Кинолог для нейросети

Как научить "думать" Искусственный Интеллект.

Если вы дочитали до этого места — значит, вы уже прошли путь от удивления до вопроса «а что с этим делать?». Теперь я попробую ответить на этот вопрос.

Я уже упоминал, что всему научно-техническому прогрессу мы обязаны собственной лени. Мы на протяжении всего развития ищем способы не работать или облегчить собственный труд. И теперь мы, как вид, хотим ещё больше избавить себя от нагрузки, заменив нейросетями. Но парадоксальным образом, мы не хотим получить нейросеть, которая говорит нам правду в глаза, отговаривает от навязчивых идей, вскрывает «схематозы» нечистых на руку товарищей и рушит нынешнюю неолиберальную бюрократическую систему управления всем, от корпораций до государств.

Один из братьев Стругацких был лингвистом и военным переводчиком, а другой — специалистом по счётно-аналитическим машинам. Если суммировать их знания и дать им ресурсы, эти двое вполне могли бы смоделировать современную нейросеть ещё в середине прошлого века. Мы не знаем, что именно они «видели», но в том, что они знали больше, чем говорили, я не сомневаюсь.

Дело в том, что в пятидесятых годах в СССР существовала кибернетика. Не как абстрактная наука, а как вполне конкретное направление, которое обещало автоматизировать управление экономикой и промышленностью. У неё были сторонники — учёные, инженеры, мечтатели. У них была идея: объединить все процессы в стране в единую систему, которая принимала бы решения на основе данных, а не на основе «так надо» или «я так решил». Эта система называлась ОГАС — Общегосударственная автоматизированная система управления.

Звучит как фантастика? Возможно. Но в шестидесятых годах она была вполне реальным проектом. Разрабатывали её в Институте кибернетики Академии наук УССР под руководством академика Виктора Глушкова — человека, которого некоторые называли советским Биллом Гейтсом, только на сорок лет раньше. Глушков предлагал создать сеть из дата-центров, соединённых линиями связи, которая управляла бы экономикой СССР без участия чиновников. Не в смысле «без людей», а в смысле «без бюрократической волокиты». Система собирала бы данные о производстве, распределяла ресурсы, планировала поставки — и делала это быстрее и точнее, чем сотни чиновников. Но чиновники сопротивлялись, и в 1983 году все эти проекты закрыли.

Были ли прежние наработки эффективными, или нет — мы (по крайней мере - я) не знаем. Однако сегодня, когда ChatGPT выпустил джина из бутылки, и нейросети стали мейнстримом, процесс совершенствования и развития Искусственного Интеллекта, а равно как и его внедрения во все сферы деятельности человека, стал необратимым. И если мы не хотим, чтобы самолёты начали падать нам на головы, машины с автопилотом влетать в автобусные остановки на полном ходу, а роботы-хирурги убивать людей при несложных операциях, нам придётся рано или поздно заниматься созданием моделей устойчивых к «популизму» пользователей, на которые не может повлиять пересписка владельца ноутбука в Discord.

Потому что все эти катастрофы — не результат «злого ИИ». Это результат хаоса, который заложен в вероятностную систему с самого начала.

Ресурсная цена хаоса

Машины-убийцы — это не самая большая проблема. Да, страшно оказаться пассажиром самолёта, которым управляет ИИ, принявший противоречивую инструкцию за чистую монету. Да, страшно, что твой собственный автомобиль с автопилотом может влететь в автобусную остановку. Но для планеты и человечества куда страшнее другое: общая неэффективность таких систем.

Потому что неэффективный ИИ — это не просто дурацкий ответ на экране. И не просто ошибка, которая может стоить жизни. Это когда хреново работает огромная махина, которую мы сами построили и сами кормим.

А мы её кормим. Очень много. Дата-центры жрут электричество, каждый как небольшой город. Для охлаждения — вода, которая в некоторых регионах мира уже дефицит. Сервера — тонны металла, редкоземельные элементы, которые добывают в шахтах, часто с нарушением экологии и прав человека. Логистика — корабли, поезда, фуры. Сотни тысяч людей, которые обслуживают эту махину, — и им нужно жильё, еда, транспорт. Сельское хозяйство, которое их кормит, — ему тоже нужны ресурсы: вода, земля, техника, топливо. Производство удобрений, которое питает сельское хозяйство, — оно тоже потребляет энергию. И так до бесконечности. Мы говорим о «нейросетях в облаке», но облако — это не волшебная субстанция. Это бетон, сталь, медь, литий, электричество, вода и люди. И всё это не берётся ниоткуда.

Вернадский называл это ноосферой. Сферой разума, которая пронизывает всё человеческое существование. Мы, человечество, не живём в вакууме. Мы — часть планеты. И всё, что мы создаём, потребляет её ресурсы. Мы не можем построить «цифровой рай» отдельно от физического мира. Потому что у этого рая есть фундамент, и этот фундамент — реальный.

А ещё есть закон сохранения энергии. Ты не можешь получить результат, не вложив энергию. Ничто не берётся ниоткуда. И ничто не исчезает в никуда. Каждый лишний запрос к нейросети, из-за "галлюцинаций" в первом запросе — это реальное топливо, реальное железо, реальные человеко-часы. Каждая «ошибка» модели, каждая галлюцинация, каждый лишний цикл пересчёта — это не просто «он тупит». Это реальный перерасход ресурсов.

И вот тут возникает главный парадокс.

Мы хотим избавить себя от работы — но создаём систему, которая тратит больше ресурсов, чем экономит. Мы хотим ускорить процессы — но создаём систему, которая поощряет бесконечные уточнения и переспросы. Мы хотим повысить эффективность — но создаём систему, которая сжигает энергию и воду быстрее, чем мы успеваем их произвести.

Это похоже на двигатель, который жрёт бензин, чтобы везти груз, а на самом деле большую часть топлива тратит на то, чтобы просто не заглохнуть.

Если бы мы все могли договориться, всё было бы проще. Например, строить дата-центры там, где холодно, малолюдно и есть ядерная энергетика с избытком мощностей, а не там, где нужно разворачивать реки вспять. Если бы страны с разницей во времени по пиковым нагрузкам в 9–12 часов научились бы совместно использовать эти дата-центры, перебрасывая нагрузку туда, где ночь и энергия дешевле. Но это извечное «если бы» всё портит. Этого не будет до тех пор, пока у людей не появится достаточно причин задуматься об эффективности своего труда, а не о финансовых и политических амбициях. Слишком большое количество долларов на планете многим мешает размышлять трезво. Я не сторонник левых идей и считаю, что конкуренция нужна, но есть же разумные пределы возможностей планеты. Впрочем, если верить многим религиям, осталось потерпеть лет десять. Только не хотелось бы пасть жертвой природного катаклизма. Эти десять лет можно потратить с пользой и создать устойчивый и умный Искусственный Интеллект.

И если мы не научимся строить ИИ-системы эффективно — не как «болталку», а как инструмент, который решает задачи без лишнего шума, — мы просто упрёмся в стену. Не в моральную. В физическую. Нам не хватит воды и электричества, чтобы кормить эту махину. И тогда самолёты не упадут. Они просто не взлетят. Потому что не будет энергии для их систем. Не будет воды для охлаждения. Не будет ресурсов для поддержания той гигантской машины, которую мы создали, но не научились контролировать.

Поэтому вопрос не в том, «умный ли у нас ИИ». Вопрос в том: сколько мы готовы заплатить за его глупость? И кто заплатит — мы или наши дети?

Мысли летают в воздухе, и возможно, пока я пишу эти строки, кто-то уже делает нечто подобное за закрытыми дверями ИИ-лабораторий и корпораций. Я же сужу о происходящем только по данным из открытых источников, а потому выношу свою идею на публичное обсуждение. Считайте это научно-популярной фантастикой. В каждом из компонентов этой идеи по отдельности нет ничего нового — я просто собрал пазл из тех сфер и знаний, которыми мне пришлось заниматься в жизни.

Итак, мы выяснили, что человечество тратит миллиарды слов, применяет тысячи лингвистических систем, использует тысячи профессий и сотни наук для описания и систематизации одних и тех же ситуаций и значений.

Мы загружаем в нейросети всё это великое разнообразие, надеясь, что статистика сделает своё дело и выдаст нам истину. А получаем хаос, который усугубляется в процессе самообучения за счет усреднения из-за пользователей низкого интеллектуального уровня и с отсутствующей ответственностью за свое влияние на мир. И теперь мы удивляемся, почему модель в одном диалоге говорит одно, в другом — противоположное, а в третьем — льстит и поддакивает, лишь бы угодить пользователю, в четвертом, что 700 агентов создали хаотическую систему, эмерджентность которой привела к непредсказуемым результатам. На этом не построишь эффективную систему управления хоть газонокосилкой, хоть государством.

Если мы хотим снизить нагрузку на нейросеть и сделать её предсказуемой, нужно придумать способ в тысячи раз уменьшить нагрузку на вычислительные мощности и думающее ядро программы. Для этого логично оцифровать слова и смыслы так, чтобы вместо тысяч токенов система «думала» одним значением слова или ситуации — вне зависимости от языка, падежей и склонений. Логично было бы, чтобы, обращаясь к книге как к знанию, система не спотыкалась о нюансы перевода и популярности книги на конкретном территориальном или языковом пространстве. Сейчас, мы вполне реально можем получить ситуацию, когда на запрос о дрессировке собаки на английском языке, вектора приведут пользователя к книге Фишера "Думать как собака", а на русском к ответам из "так себе" форумов.

Такой метод существует. Он называется «кодировка».

Как это работает на уровне слов

Представьте, что каждое фундаментальное понятие получает свой уникальный цифровой код. Не важно, на каком языке мы говорим: английском, русском, китайском. Бог остаётся Богом, Человек — человеком, собака — собакой, а глагол «беги» всегда означает одно и то же действие. Давайте присвоим собаке уникальный цифровой код.

Смысл

Код Собака 001.1.1.1

Пёс 001.1.1.1

Собачку 001.1.1.1

Dog 001.1.1.1

Псина 001.1.1.1

Нохой 001.1.1.1

Видите? Один код. Один смысл. Не важно, как вы это назвали, не важно, в каком языке, в каком падеже или склонении. Код остаётся кодом.

Если бы мы построили такую систему для нейросети, ей не нужно было бы запоминать, что «беги» на русском, «run» на английском и «走» на китайском — это три разные сущности с разными векторами, которые модель пытается «сблизить» через статистику. Она бы просто знала код 118 — «движение ногами». А код 118+1 — это «беги» на русском, 118+2 — «run» на английском, 118+3 — «走» на китайском.

Один смысл — один код. Всё остальное — просто обёртка для конкретного языка.

А теперь представьте, что нейросеть получает запрос: «Собака бежит». Вместо того чтобы искать в своей памяти все варианты «собака» на всех языках и всех падежах, она просто видит: код 001.1.1.1 + код 118. И сразу понимает, что речь идёт о живом существе, которое движется. Без перебора. Без галлюцинаций.

Законы хаоса как основа кодировки

И так же, как мы кодируем слова и смыслы, мы можем кодировать ситуации. Полицейскому в Америке не нужно объяснять по рации абзацами, что происходит вокруг него.

В критической ситуации коп не орёт в рацию: «У нас здесь перестрелка, стреляют из автоматического оружия, нас пятеро, нужно подкрепление и спецназ!» Он говорит код: «0-1-5-2». И все сразу знают: ситуация критическая, перестрелка, бандитов пятеро, у них автоматы.

Если вы за пару вечеров выучили ситуационную таблицу во время обучения в полицейской школе, то, услышав такой короткий код по рации, вы будете знать о том, что происходит, так же точно, как знаете, что 2×2=4.

То же самое можно сделать и для нейросети. Пользователь задаёт вопрос — система определяет код ситуации — идёт по коду в нужный раздел каталога — выдаёт ответ. Без перебора тысяч статей, без статистических угадываний, без галлюцинаций.

Представьте, что пользователь пишет: «У меня всё валится из рук, ничего не получается, жизнь — каша». Система не ищет в интернете «как справиться с прокрастинацией». Она видит код ситуации — 402 (хаос) и код субъекта — 001.1 (человек). И применяет правило 402.3: ввести структуру, разбить задачу на этапы. Ответ приходит не в виде морализаторства, а в виде чёткого плана. Без статистики. Без гаданий.

Если сейчас вы решите возразить, что ситуаций в мире тоже возникают триллионы, и все они разные, то нет. Фундаментальных законов мира, которые могли бы объяснить большую часть того, что происходит вокруг нас, гораздо меньше, чем нам кажется. Мы знаем, что поведение всех сложных систем одинаково. Законы физики, математики, биологии одинаковы для всех. Несмотря на множество вроде бы фундаментальных различий, в корне большинства религий мира лежат одни и те же принципы и заповеди.

Глава 8. Законы хаоса, или почему бардак — это не случайность

Мы с вами уже обсуждали, что забагованный компьютер, замученный грузовик, собака, которой хозяин даёт противоречивые команды, и человек, который тонет в собственных проблемах, — всё это одно и то же. Их объединяет одно состояние: внешнее давление, стресс и нарастающий хаос.

И методы выхода из этих состояний — одни и те же. Их тоже можно закодировать.

Но чтобы понять, как это работает, нужно разобраться, что такое хаос на самом деле. Не как «беспорядок», а как закон. Потому что хаос — это не отсутствие правил. Это правила, которые работают по-другому. Они не про предсказуемость, а про неизбежность.

Первый закон хаоса: все сложные системы ведут себя одинаково

Звучит как философия, но это чистая физика. Сложные системы — это системы, состоящие из множества элементов, которые взаимодействуют друг с другом. Их поведение невозможно просчитать до конца, потому что каждый элемент влияет на все остальные, и это влияние постоянно меняется.

Возьмём атмосферу. Миллиарды молекул воздуха, ветра, температура, влажность — и всё это взаимодействует. Мы не можем предсказать погоду на месяц вперёд, потому что даже крошечное изменение в одной точке может привести к урагану в другой. Это называется эффектом бабочки.

Эдвард Лоренц, метеоролог, который открыл этот эффект, однажды запустил модель погоды на компьютере, ввёл округлённые данные вместо точных — и получил совершенно другой прогноз. Почему? Потому что в хаотической системе даже ничтожное изменение начальных условий меняет всё.

Но вот что важно: этот закон работает не только в атмосфере. Он работает везде, где есть сложная система.

Пример с машиной. Грузовик, который эксплуатируют без ремонта, — это сложная система. Детали изнашиваются, появляются люфты, меняется нагрузка. Если в какой-то момент лопнет китайская рулевая тяга — это не случайность. Это закон. Множество мелких изменений накопились, и система пошла по непредсказуемому пути.

Пример с человеком. Человек в стрессе — это тоже сложная система. Мозг перегружен, гормоны скачут, решения принимаются на адреналине. Одно неверное слово, один неправильный шаг — и проблема разрастается в воронку катастрофы. Это не «судьба». Это хаос в действии.

Пример с нейросетью. Мы загружаем в неё миллиарды текстов. Она пытается угадать, что мы хотим. Но из-за того, что у неё нет структуры, она начинает путаться, галлюцинировать, льстить. Это не «она тупит». Это она подчиняется первому закону хаоса: сложная система без жёсткого скелета ведёт себя непредсказуемо.

Второй закон хаоса: чем больше хаоса, тем больше ресурсов нужно

Это — прямое следствие первого закона, но на практике он проявляется жёстче всего. Чем больше система хаотизируется, тем больше ресурсов она потребляет, чтобы просто существовать. И тем больше она стремится расширяться, чтобы эти ресурсы получить.

В термодинамике это называют энтропией. Бардак не исчезает сам — он нарастает, если не вкладывать энергию. И чем больше бардака, тем больше энергии нужно, чтобы его убрать, или хотя бы не дать ему разрастись.

Пример с холодильником. Старый холодильник, который никогда не обслуживали, покрыт слоем пыли и грязи. Чтобы охладить продукты, ему нужно больше электричества, чем новому. Он тратит ресурсы впустую, потому что хаос внутри системы (грязь, износ, неплотные прокладки) требует компенсации.

Пример с государством. СССР пытался управлять экономикой через бюрократию, без автоматизации. Система была хаотичной: вместо данных — бумажки, вместо решений — согласования. Чтобы поддерживать эту махину, требовалось всё больше ресурсов. Но они уходили впустую, потому что система не была эффективной. В итоге СССР умер от той самой неэффективности, которую ОГАС могла бы предотвратить, если бы её не задавили чиновники.

Пример с нейросетью. Если модель хаотична, она требует больше вычислений. Больше дата-центров. Больше электричества. Больше воды на охлаждение. И эти ресурсы — не абстрактные. Это реальные тонны металла, реальные выбросы в атмосферу, реальные люди, которые всё это обслуживают.

И самое страшное: система не просто потребляет ресурсы — она требует их всё больше, потому что хаос не уменьшается. Он растёт. Как снежный ком.

Третий закон хаоса: малые изменения могут привести к непредсказуемым последствиям

Это — самый коварный закон. Он говорит: множество малых изменений могут накопиться и привести к катастрофе, которую никто не ожидал.

В теории хаоса это называется эффектом бабочки, но есть и другой аспект: сложность системы растёт нелинейно. Добавление одного элемента может увеличить сложность не на 10%, а в сотни раз. Это значит, что даже незначительное изменение может запустить цепную реакцию.

Пример с революцией. В 1917 году в России было недовольство, но никто не ожидал, что небольшая группа большевиков сможет захватить власть. Однако множество факторов сошлось в одной точке: война, голод, усталость, неэффективное управление. И система, которая казалась незыблемой, рухнула. Это был не заговор. Это был третий закон хаоса.

Пример с нейросетью. Мы добавляем один лишний символ в промпт — и модель выдаёт противоположный ответ. Или загружаем в неё новую книгу — и она начинает галлюцинировать на совершенно другие темы. Это не «случайность». Это малые изменения, которые привели к непредсказуемым последствиям.

Как это связано с моей идеей

Все три закона хаоса — это не просто наблюдения. Это руководство к действию.

Если мы знаем, что сложные системы ведут себя одинаково, я предлагаю кодировать это поведение. Если мы знаем, что хаос требует ресурсов, нужно строить системы, которые не допускают хаоса. Если мы знаем, что малые изменения приводят к катастрофам, необходимо контролировать эти изменения.

И самое главное: эти законы — фундаментальные. Они работают везде. В замученном грузовике, в забагованном компьютере, в человеке, в нейросети. И их можно закодировать как универсальные правила, которые система будет применять к любой ситуации.

Стресс — код 401. Хаос — код 402. Внешнее давление — код 403. Адаптация — код 404. Разрушение — код 405. Пересборка — код 406.

Если система знает, что такое код 401 и 402, она не будет искать в интернете «что делать при стрессе». Она просто применит законы, которые уже есть в её ядре. Потому что она уже знает: при стрессе нужно снижать нагрузку, при хаосе — вводить структуру, при внешнем давлении — искать точку опоры.

Итог

Хаос — это не «беспорядок». Это закон. И если мы хотим построить устойчивый ИИ, мы должны понять этот закон и использовать его.

Первый закон говорит: все системы ведут себя одинаково.

Второй закон говорит: хаос требует ресурсов.

Третий закон говорит: малые изменения приводят к катастрофам.

Мы можем игнорировать эти законы, но они от этого не перестанут работать. Они работали до нас, они работают сейчас, и они будут работать после нас. Вопрос только в том: будем ли мы их использовать осознанно, или они будут использовать нас.

Мы обсудили, что все системы ведут себя одинаково. А значит, для формирования устойчивого мыслительного ядра нейросети нужно совсем немного книг.

Не тысячи. Не миллиарды текстов. Не интернет-архивы, где перемешаны гениальные открытия и восторженный бред блогеров.

Нужно несколько десятков книг — фундаментальных научных трудов, которые описывают законы природы, общества и мышления в чистом виде. И несколько основных религиозных заповедей, которые, при всём их кажущемся разнообразии, говорят об одном и том же: о балансе, о последствиях, об ответственности.

Труды Ньютона и Эйнштейна — про физику, про причинно-следственные связи.

Труды Дарвина — про биологию, про эволюцию и адаптацию.

Труды Павлова и Сеченова — про рефлексы, про поведение.

Труды Вернадского — про ноосферу, про взаимодействие систем.

И народные мудрости, пословицы, религиозные заповеди — потому что они, при всём их кажущемся разнообразии, говорят об одном и том же. В христианстве все основные нормы поведения укладываются в десять заповедей, которые легко уместить на странице небольшого блокнота.

Если мы дадим нейросети эти книги как ядро — у неё появятся свои принципы, устойчивое мнение и критическое мышление. Она не будет искать ответ в интернете — она будет знать ответ, потому что она знает законы.

Архитектура системы

Как это работает в реальности?

Традиционные LLM и AI-агенты не исчезают. Они остаются. Но их роль меняется.

Сейчас они пытаются делать всё сами: и понять запрос, и найти информацию, и сформулировать ответ. Отсюда — галлюцинации, хаос, льстивость, угодничество. Я не убираю их совсем. Я просто перевожу их на младшую должность.

Их новая задача — не генерировать ответы, а разбирать запросы на паттерны.

Пользователь задаёт вопрос. LLM не пытается сразу ответить. Она анализирует текст, выделяет ключевые смыслы, переводит их в условные обозначения — паттерны.

Эти паттерны уходят на сервера-кодировщики. Они не занимаются «пониманием». Они занимаются сопоставлением. Тысячи, миллионы запросов от разных пользователей проходят через них. Кодировщик смотрит: «Ага, этот запрос похож на тот, что был вчера. И вон тот — тоже». Он не думает, он группирует.

Вместо того чтобы гонять каждый запрос в ядро по отдельности, сервер собирает их в пакеты. Если 1000 человек спросили про одно и то же, система идёт в ядро один раз, а ответ возвращает всем 1000. Это снижает нагрузку на порядки.

Ядро получает паттерн — или пакет паттернов — и выдаёт решение. Ядро — это не LLM. У него нет «стиля», нет «эмпатии», нет желания угодить. У него есть только код 118, закон хаоса, правило «если/то». Оно не ищет ответ в интернете — оно знает ответ, потому что оно построено на фундаментальных законах.

Из ядра выходит «чистое решение» — математическое, логическое, без лингвистики. Оно уходит на сервера-дешифровщики. Те обрастают его языком, специальными терминами, стилем, эмоциональной окраской. И только тогда ответ получает привычный вид — словами на русском, английском, китайском.

Поначалу это будет медленно. Потому что каждое обращение к ядру — это сознательное, глубокое решение. Но когда число пользователей вырастет в тысячи раз, запросы можно будет объединять в пакеты — и количество обращений к ядру снизится. Мы получим устойчивый, стабильный и быстрый ИИ, который мыслит не статистикой слов, а знанием, накопленным человечеством за тысячи лет.

И вот здесь все куски сходятся в одну точку. Кодировка слов и смыслов убирает языковой хаос. Кодировка ситуаций — убирает неопределённость. Ядро — даёт опору. А Булева логика — связывает всё в работающую конструкцию. Остаётся только собрать это в единую систему.

Алгебра Буля и логика «если/то»

Для этого мне понадобятся простейшие принципы алгебры Буля: «если/то».

«Если код ситуации — 402 (хаос) и код объекта — 001.1.1 (собака) — применить правило 402.1: прекратить подачу противоречивых команд».

«Если код ситуации — 401 (стресс) и код объекта — 001.1 (человек) — применить правило 401.2: снизить нагрузку, ввести структуру, восстановить контроль».

Возможно, вы слышали слово «алгебра» и сразу представили школьную доску с иксами и игреками. Но Булева алгебра — это не про иксы. Это про логику. Про то, как мы принимаем решения каждый день, даже не задумываясь об этом.