Интеллектуальное поведение нейросети в контексте концептуальной инженерии: имитация философских размышлений в моделях DeepSeek, ChatGPT, GigaChat

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.

1. BERT: 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.

2. 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.

3. 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.

4. 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.

5. 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.

6. Searle J. Minds, Brains, and Programs // Behavioral and Brain Sciences. 1980. Vol. 3, iss. 3. P. 417–424. DOI: 10.1017/S0140525X00005756.

7. Dennett D. Consciousness Explained. Boston: Little, Brown and Company, 1991.

8. 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.

9. 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.

10. 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.

11. 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.

12. 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.

13. 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.

14. 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).

15. 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.

16. 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.

17. Bostrom N. Superintelligence: Paths, Dangers, Strategies. Oxford: Oxford Univ. Press, 2014.

18. 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.