Длинный манифест, написанный обаятельным научпоп‑языком, но без картинок.
50 лет назад была выдвинута гипотеза о Языке Мышления. Наверняка вы про нее не слышали – а зря. Классная штука, которая может перевернуть (и уже переворачивает) представление о возможных методах обработки информации, воплощенных в технологиях.
Давайте сразу договоримся, что ИИ никакой не интеллект и никогда им не стане
Сегодня в технологической среде часто и много принято говорить об искусственном интеллекте так, будто он естественно продолжает и вскоре заменит человеческое мышление. Таких безумцев довольно много, и с этим приходится только смиряться, хотя и голосов разума становится все больше, в том числе здесь, на Хабре. Приятно встречать единомышленников, но все равно кажется, что нас пока слишком мало.
Нейросети с миллиардами параметров, огромные датасеты, все более эффектные демо создают иллюзию, что «набор связей в компьютере» уже является новым носителем разума. Между тем с точки зрения нейробиологии и когнитивных наук это представление выглядит, по меньшей мере, преждевременным: объем фактов о мозге, нервной системе и восприятии скорее подталкивает ученых сомневаться в том, что нынешний ИИ может быть преемником или аналогом мозга, сознания и психики, чем подтверждает такую надежду.
Разрыв виден на нескольких уровнях.
Во‑первых, в самой инженерной реализации: огромные энергозатраты и аппаратные ресурсы современных моделей дают, в сущности, весьма скромный когнитивный результат, если сравнивать его с тем, что делает человеческий мозг в рамках той же зрительной системы.
Во‑вторых, в методологическом основании: ИИ опирается на математику«перебора», оптимизации и статистики – поиск «следующего слова», обратное распространение ошибки, – но совсем не отвечает на вопрос, какие именно элементы и по каким законам составляют саму ткань мышления.
Наконец, в теоретическом плане: накопленный корпус знаний о биологической нейросети остается в значительной степени параллелен текущим ИИ‑подходам, пересечение между ними фактически ограничивается словом «нейрон» в названии.
Дисклеймер
В этом блоге мы пишем о результатах наших исследований и разработок в области TAPe — теорией активного восприятия (Theory of Active Perception). TAPe — это попытка (удачная) описать, как именно мозг воспринимает и обрабатывает реальность: какими первичными элементами он оперирует, по каким законам соединяет их в образы, символы и смыслы.
Нам удалось хотя бы частично формализовать то, что мозг делает «по умолчанию» — используя методы обработки информации, принципиально отличные от любых существующих подходов в ИИ. По сути, мы пользуемся миллиардолетними достижениями эволюции: мозг оттачивал своё восприятие реальности несравнимо дольше, чем существует вычислительная техника, — и было бы странно это игнорировать. Поэтому мы здесь и поэтому нам удается делать, в частности, в компьютерном зрении то, что недоступно другим. Теперь к теме статьи.
Язык Мышления супротив ИИ
Язык Мышления – система, в которой мозг изначально «видит» и структурирует реальность. Термин Language of Thought был введен Джерри Фодором еще в 1970‑х годах для описания внутреннего языка, на котором оперирует человеческий разум. В дальнейшем эта линия развивалась через гипотезу физической символьной системы Ньюэлла и Саймона, утверждающую, что физическая символьная система обладает всеми необходимыми и достаточными средствами для выполнения базовых интеллектуальных операций. Терренс Дикон дополняет эту картину тезисом о том, что мы вообще не можем видеть мир иначе, чем в четких терминах символов, а значит, мышление неотделимо от символьного представления.
Язык (естественный) в этом контексте рассматривается как завершенная система, достаточная для осуществления интеллектуальных операций: он эволюционировал так, чтобы можно было описывать весь окружающий мир, все, что мы видим, знаем и о чем можем думать. Однако важно сделать шаг еще глубже.
Символы, которыми оперирует язык, не появляются из ниоткуда: они должны быть связаны с тем, как мозг изначально членит реальность через органы чувств. Зрение здесь играет ключевую роль: оно напрямую связано с мозгом и является основным поставщиком информации об окружающем мире.
Нейробиологические данные указывают, что базовыми объектами, распознаваемыми визуальной системой, выступают точка и линия; причем линии определенного набора ориентаций распознаются врожденно, как результат эволюции. Эти «врожденные детекторы линий» представляют собой первичные элементы, на которые мозг разворачивает поток визуальной реальности.
Теория активного восприятия (TAPe) исходит из того, что именно эти первичные элементы и связи между ними составляют фрагмент Языка Мышления. TAPe моделирует работу врожденных механизмов человеческого восприятия и дает возможность «математически» описывать принципы, способы и методы, по которым функционирует Язык Мышления: как мозг воспринимает реальность, превращает ее сначала в данные, а затем в информацию в привычном нам смысле.
«Математический» здесь взято в кавычки не случайно: в TAPe почти нет привычной для ИИ математики – дифференциалов, интегралов, байесовских схем и обратного распространения ошибки. Логика, которой следуют элементы Языка Мышления, качественно иная, чем логика операций над буквами, цифрами и их комбинациями; это не классическая математика и не лингвистика в узком смысле.
Если принять, что восприятия вместе с работой мозга естественным образом формируют первичные элементы и связи между ними, то сам Язык Мышления можно определить как совокупность этих элементов и законов их взаимодействия.
Отсюда становится понятнее, почему слияние нейробиологии и ИИ в нынешнем виде малообещающе: они опираются на разные представления об единицах и законах работы системы. Там, где биологическая нейронная сеть работает с символическими концептуальными элементами, участвующими в разных функциональных системах и активирующими сложные ассоциативные сети, ИИ оперирует числовыми векторами и функциями потерь.
Само наличие гипотезы физической символьной системы и постоянная апелляция к символам у лингвистов и когнитивистов показывает, что искомая «математика» мышления пока не найдена – или, во всяком случае, не описана в общепринятом виде.
Здесь и возникает роль TAPe как промежуточного звена между биологией, когнитивными науками и новыми компьютерными решениями, включая ИИ. TAPe предлагает конкретный вычислительный каркас для тех самых первичных элементов и их комбинаций.
Элементы TAPe образуют часть «языковой математики», на которой «думает» мозг: их можно рассматривать как вычислительные символы Языка Мышления, но не в виде букв или чисел, а в виде структур другого рода.
Разница в том, что ИИ, даже если сталкивается с подобными структурами, то как бы восстанавливает их «сверху вниз» (хотя и не “понимая” их), через численную оптимизацию, в то время как TAPe пытается описать исходные законы, по которым мозг строит осмысленные образы.
Коннектом дрозофилы и масштаб нашего незнания
Недавние работы по построению коннектома дрозофилы выглядят впечатляюще даже на фоне бурного развития ИИ. Мы видим цифры: около 125 тысяч нейронов, порядка 50 миллионов синаптических связей, 7 050 ультратонких срезов мозга и примерно 21 миллион изображений с электронного микроскопа, по которым затем восстанавливается полная карта связей.
Все это дополняется машинным обучением, которое помогает классифицировать нейромедиаторы в каждой связке как возбуждающие или тормозящие. В итоге получается цифровая модель, которая, как утверждается, способна воспроизводить спектр поведенческих паттернов дрозофилы – «от ходьбы до чистки усиков».
На первый взгляд такие проекты создают ощущение, что мы уже почти «понимаем структуру» мозга хотя бы простых организмов. Если удается в деталях воспроизвести архитектуру и динамику передачи сигналов, то остается лишь «немного подергать» параметры, и поведение должно проявиться само, без необходимости писать сложные формулы.
Однако при внимательном рассмотрении становится видно, что большая часть понимания здесь заместилась объемом данных. Мы знаем, сколько срезов было сделано, сколько изображений получено, какие медиаторы активируются и где, но по‑прежнему почти ничего не можем сказать о том, как именно такая структура реализует даже «простые» для дрозофилы вещи вроде координации движения или поиска пищи.
В этом смысле проекты по коннектомам напоминают ситуацию в физике элементарных частиц. Там тоже иногда звучат заявления о том, что «мы уже почти все знаем», хотя реальные области исследованного пространства ничтожны по сравнению с тем, что потенциально существует.
Мы проложили несколько аккуратных тропинок в огромном лесу и начали вести себя так, будто лес наш. Стоит смениться «широте и долготе» – контексту, виду организма, типу задачи – как тут же появляются новые виды, новые паттерны, новые эффекты, которые наши текущие карты не охватывают. Знание оказывается локальным и хрупким, а масштаб незнания – астрономическим.
С точки зрения Языка Мышления и ТАРе это наблюдение принципиально. Если мы настолько далеки от понимания того, как реально работает мозг даже насекомого, то иллюзия, будто крупные модели ИИ уже «воспроизводят» человеческое мышление, выглядит особенно странно.
Тот факт, что исследователям приходится делать тысячи срезов и миллионы снимков ради одного относительного простого коннектома, лишь подчеркивает: структурная сложность биологического носителя колоссальна, а наши текущие методы – и в ИИ, и в нейробиологии – охватывают ее фрагментарно.
Любые серьезные экспериментальные подходы полезны хотя бы тем, что наглядно демонстрируют: ИИ – не все; это одна из множества техник обработки информации, но не универсальный Язык Мышления.
Здесь появляется потенциальная точка пересечения для ТАРе. Модели с десятками или сотнями тысяч «элементов» находятся в диапазоне, где можно сопоставлять тензорные структуры Языка Мышления и реальные нейронные ансамбли: не миллиарды нейронов, где мы тонем в статистике, и не абстрактные несколько «искусственных нейронов» в учебном примере, а именно промежуточный уровень, на котором уже есть поведение, но еще сохраняется перспектива связать структуру и функцию.
ТАРе, как Теория активного восприятия, может предложить другой способ смотреть на те же данные: не как на гигантскую матрицу синапсов, а как на реализацию определенного набора элементов и операций с ними, которые обеспечивают существование живого существа с 1 000–125 000 «узлов».
Пока такие пересечения остаются во многом гипотетическими. Но уже сейчас видно, что чем дальше продвигаются проекты вроде «цифровой дрозофилы», тем яснее становится ограниченность чисто ИИ‑подхода.
Рост объема данных и мощности машинного обучения сам по себе не делает нас ближе к пониманию мышления, так же как миллионы срезов не превращаются автоматически в теорию сознания насекомых.
Язык Мышления нужен именно как рамка, позволяющая отличать накопление информации от появления объясняющих структур, а ТАРе – как инструмент, который может связывать перцепцию, структуру и поведение без иллюзий о том, что ИИ в одиночку решит эти задачи.
Хопфилд, Хинтон и потерянная биология
История современных нейросетей часто подается так, будто мы постепенно приближаемся к биологии: сначала примитивные «нейроны» Маккалока–Питтса, затем более сложные архитектуры, от Хопфилда до глубинных сетей Хинтона, и, наконец, масштабные модели, которые якобы начинают делать то же, что мозг. Если смотреть внимательнее, траектория оказывается почти обратной: по мере успеха моделей биология из них последовательно вырезается.
Работа Хопфилда возникала на стыке физики твердого тела и биологии. Наблюдая за биологическими системами и обсуждая парадоксы вроде «левинталевского» (как белок так быстро находит правильную конформацию), он искал формализм, который позволил бы описать переходы системы к устойчивым состояниям.
Ответ он взял не из нейробиологии, а из уже знакомой ему физики: модели конвергентных полей, энергетические ландшафты, аналогия с отжигом металлов, где нагрев и охлаждение ведут к тому, что структура сама «находит» низкоэнергетические конфигурации. Так родились энергетические функции, «катящиеся шарики» и прочие метафоры, которые легли в основу хопфилдовских сетей.
Важно, однако, что эта модель была теоретической и весьма далекой от реальной нейронной ткани. Хопфилд, по сути, перенес физический формализм на биологию, а не вывел его из нее. За биологическими процессами он «подглядел», но описывать их стал через уже имеющиеся физические законы, оставляя огромное пространство возможных аналогий открытым. Это был первый шаг в сторону абстракции от живой ткани к удобной математике через известную ему физику.
Хинтон сделал следующий шаг – и сделал его радикально. Ограниченные машины Больцмана и другие его модели опираются на ту же идею энергетических состояний, но от биологии в них практически ничего не осталось. Чтобы модели заработали на реальном железе и реальных данных, пришлось «кастрировать» хопфилдовскую многомерность и всесвязанность, резко упростить структуру, сделать ее инженерно реализуемой.
Итог: отличные ML‑системы, которые хорошо оптимизируются и обучаются, но ссылка на их «биологическое» происхождение становится скорее риторической фигурой, чем реальным содержанием.
На этом фоне заявления о том, что нейросети являются «биологически правдоподобными» моделями мозга, выглядят, мягко говоря, смелыми. Даже если принять, что отправная точка Хопфилда была вдохновлена биологией, путь от нее до современных архитектур проходит через серию упрощений, где каждый шаг уводит нас дальше от реальной нейронной ткани и ближе к чистому инженерному компромиссу.
Мы оказываемся в ситуации, когда инструменты, построенные по законам физики и оптимизации, начинают претендовать на объяснение мышления – но почти не опираются на те элементы и связи, которые мозг действительно использует.
Подход ТАРе принципиально иной. Вместо того чтобы брать физическую аналогию и переносить ее на биологию, ТАРе стартует от того, что уже «проработано» мозгом в ходе эволюции: от врожденных механизмов восприятия, от того, как реальные нейронные системы членят реальность на первичные элементы и связывают их между собой.
То, что мы называем Языком Мышления, в этой рамке – не продукт кабинетной математики, а символическая система, которую мозг сам сформировал как результат взаимодействия с миром. Наблюдать и описывать эту систему сложно, но это прямое движение к источнику, а не к физической аналогии, которая кажется красивой.
Если продолжить аналогию, то Хопфилд с его энергетическими ландшафтами – это Лейбниц, увидевший в китайских схемах двоичное исчисление. Да, он мог бы придумать двоичный код и без Поднебесной, но исторически он «подсмотрел» в чужой культуре уже реализованную идею и переложил ее в свою формальную систему.
Хинтон, в свою очередь, использует Хопфилда как инструмент: берет энергетическую метафорику, превращает ее в алгоритмы и делает нейросети практически применимыми. ТАРе выбирает другой вектор: «подсматривать» не в физике твердого тела, а в самом мозге, который миллиарды лет оттачивал свои способы видеть и мыслить.
Хинтон против Хомского: врожденность и цена энергии
Заочный спор Хинтона с Хомским о языке – еще одна иллюстрация того же разрыва. Хомский настаивает на врожденном механизме языка (innate), утверждая, что язык в полном объеме невозможно «выучить» с нуля, он опирается на глубинную структуру, заданную мозгу. Хинтон возражает: языковая модель обучается на текстах и демонстрирует впечатляющие результаты, значит, язык – это то, чему можно научить машину.
Чисто по наблюдаемому поведению спор, вероятно, будет продолжаться бесконечно. Можно организовывать слепые тесты, сравнивать тексты, спорить о стиле и когерентности. Но есть более жесткий параметр – энергия.
Да, современные модели могут копировать часть языковых функций, однако делают это ценой ресурсов, несопоставимых с теми, что тратит мозг. Если ввести в аргументацию Хомского понятие энергозатрат, картина меняется: врожденный механизм языка оказывается не только качественно иным по структуре, но и радикально более эффективным.
Можно представить это так: условно, в языке человека существует сотня «специалитетов» – специфических когнитивных функций, связанных с языком (от порождения высказываний до тонких форм рефлексии).
Даже давая ИИ огромную фору, мы можем считать, что он воспроизводит лишь часть из них, и именно самые сложные из них он реализует во много, а то и во много-много раз больше по энергозатратам, чем человеческий мозг. С этой точки зрения Хинтон, говоря «смотрите, модель может», прав лишь наполовину; Хомский оказывается более прав, если к его тезису о врожденности добавить строгое требование: «покажи, по какой цене».
Это поднимает в полный рост вопрос так называемой неполноты науки и неполноты методов машинного обучения. Если наука о мозге пока не дошла до полного описания языкового механизма, а ИИ решает задачи перебором по триллионам параметров и связей, то нам неизбежно приходится спрашивать: какие закономерности мы действительно поймали, а какие заменили грубой силой вычислений ?
Если короткая формула теории вероятностей описывает явление, которое ИИ моделирует гигантской сетью, – в чью пользу здесь сравнение? В мире, где энергия становится ограничивающим ресурсом, вопрос «почем?» перестает быть риторическим и становится центральным.
В контексте Языка Мышления это означает следующее. Если язык – это лишь один из методов работы Языка Мышления, встроенный в общую символическую систему мозга, то попытка воспроизвести его исключительно через статистический перебор выглядит фундаментально неполной.
Язык Мышления задает те элементы и связи, которые позволяют мозгу быть одновременно выразительным и энергоэффективным. И именно здесь ТАРе, опирающийся на врожденные механизмы восприятия и их символическое кодирование, предлагает более реалистичный путь к моделированию мышления, чем наращивание мегаватт и параметров в очередной модели нейросети.
Тензоры, грамматика и уровни Языка Мышления
Разговор о Языке Мышления почти неизбежно выводит нас к вопросу представлений. В математике последние десятилетия принято говорить о скалярах, векторах и тензорах, переводя сложные явления в многомерные структуры.
Тензор нулевого порядка – число, первый порядок – вектор, второй и выше – уже полноценные многомерные объекты. Однако если посмотреть на этот ряд с точки зрения Языка Мышления, обнаруживается важный асимметричный момент: из тензора мы можем получить вектор и скаляр, но путь обратно, от скаляра к тензору, практически закрыт.
На одно и то же число может «схлопываться» огромное количество разных векторов и тензоров, и попытка восстановить исходную структуру по одному скаляру в общем случае обречена.
Работа с TAPe с задачами распознавания образов дает здесь прецедент другого типа. Вместо того чтобы действовать на уровне скаляров, вводится иной способ исчисления, в котором операции определяются свойствами самих элементов и их многомерных отношений.
В таком исчислении меняется смысл элементов и набор законов их сочетания. Нас интересует не столько конечное число, сколько структура, из которой оно получено. Подход TAPe сопоставим с тем, что мы называем Языком Мышления, и именно поэтому значительно превосходит тензорное исчисление – например, поэтому в наших моделях десятки тысяч параметров, а в основанных на тензорных вычислениях – миллиарды.
Отсюда вытекает важный методологический принцип для работы с Языком Мышления и ИИ. Если явление уже описано на уровне скаляров, причем скаляры не совпадают с теми, которые появляются в ТАРе, то пытаться раскрутить их обратно до «тензоров» Языка Мышления почти бессмысленно.
Гораздо продуктивнее «подсматривать» туда, где скаляр виден вместе со своими «предками» – где мы знаем не только конечное число, но и структуру, из которой оно возникло. В терминах математики это означает двигаться от интегрального, многомерного описания к частным значениям, а не наоборот; в терминах Языка Мышления – исходить из тех структур, в которых перцепция, символ и операция на этих символах еще не разорваны.
Современный ИИ, напротив, часто идет самым тяжелым путем. Он берет данные уже в виде скаляров (чисел, эмбеддингов, заранее выбранных признаков) и пытается через огромный перебор параметров восстановить нечто похожее на векторы и тензоры – скрытые представления высокого порядка.
В сущности, это попытка «догадаться», какая сложная структура стоит за набором чисел, не имея доступа к тому, как эта структура формировалась. ТАРе работает иначе: он стартует на том уровне, который ближе к тензорному – от первичных элементов восприятия и их связей. Язык Мышления как система здесь выступает значительно интереснее, чем тензорная: многомерная, структурная, не редуцируемая до скаляров без потери сути.
Эта логика хорошо перекладывается и на язык в узком смысле. Можно условно выделить три уровня: школьную/университетскую грамматику (скалярный уровень), универсальную грамматику в духе Хомского (векторный уровень) и то, что можно назвать «гениальной грамматикой» – глубокий, «тензорный» уровень организации Языка Мышления.
Школьная грамматика описывает формы, окончания, суффиксы, правила постановки запятых; универсальная грамматика пытается уловить более общие шаблоны, но остается преимущественно словесной гипотезой; а гениальная грамматика – это тот уровень, на котором мозг действительно склеивает смыслы из восприятия и внутреннего Языка Мышления.
Лингвистика застряла на первых двух ступенях: от Хомского до его учеников прорыва, сопоставимого по масштабу с тем, что сделал Галуа для математики (когда новая структура дает радикально работающий формализм), в грамматике не произошло.
Из этого следует практическое следствие: использовать школьную грамматику как базу для реконструкции Языка Мышления так же наивно, как пытаться построить тензор только по его скалярным проекциям. Мы видим числовой результат, но почти ничего не знаем о многомерной структуре, стоящей за ним.
ТАРе дает выход на тензорный уровень напрямую: он работает с элементами и законами их сочетания, которые ближе к реальной символике мозга, чем к школьным правилам. ИИ в этой картине может быть полезным инструментом – грубым силовым механизмом перехода от вектора к тензору, – но не источником методологии: он перебиратель, а не автор структур.
По сути, речь идет не о том, «нужны ли нам тензоры», или о том, с какого конца к ним подходить, а о том, есть ли что-нибудь “лучше” или даже совсем принципиально другое. ИИ и классическая грамматика поднимаются от скаляров, пытаясь догадаться о структуре, которая их породила.
Язык Мышления и ТАРе предлагают двигаться от структуры восприятия – условно от “тензорного уровня” – к конкретным выражениям и числам. Для моделирования мышления этот выбор принципиален: одни пути ведут к бесконечному росту параметров и энергозатрат, другие – к компактным, но выразительным формам представления, которые мозг уже использует.
Абстракции против примеров: где теряется мышление
Еще одна причина, по которой Язык Мышления оказывается принципиальной альтернативой ИИ, связана с тем, как современная наука обращается с абстракциями. В типичной истории развития формальных дисциплин реальная задача из жизни – «пример» – довольно быстро утопает в слоях формул, определений и законов, которые должны ее описывать или решать.
Через какое‑то время сами эти абстракции начинают жить самостоятельно: появляются новые теоремы, конструкции и вычислительные трюки, а исходный пример оказывается практически забытым. В такой ситуации легко не заметить, что исходный выбор абстракций мог быть неверным или слишком грубым, и именно он ограничивает дальнейшие возможности теории.
Математика и ИИ дают множество примеров подобного «отрывания» от задачи. Понятия вроде мнимых чисел, чисел с плавающей запятой, специфических схем оптимизации и сложных архитектур появились как попытка справиться с реальными задачами, но сегодня сами по себе диктуют рамки мышления и инженерных решений.
Схема «есть данные – есть функция потерь – есть процедура обучения» превращается в самоцель, в то время как вопрос, адекватны ли эти абстракции самой структуре реальности и восприятия, часто остается за скобками. По сути, мы все дальше уходим от примера и все глубже погружаемся в мир собственных формализмов.
Подход TAPe и Язык Мышления строятся иначе. Вместо того чтобы сразу вводить высокоуровневые абстракции, TAPe пытается работать с первичными элементами, максимально близкими к реальному восприятию: к тому, как зрительная система членит поток реальности на линии, контуры, структуры.
Эти элементы не придуманы «с нуля» в голове отдельного математика, а выделены из самого процесса восприятия, прошедшего фильтр эволюции и огромного количества практических «примеров» взаимодействия с миром. В этом смысле Язык Мышления – это не набор произвольных символов, а система, которая непосредственно опирается на структуру реальности, как она дается органам чувств.
Ключевой момент здесь – работа с постоянно текущим примером. Зрительное восприятие не останавливается: оно непрерывно подает в «аппарат Языка Мышления» новые данные, независимо от того, как мы их описываем в теории. Каждый шаг, каждый взгляд в окно – это очередной акт формирования и переработки первичных элементов.
Игнорировать этот процесс и довольствоваться абстракциями верхнего уровня означало бы упускать главный источник структуры для Языка Мышления.
Графическая письменность в этом контексте выступает не как исторический курьез, а как один из наиболее наглядных, устойчивых и богатых примеров того, как Язык Мышления материализуется в культурном артефакте. Ее элементы ближе к первоисточнику – к зрению и действию – чем инженерные конструкции ИИ, спроектированные исключительно в пространстве абстрактных чисел.
С этой точки зрения TAPe претендует на большую результативность не потому, что предлагает более изящные формулы, а потому что встраивается на уровень, где еще не произошел разрыв между примером и абстракцией.
Он работает там, где Язык Мышления только оформляет реальность в первичные элементы и связи, и именно поэтому подходит для того, чтобы описать и моделировать мышление – до того, как оно будет сведено к статистике по большим матрицам весов.
В споре «Язык Мышления против ИИ» этот аргумент звучит предельно жестко: либо мы строим системы на основе абстракций, которые уже давно оторвались от реальности, либо пытаемся вернуться к тому уровню представления, где реальность еще говорит сама за себя – через органы чувств и Язык Мышления.
Неполнота матаппарата: почему ИИ «обгоняет» своих создателей
Одно из любимых обвинений в адрес ИИ звучит так: модели дают хорошие результаты, но не умеют объяснять, как именно они к ним приходят. На этом фоне возникает впечатление, что ИИ – опасный «черный ящик», который вытесняет человеческое понимание. Однако если посмотреть на ситуацию через призму так называемой неполноты существующей науки, картина выглядит иначе.
В ряде областей ИИ побеждает не потому, что он «умнее» человека, а потому что использует более мощный и гибкий математический аппарат, чем тот, которым человечество до сих пор довольствовалось.
Показательный пример – история с лингвистами в крупных технологических компаниях. Когда языковые модели научились решать практические задачи (перевод, поиск, генерация текста) лучше, чем любые предыдущие системы, оказалось, что команда лингвистов уже не может предложить существенных улучшений.
Встает прямой вопрос: «Зачем вы нужны, если ваши правила и словари больше не улучшают результат?» Это выглядит как поражение лингвистики, но по сути является поражением того математического формализма, на котором эта лингвистика стояла: грамматик, вероятностных моделей, статистических трюков, которые описывали язык через набор аппроксимаций.
То же самое происходит с классическими методами обработки изображений: свертки, заранее заданные фильтры, строгие математические конструкции, казавшиеся когда‑то вершиной элегантности, внезапно проигрывают нейросетям, которые подбирают фильтры автоматически.
Это не значит, что ИИ «понимает» изображение лучше, чем человек; это значит, что исходный матаппарат был недостаточно хорош. В свертку и фильтры изначально заложены неправильные допущения и ограничения, и достаточно общего численного метода, чтобы обогнать их на каждом повороте.
Показательно, что там, где речь идет о фундаментальных законах – о том, чтобы впервые записать формулу Эйнштейна или вывести второе уравнение Ньютона – ИИ пока бессилен. Он может подбирать параметры и аппроксимировать сложные зависимости, но не создает новых концептуальных рамок.
Зато в задачах, где концептуальная ясность исторически была слабой, а пространство параметров огромно, ИИ выигрывает за счет чистой вычислительной силы и более удобного математического языка: он не связан старой системой констант, линейных приближений и жестких фильтров.
С этой точки зрения успехи ИИ – это аргумент в пользу того, что нынешняя математика текста, свертки, многих прикладных областей вполне вероятно содержит как минимум грубые упрощения, а возможно и фундаментальные ошибки.
Язык Мышления и ТАРе как раз предлагают один из путей, как можно пересмотреть этот аппарат, вернувшись к реальным структурам восприятия и символики, вместо того чтобы бесконечно оптимизировать исторически сложившиеся приближения.
Если ИИ уже обгоняет наши старые модели за счет более «широкого» матаппарата, то следующий шаг – сделать этот аппарат осмысленным: связать его с тем языком, на котором человеческий мозг действительно «видит» и мыслит. Именно здесь Язык Мышления становится реальной альтернативой неполному инструментарию классической науки.
Графическая основа естественного языка и Язык Мышления
Отдельная линия аргументации связана с графическими основами естественного языка. Обнаруженный авторами (то бишь нами) TAPe изоморфизм между структурой письменности естественного языка и элементами TAPe трактуется не как математическая «курьезная формула», а как проявление одного и того же – Языка Мышления.
Речь не идет о том, что графическая основа является основой Языка Мышления; напротив, предполагается, что именно Язык Мышления привел к возникновению графических основ естественного языка в их нынешнем виде.
В этом смысле письменность – удобный объект для изучения проявлений Языка Мышления через механизмы TAPe: элементы, иерархия, структура и законы ассоциаций в некоторых системах письма оказываются близки к тем законам, по которым в TAPe связываются базовые элементы.
Вопрос «почему линии и кривые именно такие а не другие?» в традиционной лингвистике чаще всего упирается в исторические и эстетические объяснения. Однако с точки зрения TAPe комбинации линий внутри графических основ некоторых языков подчиняются законам, близким к теории групп: первичные элементы объединяются в более сложные структуры не произвольно, а по устойчивым, формализуемым посредством TAPe правилам.
В совокупности это позволяет рассматривать TAPe как новый способ получения и обработки информации – способ, который ближе к тому, как реальность «членится» мозгом.
С этого ракурса становится понятнее, почему Язык Мышления не просто «еще одна метафора» по отношению к ИИ, а принципиальная альтернатива. ИИ, каким мы его знаем, развивался как инженерная ветка: от сильно упрощенных моделей нейронов к все более мощным статистическим машинам.
Он показал, что на языке чисел и вероятностей можно приблизиться к решению ряда интеллектуальных задач, включая перевод, классификацию, генерацию текстов. Но он почти не отвечает на вопрос, почему именно такие символические элементы и такие законы их комбинирования лежат в основе человеческого мышления.
Язык Мышления – наоборот: начинается с попытки описать эти элементы и законы, а потом уже спрашивает, какие вычислительные системы их могут реализовать.
TAPe встраивается именно в эту вторую линию. Он моделирует работу врожденных механизмов восприятия, описывает взаимодействие первичных элементов, показывает, как из чувственного опыта вырастает символическая система, а из нее – естественный язык. В результате у нас появляется связка: органы чувств → Язык Мышления → естественный язык и вычисление.
Тогда вопрос «Язык Мышления против ИИ» перестает быть спором между двумя технологиями и превращается в вопрос о том, какая символическая логика вообще допустима как модель мышления: логика массивов весов и функций потерь или логика первичных элементов и их структур, ближе к графике и группе, чем к числу и матрице.
Дальнейшие разделы статьи могут разворачивать эту рамку уже на конкретных примерах: от зрительных задач и обратного видео‑поиска до построения недорогих, устойчивых систем, где TAPe используется вместо «черного ящика» ИИ. Но исходная позиция остается прежней: чтобы всерьез говорить об альтернативах искусственному интеллекту, нужно выйти на уровень Языка Мышления – той символической системы, в которой мозг изначально видит, членит и пересобирает реальность.
Всё.
Автор: oopatow
