i validacija specifična za domen stoga služe kao epistemičke kontrole, a ne kao generičke tehnike proširenja zaključivanja.

Slojeviti pogled na kvalitet AI rezonovanja

Rezultujući sistem se može razumeti kao nekoliko slojeva.

Odgovor može da padne na bilo kom sloju.

Može tačno da odgovori na pogrešan problem. Može ispravno da rezonuje na osnovu lažnih dokaza. Može da pronađe tačne činjenice, ali da izabere pogrešno kauzalno objašnjenje. Može da proizvede snažno objašnjenje koje nestaje kada se upit preformuliše. Ili može da preživi sve opšte provere rezonovanja i dalje prekrši ograničenje specifično za domen.

Ispravnost nije jedna osobina. Ona je rezultat nekoliko zavisnosti koje istovremeno opstaju.

Kvalitet zaključivanja naspram sposobnosti modela

Ovo nas vraća na jednu od centralnih ideja serije.

Jači model ne podrazumeva automatski da će svaki poziv iskoristiti njegove sposobnosti na najrigorozniji mogući način.

Model može posedovati sposobnost da generiše alternative, pregleda zapise, pretražuje izvore, dovodi u pitanje pretpostavke i revidira zaključak. Da li se sve te operacije zaista odvijaju zavisi od zadatka, podsticanja, dostupnih alata, konteksta i okolne sistemske arhitekture.

Okvir stoga razdvaja dva pitanja:

• Sposobnost: šta model može da uradi?
• Metodološka disciplina: koje od tih sposobnosti moraju biti primenjene pre nego što sistem prihvati zaključak?

Ova razlika bila je polazna tačka za Beyond Prompt Engineering i postaje još važnija kada se metodologija generalizuje izvan istraživanja.

Nije svaki zadatak potreban pun okvir

Okvir ne treba da postane obavezni dodatni teret za svaku interakciju sa AI.

Mnogi zadaci imaju nisku epistemičku složenost:

• formatiraj ovaj JSON;
• prevedi ovu rečenicu;
• konvertuj ove jedinice;
• prepiši ovu poruku;
• izvuci ova polja;
• sažmi ovaj dostavljeni tekst.

Pokretanje četiri varijante podsticaja, tri konkurentske hipoteze i faze falsifikacije za takve zadatke dodalo bi trošak bez proporcionalne vrednosti.

Puna metoda postaje vrednija kada:

• odgovor zavisi od interpretacije, a ne od direktnog pronalaženja;
• korisnik već ima preferirano objašnjenje;
• više kauzalnih mehanizama je verodostojno;
• dokazi su nepotpuni ili kontradiktorni;
• odluka ima značajne tehničke, finansijske ili istraživačke posledice;
• očekuje se da AI sistem deluje autonomno na osnovu zaključka.

Metodološka dubina stoga treba da se skalira sa epistemičkim rizikom.

Od statičnog podsticaja do adaptivne politike zaključivanja

Kada se generalizuje, okvir više ne mora da postoji kao jedan ogroman podsticaj.

Praktičan sistem može dinamički da odluči koje kontrole zadatak zahteva.

Jednostavan zadatak → direktan odgovor Analitički zadatak → strukturisana provera dokaza Zadatak sa visokom neizvesnošću → konkurentske hipoteze Zadatak osetljiv na uokvirivanje → Invarijantnost upita Hipoteza sa visokim posledicama → falsifikacija i validacija u domenu

Ovo transformiše metodologiju iz fiksnog šablona upita u adaptivnu politiku zaključivanja.

Sistem ne zaključuje uvek maksimalno. Zaključuje onoliko rigorozno koliko zadatak zahteva.

Praktičan opšti okvir

Kompletan proces može se sumirati na sledeći način:

1. Normalizuj problem. Ukloni ugrađene zaključke iz definicije zadatka gde je to prikladno.
2. Identifikuj dokaze. Razdvoji opažanja od interpretacija.
3. Izloži pretpostavke. Zabeleži tvrdnje koje još nisu utvrđene.
4. Generiši ozbiljne alternative. Ne dozvoli da se prva hipoteza takmiči samo protiv slabih slamnatih argumenata.
5. Sačuvaj poreklo. Održi tvrdnje sledljivim do njihovih izvora.
6. Izvedi očekivanja. Definiši šta svaka hipoteza predviđa.
7. Traži protivdokaze. Aktivno traži opažanja koja preferirana hipoteza slabo objašnjava.
8. Izvrši diskriminatorne testove. Preferiraj dokaze koji razlikuju objašnjenja.
9. Testiraj zavisnost od uokvirivanja. Primeni Invarijantnost upita kada korisničko uokvirivanje može uticati na rezultat.
10. Primeni validatore domena. Koristi kriterijume specifične za disciplinu relevantne za problem.
11. Rekalibriši pouzdanje. Dozvoli da zaključak oslabi, ostane nerešen ili se promeni.
12. Sačuvaj sledljivost. Učini put od zaključka nazad do dokaza preglednim.

Šta okvir ne tvrdi

• Ne garantuje istinit izlaz.
• Ne eliminiše halucinacije.
• Ne čini LLM stručnjakom za domen.
• Ne dokazuje da su stabilni zaključci tačni.
• Ne eliminiše pristrasnosti zajedničke svim prolazima zaključivanja.
• Ne zamenjuje eksperimente, merenja ili primarne izvore.
• Ne garantuje da su sve relevantne hipoteze generisane.
• Ne podrazumeva da je više zaključivanja uvek bolje.
• Ne tvrdi da je kompletan okvir već validiran kao standardizovana akademska metodologija.

Njegova tvrdnja je uža i odbranjivija: analitički AI sistemi mogu se metodološki ojačati kada se pretpostavke, uokvirivanje, konkurentska objašnjenja, protivdokazi i validacija u domenu obrađuju eksplicitno, umesto da se u potpunosti prepuste jednoj neograničenoj generaciji.

Četiri članka postaju jedan sistem zaključivanja

Prethodni članci sada se mogu razumeti ne kao odvojene tehnike upita, već kao komponente jedne arhitekture zaključivanja.

Zajedno opisuju tranziciju:

Upit → odgovor postaje Problem → dokazi → hipoteze → izazov → validacija → kalibrisani zaključak

Centralni princip

Metodologija je počela jednostavnim zapažanjem: postavljanje pitanja moćnom modelu za zaključivanje ne znači automatski da će svaka korisna sposobnost zaključivanja dostupna modelu biti iskorišćena.

Rešenje nije da se maksimalno zaključivanje forsira u svakoj interakciji.

Rešenje je da se identifikuje koji kontroli zaključivanja su važni za zadatak i da se oni eksplicitno navedu.

Dobra AI metodologija ne govori modelu do kog zaključka treba da dođe. Ona definiše šta zaključak mora da preživi pre nego što bude prihvaćen.

Taj princip je prenosiv.

U istorijskom istraživanju, zaključak mora da preživi hronologiju i kritiku izvora. U otklanjanju grešaka, mora da preživi reprodukciju i diskriminišuće testove. U arhitekturi, mora da preživi zahteve i operativna ograničenja. U strategiji, mora da preživi tržišne dokaze i kriterijume neuspeha.

Validatori se menjaju.

Metodološka disciplina ostaje.

Cilj nije model koji uvek misli duže. To je sistem koji zna kada odgovor još nije opravdan.

Istraživački kontekst

Kompletan okvir opisan u ovoj seriji je metodološka sinteza, a ne uspostavljeni standardizovani LLM benchmark. Nekoliko srodnih linija istraživanja ipak podržava njegovu centralnu arhitektonsku premisu: kvalitet zaključivanja može se značajno promeniti kada je rešavanje problema pomoću jezičkog modela organizovano kao iterativni ili višefazni proces, a ne kao jedna generacija.

ReAct kombinuje zaključivanje sa akcijama i spoljnim zapažanjima i pokazao je prednosti u odgovaranju na pitanja, proveri činjenica i interaktivnim zadacima odlučivanja. Tree of Thoughts istražuje više kandidata za puteve zaključivanja uz evaluaciju i vraćanje unazad, umesto da se odmah opredeli za jedan lanac. Self-Refine je pokazao poboljšanja u raznovrsnim zadacima iteriranjem između generisanja, povratne informacije i rafiniranja. Reflexion je pokazao da jezički agenti mogu da koriste verbalne povratne informacije iz prethodnih pokušaja da poboljšaju kasnije odluke bez ažuriranja težina modela.

Ovi pristupi ne implementiraju Prompt Invariance niti ovde predloženi okvir usmeren na falsifikaciju. Oni pružaju nezavisne dokaze za širu ideju da je procedura u vreme zaključivanja važna: sposobnost modela i proces kroz koji se ta sposobnost koristi nisu identični.

Doprinos ove serije je organizovanje tog uvida oko epistemičkih kontrola: razdvajanje dokaza, praćenje pretpostavki, analiza uokvirivanja prompta, konkurentske hipoteze, falsifikacija, poreklo, validacija u domenu i kalibrisana neizvesnost.

Odabrane reference

• Yao, S. et al. — ReAct: Synergizing Reasoning and Acting in Language Models. ICLR, 2023.
• Yao, S. et al. — Tree of Thoughts: Deliberate Problem Solving with Large Language Models. NeurIPS, 2023.
• Madaan, A. et al. — Self-Refine: Iterative Refinement with Self-Feedback. NeurIPS, 2023.
• Shinn, N. et al. — Reflexion: Language Agents with Verbal Reinforcement Learning. NeurIPS, 2023.
• Jhaveri, A. R., GX-Chen, A., Sucholutsky, I. & Choi, E. — Failing to Falsify: Evaluating and Mitigating Confirmation Bias in Language Models. 2026.
• Brucks, M. S. & Toubia, O. — Prompt Architecture Induces Methodological Artifacts in Large Language Models. PLOS ONE, 2025.

Serija o metodologiji AI zaključivanja

1. Beyond Prompt Engineering: A Methodology for More Reliable AI Reasoning — zašto sposobnost modela sama po sebi nije dovoljna.
2. The Prompt Is Part of the Bias — kako formulacija zadatka može da utiče na okruženje za zaključivanje.
3. Prompt Invariance: Does the Conclusion Survive the Prompt? — testiranje stabilnosti zaključka kroz alternativna uokvirivanja.
4. Falsification for AI Reasoning: From Answers to Tested Hypotheses — konkurentske hipoteze, protivdokazi i diskriminišući testovi.
5. From Research Protocol to a General AI Reasoning Framework — integrisanje metodologije u višekratno upotrebljivo jezgro zaključivanja nezavisno od domena.
6. Praktična primena istog okvira za zaključivanje u gejming AI — uključujući pomoćnike u igrama, autonomne agente, znanje osetljivo na zakrpe i validaciju stanja igre uživo — istražena je u When Gaming AI Sounds Right but Isn't: The Reasoning Problem Behind Game Assistants and Agents on figure.rocks.