Язык и код: как нейросеть имитирует человеческую индукцию

# Индукция и поиск через вероятностное рассуждение: синтез языка и кода

Как человек способен формировать сложные абстрактные понятия, опираясь на малое количество зашумленных и разрозненных наблюдений из повседневного опыта? Этот вопрос остается одним из центральных в когнитивных науках. Долгое время существовал разрыв между теоретическими моделями, которые требовали колоссальных объемов данных для обучения, и реальными возможностями человеческого сознания.

Новая работа, опубликованная 1 сентября 2026 года (arXiv:2609.01815), под названием «Induction and Inquiry via Probabilistic Reasoning over Language and Code» (Индукция и поиск через вероятностное рассуждение над языком и кодом), предлагает решение этой дилеммы. Авторы исследования, включая Васу Топ Пириякулкидж, Сэма Акквавиву и Кевина Эллиса, разработали вычислительную модель, которая не только имитирует человеческое обучение, но и объясняет механизмы активного поиска информации.

Три императива для вычислительной модели

Для того чтобы любая система могла претендовать на полноценное объяснение человеческого познания, она должна соответствовать трем строгим критериям, которые авторы называют «desiderata» (желательными свойствами). Во-первых, модель должна быть эффективной по данным и вычислениям. Она не должна потреблять бесконечные ресурсы для обработки ограниченного опыта.

Во-вторых, система должна уметь оценивать степени неопределенности. Это критически важно для интеллектуального поиска: чтобы решить проблему, нужно знать, какие вопросы задать, чтобы получить наиболее ценную информацию. В-третьих, модель должна быть гибкой. Человеческое мышление способно оперировать бесконечным спектром концепций, от простых физических законов до абстрактных социальных норм. Модель должна уметь ментально репрезентировать этот широкий диапазон идей.

Именно эти три требования заставили исследователей отказаться от исключительно нейросетовых подходов или классической байесовской статистики, которые либо не справлялись с задачей, либо делали это с неэффективными затратами.

Синтез языка и кода как ментальные программы

Ключевым открытием стало то, что успешная модель кодирует символические знания в виде «ментальных программ». Эти программы представляют собой гибрид: они объединяют естественный язык (для гибкости и описания) с синтаксисом исходного кода (для точности и логики).

Представьте процесс обучения как работу редактора, который черновик мысли (язык) постоянно перепроверяет с помощью строгой логической структуры (код). Модель последовательно выводит эти ментальные программы, используя алгоритмы байесовского обучения, управляемые большими языковыми моделями (LLM).

Здесь происходит важное разделение ролей. Считается, что «снизу вверх» действующий механизм в нашем мозге (или в этой модели) — это LLM, который делает процесс вывода (inference) выполнимым и обучаемым. Над ним же работает процесс приближения к байесовским обновлениям веры. Таким образом, человеческое знание растет через ментальное представление множества гипотез, которые охватывают как языковые, так и программные репрезентации, и последующую их ревизию.

Что такое байесовское обновление?

В простых словах, байесовское обновление — это математический способ корректировать уверенность в своей правоте по мере поступления новых фактов. Если вы верили, что пойдет дождь, но увидели голубое небо, ваша уверенность в дожде снизилась. Модель в этой статье умеет делать такие корректировки автоматически, сохраняя при этом гибкость мышления, недоступную для жестких алгоритмов.

Поведенческие эксперименты и подтверждение гипотезы

Главным доказательством эффективности новой модели стали проведенные поведенческие исследования. Модель не просто теоретически выглядит красиво, но и количественно воспроизводит конкретные черты человеческого мышления, которые ранее казались уникальными для людей.

В частности, исследователи смогли смоделировать: * Эффект якоря (Anchoring): склонность людей полагаться на первую полученную информацию (якорь) при принятии решений, даже если эта информация нерелевантна. * «Сады путей» (Garden-pathing): феномен, когда человек сначала интерпретирует информацию по наиболее вероятному пути, а лишь потом, столкнувшись с противоречием, вынужден кардинально менять свою траекторию мышления. * Активный сбор информации: способность человека целенаправленно запрашивать данные, которые лучше всего уменьшат неопределенность.

В то же время, авторы отмечают, что чистые LLM, лишенные формальной структуры кода, или классические байесовские модели без нейросетевой части, либо не справляются с задачей, либо требуют затрат вычислительной мощности, которые делают их непрактичными для моделирования человеческого опыта.

Взгляд со стороны

Как редактор новостей о технологиях, наблюдая за этим исследованием, можно отметить важный сдвиг парадигмы. Мы часто спорим о том, заменит ли нейросеть человека или станет его инструментом. Этот проект показывает, что будущее, вероятно, лежит в гибриде: в симбиозе широких ассоциативных способностей нейросетей и строгости формальной логики. Это напоминает мне тихий офис в середине дня, где скрипт на Python, написанный программистом, корректно обрабатывает поток неструктурированных жалоб клиентов, переводя их хаос в четкие действия.

Исследование подчеркивает, что рост знаний — это не просто накопление байтов информации, а сложный процесс ментального программирования, где каждый новый факт служит для отладки и переписывания внутренних алгоритмов. Это понимание может стать фундаментом для создания систем искусственного интеллекта, которые будут не просто предсказывать слова, но и по-настоящему понимать и учиться, как мы сами.