Новый концептуальный анализ выявляет ключевые различия между мышлением человека и ИИ
Почему ИИ может за считаные секунды создать блестящее стихотворение, но при этом испытывать трудности с простой житейской логикой? Хотя искусственный интеллект всё больше кажется похожим на человека, учёные исследуют структурные различия между результатами работы машин и человеческим мышлением. Новый концептуальный анализ предполагает, что языковые модели объединяют идеи на основе усвоенных статистических закономерностей, тогда как люди создают новые понятия, опираясь на внутренние цели, физический опыт и причинно-следственные связи. Это различие может объяснять, почему человеческое мышление остаётся более гибким в незнакомых ситуациях. В анализе сопоставляются ключевые различия в том, как человек и искусственный интеллект формируют новые идеи.
Примечание: данная статья предназначена для общего ознакомления и образовательных целей. Она содержит краткое изложение научного исследования, представленное доступным языком для широкой аудитории, и не является официальным научным пресс-релизом.
Как люди создают новые идеи? Мы часто берём знакомые понятия, выделяем в них значимые элементы и объединяем их во что-то совершенно новое. В когнитивной науке этот процесс называют концептуальной интеграцией.
Рассмотрим английские слова houseboat («плавучий дом») и boathouse («эллинг»). Оба объединяют понятия дома и лодки, однако мы сразу понимаем, что означают они совершенно разные вещи: houseboat – судно, предназначенное для проживания, а boathouse – строение для хранения лодок. Наш разум не просто соединяет все признаки двух понятий. Он отбирает именно те из них, которые соответствуют определённому смыслу или цели. Искусственный интеллект также способен комбинировать существующие понятия и создавать удивительно оригинальные идеи. Но происходит ли это так же, как в человеческом разуме?
Этот вопрос рассматривается в концептуальном анализе Спенсера К. Линна из подразделения человекоцентричного искусственного интеллекта Charles River Analytics. Статья, опубликованная 29 июля 2026 года в журнале Frontiers in Psychology, сопоставляет способы, которыми люди и большие языковые модели (LLM) формируют новые идеи.
Предложенное автором различие особенно примечательно: человеческое мышление опирается на внутренние цели, физический опыт, действия и причинно-следственные связи, тогда как языковые модели создают новые комбинации преимущественно на основе усвоенных статистических закономерностей и заданных извне инструкций.
Что исследовал автор
В статье рассматривается один из фундаментальных вопросов когнитивной науки: когда из нескольких понятий возникает новая идея, что определяет, какие их признаки мы используем, а какие отбрасываем?
Линн предполагает, что у человека этот выбор тесно связан с поставленными целями и взаимодействием с физическим миром. Автор называет такую концептуальную интеграцию генеративно-каузальной. Сталкиваясь с чем-то незнакомым, мы опираемся на имеющиеся знания, чтобы понять, что перед нами, что с этим можно сделать и как это может помочь в достижении определённой цели.
Языковые модели действуют иначе. По определению Линна, они создают статистически новые сочетания. Большие языковые модели обучаются на огромных массивах данных, выявляют в них сложные закономерности и на их основе формируют новые комбинации. На результат влияют запрос пользователя, контекст, заложенные в модель ограничения и способ выбора ответа.
Поэтому различие заключается не просто в том, способны ли человек и ИИ создавать нечто новое. Это могут и люди, и языковые модели. Главный вопрос: чем определяется выбор элементов для такого сочетания и какой цели оно служит.
Как проводился анализ
Это было концептуальное исследование, а не эксперимент с участием людей. Линн изучил работы в области когнитивной науки, нейробиологии и искусственного интеллекта, а также создал небольшую компьютерную модель, чтобы показать, как может происходить целенаправленное формирование новых идей.
В модели рассматривается воображаемая ситуация: человек впервые видит конвертоплан V-22 Osprey. Этот летательный аппарат был выбран потому, что сочетает конструктивные особенности самолёта и вертолёта, поэтому принцип его полёта может быть не сразу понятен. Используя подходящие знания о самолётах и вертолётах, человек формирует представление о возможностях нового аппарата. При этом его цель определяет, какие характеристики имеют значение.
Модель наглядно демонстрирует предложенную концепцию, но не доказывает, что мозг использует именно такой механизм. Кроме того, теория предиктивной обработки информации по-прежнему активно обсуждается в когнитивной науке.
Особенности данного анализа
Отсутствие у ИИ физического тела может казаться очевидным, однако автор рассматривает более глубокий вопрос: как это различие влияет на то, каким образом люди и языковые модели формируют новые идеи? Не сводя ИИ ни к «разумной» системе, ни к «простому механизму распознавания закономерностей», Линн сопоставляет различные архитектуры управления, которые могут лежать в основе концептуальной интеграции у человека и языковых моделей.
Основное внимание в анализе уделяется тому, откуда берётся цель, определяющая формирование новой идеи.
У человека цели обусловлены потребностями организма и его взаимодействием с окружающим миром. У нас есть физические потребности; мы воспринимаем окружающую среду, воздействуем на неё, наблюдаем последствия своих действий и пересматриваем собственные представления, если идея не срабатывает. Благодаря этому люди воспринимают объекты с точки зрения аффордансов – возможностей для действия, которые объект предоставляет применительно к конкретной цели.
Представьте, что вам нужно достать предмет, находящийся над вашей головой. Обычно стул предназначен для сидения, но в данной ситуации цель заставляет воспринимать его как импровизированную подставку. Физические свойства стула не изменились – изменилось лишь то, какие из них стали значимыми для достижения текущей цели.
У больших языковых моделей нет такой биологической основы. Их предполагаемые цели задаются извне, через цели обучения, согласование поведения модели с заданными принципами, запросы пользователей, контекст и методы формирования ответа. Линн называет их целями-заместителями (proxy-goals).
Ключевые выводы анализа
1. Человеческие идеи связаны с целями и действиями
Согласно концепции Линна, формирование новых идей у человека тесно связано с тем, чего он стремится достичь. Нам не нужно учитывать все возможные свойства объекта: цель направляет внимание на те из них, которые важны в конкретной ситуации.
Например, если человеку нужно заменить лампочку, стул может послужить временной подставкой. В этом случае важными становятся его высота и способность выдерживать вес, а остальные свойства отходят на второй план. Аффордансы играют важную роль в гибкости человеческого мышления: понятия отражают не только то, чем являются окружающие предметы, но и то, что мы потенциально можем с ними делать.
2. Языковые модели создают новые идеи на основе усвоенных закономерностей
Большие языковые модели формируют ответы, выявляя сложные закономерности в огромных массивах текстов и прогнозируя, какие слова с наибольшей вероятностью должны следовать дальше. Благодаря этому они могут логично и творчески сочетать знакомые понятия, иногда создавая действительно оригинальные идеи.
Однако, как утверждается в статье, эти идеи не опираются на собственные физические цели или опыт модели. Большая языковая модель может предложить использовать стул вместо подставки, но не способна физически проверить его устойчивость, увидеть последствия или на собственном телесном опыте убедиться, что решение оказалось неудачным.
Кроме того, если запрос содержит несколько противоречащих друг другу требований, модели бывает сложно найти между ними правильный баланс. Вместо того чтобы в полной мере выполнить каждое из них, она может выдать усреднённый ответ, который звучит уместно, но ни одному из требований полностью не соответствует.
3. Люди могут проверять идеи на практике
Одно из ключевых различий, отмеченных в анализе, связано с циклом обратной связи между восприятием и действием. Человек может сформировать идею, применить её на практике, оценить результат, обнаружить ошибку и скорректировать своё представление с учётом нового опыта. Кроме того, мы способны мысленно просчитывать возможные последствия ещё до начала действий.
Языковые модели могут временно учитывать новую информацию в пределах текущего контекстного окна. Возможности современных систем ИИ также расширяются благодаря внешним инструментам, модулям памяти и данным разных типов. Однако, по мнению Линна, в основе архитектуры языковых моделей нет внутренне мотивированного и связанного с физическим опытом цикла, который объединял бы цели, восприятие, действия и устойчивое обновление представлений о мире.
Это различие особенно важно при решении принципиально новых задач, требующих понимания причинно-следственных связей, долгосрочного планирования, практического взаимодействия с окружающим миром и корректировки представлений с учётом полученного опыта.
Оценка автора
Автор не утверждает, что большие языковые модели неспособны создавать новые или полезные материалы. Они могут сложным образом сочетать понятия и воспроизводить комплексные связи, представленные в обучающих данных.
Более существенное различие заключается в том, как формируются новые идеи и чем определяется их цель. Гибкость человеческого мышления обусловлена работой биологического организма, взаимодействующего с физическим миром. Наши цели помогают определять, какая информация важна; понимание причинно-следственных связей позволяет предвидеть результаты; а практический опыт – пересматривать неудачные идеи.
Большие языковые модели работают иначе. Их ответы определяются усвоенными статистическими закономерностями, а также целями обучения, настройкой поведения модели, запросами пользователей, контекстом, внешними инструментами и алгоритмами выбора ответа.
По мнению Линна, это различие в архитектуре может объяснять, почему языковые модели демонстрируют высокие способности в чётко заданных условиях, но оказываются менее устойчивыми при решении открытых задач, требующих сохранения цели на протяжении длительного времени, понимания причинно-следственных связей, взаимодействия с физическим миром и адаптации в реальном времени.
Что это может означать для будущего ИИ?
В статье высказывается предположение, что для повышения адаптивности ИИ может быть недостаточно просто увеличивать размер моделей, объём обучающих данных или длину контекстного окна.
Линн предлагает добавить слой аффордансов, который помогал бы системе ИИ соотносить поставленную цель с возможными действиями и их вероятными последствиями. Теоретически это позволило бы системе сравнивать разные решения, прогнозировать результаты, учитывать обратную связь и менять подход, если выбранная идея не сработала.
Согласно статье, такой подход сместил бы акцент с прогнозирования «Какое слово должно быть следующим?» на оценку «Какое действие или решение лучше всего поможет достичь цели?». Однако это лишь предлагаемое направление будущих исследований ИИ, а не возможность, продемонстрированная в рамках данного анализа.
Более широкий контекст
Этот анализ вносит вклад в научную дискуссию о различиях между биологическим интеллектом и системами машинного обучения. Рассматривая концептуальную интеграцию с точки зрения предиктивной обработки информации и телесно обусловленного познания, автор объясняет, почему люди и компьютерные системы по-разному определяют, какая информация важна, создают новые идеи и действуют в незнакомых ситуациях.
Заключение
Люди и ИИ могут создавать удивительно похожие идеи, однако анализ Линна показывает, что приходят они к ним принципиально разными путями.
Языковые модели создают новые сочетания на основе усвоенных закономерностей и заданных извне инструкций. Человеческое мышление, напротив, опирается на цели, физический опыт, понимание причинно-следственных связей и способность действовать, оценивать результат и менять свой подход.
Для когнитивной науки это различие указывает на одну из самых примечательных особенностей человеческого разума: мы не просто объединяем информацию, а определяем, что важно, исходя из поставленной цели. Понимание этой способности может объяснить, почему люди умеют адаптироваться к незнакомым ситуациям и чему ещё предстоит научиться будущим системам ИИ.
Информация в этой статье предоставлена исключительно в ознакомительных целях и не является медицинской рекомендацией. По вопросам, связанным с лечением или здоровьем, проконсультируйтесь с профильным специалистом.
Ссылка:
Lynn, S. K. (2026). Conceptual blending in humans and language models. Frontiers in Psychology, 17:1849083. DOI: 10.3389/fpsyg.2026.1849083
