От языковых моделей к вычислимому мышлению: почему следующему поколению AI нужны не новые агенты, а новая архитектура рассуждения
Я не сразу пришёл к этому выводу. Долгое время я, как и многие, верил: если модель ошибается — надо дать ей больше контекста. Если она чего-то не знает — подключим RAG. Если задача слишком сложная — натравим агентов, а если агенты спорят друг с другом — добавим ещё агентов. Такая логика кажется естественной. И она даже работает… в некоторых случаях. Но с каждым годом я всё яснее видел: мы не лечим болезнь, мы боремся с симптомами.
Сегодня индустрия искусственного интеллекта живёт в очень простой логике.
- Если модель ошибается — нужно увеличить контекст.
- Если не хватает знаний — подключить RAG.
- Если задача сложная — добавить агентов.
- Если агенты ошибаются — добавить ещё агентов.
За последние два года появилось огромное количество Agent Framework, Multi-Agent систем, RAG-платформ и инструментов оркестрации. Но чем больше я работал с ними, тем сильнее возникало ощущение, что все они пытаются решить одну и ту же проблему одним и тем же способом:
Мы улучшаем генерацию текста, но почти не управляем самим процессом мышления.
Представьте себе кухню, на которой пять поваров готовят одно блюдо, но у них нет рецепта — только ингредиенты. Они могут быть очень талантливы, но результат всегда будет случайным. Примерно так я ощущаю современные агентные системы: много шеф-поваров, но нет карты приготовления.
Рождение архитектуры SymFSM
Именно из этого наблюдения родилась архитектура SymFSM.
- Не как ещё один агент.
- Не как ещё один RAG.
- И даже не как попытка сделать новую LLM.
Скорее как попытка ответить на другой вопрос:
Что если объектом вычисления должен стать не текст, а само рассуждение?
Проблема современных AI-систем
Давайте честно. Большинство современных решений устроены примерно одинаково.
- Пользователь задаёт вопрос.
- Модель генерирует ответ.
- Всё остальное — лишь способы помочь модели сделать это лучше.
RAG подмешивает документы. Агенты разбивают задачу на шаги. Chain of Thought заставляет модель показывать промежуточные рассуждения. Но фундаментально ничего не меняется.
Что если мышление — это не текст?
В программировании мы давно привыкли разделять данные и представление. Это стало аксиомой.
Когнитивная карта: попробую на пальцах
Представим запрос: «Придумай десять SaaS-продуктов для логистики».
Обычная модель немедленно начинает генерировать идеи. Часто — вполне разумные. Но как она пришла к ним? Неизвестно.
SymFSM сначала строит карту задачи. На ней появляются:
К чему всё это ведёт
За последние годы мы увидели несколько больших этапов развития AI:
- Большие языковые модели — сам факт, что машина может связно говорить
- RAG — модели научились пользоваться внешней памятью
- Агентные системы — модели научились выполнять последовательности действий
- Архитектуры мышления — управление самим процессом рассуждения
Если интеллект — это не только знания, но и организация процесса мышления, то рано или поздно нам придётся научиться вычислять не ответы, а способы их получения.