Команда Percepta опубликовала статью Constructing an LLM-Computer: система аналитически компилирует виртуальную машину WebAssembly в веса обычного авторегрессионного трансформера. Исполняет программу сама сеть — код на C после компиляции в WASM подается токенами и выполняется пошагово, без обучения и без интерпретатора вне модели. Веса занимают около 1.5 МБ, демо работает прямо в браузере, а полный код открыт на GitHub. Это редкий случай, когда идея «трансформер как компьютер» оформлена не как риторика, а как проверяемый инженерный механизм.

image
image
image

Что произошло

25 марта 2026 года команда Percepta опубликовала статью 'Constructing an LLM-Computer', продолжение поста 'Can LLMs Be Computers?' от 11 марта 2026 года. В работе описан пайплайн, который аналитически компилирует виртуальную машину WebAssembly в веса стандартного авторегрессионного трансформера: для этого определены абстрактная машина ALM (Append-only Lookup Machine) и язык CALM, а раскладка операций по слоям решается через целочисленное линейное программирование (MILP). Любой код на C, скомпилированный в WASM, подается модели токенами и исполняется самим трансформером, без обучения и без внешнего интерпретатора. Веса полученной модели занимают около 1.5 МБ, демо с готовыми примерами (hello, addition, fibonacci, collatz, sudoku) работает прямо в браузере, а полный код открыт в репозитории Percepta-Core/transformer-vm на GitHub.

Контекст

Пост 'Can LLMs Be Computers?' от 11 марта 2026 года ставил вопрос, может ли трансформер быть компьютером, и новая статья отвечает на него не аргументами, а готовым инженерным механизмом с открытым артефактом. Ключевое отличие от привычных споров о том, умеют ли LLM считать, состоит в том, что исполнение заявлено как точное целочисленное и полученное по построению весов: программу в веса вшивает компилятор, а градиентное обучение не участвует. Проверка такой заявки сводится к воспроизведению пайплайна компиляции, а не к измерению точности на тестах, что методологически сильнее привычных бенчмарков. Сам результат относится к выразимости архитектуры, где attention и feed-forward служат носителями lookup-механики абстрактной машины ALM, а не к способностям обученных моделей, поэтому переносить его на обычные предобученные LLM нельзя. Выбор WebAssembly в качестве целевой виртуальной машины методологически грамотен: это единый фронтенд для произвольного C-кода с готовой экосистемой инструментов, но он же подчеркивает природу результата — перед нами спланированная раскладка вычислений по слоям, а не эмерджентная способность модели. Компактность артефакта позволяет дешево проверить веса побитно и воспроизвести весь пайплайн, что редкость для громких заявлений в этой области.

Почему это важно для индустрии

Для AI-индустрии это конкретный механизм, а не обещание, и билдерам он предлагает сразу несколько точек входа. Первая — работающий открытый пайплайн, компилирующий программы из C в WASM и далее в веса трансформера: на его основе уже сейчас можно собирать интерактивные образовательные продукты, визуализаторы вычислений и developer tools. Вторая — направления, где важны точность и проверяемость исполнения, прежде всего верифицируемые вычисления и нейросимволические ускорители, где детерминированные «микропрограммы в весах» могли бы работать на специализированном железе. Третья — интерпретируемость: MILP-планировщик, автоматически раскладывающий операции по слоям, сам по себе нетривиальный инструмент для изучения того, какие вычислительные примитивы трансформер реализует нативно и какие слои какие операции кодируют. При этом влияние на текущие LLM, их обучение и бенчмарки нулевое, а production-ценность не подтверждена: это не заменитель обычного WASM-рантайма и не инференс-движок, а для стартапов сегодня — окно дешевых экспериментов и захвата тулинговых ниш, а не готовый продукт. В ближайшие месяцы логичны независимые проверки кода и весов, репродукционные отчеты и возможное превращение компилятора в утилиту исследовательского арсенала; если компиляция программ в веса масштабируется, речь может пойти о нише верифицируемых вычислений, если нет — работа останется эффектной демонстрацией выразимости.

Почему это важно для пользователей

Чтобы увидеть механизм вживую, достаточно браузера: в демо можно загрузить одну из готовых C-программ — hello, addition, fibonacci, collatz или sudoku — скомпилировать ее в WASM и проследить, как трансформер с кастомными весами исполняет ее шаг за шагом. Систему можно скачать и запустить локально, а форк под собственный интерфейс оценивается в дни работы, а не в месяцы, поэтому репозиторий удобен как основа для учебных проектов, хакатонов и прототипов. Готовое демо легко встроить интерактивом в курс, статью или воркшоп — это способ наглядно показать, как нейросеть исполняет знакомую программу. Для повседневного пользователя привычных LLM-сервисов прямой пользы здесь и сейчас нет: ценность системы исследовательская и образовательная.

Что пока неизвестно / ограничения

Доказательная база пока ограничена двумя блог-постами Percepta и демо самих авторов: в предоставленных материалах нет признаков внешнего рецензирования или независимой репродукции, поэтому заявка о точном исполнении остается авторским словом до проверки третьей стороной. Неизвестны и фактические характеристики системы: латентность в forward-пассах на инструкцию, предельный размер исполняемых программ, устойчивость к квантизации и пределы MILP-планировщика — прежде всего то, как время компиляции растет с длиной кода и масштабируется ли пайплайн на более длинные программы и большее число слоев. Заголовок поста, из которого взят материал, упоминает еще одну работу, повторяющую подход «почти 1в1», но ее деталей и сравнения в материалах нет.

Источники

Автор

Look at AI, редакция