discourseДискурсDiscourse2412-85622658-7777СПбГЭТУ «ЛЭТИ»10.32603/2412-8562-2025-11-5-59-69discourse-835Research ArticleФИЛОСОФИЯPHILOSOPHYИнтеллектуальное поведение нейросети в контексте концептуальной инженерии: имитация философских размышлений в моделях DeepSeek, ChatGPT, GigaChatIntelligent Behavior of Neural Networks in the Context of Conceptual Engineering: Imitating Philosophical Reflection in DeepSeek, ChatGPT and GigaChat Modelshttps://orcid.org/0000-0002-8825-3760ЛисенковаА. А.LisenkovaA. A.

Лисенкова Анастасия Алексеевна – доктор культурологии (2021), доцент (2009), профессор Высшей школы общественных наук

ул. Политехническая, д. 29 литера Б, Санкт-Петербург, 195251

Anastasia A. Lisenkova – Dr. Sci. (Cultural Studies, 2021), Docent (2009), Professor of the Higher School of Social Sciences

oskar46@mail.ruhttps://orcid.org/0000-0001-8953-7434ШипуноваО. Д.ShipunovaO. D.

Шипунова Ольга Дмитриевна – доктор философских наук (2002), профессор (2011), профессор Высшей школы общественных наук 

ул. Политехническая, д. 29 литера Б, Санкт-Петербург, 195251

Olga D. Shipunova – Dr. Sci. (Philosophy, 2002), Professor (2011), Professor of the Higher School of Social Sciences

o_shipunova@mail.ruЛисенковА. С.LisenkovA. S.

Лисенков Алексей Сергеевич – студент (2-й курс) направления «Биоинформатика и компьютерное моделирование в естественных науках»

ул. Хлопина, д. 8, к. 3, литера А, Санкт-Петербург, 194021

Alexey S. Lisenkov – Student (2nd year), direction “Bioinformatics and computer modeling in natural sciences”

alisenkova2005@gmail.comСанкт-Петербургский политехнический университет Петра ВеликогоPeter the Great St Petersburg Polytechnic UniversityСанкт-Петербургский национальный исследовательский Академический университет имени Ж. И. Алферова Российской академии наукAlferov Federal State Budgetary Institution of Higher Education and Science Saint Petersburg National Research Academic University of the Russian Academy of Sciences2025201120251155969Copyright © Лисенкова А.А., Шипунова О.Д., Лисенков А.С., 20252025Лисенкова А.А., Шипунова О.Д., Лисенков А.С.Lisenkova A.A., Shipunova O.D., Lisenkov A.S.Данная работа распространяется под лицензией Creative Commons Attribution 4.0.This work is licensed under a Creative Commons Attribution 4.0 License.https://discourse.elpub.ru/jour/article/view/835

Введение. Статья посвящена актуальным вопросам философии искусственного интеллекта и анализу условий конструирования смыслов в технологии моделирования когнитивных действий нейросети. Методология и источники. Исследование ведётся в рамках системного подхода, который позволяет соединить технические и философские аспекты концептуального инжиниринга, качественные и количественные методы анализа когнитивного действия нейросети в процессе интерпретации философских дилемм. Эмпирическая база представлена множеством ответов трех нейросетей (DeepSeek, ChatGPT, GigaChat) на один и тот же концептуальный запрос. Особенности когнитивного действия нейросетевой модели рассматриваются в контексте функционального подхода, который акцентирует влияние архитектурного различия систем внимания и трансформенных блоков на гибкую ориентацию нейросети в разноплановых контекстах. В качественном анализе, направленном на выявление скрытых паттернов, определяющих различие в стилистике изложения идей нейросетью, использовались методы контент-анализа и дискурс-анализа. В количественной оценке ответов использовались индекс Р. Флеша и индекс лексического разнообразия. Результаты и обсуждение. Представлена обобщённая характеристика склонности моделей DeepSeek, ChatGPT, GigaChat к определённому стилю изложения философской концепции. Что позволяет говорить об имитации философских размышлений. Показано различие семантических ориентаций нейросети в поле философских дискуссий и генерации обобщений, определенное техническим и программным различием системы внимания (локальное, глобальное, многоуровневое). Выявлена специфика интеллектуального поведения моделей, определяющая стилистику изложения философских позиций с учетом уровня запросов аудитории. Заключение. Интеллектуальное поведение моделей ChatGPT, DeepSeek и GigaChat определяется гибкой ориентацией в семантике философских дилемм. С технологической стороны оно обеспечено интерполяцией представленных данных, согласованной с архитектурой нейросети, определяющей ее когнитивный стиль и самооценку. Однако эти модели не автономны в постановке задач, границы их действий обозначены концептуальным ресурсом человеческого знания.

Introduction. This article explores the pressing questions in the philosophy of artificial intelligence, focusing on the conditions required to generate meaning in technologies modeling the cognitive actions of neural networks. Methodology and sources. The study is conducted using a system-based approach, combining technical and philosophical aspects of concept engineering, as well as qualitative and quantitative methods to analyze neural networks’ cognitive activity during the interpretation of philosophical dilemmas. The empirical base is represented by a set of responses of three neural networks (DeepSeek, ChatGPT, GigaChat) to the same conceptual request. Features of neural network cognitive activity are explored in the context of a functional approach focusing on how architectural differences between attention systems and transformative blocks influence the orientation of flexible neural networks in various contexts. In a qualitative analysis aimed at identifying hidden patterns that determine differences in the style of presenting ideas by neural networks, methods of content, and discourse analyses were used. Quantitative assessment of the responces was performed using R. Flesch index and lexical diversity measures. Results and discussion. A generalized characteristic of the tendency of the DeepSeek, ChatGPT, and GigaChat models to a certain style of philosophical concept exposition is presented. This makes it possible to talk about imitating philosophical reasoning. Differences in how neural networks generate content for philosophical discussions were shown to depend on technical and software-based differences in attention mechanisms (local, global, and multi-layered). The unique intellectual behavior of models becomes evident when they reveal their ability to navigate different contexts and adapt their style of presentation according to the expectations of the audience. Conclusion. The intellectual behavior of ChatGPT, DeepSeek, and GigaChat is determined by flexible orientation in semantics of philosophical problems. From a technological perspective, this is achieved through interpolation of the input data that is consistent with the neural network architecture, which defines its cognitive style and self-assessment. However, these language models are not autonomous in task setting, as the boundaries of their operations are defined by the conceptual resources of human knowledge.

нейросетьискусственный интеллектконцептуальная инженериягенерация смысловфилософский контекстфункциональная архитектурасистемы вниманияимитация размышленийneural networkartificial intelligenceconceptual engineeringmeaning generationphilosophical contextfunctional architectureattention systemsimitation of thinkingReferencesBERT: Pre-training of Deep Bidirectional Transformers for Language Understanding / J. Devlin et al. // Arxiv.org. 2018. URL: https://arxiv.org/abs/1810.04805 (дата обращения: 20.04.2025). DOI: https://doi.org/10.48550/arXiv.1810.04805.Devlin, J. et al. (2018), “BERT: Pre-training of Deep Bidirectional Transformers for Language Understanding”, Arxiv.org, available at: https://arxiv.org/abs/1810.04805 (accessed 20.04.2025). DOI: https://doi.org/10.48550/arXiv.1810.04805.Marcus G. The Next Decade in AI: Four Steps Towards Robust Artificial Intelligence // Arxiv.org. 2020. URL: https://arxiv.org/abs/2002.06177 (дата обращения: 10.04.2025). P. 102–115. DOI: https://doi.org/10.48550/arXiv.2002.06177.Marcus, G. (2020), ”The Next Decade in AI: Four Steps Towards Robust Artificial Intelligence”, Arxiv.org, available at: https://arxiv.org/abs/2002.06177 (accessed 10.04.2025), pp. 102–115. DOI: https://doi.org/10.48550/arXiv.2002.06177.Floridi L., Chiriatti M. GPT-3: Its Nature, Scope, Limits, and Consequences // Minds & Machines. 2020. Vol. 30. P. 681–694. DOI: 10.1007/s11023-020-09548-1.Floridi, L. and Chiriatti, M. (2020), “GPT-3: Its Nature, Scope, Limits, and Consequences”, Minds & Machines, vol. 30, pp. 681–694. DOI: 10.1007/s11023-020-09548-1.Bender E. M., Koller A. Climbing towards NLU: On Meaning, Form, and Understanding in the Age of Data // Proceedings of the 58th Annual Meeting of the Association for Computational Linguistics. 2020. P. 5185–5198. DOI: 10.18653/v1/2020.acl-main.463.Bender, E.M. Koller, A. (2020), Climbing towards NLU: On Meaning, Form, and Understanding in the Age of Data, Proc. of the 58th Annual Meeting of the Association for Computational Linguistics, pp. 5185– 5198. DOI: 10.18653/v1/2020.acl-main.463.Bubeck S. et al. Sparks of Artificial General Intelligence: Early Experiments with GPT-4 // Arxiv.org. 2023. URL: https://arxiv.org/abs/2303.12712 (дата обращения: 20.04.2025). DOI: https://doi.org/10.48550/arXiv.2303.12712.Bubeck, S. et al. (2023), “Sparks of Artificial General Intelligence: Early Experiments with GPT-4”, Arxiv.org, available at: https://arxiv.org/abs/2303.12712 (accessed 20.04.2025). DOI: https://doi.org/10.48550/arXiv.2303.12712.Searle J. Minds, Brains, and Programs // Behavioral and Brain Sciences. 1980. Vol. 3, iss. 3. P. 417–424. DOI: 10.1017/S0140525X00005756.Searle, J. (1980), “Minds, Brains, and Programs”, Behavioral and Brain Sciences, vol. 3, iss. 3, pp. 417–424. DOI: 10.1017/S0140525X00005756.Dennett D. Consciousness Explained. Boston: Little, Brown and Company, 1991.Dennett, D. (1991), Consciousness Explained, Little, Brown and Company, Boston, USA.Bender E. M. et al. On the Dangers of Stochastic Parrots: Can Language Models Be Too Big? // Proceedings of the ACM Conference on Fairness, Accountability, and Transparency, Virtual Event, Ca nada, 3–10 March 2021. P. 610–623. DOI: https://doi.org/10.1145/3442188.3445922.Bender, E.M. et al. (2021), “On the Dangers of Stochastic Parrots: Can Language Models Be Too Big?”, Proceedings of the ACM Conference on Fairness, Accountability, and Transparency, Virtual Event, Canada, March 3–10 2021, pp. 610–623. DOI: https://doi.org/10.1145/3442188.3445922.Chalmers D. What Is Conceptual Engineering and What Should It Be? // Inquiry. 2020. URL: https://www.tandfonline.com/doi/full/10.1080/0020174X.2020.1817141 (дата обращения: 20.04.2025). DOI: 10.1080/0020174X.2020.1817141.Chalmers, D. (2020), “What Is Conceptual Engineering and What Should It Be?”, Inquiry, available at: https://www.tandfonline.com/doi/full/10.1080/0020174X.2020.1817141 (accessed 20.04.2025). DOI: 10.1080/0020174X.2020.1817141.Грифцова И. Н., Козлова Н. Ю. Идеи философии языка Р. Карнапа в контексте концептуальной инженерии // Эпистемология и философия науки. 2024. Т. 61, № 1. С. 121–133. DOI: 10.5840/eps202461111.Griftsova, I.N. and Kozlova, N.Yu. (2024), “Rudolf Carnap’s Ideas in Philosophy of Language in the Contextof Conceptual Engineering”, Epistemology and Philosophy of Science, vol. 61, no. 1, pp. 121–133. DOI: 10.5840/eps202461111.Козлова Н. Ю. Концептуальная инженерия: идея и проблемное поле // Вопросы философии. 2024. № 9. С. 157–166. DOI: 10.21146/0042-8744-2024-9-157-166.Kozlova, N.Yu. (2024), “Conceptual Engineering: Idea and Problem Field”, Voprosy Filosofii, no. 9, pp. 157–166. DOI: 10.21146/0042-8744-2024-9-157-166.Floridi L. A Defence of Constructionism: Philosophy as Conceptual Engineering // Metaphilosophy. 2011. Vol. 42, no. 3. P. 282–304. DOI: 10.1111/j.1467-9973.2011.01693.x.Floridi, L.A. (2011), “Defence of Constructionism: Philosophy as Conceptual Engineering”, Metaphilosophy, vol. 42, no. 3, pp. 282–304. DOI: 10.1111/j.1467-9973.2011.01693.x.Isaac M. G., Koch S., Nefdt R. Conceptual Engineering: A Road Map to Practice // Philosophy Compass. 2022. Vol. 17, no. 10: e12879. DOI: 10.1111/phc3.12879.Isaac, M.G., Koch, S. and Nefdt, R. (2022), “Conceptual Engineering: A Road Map to Practice”, Philosophy Compass, vol. 17, no. 10: e12879. DOI: 10.1111/phc3.12879.Raffel C. et al. Exploring the Limits of Transfer Learning with a Unified Text-to-Text Transformer // J. of Machine Learning Research. 2020. Vol. 21: 140. URL: https://www.jmlr.org/papers/volume21/20-074/20-074.pdf (дата обращения: 02.04.2025).Raffel, C. et al. (2020), “Exploring the Limits of Transfer Learning with a Unified Text-to-Text Transformer”, J. of Machine Learning Research, vol. 21: 140, available at: https://www.jmlr.org/papers/volume21/20-074/20-074.pdf (accessed 02.04.2025).Mikolov T. et al. Distributed Representations of Words and Phrases and their Compositionality // Advances in Neural Information Processing Systems. 2013. Vol. 26. P. 3111–3119.Mikolov, T. et al. (2013), “Distributed Representations of Words and Phrases and their Compositionality”, Advances in Neural Information Processing Systems, vol. 26, pp. 3111–3119.Chalmers D. Could a Large Language Model be Conscious? // Arxiv.org. 2023. URL: https://arxiv.org/abs/2303.07103 (дата обращения: 20.04.2025). DOI: https://doi.org/10.48550/arXiv.2303.07103.Chalmers, D. (2023), “Could a Large Language Model be Conscious?”, Arxiv.org, 2023, available at: https://arxiv.org/abs/2303.07103 (accessed 20.04.2025). DOI: https://doi.org/10.48550/arXiv.2303.07103.Bostrom N. Superintelligence: Paths, Dangers, Strategies. Oxford: Oxford Univ. Press, 2014.Bostrom, N. (2014), Superintelligence: Paths, Dangers, Strategies, Oxford Univ. Press, Oxford, UK.Vaswani A. et al. Attention Is All You Need // Advances in Neural Inf. Proc. Systems 30: 31st Annual Conf. on Neural Inf. Proc. Systems (NIPS 2017), Long Beach, California, 4–9 Dec. 2017 / Long Beach, California. P. 5999–6010.Vaswani, A. et al. (2017), “Attention Is All You Need”, Advances in Neural Inf. Proc. Systems 30: 31st Annual Conf. on Neural Inf. Proc. Systems (NIPS 2017), Long Beach, California, USA, 4–9 Dec. 2017, pp. 5999–6010.

The authors declare that there are no conflicts of interest present.