Доскоро много изследователи се съмняваха дали съвременните невронни мрежи наистина са способни да разсъждават. След това един AI модел реши известна открита математическа задача, а други показаха резултат на нивото на златен медал от Международната олимпиада по математика. Скоро обаче се появиха публикации, чиито автори се усъмниха вече не във възможностите на изкуствения интелект, а в самата същност на неговото „мислене“. Учените се опитват да разберат по какъв начин невроните мрежи стигат до правилните отговори и може ли този процес да се съпостави с реалното разсъждение.
Най-мощните езикови системи все по-често биват отделяни в специален клас от големи модели за разсъждение, който получи името Large Reasoning Models, LRM. За разлика от стандартния езиков модел, който генерира отговора си веднага, LRM първо създава дълга последователност от междинни стъпки. Този подход значително повиши точността при решаването на сложни математически и софтуерни задачи.
Само че относно тези междинни записи се разрази сериозен спор. Част от изследователите ги разглеждат като работен план, по който моделът последователно се придвижва към крайния резултат. Други смятат, че генерираният текст почти нищо не разкрива за реалните изчисления, довели до отговора.
Начините на разъждаванеЧовешкото разсъждение обикновено се представя като логическа верига, в която всеки извод се базира на предходния. При невронната мрежа на мястото на вътрешната реч се появява текст, наричан „верига от разсъждения“ (chain-of-thought). Този запис в значителна степен напомня за подробното обяснение на решението, но външната свързаност сама по себе си не доказва, че моделът е извършил изчисленията точно в посочения ред.
Експериментите все по-често показват сериозен разрив между външното обяснение и реалния механизъм за получаване на отговора. Невронната мрежа понякога успешно решава задачата, въпреки че междинните стъпки съдържат грешки, излишни данни или напълно безсмислени фрагменти.
В едно от изследванията коректните вериги от стъпки са били изцяло заменени с грешни и случайни последователности, но въпреки това моделът запазил способността си да решава формални задачи. В други опити вместо осмислен текст били използвани просто редици от обикновени точки, като качеството на отговорите почти не се е променило.
Отделни проучвания показват, че между 30 и 60% от междинните стъпки практически не влияят върху крайния резултат. Премахването на значителна част от записите е довело единствено до незначително понижение в точността при решаване на математически проблеми.
Какво представляват веригите за разсъждениеПолучените резултати дават основание да се предположи, че веригата от разсъждения не винаги служи като строг план. Възможно е допълнителният текст просто да създава контекст, който помага на модела да избере следващия токен, да активира необходимите асоциации и така да се приближи до правилния отговор.
В същото време самите възможности на невронните мрежи продължават да нарастват. През 2026 година един от моделите на OpenAI реши известна отворена математическа задача с едно-единствено пускане. Съвместната работа между Google DeepMind и математика Теренс Тао пък помогна за новото извеждане или подобряване на решенията на 67 задачи от различни области на математиката.
Затова спорът не засяга качеството на резултатите, а самия механизъм на тяхната поява. Учените се опитват да изяснят дали моделът изгражда последователно доказателство, или открива отговора благодарение на закономерностите, усвоени по време на обучението.
Една от най-обсъжданите хипотези се свежда до това, че големите модели за разсъждение в своята основа си остават езикови модели. Вместо да прилага строг алгоритъм, системата търси подходящи връзки в натрупания обем от знания, а междинният текст просто ѝ помага да достигне до необходимата област от това вътрешно представление.
Приликите с човешкото мисленеАвторите на тази хипотеза сравняват работата на модела с човек, който тихо си промърморва отделни думи, опитвайки се да си спомни нещо. Отделните фрази може и да не образуват точно обяснение, но насочват паметта към верния отговор.
Това тълкуване обяснява защо погрешните междинни стъпки понякога водят до правилен резултат. Генерираната верига от думи може да изпълнява ролята на подсказка при търсенето, а не на точен доклад за извършените изчисления.
Не всички специалисти обаче приемат тази версия. Представители на OpenAI посочват, че съвременните модели значително превъзхождат системите, върху които са провеждани част от критичните експерименти. Разработчиците смятат веригите от разсъждения за ключов елемент от решаването на задачите, макар че компаниите вече спряха да разкриват пълния вътрешен текст. Потребителите и изследователите обикновено виждат само съкратен и специално подготвен преразказ.
Повечето участници в дискусията признават, че LRM са значително по-силни от обикновените езикови модели при сложни казуси. Неясен остава обаче източникът на това предимство: последователната логика, търсенето на познати структури, допълнителният изчислителен контекст или комбинацията от няколко различни механизма.
Големите модели за разсъждение като следваща стъпка в развитието на изкуствения интелект
Въпросът е изключително по-съществен там, където резултатът не може да бъде проверен бързо. Грешка в софтуерния код често се открива с помощта на тест, а математическото доказателство може да се анализира стъпка по стъпка. В медицината, науката и правото обаче убедително формулиран, но фалшив извод може дълго време да остане незабелязан. Затова само правилният отговор не е достатъчен — от решаващо значение е да се разбере колко надежден е пътят до него.
Някои специалисти припомнят на всички ранните години от развитието на изкуствения интелект. Тогава разработчиците наричаха отделни функции „разбиране“ и „мислене“, въпреки че алгоритмите изпълняваха много по-тесни и специфични операции. Спектакълът от гръмки термини улесняваше обяснението, но същевременно създаваше фалшивото впечатление, че вътрешният механизъм вече е добре проучен.
С големите модели за разсъждение днес може да се случва нещо подобно. Невронните мрежи вече се справят със задачи, които доскоро се смятаха за недостъпни за машините, но убедително описание на техните вътрешни процеси все още липсва. За да се обявят генерираните вериги от междинни текстове истинско разсъждение, на изследователите ще им се наложи първо да докажат, че те не просто съпровождат правилния отговор, а наистина водят модела към него.