Искусственный интеллект: проблематика определения и теоретические аспекты в психологии

Введение. Искусственный интеллект (ИИ) в последние десятилетия становится все более значимым явлением, оказывая влияние на различные сферы человеческой жизни [2]. ИИ представляет собой одно из наиболее значимых направлений в науке и технике. Данное словосочетание можно встретить в различных областях и отраслях, таких как здравоохранение, транспорт, финансовый сектор, образование, а также в повседневной жизни. Голосовые помощники, которые есть в смартфонах и встроены в умные дома, подборка контента на стриминговых площадках, персонализация рекламы, чат-боты и т. д. [14]. Искусственный интеллект стал занимать все более важное место в нашей жизни.

Способность механизмов и машин к мышлению, а также предположение, что они могут чувствовать эмоции, можно встретить в литературе конца XIX в. В научном мире самая ранняя работа принадлежит британскому логику и пионеру вычислительной техники Алану Тьюрингу. В 1935 г. он представил концепцию абстрактной вычислительной машины, обладающей безграничной памятью и сканером, способным перемещаться по ней, считывая и записывая символы. Действия сканера запрограммированы инструкцией, которая тоже находится в памяти в виде символов [4]. Эта идея, известная как концепция хранимой программы Тьюринга, легла в основу современной архитектуры компьютеров, однако сама по себе не привела к созданию искусственного интеллекта.

Материалы и методы исследования. В 1956 г. на Дартмутской конференции, организованной Джоном Маккарти, Марвином Минским, Натаном Нордвином и другими, была заложена основа для формального изучения ИИ как научной дисциплины. ИИ изначально рассматривался как наука, исследующая возможность компьютерного моделирования различных форм интеллекта, включая человеческий, животный, растительный и социальный. На конференции обсуждались вопросы создания систем, способных к обучению, решению проблем и самосовершенствованию. Считалось, что все когнитивные процессы, такие как восприятие, мышление, память, обучение и, в том числе, креативность, можно выразить математически, что позволило бы создать программы для их воспроизведения. Эта конференция подчеркнула амбициозные цели исследователей, стремящихся к созданию машин, которые могли бы функционировать на уровне, сопоставимом с человеческим разумом. Однако с тех пор не было достигнуто четкого консенсуса относительно того, что именно следует считать «интеллектом» в контексте как человеческого, так и искусственного [2].

Имеется множество трактовок и мнений, касающихся ИИ. Например, Ричард Беллман акцентировал связь ИИ с автоматизацией процессов, традиционно требующих человеческого мышления: оптимизация, принятие решений и решение задач [1]. Этот подход, закрепившийся в теории динамического программирования, подчёркивал замену человеческого труда машинным, однако вставал вопрос о границах имитации: может ли алгоритм воспроизвести не только результат, но и процесс мышления?

Ответ на этот вопрос попытался дать Роджер Шанк, сместив фокус на моделирование когнитивных функций. В работе «Динамическая память» (Dynamic Memory) (1982) ИИ предстает в виде вычислительной эмуляции человеческого обучения и понимания [16], что связывает дисциплину с психологией. Однако такая трактовка вызвала критику: если машина воспроизводит внешние проявления интеллекта, означает ли это, что она обладает сознанием? С точки зрения Рэя Курцвейла искусственный интеллект имеет более прагматичный характер, так как представляет собой создание систем, решающих задачи, которые человек считает интеллектуальными [5]. Он отмечает важность не внутреннего мышления, а результативности.

Переход от абстракций к инженерии совершил Джон Маккарти, автор термина «искусственный интеллект». Он считал ИИ наукой о создании интеллектуальных агентов, автономно действующих в реальном мире [7]. Делая акцент на «агентах» (сущностях, воспринимающих среду и воздействующих на неё), он сместил направление в сторону практической реализации. Патрик Уинстон считал, что важен системный подход и симбиоз сенсоров, процессов и исполнительных механизмов, а не просто алгоритмы [15]. Стюарт Рассел и Питер Норвиг в своем труде «Искусственный интеллект: современный подход» («Artificial Intelligence: A Modern Approach», 2020) предложили определять ИИ через рациональность — как проектирование агентов, максимизирующих ожидаемую полезность своих действий [13]. Эту модель они заимствовали из теории игр и экономики, отделяя ИИ от антропоморфизма. Машине не нужно «мыслить как человек» — достаточно действовать оптимально в заданных условиях.

Параллельно развивалось направление, связанное с обработкой неопределённости. Нильс Нилссон в книге «Принципы искусственного интеллекта» («Principles of Artificial Intelligence», 1982 назвал ИИ «инженерией знаний для создания адаптивных систем» [11], что предвосхитило эпоху больших данных. Эндрю Ын в работе «Стремление к машинному обучению» (Machine Learning Yearning, 2018) уточняет особенность современного ИИ как алгоритма, улучшающего свою эффективность через опыт, используя данные как топливо [17]. Такая трактовка отразила сдвиг от экспертных систем к глубокому обучению, где ключевую роль играет не программирование правил, а обучение на примерах.

Прикладной потенциал ИИ раскрывается в работах Фей-Фей Ли. В данном контексте ИИ является инструментом, расширяющим человеческие возможности в медицине, науке и образовании через компьютерное зрение и NLP [6]. Её точка зрения подчёркивает, что ИИ не заменит человека, а усилит его когнитивные и творческие способности.

Также искусственный интеллект трактуется органами государственного регулирования (Национальная стратегия развития ИИ в РФ до 2030 года). ИИ в данном случае представляет собой комплекс технологий, имитирующих когнитивные функции человека для достижения сопоставимых результатов [10]. Это определение фокусируется на стандартизации и внедрении в промышленность, здравоохранение и управление.

Из представленного анализа можно выделить следующие группы подходов к определению искусственного интеллекта:

• 1.    Технические подходы. В них акцентируется внимание на автоматизации процессов, таких как оптимизация и решение задач.

• 2.    Когнитивные подходы. Здесь основным направлением является моделирование когнитивных функций человека, понимание и обучение.

• 3.    Прикладные подходы. Описание ИИ с точки зрения инструмента, расширяющего человеческие способности в разных сферах, и создание эффективных и адаптивных систем.

Данные группы показывают разнообразие подходов к определению ИИ, но и в психологии отсутствует единая трактовка интеллекта.

Проблема определения интеллекта остается одной из наиболее дискуссионных в психологии, нейробиологии и философии сознания. Несмотря на столетия исследований, консенсус отсутствует: одни авторы акцентируют общую когнитивную способность (g-фактор), другие — специализированные компетенции, третьи — социальноэмоциональные аспекты. Эта неоднозначность усугубляется развитием искусственного интеллекта (ИИ), который, имитируя отдельные функции человеческого мышления, обнажает принципиальные различия между биологическим и машинным «разумом».

Классическая модель Чарльза Спирмена, предложившая в 1904 г. концепцию общего интеллекта (g-фактора), до сих пор влияет на разработку тестов IQ. Спирмен выявил корреляцию между результатами разнородных когнитивных задач, объяснив её единой латентной переменной [29]. Однако его методология подвергается критике: факторный анализ, лежащий в основе теории, не доказывает существование g-фактора как биологической реальности, а лишь фиксирует статистическую взаимосвязь. Более того, кросс-культурные исследования демонстрируют, что «универсальные» тесты IQ часто отражают западные образовательные стандарты, игнорируя, например, навыки устного рассказывания историй в африканских культурах [25]. Луис Терстон, оспаривая Спирмена, выделил семь независимых способностей, таких как память, арифметические способности, скорость восприятия, способность к рассуждению, пространственное мышление, вербальные способности и беглость речи. Но его модель тоже не лишена ограничений — высокая корреляция между «независимыми» факторами ставит под сомнение их автономность [30].

Теория множественного интеллекта Говарда Гарднера, расширившая понятие интеллекта до восьми типов, включая музыкальный и телесно-кинестетический, получила популярность в педагогике, но её научная обоснованность спорна. Критики отмечают, что Гарднер не предоставил эмпирических доказательств независимости этих типов, а его классификация напоминает скорее таланты, чем формы интеллекта [3]. К примеру, способность Моцарта сочинять музыку интерпретируется как «музыкальный интеллект», но нейробиология не обнаруживает для него уникальных нейронных сетей, а задействуются те же области, что и при решении математических задач.

Попытки связать интеллект с биологическими механизмами, такие как модель Ганса Айзенка, выделяющая «биологический интеллект» (скорость нейронной передачи), сталкиваются с редукционизмом. Современные исследования фМРТ показывают, что высокий IQ коррелирует с плотностью серого вещества в префронтальной коре, но это не объясняет, например, феномен саван-тов, чьи исключительные способности сочетаются с низким общим интеллектом [31]. Более того, акцент на генетической детерминированности игнорирует роль среды: метаанализ 2022 г. подтверждает, что качество образования увеличивает IQ на 5–10 пунктов независимо от наследственности [28].

Эмоциональный интеллект (EQ), популяризированный Дэниелом Гоулманом, вводит в дискуссию социальный контекст. Однако его измерение остается проблемным: большинство тестов EQ, таких как MSCEIT, оценивают не реальные навыки, а самоотчёт или способность угадывать «правильные» ответы, что приводит к культурным искажениям [8]. Например, в коллективистских обществах прямое выражение эмоций считается грубостью, поэтому высокие баллы по шкале «управление эмоциями» могут отражать не компетентность, а конформность.

Борис Ананьев, один из основателей отечественной психологической школы, внёс важный вклад в понимание интеллекта через призму рефлексии — способности анализировать и корректировать собственные мыслительные процессы.

Это качество принципиально недоступно ИИ, который, даже совершая миллионы вычислений, не «понимает», зачем он это делает. Например, система AlphaGo может обыграть человека в го, но не способна осмыслить эстетику игры или её культурное значение.

Майкл Полани углубил дискуссию, введя концепцию неявного знания. Он показал, что большая часть интеллектуальной деятельности — от диагностики болезней до художественного творчества — опирается на опыт, который невозможно полностью формализовать или передать через инструкции. Полани полагал, что интуиция и контекстуальное понимание лежат в основе экспертных решений [27]. Это ставит непреодолимые барьеры для ИИ: нейросети, обученные на миллионах медицинских снимков, могут распознавать опухоли, но не способны учесть нюансы анамнеза или эмоциональное состояние пациента, как это делает врач-человек.

Заурби Нагоев, анализируя современные технологии, акцентирует, что ИИ остаётся инструментом имитации, а не мышления. Его работы демонстрируют, что даже самые продвинутые алгоритмы, такие как GPT-4, лишены интенциональности — направленности сознания на объект. Например, ИИ может написать поэму о любви, но не испытывает и не понимает эмоций, которые описывает [8]. Нагоев также указывает на этические риски антропоморфизма: называя алгоритмы «разумными», мы проецируем на них человеческие качества, маскируя их принципиальную ограниченность.

Результаты исследования и их обсуждение. Исходя из вышеизложенного, можно сказать, что современные системы, такие как GPT-4, способны генерировать тексты, неотличимые от человеческих, и решать логические задачи, но их «интеллект» сводится к статистическому предсказанию следующего токена в последовательности. Конкретные провалы ИИ иллюстрируют это:

• 1.    Отсутствие понимания контекста: нейросеть может написать эссе о квантовой физике, но не способна отличить сарказм от искреннего высказывания в простом диалоге [20].

• 2.    Неспособность к этическому выбору: ИИ, управляющий беспилотным автомобилем, слепо следует алгоритму «наименьшего вреда», не учитывая культурных ценностей (например, приоритет детей над взрослыми в некоторых обществах) [18].

• 3.    Ограниченное прогнозирование: нейросети предсказывают вспышки болезней на основе данных, но не могут предложить превентивные меры, требующие междисциплинарных знаний (медицина + социология) [23].

Попытки преодолеть эти ограничения, такие как внедрение эмоциональных интерфейсов, пока поверхностны. Системы вроде Replika имитируют эмпатию, используя шаблонные фразы («Мне жаль, что ты так себя чувствуешь»), но не способны к подлинному сопереживанию, требующему личного опыта и моральных суждений [25].

Культурные и этические аспекты усложняют дискуссию. Западные модели интеллекта, делающие акцент на индивидуализме и аналитическом мышлении, противоречат восточным концепциям, где выше ценится гармония и социальная интеграция. Например, в Японии тесты на IQ менее популярны, чем оценка «базовых жизненных компетенций» (умение работать в группе, уважение к старшим) [25]. Это ставит вопрос: можно ли создать универсальный ИИ, если само понятие интеллекта культурно обусловлено?

Перспективы кроются в междисциплинарных исследованиях. Интеграция нейробиологии (изучение Default Mode Network, ответственной за саморефлексию) и компьютерного моделирования может приблизить ИИ к человеческому интеллекту. Однако для этого требуется пересмотр методологии.

Проблема, стоящая в центре данного исследования, имеет глубокие корни в истории науки, но приобрела особую актуальность в эпоху технологической революции. Несмотря на впечатляющие успехи искусственного интеллекта (ИИ) в узких задачах — от игр до генерации текстов, — фундаментальный разрыв между человеческим и машинным «мышлением» становится всё очевиднее. Этот разрыв обусловлен не техническими ограничениями, а методологической несовместимостью психологических теорий интеллекта с инженерными подходами к его моделированию.

За последние 120 лет сформировались десятки теорий интеллекта, каждая из которых акцентирует внимание на разных аспектах, но перенос этих противоречий в область ИИ приводит к системным ошибкам. Например, GPT-4 демонстрирует иллюзию понимания. Нейросеть генерирует связные тексты, опираясь на статистические паттерны, но не распознаёт смысловые противоре- чия. В эксперименте 2023 г. ChatGPT утверждал, что «пингвины умеют летать», после намеренного ввода противоречивых данных, демонстрируя отсутствие рефлексии [21]. Другой пример — AlphaFold. Система предсказывает структуру белков с точностью 95 %, но не может предложить методы доставки лекарств на их основе — для этого требуется междисциплинарное мышление, недоступное ИИ [23].

Проведённый анализ проблематики определения искусственного интеллекта (ИИ) в контексте психологических теорий интеллекта выявляет фундаментальные методологические и концептуальные противоречия. Несмотря на технологические достижения, такие как генеративные модели (GPT-4), системы компьютерного зрения или алгоритмы глубокого обучения, ключевой вопрос остаётся открытым: можно ли считать имитацию когнитивных процессов эквивалентом интеллекта в его антропоморфном понимании?

• 1.    Контекстуализация определений ИИ и человеческого интеллекта. Многообразие подходов к определению ИИ — технический (оптимизация процессов), когнитивный (эмуляция мышления) и прикладной (расширение возможностей человека) — отражает многомерность самого феномена интеллекта. Однако попытки редуцировать человеческое мышление до алгоритмов сталкиваются с ограничениями, выявленными в психологии. Теории Спирмена (g-фактор), Гарднера (множественный интеллект) и Ананьева (рефлексия) подчёркивают, что человеческий интеллект — это не только решение задач, но и самоосознание, адаптация к неопределённости и интеграция культурного опыта. В отличие от ИИ, который функционирует в рамках детерминированных паттернов (например, предсказание токенов в GPT-4), биологический интеллект опирается на интенциональность, мотивацию и неявное знание (Полани), что невозможно формализовать полностью.

• 2.    Ограничения ИИ как отражение пробелов в теориях. Современные системы ИИ, такие как AlphaFold или ChatGPT, демонстрируют «иллюзию понимания». Они успешны в узких задачах (предсказание структуры белков, генерация текстов), но не способны к рефлексии или этическому выбору. Эти ограничения связаны не с техническими недоработками, а с принципиальной невозможностью алгоритмов обладать интенциональностью или контекстуальным пониманием, присущим человеку.

• 3.    Культурные и этические импликации. Антро-поморфизация ИИ, как предупреждает Нагоев, маскирует его инструментальную природу, создавая риски переоценки возможностей. Например, эмоциональные интерфейсы (Replika) имитируют эмпатию через шаблоны, но не способны к подлинному сопереживанию. Кроме того, западные модели ИИ, основанные на индивидуализме и аналитическом мышлении, игнорируют альтернативные концепции интеллекта, такие как гармония в восточных традициях. Это ставит под сомнение саму возможность создания универсального ИИ, если базовое понятие интеллекта культурно релятивно.

• 4.    Перспективы междисциплинарного синтеза. Прогресс в области ИИ требует пересмотра методологии. Интеграция нейробиологии (изучение Default Mode Network, ответственной за самореф-лексию), психологии (модели неявного знания) и компьютерных наук может приблизить разработку систем, способных к адаптивному обучению. Однако ключевым условием является отказ от редукционизма — признание, что ИИ остаётся инструментом, расширяющим, но не заменяющим человеческий интеллект.

Проблема создания искусственного интеллекта (ИИ), сопоставимого с человеческим, упирается в многогранность самого понятия «интеллект».

Заключение. Искусственный интеллект, как зеркало, отражает несовершенство наших теорий о природе разума. Его развитие подчёркивает необходимость перехода от дискуссий о «подобии» к системному анализу синергии человека и машины. С точки зрения психологии, изучение взаимодействия человека с ИИ может раскрыть новые аспекты когнитивной гибкости, такие как способность мозга адаптироваться к «искусственным» паттернам анализа данных. Будущие исследования должны фокусироваться не на имитации мышления, а на создании симбиотических систем, где ИИ компенсирует когнитивные ограничения человека, а человек — этические и контекстуальные пробелы ИИ. Психологические модели, интегрированные в разработку ИИ, помогут создать системы, которые не только обрабатывают информацию, но и эволюционируют, учитывая когнитивные и эмоциональные реакции пользователя. Только такой подход позволит преодолеть методологический тупик и реализовать потенциал технологий, не утрачивая гуманистической перспективы.