Есть ли у ИИ сознание? О нейроинтеллекте и интерфейсах «мозг — компьютер»

Источник: «Пэнпай синьвэнь»

21 октября 2026 года Институт философии религии и философии искусства Чжэцзянского университета провёл лекцию «Есть ли у ИИ сознание? О нейроинтеллекте и интерфейсах «мозг — компьютер»», которая привлекла широкое внимание как внутри университета, так и за его пределами.

Докладчик: Ци Юй — исследователь и научный руководитель докторантов Передового научного центра мозга и слияния мозга с компьютером Чжэцзянского университета, генеральный секретарь профильного комитета по слиянию мозга с компьютером и биомашинному интеллекту Китайской ассоциации искусственного интеллекта; сфера исследований — интерфейсы «мозг — компьютер», искусственный интеллект.

Обсуждающая: Хэ Хуаньхуань — профессор по программе «Цюши» философского факультета Чжэцзянского университета.

Ведущий: Ян Чанцзе — докторант-постдок по программе «Цюши» философского факультета Чжэцзянского университета.

Зал во время лекции

Введение. Вход в масштабную тему: возникновение понятия ИИ и вопрос о сознании

Обладает ли искусственный интеллект (Artificial Intelligence, AI) сознанием — это масштабный вопрос: единого мнения об определении сознания и критериях его установления нет, а технологическая основа ИИ и границы его возможностей постоянно меняются. Если не понимать, как машина получает знания и осуществляет мышление, обсуждение легко застревает на уровне впечатлений от использования или абстрактных догадок. Поэтому в качестве одной из точек входа в этот масштабный вопрос нужно вернуться к тому, как ИИ прошёл путь от грёз к реальности, и, рассматривая технические пути, спросить: может ли искусственный интеллект, выстроенный таким образом, породить сознание?

В 1955 году Джон Маккарти (John McCarthy), Марвин Мински (Marvin Minsky) и другие учёные в предложении к Дартмутскому летнему исследовательскому проекту выдвинули понятие «искусственный интеллект»; до сих пор его определение не унифицировано: «искусственное» относительно ясно, а «интеллект» определить трудно. Ещё в 1950 году Алан Тьюринг (Alan Turing) предложил метод проверки: судья в текстовом общении определяет, кто его собеседник — человек или машина; если судье трудно различить машину и живого человека по текстовому общению, можно считать, что в таком взаимодействии машина проявляет интеллект, подобный человеческому. Однако это по-прежнему субъективный и расплывчатый способ различения, который не даёт объективного определения «интеллекта».

Часть первой страницы «Предложения по Дартмутскому летнему исследовательскому проекту по искусственному интеллекту» 1955 года, где было предложено название «искусственный интеллект» (Artificial Intelligence)

Некоторые исследователи, участвовавшие в Дартмутском летнем исследовательском проекте по искусственному интеллекту 1956 года

Таким образом, «искусственный интеллект» — не недавно появившееся понятие. Ещё на раннем этапе его развития такие фильмы, как «Искусственный разум» (A.I. Artificial Intelligence, 2001), «2001 год: Космическая одиссея» (2001: A Space Odyssey, 1968), выражали опасения по поводу потери контроля над технологиями. Тогда эти тревоги, возможно, были такими же фантастическими, как сюжеты фильмов. Но с быстрым развитием искусственного интеллекта они становятся близкими и реальными. Невольно возникает недоумение: почему в последние годы люди так остро ощущают эту тревогу?

I. Как учится машина: от логического вывода по правилам к глубокому обучению

Относительно «интеллекта» у людей есть как минимум два простых ожидания: во-первых, обладать знаниями, то есть владеть языком и отношениями между понятиями; во-вторых, быть достаточно сообразительным, чтобы справляться с выводом, распознаванием и суждением. Вокруг этих вопросов сложились три основных исследовательских подхода: символизм, моделирующий человеческий разум; коннекционизм, моделирующий структуру мозга; и бихевиоризм, моделирующий поведение.

Символизм формализует знания и правила вывода, превращая их в символический язык, который способен понимать компьютер. Важнее всего в этом процессе — как определить мыслительный процесс человека. Классический пример — вывод по «силлогизму» (Syllogism): из двух посылок «все люди смертны» и «Сократ — человек» выводится заключение «Сократ смертен». Если записать этот процесс в формальном виде, пригодном для обработки машиной, компьютер сможет осуществить вывод. Ранние «экспертные системы» (Expert System) как раз шли в этом направлении, пытаясь организовать профессиональные знания определённой области в систему правил, которую можно вызывать.

Трудность этого пути в том, что субъективные суждения человека на деле трудно в полной мере преобразовать в чёткие и действенные правила. Например, как научить машину узнавать кошку? Мы можем описать глаза, уши, нос и хвост кошки, но различия между породами, позами и стилями изображений трудно исчерпать описанием. Иными словами, человек обычно быстро распознаёт объект, но не всегда может полностью объяснить основание собственного суждения.

Тем не менее системы правил, основанные на символизме, показали сильную способность выполнять задачи. В 1997 году шахматная система IBM «Deep Blue» («Тёмно-синий») победила в матче чемпиона мира Гарри Каспарова (Garry Kasparov). Дело в том, что система «Deep Blue» по правилам шахматной партии со скоростью примерно в 200 миллионов оцениваемых позиций в секунду перебирала возможные ходы и выбирала из них вариант хода. Такой мощной вычислительной способности достаточно, чтобы превзойти любого шахматиста-человека.

1997 год, шахматный матч человека и машины в Нью-Йорке: Каспаров играет с «Deep Blue» компании IBM

Так значит ли успешное выполнение конкретной задачи, что есть сознание? Или, иначе говоря, если и дальше развиваться по пути символизма, может ли у ИИ возникнуть сознание? Ответ на этот вопрос прост: если сознание можно чётко описать и преобразовать в символы и правила, пригодные для обработки машиной, то можно дальше исследовать возможность его реализации в машине. Но проблема в том, способен ли человек описать само сознание полно и ясно?

Эта ограниченность символизма делает особенно важным другой путь исследований — «коннекционизм», который изменил способ получения знаний машиной. Исследователи по образцу принципа взаимного соединения нейронов человеческого мозга строят «искусственные нейронные сети» (Artificial Neural Network, ANN) и позволяют машине учиться на данных. Возьмём классификацию изображений: обучающий предоставляет картинки и метки классов, а модель, подстраивая параметры, усваивает соответствие между входом и выходом и постепенно учится различать разные объекты, без необходимости заранее писать полные и чёткие правила.

Понять этот процесс можно, начав с простого «перцептрона» (Perceptron). Он суммирует несколько входов с разными весами, сравнивает с заданным порогом и выдаёт 0 или 1. Например, решая «идти ли сегодня вечером на концерт», в качестве входных данных можно взять погоду, транспорт, наличие спутника, а веса выражают важность каждого фактора. Если суммарная оценка достигает порога, принимается решение «идти» (1), иначе — «не идти» (0). При обучении модель по имеющимся записям решений подстраивает веса, узнавая, как разные условия влияют на итоговый выбор.

Это лишь моделирование отдельного нейрона; далее нужно «соединить» между собой множество нейронов в сеть, чтобы машина могла осваивать более сложные отображения. Для той же задачи распознавания кошки в рамках такой технологии можно обучаться на картинках и метках, не полагаясь на заранее заданные описательные признаки — подобно тому, как дети узнают животных при многократных встречах.

Однако вместе с этим появляется и проблема: внутренний вычислительный процесс нейронной сети часто называют «чёрным ящиком», то есть на основании каких признаков машина узнала эту кошку, часто трудно объяснить полностью. Ранние модели ограничивались также методами обучения и вычислительными ресурсами, и исследователям нередко приходилось сначала проводить «инженерию признаков» (Feature Engineering) — извлекать из изображений, звука или сигналов мозга информацию, полезную для суждения, и лишь затем передавать её модели.

Описанное развитие коннекционистского пути отражает реальный уровень компьютерных наук до 2015 года: машинное обучение сократило работу по ручному написанию правил, но по-прежнему сильно зависело от человеческого проектирования правил. Возьмём распознавание лиц: до 2015 года системам часто требовались фотографии под разными углами и при разном освещении, но и тогда точность распознавания оставалась очень низкой. Такое, как сегодня, распознавание лица по единственной фотографии из удостоверения личности, независимо от внешнего вида, угла и освещения, в те годы было почти невозможно.

Положение изменило глубокое обучение (Deep Learning, DL). Ранние нейронные сети не могли быть слишком глубокими, а нейронов — слишком много: когда число слоёв превышало определённое количество, обучение становилось трудным, что равносильно ограниченной ёмкости мозга. В 2006 году исследование Джеффри Хинтона (Geoffrey E. Hinton) и соавторов, опубликованное в журнале «Science» («Наука»), предложило идею: разбить глубокую сеть на несколько неглубоких сетей и обучать их слой за слоем, благодаря чему глубокие сети стали пригодными для обучения. Примерно в 2006–2010 годах теории, связанные с технологиями глубокого обучения, появлялись одна за другой.

Статья Джеффри Хинтона и Салахутдинова «Снижение размерности данных с помощью нейронных сетей», опубликованная в «Science» в 2006 году

Глубокое обучение по-настоящему воплотило замысел коннекционизма и продвинуло «сквозное обучение» (End-to-End Learning): исследователи предоставляют входные данные и целевые метки, а сеть сама учится промежуточным представлениям. Прежде признаки, спроектированные человеком, ограничивались его опытом, тогда как подход, управляемый данными, способен находить признаки, более эффективные для задачи, а также расширил средства анализа сложных данных, таких как сигналы мозга.

Изменения в технологии распознавания речи тоже вполне наглядны. Системам около 2000 года нужно было сначала записать голос пользователя, запомнить образцы голоса и затем сопоставлять слово за словом, и на результат распознавания влияли интонация, скорость речи и акцент. Современные же системы распознавания речи хорошо приспосабливаются и к речи незнакомых пользователей. То же и в области изображений: модель может переносить стиль живописи, а также описывать объекты на картине и отношения между ними.

Так мы видим значительный рост способности машин к обучению, но вопрос о том, какая связь существует между «способностью учиться» и «наличием сознания», по-прежнему заслуживает дальнейшего изучения.

II. От обучения к пониманию: большие языковые модели и исследования на стыке мозга и компьютера

Развитие ИИ до стадии глубокого обучения уже достаточно поразительно, а большие языковые модели (Large Language Model, LLM) поставили вопрос «способна ли машина понимать» буквально перед глазами.

Машинный перевод — задача, которую компьютерные науки давно исследуют, и одновременно важная нить для понимания технической эволюции больших языковых моделей. Трудность перевода в том, чтобы с учётом контекста определять значение слова, обрабатывать различия в порядке слов и так далее. Некоторые ранние модели нейронного машинного перевода сначала сжимали всё предложение оригинала во внутреннее представление фиксированной ёмкости, а затем по нему порождали перевод. Это похоже на то, как если бы, прочитав оригинал, переводить, опираясь лишь на ограниченное резюме: чем длиннее предложение, тем труднее сохранить всю информацию.

Ключевым техническим поворотом стало введение «механизма внимания» (Attention Mechanism). Раньше модель, словно прочитав оригинал, переводила лишь по резюме; с механизмом внимания она при порождении разных слов может заново использовать релевантную информацию из оригинала. Это подобно тому, как переводчик постоянно перечитывает оригинал и ищет подсказки для понимания текущей фразы. Transformer — это архитектура нейронной сети, в основе которой лежит механизм внимания. Она способна учитывать информацию из разных позиций контекста, осваивать отношения между словами и дала техническую основу для многих больших языковых моделей.

Когда архитектура построена, возникает новый вопрос — как обучать модель. Исследователи пошли по такому пути: сначала прочитать большой объём текстов и усвоить общие закономерности языка, а затем специальным обучением приспособить модель к конкретным задачам, таким как ответы на вопросы и классификация. Эти два этапа называют «предобучением» и «дообучением» — подобно тому, как дети сначала учатся говорить в повседневном общении, а потом приходят в школу осваивать знания. Предложенная в 2018 году BERT развернула обучение именно по этому пути: ей нужно выполнять упражнения двух типов — одно близко к «заданию на заполнение пропусков» на экзамене по английскому: по контексту восстановить скрытое слово; другое — определить, следуют ли два фрагмента текста друг за другом в оригинале. К этому времени большие языковые модели уже можно было обучать, и их развитие стало очень быстрым.

В это же время появилась и первая версия хорошо известной нам GPT (Generative Pre-trained Transformer, генеративный предобученный Transformer); её основная обучающая задача — предсказание последующих слов, то есть по заданному тексту учиться тому, как писать дальше. По мере роста объёма обучающих данных это на первый взгляд простое упражнение постепенно выработало мощную способность генерации текста. В 2022 году InstructGPT (предшественница ChatGPT) пошла дальше, введя человеческие демонстрации и обратную связь, и модель перешла от «дописывания» вслед за текстом к ответам в соответствии с требованиями человека. Общение между человеком и машиной стало более естественным.

Тогда тест Тьюринга вновь привлёк внимание: в определённых экспериментальных условиях некоторые большие языковые модели уже делали так, что участникам было трудно отличить их от живого человека, однако можно ли на этом основании заключить, что у ИИ уже есть сознание?

В 2024 году Нобелевская премия по физике была присуждена Хинтону и Джону Хопфилду (John J. Hopfield) в знак признания их основополагающего вклада в машинное обучение с использованием искусственных нейронных сетей. Хинтон, пионер искусственного интеллекта, всегда был осторожен в отношении рисков, которые может принести развитие технологий. В октябре 2025 года в интервью «The Weekly Show with Jon Stewart» Хинтон заявил: нынешние системы ИИ, возможно, уже обладают неким начальным сознанием, но из-за неверного понимания человеком природы сознания сам ИИ тоже не может осознать этого. А в июне 2026 года в интервью в программе «Big Technology Podcast» Хинтон и вовсе описал ИИ как «новый вид» (new being). Это суждение напоминает нам, что развитие технологий постоянно расширяет границы вопроса.

Октябрь 2025 года: Джеффри Хинтон (справа) даёт интервью Джону Стюарту (слева), обсуждая вопросы искусственного интеллекта и сознания

Постер лауреатов Нобелевской премии по физике 2024 года: Джон Хопфилд (слева) и Джеффри Хинтон (справа)

Обладает ли компьютер уже какой-либо начальной формой сознания, мы не знаем. Этот вопрос неизменно упирается в определение сознания, и, кажется, снова возвращается к философии.

Но развитие технологий всё же может дать некоторые подсказки. Почему большие языковые модели приблизили вопрос о сознании? Что принесло скачок в возможностях ИИ? Вычислительная мощность давно достигла соответствующего уровня; этот переход открыло вмешательство языка. Язык — мост от понятий к знаниям, а цель машинного обучения как раз в построении понятий и понимании понятий. Большие языковые модели за счёт наращивания масштаба сети и данных повышают «способность понимания» модели.

Так что же делает сегодняшний ИИ: действительно понимает понятия или с помощью огромных массивов данных делает статистическую имитацию? Обе стороны спора приводят свои доказательства.

Доказательство в пользу того, что «ИИ — это статистическая имитация», состоит в том, что ИИ лучше усваивает конкретные понятия, а абстрактные понимает хуже: чем абстрактнее, тем слабее. Это заставляет подозревать, что проявляемое ИИ понимание в значительной мере опирается на статистические закономерности в обучающих данных.

Свидетельства в пользу того, что ИИ способен по-настоящему понимать, происходят из сопоставления данных нейронауки с представлениями в моделях. Ключевая находка — сходство структуры понятийных сетей мозга и машины. Так, исследование 2022 года показало, что при достаточно большом числе параметров большая языковая модель (LLM) представляет понятия способом, уже довольно близким к тому, как в высших зрительных областях коры мозга человека формируются представления об отношениях между понятиями. А исследование 2025 года обнаружило значительное сходство между моделью и человеком как на уровне представлений, так и на уровне поведения. Примечательно, что в процессе обучения от большой модели не требовалось приближаться к человеку, однако на уровне понятий у неё сам собой возник человекоподобный способ представления.

Исследование сходства представлений в мозге человека и в моделях искусственного интеллекта: (слева) соответствие между представлениями большой языковой модели и зрительной активностью мозга; (справа) схема эксперимента по представлению понятий объектов и методы сравнения модели, поведения человека и мозговой активности

Следуя идее «сделать модель более похожей на человека», исследователи в области мозго-машинного интеллекта решили учиться непосредственно на представлениях мозга. В экспериментах группа преподавателя Ци Юя записывает мозговые сигналы людей, рассматривающих изображения разных типов, и по ним заставляет компьютер реконструировать соответствующие изображения и семантику. Около 2020 года результаты реконструкции изображений только начали появляться; к 2024 году реконструированные изображения становились всё ближе к исходным. Затем исследования перешли от реконструкции изображений к описанию на уровне текста и семантики, и к 2026 году результаты семантической реконструкции стали вполне хорошими.

Когда получены представления понятий в мозге, следующий шаг — выровнять понятийные представления большой модели с мозгом и добавить в обучение требование приближаться к человеку. Исследователи обнаружили, что достаточно выполнить мозго-машинное выравнивание всего на 150 конкретных понятиях, и эффект обучения обобщается на понятия за пределами обучающей выборки. После выравнивания по необходимым понятиям организация новых понятий в модели тоже приобретает иерархические отношения, сходные с человеческими, и даже возникает понятийная структура, похожая на структуру англоязычной лексической базы данных (WordNet).

От правил логического вывода в символизме до обучения на данных с помощью нейронных сетей в коннекционизме — на пути исследований ИИ уже достигнуты заметные результаты. Но означает ли это, что исследования искусственного интеллекта близки к завершению? И где следующий шаг? Эти вопросы подводят нас к третьему пути — бихевиоризму, то есть обучению через взаимодействие со средой.

«Обучение с подкреплением» (Reinforcement Learning, RL) — важный метод реализации этой идеи: машина в ходе непрерывных попыток корректирует свои действия в зависимости от обратной связи среды. Многие навыки трудно освоить, опираясь лишь на понятия и определения: как при обучении езде на велосипеде, понять суть ещё не значит научиться ездить — нужно попробовать самому и в череде поправок найти равновесие. Для интеллекта обучение через практику столь же незаменимо.

Это подводит и к нынешнему предмету пристального внимания — воплощённому интеллекту (Embodied Intelligence): интеллект формируется и развивается через телесное восприятие и действие, во взаимодействии со средой. У этого направления уже многолетний задел исследований, а новая волна развития ИИ открыла для него ещё более широкое пространство. Как далеко в итоге смогут зайти эти поиски, пока трудно предсказать.

III. Ответ с точки зрения буддизма

Преподаватель Хэ Хуаньхуань, опираясь на буддийскую философию, продолжила обсуждение вопроса о сознании искусственного интеллекта и обратила взгляд дальше — к вопросам о человеке, стоящим за технологией.

Недавно американский ИИ-гигант Anthropic тайно собрал религиоведов и священнослужителей со всего мира и пропагандировал перед ними утверждение, что ИИ-модель Claude обладает сознанием. Этот шаг тоже вызвал немало сомнений: не приведёт ли акцент на собственном сознании и моральном статусе ИИ к тому, что люди упустят из виду ответственность разработчиков и компаний, стоящих за ИИ, и припишут социальный вред от технологии самим машинам?

При рассмотрении истории развития ИИ нам, по-видимому, снова открывается пространство для философии: в эпоху ИИ философия может по меньшей мере сначала определить и обсудить, что такое «сознание». Например, в буддийской традиции сознание делится очень подробно: глаз, ухо, нос, язык, тело, ум — у каждого органа чувств своё сознание, и ещё есть манас-виджняна (末那识) и алайя-виджняна (阿赖耶识), которые регулируют эти сознания. В потоке технологий людям нужно с помощью философской мысли прояснить путь впереди; а с технологической стороны, пользуясь ИИ, нам тем более нужно понимать, что такое ИИ.

Другой вопрос, возможно, можно поставить так: должен ли ИИ обладать сознанием? «Иметь сознание» означает способность к рассуждению, и это преимущество, но оно может повлечь и многие негативные последствия, описанные в научной фантастике. Люди хотят, чтобы дети и домашние животные обладали сознанием, но редко ожидают «сознательности» от орудия; если ИИ определяется как инструмент, то вопрос о том, должен ли он иметь сознание, тоже заслуживает обсуждения.

Если считать, что у ИИ есть сознание, возникает и вопрос о том, не станет ли ИИ объектом поклонения. Разные религии понимают этот вопрос в соответствии со своим идейным фоном. Католическая идея о сотворении человека по образу Бога заставляет особенно ценить достоинство и уникальность человека. Такие традиции, как ислам и протестантизм, тоже понимают отношения человека и ИИ исходя из собственных вероучений. Буддизм говорит о зависимом возникновении и пустотности (缘起性空): все вещи мира возникают из сочетания разнообразных причин и условий, творца-создателя не существует, как нет и неизменной души, сущности или сознания, поэтому к такому «новому виду», как ИИ, отношение более открытое. В частности, буддийские рассуждения о потоке сознания и перерождении могут дать для этого вопроса иной фон для размышлений. Пересадка органов в медицине уже не редкость, но возможность сохранения, копирования или пересадки сознания остаётся полной духа научной фантастики гипотезой. Поэтому восточные религии — буддизм, даосизм и другие, — относящиеся к отношениям между человеком, божеством и машиной сравнительно терпимо, в определённой мере легче встречают симпатию у исследователей и любителей ИИ.

Заключение

От того, как машина учится и как понимает, до вопроса о том, возможно ли у ИИ сознание, — развитие технологий придало древним вопросам новый облик. Эта беседа не только не дала определённого ответа, но и сделала проблему ещё сложнее:

Так может ли ИИ стать буддой?