Мыслят ли большие языковые модели? Технический ответ на философский вопрос

В статье рассматривается вопрос о том, реализуют ли современные большие языковые модели процессы, функционально эквивалентные мышлению, и, если не реализуют, то в чем именно состоит разрыв между машинным и биологическим интеллектом. Центральный тезис состоит в том, что сознание не является ни онтологически необходимым условием мышления, ни эпистемологически достаточным критерием его верификации. Это положение, восходящее к Лейбницу и последовательно подтверждавшееся историей когнитивной науки, от Гельмгольца до Фристона, в статье распространяется на искусственные системы. Языковая модель обладает пониманием в функциональном смысле, что делает некорректным как отрицание этой компетенции на интроспективных основаниях, так и ее апологию. Архитектурный парадокс трансформера – рекурсивная продуктивность без рекурсивной архитектуры – эмпирически разрешает спор Хомского со Скиннером, не снимая теоретического вопроса о природе рекурсивной компетенции. Типологическое основание для этого вывода составляет структурное сходство двух операций: минимизации вариационной свободной энергии в предиктивном кодировании и вычисления взвешенного сходства в механизме внимания. В обоих случаях имеет место итеративное уточнение представления через редукцию расхождения между предсказанием и реальностью. Факт содержательного интеллектуального общения между людьми и языковыми моделями – совместного рассуждения, взаимной коррекции, продуктивного несогласия – был бы необъясним в отсутствие этого типологического родства. Разрыв между биологическим и искусственным интеллектом прослеживается на четырех уровнях: энергетическом, вычислительном, семантическом и темпоральном. На каждом из них обнаружено не количественное отставание, а качественно иной способ организации информационного процесса. Сделан вывод о том, что вопрос о природе машинного мышления требует переформулировки: оба процесса – трансформерный и биологический – инстанции одного вычислительного типа – иерархической редукции неопределенности, – что составляет типологическую характеристику интеллекта как такового. Разрыв между двумя его видами реален, но располагается внутри одного рода.

1. Лейбниц 1982 – Лейбниц Г.В. Монадология / пер. с фр. Е.А. Боброва // Лейбниц Г.В. Сочинения: в 4 т. Т. 1 / ред. и сост. В.В. Соколов. – М.: Мысль, 1982. С. 413–429.

2. Chomsky 1959 – Chomsky N. A Review of B.F. Skinner’s Verbal Behavior // Language. 1959. Vol. 35. No. 1. P. 26–58.

3. Dehghani et al. 2019 – Dehghani M., Gouws S., Vinyals O., Uszkoreit J., Kaiser Ł. Universal Transformers // Proceedings of the 7th International Conference on Learning Representations. 2019. arXiv:1807.03819.

4. Friston et al. 2017 – Friston K., Parr T., de Vries B. The Graphical Brain: Belief Propagation and Active Inference // Network Neuroscience. 2017. Vol. 1. No. 4. P. 381–414.

5. Helmholtz 1867 – Helmholtz H. von. Handbuch der physiologischen Optik. – Leipzig: Leopold Voss, 1867.

6. Juschkewitsch, Kopelewitsch 1988 – Juschkewitsch A.P., Kopelewitsch Ju.Ch. La correspondance de Leibniz avec Goldbach /// Studia Leibnitiana. 1988. Bd. 20. H. 2. S. 175–189.

7. Kim, Linzen 2020 – Kim N., Linzen T. COGS: A Compositional Generalization Challenge Based on Semantic Interpretation // Proceedings of the 2020 Conference on Empirical Methods in Natural Language Processing. 2020. P. 9087–9105. arXiv:2010.05465.

8. Lake, Baroni 2018 – Lake B.M., Baroni M. Generalization without Systematicity: On the Compositional Skills of Sequence-to-Sequence Recurrent Networks // Proceedings of the 35th International Conference on Machine Learning. 2018. Vol. 80. P. 2873–2882. arXiv:1711.00350.

9. Marcus et al. 1999 – Marcus G.F., Vijayan S., Bandi Rao S., Vishton P.M. Rule Learning by Seven-Month-Old Infants // Science. 1999. Vol. 283. No. 5398. P. 77–80.

10. Mikhailov 2024a – Mikhailov I.F. The Concept of Recursion in Cognitive Studies. Part I: From Mathematics to Cognition // Philosophical Problems of IT and Cyberspace. 2024. No. 1. P. 58–76.

11. Mikhailov 2024b – Mikhailov I.F. The Concept of Recursion in Cognitive Studies. Part II: From Turing to Bayes to Consciousness // Philosophical Problems of IT and Cyberspace. 2024. No. 2. P. 4–22.

12. Parr et al. 2025a – Parr T., Pezzulo G., Friston K. Beyond Markov: Transformers, Memory, and Attention // Cognitive Neuroscience. 2025. Vol. 16. No. 1–4. P. 5–23.

13. Parr et al. 2025b – Parr T., Pezzulo G., Friston K. Closing the Box // Cognitive Neuroscience. 2025. Vol. 16. No. 1–4. P. 43–48.

14. Rao, Ballard 1999 – Rao R.P.N., Ballard D.H. Predictive Coding in the Visual Cortex: A Functional Interpretation of Some Extra-Classical Receptive-Field Effects // Nature Neuroscience. 1999. Vol. 2. No. 1. P. 79–87.

15. Searle 1980 – Searle J.R. Minds, Brains, and Programs // Behavioral and Brain Sciences. 1980. Vol. 3. No. 3. P. 417–424.

16. Vaswani et al. 2017 – Vaswani A., Shazeer N., Parmar N., Uszkoreit J., Jones L., Gomez A.N., Kaiser Ł., Polosukhin I. Attention Is All You Need // Advances in Neural Information Processing Systems. 2017. Vol. 30. P. 5998–6008.