Грамматическая машина. Том 23. От философской онтологии к исполнимому языку

В реверс-инжиниринге галлюцинации — это катастрофа. Представьте: вы анализируете бинарный файл, и AI-ассистент предлагает переименовать функцию в decrypt_payload. Вы доверяете этому имени, строите на его основе гипотезы, тратите дни на анализ. А потом выясняется, что функция на самом деле вычисляет контрольную сумму, и название было галлюцинацией. Всё время потрачено впустую, все гипотезы ложны. Одно придуманное имя может сбить с толку на недели. Галлюцинация здесь — это не просто ошибка, а акт ложного онтологического конституирования: модель создала сущность, которой не существует в мире программы.

В философском анализе галлюцинации не менее опасны. Модель может приписать Хайдеггеру тезис, которого у него нет, или интерпретировать понятие в духе, который ему чужд. Для человека, знакомого с текстом, это будет очевидно. Но для того, кто полагается на AI как на эксперта, это может привести к фундаментальному непониманию.

Галлюцинации — это не баг, это фича вероятностного мышления. Если мы хотим, чтобы ИИ работал как аналитик, а не как генератор текста, нам нужно дать ему структуру, которая отличает истину от правдоподобия. Которая требует обоснования. Которая позволяет фиксировать неопределённость вместо того, чтобы маскировать её правдоподобной выдумкой. В терминах ГМ это означает введение оператора hold: когда модель сталкивается с ситуацией, где несколько вариантов правдоподобны, но ни один не верифицирован, она должна не выбирать наиболее вероятный, а фиксировать узел напряжения и продолжать работу с ним.

Потеря контекста: феномен «потерянного в середине»

Второе фундаментальное ограничение — потеря контекста. LLM имеют ограниченное контекстное окно. Даже самые продвинутые модели, с окном в сотни тысяч токенов, не могут удерживать весь контекст одновременно. При длинных текстах модель «забывает» середину — феномен, известный как «потерянный в середине» (lost in the middle). Начало и конец текста сохраняются в памяти, но середина размывается.

Для анализа больших бинарных файлов это фатально. Программа может содержать миллионы инструкций. Архитектурные решения могут быть разбросаны по всему коду. Связи между модулями могут быть нелокальными: функция в одном модуле может вызывать функцию в другом модуле, который находится в совершенно другой части бинарного файла. Если модель не может удерживать весь контекст, она не может видеть архитектуру целиком. Она видит только фрагменты, и эти фрагменты не складываются в целостную картину. Архитектурная онтология, которая по определению является глобальной структурой, ускользает от модели.

Для философского анализа это тоже проблема. Философский текст — это не набор изолированных утверждений. Это система, где каждое понятие определяется через другие, где аргументы разворачиваются на сотнях страниц. Если модель не может удерживать весь контекст, она не может понять систему. Она видит отдельные тезисы, но не видит, как они связаны в онтологическое целое. Понятие, определённое в начале трактата и используемое в конце, теряет своё определение, и модель работает с пустой оболочкой слова.

Потеря контекста — это не просто техническое ограничение, которое можно решить увеличением окна. Это онтологическая проблема. Модель не может удерживать структуру, потому что структура требует целостности, а целостность не помещается в линейное контекстное окно. Если мы хотим, чтобы ИИ работал с большими текстами и сложными системами, нам нужно дать ему структуру, которая позволяет удерживать контекст иерархически — через уровни абстракции, через резюме, через графы связей. В терминах ГМ это означает введение операторов split и transition: split разделяет текст на уровни анализа, transition переводит информацию с одного уровня на другой, а на каждом уровне информация достаточно компактна, чтобы поместиться в контекстное окно.

Непонимание онтологии: текст versus реальность

Третье ограничение — самое глубокое и наиболее важное для понимания того, почему ГМ необходима ИИ. LLM видит текст, но не видит, какую реальность этот текст конституирует. Она не отличает описание системы от самой системы. Она не понимает, что философский текст не просто говорит о бытии — он создаёт бытие через свою грамматику. Что код не просто описывает вычисления — он создаёт мир, в котором вычисления имеют смысл.

Это непонимание онтологии проявляется в разных аспектах работы модели, и каждый из них указывает на отсутствие у LLM того, что ГМ предоставляет как базовую структуру.

Когда модель анализирует код, она видит функции и переменные, но не видит, какую архитектуру они образуют. Она может сказать, что функция делает, но не может сказать, какую роль она играет в мире программы — является ли она частью субстанции или сама является субстанцией, какие модусы она реализует, через какие границы она взаимодействует с другими частями системы. Она не видит, что функция — это не просто набор инструкций, а акт онтологического конституирования: создание сущностей, определение их свойств, установление границ.

Когда модель анализирует философский текст, она видит понятия и аргументы, но не видит, какую онтологию они конституируют. Она может пересказать тезисы Хайдеггера, но не может войти в тот мир, который Хайдеггер создаёт через свою грамматику. Она не понимает, что вопрос о бытии — это не вопрос о чём-то, что существует, а вопрос о том, как грамматика делает бытие возможным. Она не видит операторов, которые работают в тексте: где происходит расщепление, где удержание, где переход, где динамическая грамматика ломает правила.

Когда модель сталкивается с противоречием в тексте или в коде, она не может удержать его как продуктивное напряжение. Она либо игнорирует противоречие, выбирая наиболее вероятную интерпретацию, либо галлюцинирует синтез, которого нет в материале. У неё нет оператора hold. У неё нет понятия TensionNode. У неё нет способности работать с четвёртым типом рациональности.

Непонимание онтологии — это не просто пробел в знаниях, который можно заполнить дополнительным обучением. Это фундаментальное ограничение вероятностной модели. LLM обучена на текстах, а не на мирах. Она знает, как выглядят описания реальности, но не знает, как выглядит сама реальность. Она не может отличить карту от территории, потому что для неё существует только карта — последовательность токенов. Территория, реальность, которую карта описывает и конституирует, для неё не существует.

ГМ как экзоскелет для мышления

Из этих трёх ограничений следует один вывод: LLM нуждается в «экзоскелете» — внешней структуре, которая задаёт онтологию и управляет мышлением. Модель сама по себе не может отличить истину от правдоподобия — ей нужна структура верификации. Модель сама по себе не может удерживать большой контекст — ей нужна структура иерархической памяти. Модель сама по себе не может понять онтологию — ей нужна структура, которая явно задаёт онтологические категории и операторы.

ГМ — идеальный кандидат для этого экзоскелета, потому что она предоставляет именно те структуры, отсутствие которых порождает все три ограничения LLM. Для борьбы с галлюцинациями ГМ даёт оператор hold и тип TensionNode: вместо того чтобы выбирать наиболее правдоподобный вариант и выдавать его за истину, модель может зафиксировать неопределённость как узел напряжения и продолжить работу с ним, не маскируя её выдумкой. Для борьбы с потерей контекста ГМ даёт операторы split и transition: модель не пытается удержать весь текст в одном линейном окне, а разделяет его на уровни анализа и движется между ними, удерживая на каждом уровне только то, что необходимо для данного уровня абстракции. Для борьбы с непониманием онтологии ГМ даёт онтологические типы — Substance, Modus, Boundary, TensionNode — которые позволяют модели явно работать с онтологической структурой текста или кода, а не только с поверхностью слов.

ГМ не заменяет LLM. Она дополняет её. LLM остаётся вероятностной машиной, которая генерирует текст. Но теперь этот текст структурирован онтологией. Модель не просто говорит о мире — она конституирует его через явно заданные операторы и типы. Она не просто имитирует анализ — она выполняет его, следуя структуре, которая делает анализ возможным. Она не просто генерирует правдоподобные ответы — она удерживает сложность, работает с онтологией, понимает, какую реальность она конституирует.

В этом смысле ГМ — это не просто инструмент для улучшения LLM. Это новый способ мышления для ИИ. Способ, который превращает «вероятностного попугая» в операторную машину мышления — машину, способную не просто продолжать последовательности слов, а оперировать смыслами, удерживать противоречия, переключаться между уровнями реальности и адаптировать свои правила к контексту.

3.2. Промпт-инжиниринг как попытка задать «грамматику» мышлению ИИ

Промпт-инжиниринг — это искусство формулировать запросы к большим языковым моделям так, чтобы они давали полезные ответы. На первый взгляд, это просто набор техник: скажи модели, кем она должна быть, попроси её думать шаг за шагом, дай ей примеры. Но если посмотреть на промпт-инжиниринг через призму Грамматической машины, открывается нечто более глубокое. Промпт-инжиниринг — это попытка задать грамматику мышлению ИИ. Это способ сказать модели: «Вот правила, по которым ты должна строить свои ответы. Вот онтология, в которой ты должна работать. Вот операторы, которые ты должна применять».

Промпт как грамматическая инструкция

Когда мы пишем промпт, мы не просто задаём вопрос. Мы задаём структуру ответа. Мы говорим модели, как она должна думать, в каких категориях, по каким правилам. Это и есть задание грамматики — определение формальных правил, по которым модель будет порождать свои высказывания. Каждый тип промпта можно понять как неявную попытку ввести один или несколько операторов ГМ.

Ролевой промпт («ты — эксперт по реверс-инжинирингу с двадцатилетним стажем») — это не просто персонализация. Это задание онтологической позиции. Мы говорим модели: «Вот субъект, который будет говорить. Вот его компетенции. Вот его угол зрения. Все ответы должны исходить из этой позиции». Это попытка ограничить пространство возможных ответов, задать границы того, что модель может сказать. В терминах ГМ это неявное введение оператора grammar change: мы меняем грамматику, в рамках которой модель порождает высказывания, с «общей» на «специализированную».

Chain-of-Thought («думай шаг за шагом») — это задание операторной последовательности. Мы говорим модели: «Не давай ответ сразу. Пройди через промежуточные шаги. Разбей задачу на части. Покажи, как ты пришла к выводу». Это примитивная форма расщепления (split) и перехода (transition) — разделение задачи на подзадачи и движение между уровнями абстракции от анализа к выводу. Модель имитирует операторное мышление, но без осознания самих операторов.

Few-shot prompting («вот примеры того, как я хочу, чтобы ты отвечала») — это задание онтологии через примеры. Мы говорим модели: «Вот образцы правильных ответов. Вот как выглядят субстанции и модусы в этой предметной области. Вот какие границы между ними существуют. Следуй этому образцу». Это попытка передать онтологию не через явное определение, а через демонстрацию — модель должна извлечь онтологические категории из примеров и применить их к новому материалу.

Техники промпт-инжиниринга как неполные операторы ГМ

Если посмотреть на основные техники промпт-инжиниринга через призму ГМ, становится очевидно, что все они — это неполные, стихийные реализации операторов ГМ. Они работают, но работают случайно, непоследовательно, без системной онтологической базы. Каждая техника реализует один или два оператора, но упускает остальные, и именно эти упущения создают характерные сбои.

Chain-of-Thought — это примитивное расщепление плюс примитивный переход. Модель разбивает задачу на шаги, что похоже на split, но без явного управления ветвями: шаги выстраиваются в одну линию, а не расходятся на параллельные ветви, которые могут быть удержаны одновременно. Модель переходит от шага к шагу, что похоже на transition, но без явного управления уровнями абстракции: все шаги находятся на одном уровне, модель не поднимается от деталей к принципам и не опускается обратно. Но главный дефицит CoT — в нём нет удержания (hold). Если на пути возникает противоречие, модель либо игнорирует его, продолжая цепочку как ни в чём не бывало, либо пытается разрешить его немедленно, выбирая одну из альтернатив. Она не может зафиксировать противоречие как узел напряжения и продолжить работу с ним. Нет в CoT и динамической грамматики (grammar change): модель следует заданной последовательности шагов, даже если контекст требует изменения стратегии анализа.

Few-shot prompting — это задание онтологии через примеры. Модель видит, как выглядят правильные ответы, и пытается им следовать. Это похоже на задание онтологических типов через демонстрацию: вот как выглядят субстанции, вот как выглядят модусы, вот как устроены границы. Но это задание остаётся неявным. Модель не знает, что она следует онтологии — она просто имитирует паттерны. Она не может отличить онтологически значимую черту примера от случайной. Если примеры противоречивы или недостаточны, модель не может адаптироваться: у неё нет оператора grammar change, который позволил бы переключить стратегию. И у неё нет оператора hold, чтобы зафиксировать противоречие между примерами как продуктивное напряжение.

Ролевые промпты — это задание субъектной позиции. Модель говорит от имени эксперта, воспроизводя паттерны экспертной речи. Это похоже на задание перспективы, но без явного онтологического каркаса. Модель не знает, какую онтологию конституирует эксперт — она просто имитирует стиль. Если экспертная позиция не определена чётко, модель может смешивать разные онтологии в одном ответе: начать с картезианской ясности, перейти к диалектическому синтезу и закончить удерживающим вопрошанием, не осознавая переключений между ними. У модели нет оператора grammar change для осознанного переключения между онтологическими регистрами.

Промпт-инжиниринг как стихийная ГМ

Промпт-инжиниринг — это стихийная ГМ. Люди, которые пишут хорошие промпты, интуитивно используют операторы и онтологические категории. Они говорят модели: «разбей задачу на части» — это неявный split. «Не торопись с ответом» — это неявный hold. «Перейди от анализа к синтезу» — это неявный transition. «Если увидишь нестандартную ситуацию, измени стратегию» — это неявный grammar change. Они задают онтологию через примеры и роли, не называя её онтологией.

Но это стихийная ГМ, а не системная. Операторы применяются интуитивно, непоследовательно, без явного онтологического каркаса. Модель не знает, что она выполняет операторы — она просто следует инструкциям, и если инструкции противоречивы или недостаточны, модель теряется. Стихийный промпт-инжиниринг работает, когда задача проста, а контекст стабилен. Но как только задача усложняется — как только требуется удерживать противоречия, переключаться между онтологическими регистрами, адаптировать стратегию анализа к меняющемуся материалу, — стихийная ГМ ломается.

Для анализа философских текстов, где одна фраза может содержать несколько операторов, работающих одновременно, стихийной ГМ недостаточно. Для реверс-инжиниринга бинарных файлов, где онтология программы должна быть восстановлена из «серой слизи» инструкций, стихийной ГМ недостаточно. Для архитектурного анализа, где требуется удерживать глобальную структуру при работе с локальными деталями, стихийной ГМ недостаточно. Во всех этих случаях нужна системная ГМ — где операторы и онтологические типы заданы явно, где модель знает, что она работает в рамках определённой грамматики, где есть механизмы удержания, перехода и адаптации.

От стихийной к системной ГМ

Системная ГМ — это промпт-инжиниринг, поднятый на уровень онтологической инженерии. Различие между стихийной и системной ГМ проходит по четырём осям, соответствующим четырём фундаментальным операторам.

В стихийной ГМ расщепление применяется случайно: модель может разбить задачу на шаги, но эти шаги не образуют параллельных ветвей, которые удерживаются одновременно. В системной ГМ split — это явная операция: модель сознательно разделяет анализ на параллельные перспективы и удерживает их, не сводя к одной.

В стихийной ГМ удержание отсутствует как оператор: модель либо игнорирует противоречия, либо разрешает их преждевременно. В системной ГМ hold — это явная операция: модель фиксирует противоречие как TensionNode и продолжает работу с этим узлом.

В стихийной ГМ переход ограничен движением по шагам в одной плоскости. В системной ГМ transition — это явная операция смены уровня абстракции: модель сознательно поднимается от лексики к семантике, от семантики к онтологии, переформулируя понимание на каждом уровне.

В стихийной ГМ динамическая грамматика отсутствует: модель следует одной стратегии, даже если контекст требует изменения. В системной ГМ grammar change — это явная операция: модель переключается между онтологическими регистрами (ренессансным, картезианским, спинозовским, полифоническим) в зависимости от материала.

Это различие и составляет переход от промпт-инжиниринга как ремесла к промпт-инжинирингу как инженерии. Системная ГМ не просто даёт модели инструкции — она даёт ей онтологическую структуру, в которой инструкции становятся операторами, а ответы становятся актами конституирования реальности. И это меняет всё. Вместо того чтобы бороться с галлюцинациями, мы даём модели структуру, которая отличает истину от правдоподобия. Вместо того чтобы страдать от потери контекста, мы даём модели иерархическую структуру, которая удерживает контекст через уровни абстракции. Вместо того чтобы пытаться извлечь онтологию из текста неявно, мы задаём онтологию явно — через операторы и типы, которые модель может применять осознанно.