Note ABES Scaling intelligence : a formal and practical framework for computationally unbounded AI : enabling autonomous scaling in AI systems Mettre l’intelligence à l’échelle : un cadre formel et pratique pour une IA à capacité de calcul non bornée IA sans limites de calcul Intelligence autonome Apprentissage sensible aux capacités Réseaux de neurones artificiels Apprentissage continu Prédiction sélective Boosting Apprentissage profond Computationally Unbounded AI Autonomous Intelligence Capacity-Aware Learning Artificial Neural Networks Continual Learning Selective Prediction Boosting Deep Learning 006.3 Intelligence artificielle Apprentissage profond Les architectures d’IA fixes sont limitées par le calcul : la théorie de la complexité montre que certainsproblèmes exigent des ressources dont la croissance peut être exponentielle. CeLe thèse présentel’IA à capacité de calcul non bornée (CUAI), qui permet une mise à l’échelle autonome des capacités,inspirée par la modularité et la plasticité neuronales. CUAI réduit la fragilité des modèles statiquesen environnement dynamique grâce à une expansion autodirigée. Contributions principales : (1) leframework d’extension de colonnes, qui met à l’échelle les réseaux de neurones ar)ficiels parréécriture de graphes et duplication de sous-graphes, validé sur MNIST-1D ; (2) le frameworkd’apprentissage conscient de la capacité (CAL), combinant boosting et prédiction sélective avec desauto-encodeurs MLP pour améliorer couverture et précision, au-delà d’un modèle unique. Lestravaux futurs visent des déploiements réels et l’alignement vers une intelligence autonome etévolutive. Fixed AI architectures face computational limits, as complexity theory shows, with problemsrequiring exponentially scaling resources. This dissertation presents Computationally Unbounded AI(CUAI), enabling autonomous capacity scaling inspired by neural modularity and plasticity. CUAIovercomes static model fragility in dynamic secngs via self-directed expansion. Key contribu)onsinclude: (1) the Column Extension Framework, which scales ANNs through graph rewriting,duplicating subgraphs for growth, validated on MNIST-1D; (2) the Capacity-Aware Learning (CAL)Framework, combining boosting and selective prediction with MLP auto-encoders to enhance taskcoverage and accuracy, outperforming single models. Drawing from cortical columns, CUAI fostersself-improving systems. Future work targets real-world applications and alignment for autonomous,scalable intelligence. Electronic Thesis or Dissertation Text en PDF 5468306 https://publication-theses.unistra.fr/public/theses_doctorat/2025/KHUDIYEV_Ali_2025_ED269.pdf http://www.theses.fr/2025STRAD044/abes https://theses.hal.science/tel-05477262 https://theses.hal.science/tel-05477262 https://theses.hal.science/tel-05477262 https://theses.hal.science/tel-05477262 Khudiyev Ali 1999-01-16 FR 293291519 193709702HE 21622201 4200018 https://theses.fr/2025STRAD044 2025STRAD044 https://doi.org/10.70675/017e6eadz9ba3z4e13z89adz2e58e8256ae7 2025-11-28 Informatique Strasbourg 131056549 Doctorat Docteur es non oui Jeannin Anne MADS_DIRECTEUR_DE_THESE_1 2700 258075988 Gardashova Latafat MADS_DIRECTEUR_DE_THESE_2 293291993 Wemmert Cédric MADS_PRESIDENT_DU_JURY 176663576 Guyet Thomas MADS_MEMBRE_DU_JURY_1 171949307 Abdulkarimova Ulviyya MADS_MEMBRE_DU_JURY_2 29329206X Steffenel Luiz Angelo MADS_RAPPORTEUR_1 108006573 Bertrand Frédéric MADS_RAPPORTEUR_2 128458585 École doctorale Mathématiques, sciences de l'information et de l'ingénieur (Strasbourg ; 1997-....) MADS_ECOLE_DOCTORALE_1 269 156504863 Laboratoire des sciences de l'ingénieur, de l'informatique et de l'imagerie (Strasbourg ; 2013-....) MADS_PARTENAIRE_DE_RECHERCHE_1 260728 176969721 ddc:004 Jeannin Anne Gardashova Latafat Wemmert Cédric Guyet Thomas Abdulkarimova Ulviyya Steffenel Luiz Angelo Bertrand Frédéric École doctorale Mathématiques, sciences de l'information et de l'ingénieur (Strasbourg ; 1997-....) Laboratoire des sciences de l'ingénieur, de l'informatique et de l'imagerie (Strasbourg ; 2013-....) PDF 5468306