Новое исследование, опубликованное на arXiv, предлагает пересмотреть природу искусственного интеллекта, утверждая, что повседневные логические рассуждения людей и больших языковых моделей (LLM) опираются на схожие механизмы распознавания паттернов (pattern matching), а не на наличие абстрактных моделей мира.
Что произошло
В работе под названием Reasoning as Pattern Matching: Shared Mechanisms in Human and LLM Everyday Reasoning был проведен анализ 25 различных моделей и поведения людей. Исследователи обнаружили, что когнитивные ошибки, возникающие при рассуждениях, имеют общую природу. Примечательно, что специфические механизмы внимания (attention heads) в архитектуре нейросетей коррелируют с паттернами человеческих когнитивных сбоев.
Контекст
Традиционно ошибки LLM рассматривались как доказательство отсутствия у них «настоящего» интеллекта или абстрактного логического мышления. Однако данный подход ставит под сомнение необходимость создания сложных логических модулей, предполагая, что сама суть рассуждения может заключаться в продвинутом сопоставлении контекстных паттернов.
Почему это важно для индустрии
Для индустрии это означает возможный сдвиг исследовательских бюджетов и фокуса: от разработки универсальных «движков рассуждений» (reasoning engines) к оптимизации механизмов внимания и обработки контекстуальных зависимостей. Это также может привести к пересмотру методов оценки (evals) моделей, где вместо чисто формальной логики приоритет будет отдаваться устойчивости к «отвлекающим» паттернам.
Почему это важно для пользователей
Для пользователей это меняет понимание природы «галлюцинаций» ИИ. Ошибки моделей теперь можно рассматривать не как признак глупости, а как структурно схожие с человеческими сбои в обработке информации. В долгосрочной перспективе это может привести к появлению новых архитектур AI agents, где управление памятью паттернов станет важнее жестких логических деревьев.
Что пока неизвестно / ограничения
В представленных данных не указаны конкретные технические разногласия, однако отмечается разница в интерпретации результатов между чистыми исследователями и разработчиками продуктов.
Источники
Автор
Look at AI, редакция