О фундаментальных ограничениях больших языковых моделей одни говорят, что трансформеры, обученные предсказывать следующий токен (NTP), - тупиковый путь для создания интеллектуальных машин: язык слишком беден, это лишь плоская проекция реального мира, машины ничего не понимают. Другие говорят , что та же задача, повторённая триллионы раз, может вызвать появление сложного поведения примерно как простой механизм эволюции породил всё многообразие жизни.

Ниже представлены наблюдения по этим вопросах.

| Если вам интересна тема AI-агентов и внедрения нейросетей, заглядывайте в мой Telegram-канал ДругОпенсурса. Там я публикую свежие новости и разборы инструментов в числе первых. |

Эмпирика. Все труднее найти вопрос, на который LLM не может ответить

В марте 2025 года вышла статья, где показано: при определённой формулировке теста Тьюринга лучшие LLM его проходят. Если упростить, их версия звучит так: «LLM может обмануть среднего человека». Это серьёзный шаг, но по-настоящему сильным результатом было бы обмануть такого человека, который знает, какие каверзные вопросы задавать.

Так есть ли хоть один вопрос, на который ни одна LLM не отвечает, а большинство людей отвечают?

На Reddit есть ветка с этим вопросом, но убедительных примеров там нет. Не убеждающими являются и популярные примеры, где модели ошибаются, пока не начнут рассуждать вслух:

• Сколько букв r в слове «strawberries»?

• Автомойка в 100 метрах от моего дома, идти или ехать?

В конце концов всё решается коротким линейным вербальным рассуждением, а LLM отлично умеют его генерировать.

Можно сузить вопрос еще: есть ли задачи, которые нельзя решить одним лишь вербальным рассуждением, но которые решает большинство слепых людей? Условие со слепотой нужно, чтобы исключить задачи ARC - они визуальные, слепой их не решит. ARC, по сути, сравнивает две системы: биологический мозг + глаза против LLM + Python-интерпретатор. Однако интересно выявление ограничений больших языковых моделей как чисто текстовых систем.

Задачи на инсайт

Существуют вербальные задачи, которые люди решают будто бы не последовательным проговариванием во внутренней речи, их называют инсайтными. Это головоломки, которые сначала кажутся нерешаемыми, но потом внезапная смена угла зрения приводит к решению. Способ решения в таких задачах не опирается на внутреннюю речь, его трудно передать словами. В отличие от аналитического решения, которое шаг за шагом ищет ответ.

Классический пример: человек заходит в бар, просит воды, бармен угрожает ему ружьем, посетитель говорит «спасибо» и уходит. Ответ — у него была икота.

Можно предположить, что в инсайтных задачах работает особый мыслительный процесс, который не сводится к последовательному вербальному рассуждению, и что это перспективный способ найти задачу, с которой LLM, в отличие от людей, не справится.

Тот факт, что трудно найти простую языковую задачу, непосильную для LLM, говорит о том, насколько замечательно сильны эти системы как ответчики на вопросы. Правда, возможно, эта эффективность - очень изощренная иллюзия. Но тут мы упираемся в философский вопрос: как отличить настоящий интеллект от иллюзии интеллекта?

Внутреннее устройство LLM может содержать осмысленные представления

В июне 2024 года вышла статья: в ситуации с игрой Othello связка трансформер + NTP смогла выучить признаки, которые, по всей видимости, кодируют структуру обучающих данных, то есть доску Othello.

Там взяли GPT-2 и обучили предсказывать следующий ход в Othello по последовательности предыдущих ходов (каждый ход - токен). Затем показали, что можно построить точный нелинейный проб, который по внутренним представлениям токенов восстанавливает состояние доски непосредственно перед следующим ходом. В механистической интерпретируемости пробом называют простую модель, которая учится отображать внутренние представления сложной модели на понятные человеку объекты. Если проб удаётся обучить, значит, сложная модель закодировала эти объекты в своём скрытом пространстве.

Результаты экспериментов говорят о том, что модель открыла через градиентный спуск, что 20 миллионов последовательностей ходов управляются структурированной двумерной доской.

Теперь вопрос: что будет аналогом доски Othello, если в качестве обучающих последовательностей взять не ходы, а вообще весь текст из интернета?

Так же, как способность кодировать состояние доски помогает предсказывать допустимые ходы в Othello, можно предположить, что способность кодировать такое представление о мире, каким его воспринимают люди, полезна для предсказания следующего слова, которое они произнесут. И раз в Othello представление доски возникло само, можно допустить, что и в LLM при обучении на гигантских объёмах текста возникли сложные представления о мире.

Более поздняя статья подтверждает предыдущие результаты, показывая: даже линейный проб способен сопоставить внутренние признаки Othello-GPT с состоянием доски. А в другой статье похожий результат получен для шахматной доски.

Форма четверки

LLM не работают с формами на человеческом уровне. Вот две загадки:

• Из Алжира я иду строго на север во Францию, затем сворачиваю на юго-запад к Испании и потом плыву на восток к Сардинии. Какую форму я начертил в море?

• На что похожа заглавная L, сидящая на заглавной X?

Для большинства людей ответ не слишком сложен, хотя это предположение может быть спорным, судя по немногим экспериментам. Люди могут воспользоваться зрительно-пространственным буфером в мозгу и буквально рисовать в уме. LLM же решают такие задачи только с помощью внешних инструментов: нужно нарисовать фигуры, а потом проанализировать изображение. Уберите инструменты, и модели стабильно ошибаются.

Загадка с четырьмя портами на карте - конкретный пример символа, который выучен без полной семантики числа 4. Модель, скорее всего, знает, что 4 = 2 + 2, что у квадрата четыре стороны, и многое другое, но она не знает, что описанная ломаная линия рисует форму этой цифры. Не знает, что минималистичный меч из двух отрезков, или даже символ «+», у которого соединили крайнюю верхнюю точку с крайней левой прямой линией, дают четвёрку.

Целью этих примеров не является громкое заявление о практических ограничениях LLM, инструменты их эффективно компенсируют. Важно дать категорию конкретных задач, с которыми LLM в чистом виде регулярно не справляются. Это подтверждает мысль, что представление о мире, возникающее из рецепта трансформеры + интернет-масштаб NTP, неполно.

Синтаксис и семантика

Есть ещё один ответ на страхи про «иллюзию интеллекта» — аргумент Китайской комнаты.

Этот знаменитый мысленный эксперимент предложил американский философ Джон Сёрль в 1980 году. Суть: система, которая манипулирует символами по правилам, какой бы интеллектуальной она ни казалась, не понимает того, что делает. У этой идеи много контраргументов, вопрос остаётся открытым.

Но один вывод сделать можно: сам факт, что люди всё чаще обращаются к таким философским аргументам, лишний раз говорит о серьёзных способностях этих моделей.

Подходят ли LLM для максимального научного прогресса?

"то более удачная постановка вопроса о возможностях LLM. Она не требует определять понимание или интеллект. Важно другое: есть ли у этих машин фундаментальные ограничения именно для тех задач, ради которых их создают. А из всех обещаний ИИ научный прогресс мне кажется самым интересным. Пока LLM доказали, что полезны учёным. Их используют, чтобы выводить изящные формулы из набора сложных уравнений : GPT-5.2 в теоретической физике, проверять факты в научных статьях Gemini 3 в математических исследованиях и так далее.

Останется ли это просто удобным инструментом или приведёт к настоящим научным прорывам, пока неясно.

Бенчмарк Eleusis

Недавно HuggingFace выпустили статью «Can LLMs play the game of science?» с новым бенчмарком. Большинство бенчмарков вроде ARC-AGI или Humanity's Last Exam оценивают модель на одной задаче вывода: вопрос — логичный ответ. Но научное исследование — это не только логический вывод и ответы на вопросы. Это итеративный процесс: эксперименты, наблюдения, построение теорий, их проверка — и все в условиях ограниченного времени и ресурсов. Учёный не может перебирать все мыслимые гипотезы, нужно выбирать наиболее многообещающую на каждом шаге. То есть нужен более широкий набор навыков, чем просто правильно отвечать на вопросы. Автор статьи, в частности, упоминает метапознание — способность осознавать собственную неуверенность.

Бенчмарк сделан на основе карточной игры Eleusis 1950-е годы. Игроки должны угадать скрытое правило ведущего, выкладывая карты, которые принимаются, только если соответствуют этому правилу. Автор реализовал 26 правил на Python и прогнал через игру лучшие модели. Результаты показывают не только абсолютную производительность, но и положение моделей на спектре осторожность - безрассудство.

Форк репозитория, простой скрипт для оценки человеком и собственные результаты почти в тех же условиях, что и LLM. Код здесь

К сожалению, однозначных выводов из собственных результатов не сделать. Лучшие LLM играют в эту научную игру примерно на уровне человека и тут трудно что-то добавить. Ничто в этом эксперименте явно не указывает на фундаментальные ограничения моделей.

Мировые модели

Наконец, самая убедительная для меня гипотеза об ограничениях LLM. Модели, которые заземлены в реальном мире, а не заперты в пространстве языка, лучше подходят для научных исследований, ведь наука изучает именно реальный мир. «Заземлены в реальном мире» звучит немного абстрактно, это означает, что обучающие данные — видео и другие непрерывные многомерные сигналы, а не текст. Такие модели обычно называют мировыми , и компании вроде AMI Labs как раз этим занимаются.

LLM показали себя блестяще в символьных областях: программировании, математике. Недавнее решение открытых математических задач Эрдёша №728 и №281 - особенно яркое свидетельство.