11 августа 2026 г. — Нью-Йорк/Амхерст. Научное сообщество получило новое доказательство того, что современные языковые модели, какими бы совершенными они ни казались, работают по принципиально иным законам, чем человеческий мозг. Совместное исследование ученых Нью-Йоркского университета (NYU) и Университета Массачусетса в Амхерсте (UMass Amherst), опубликованное в авторитетном журнале Proceedings of the National Academy of Sciences (PNAS), вскрывает критическую разницу в том, как искусственный интеллект и люди обрабатывают текстовую информацию.

Математика «сюрпризала» против когнитивной гибкости

В основе работы современных нейросетей лежит концепция предсказания следующего токена (слова или его части). Алгоритмы оценивают вероятность появления того или иного слова на основе предыдущего контекста, используя математическую величину, называемую «сюрпризалом» (surprisal). Этот показатель отражает степень неожиданности слова для модели. Если слово логично следует из контекста, «сюрпризал» низкий; если оно выбивается из ряда — высокий. Долгое время считалось, что этот параметр является универсальным маркером сложности текста для любого читателя, будь то человек или машина.

Однако новые данные опровергают эту гипотезу. Исследователи установили, что «сюрпризал» не способен в полной мере охватить сложные когнитивные процессы, происходящие в голове человека. Мозг не просто вычисляет вероятности; он активно перестраивает понимание текста, и этот процесс не всегда линейно зависит от статистической неожиданности слова.

Где заканчивается статистика и начинается осмысление

Ключевое открытие исследования заключается в различии фаз чтения. Ученые подтвердили, что статистические предсказания нейросетей действительно хорошо коррелируют с процессом первичного беглого чтения. Когда человек видит знакомое слово или простую фразу, его скорость чтения и время фиксации взгляда действительно соответствуют показателю «сюрпризала» ИИ. В этом аспекте машины успешно имитируют человеческое восприятие.

Ситуация кардинально меняется при столкновении со сложными конструкциями. Исследование показало, что показатель «сюрпризала» не может предсказать повторный анализ текста (регрессии глаз). Когда человек натыкается на сложное предложение, он инстинктивно возвращает взгляд назад, перечитывает фрагменты и перестраивает синтаксическую структуру предложения в уме. Нейросети, работающие в режиме авторегрессии, не делают этого «назад» — они движутся только вперед, и их математическая модель не учитывает эту критическую фазу исправления ошибок и углубленного понимания.

Противоречивые данные и границы применимости

В научном сообществе существуют разные точки зрения на интерпретацию этих данных. С одной стороны, сторонники доминирования ИИ-метрик утверждают, что при достаточном объеме данных нейросети неизбежно научатся имитировать и регрессивные движения глаз, просто усредняя их в своих весах. С другой стороны, авторы исследования из NYU и UMass настаивают на том, что вероятность следующего токена нельзя использовать как единственный эквивалент сложности человеческого восприятия.

Это противоречие важно для понимания природы интеллекта. Если ИИ просто предсказывает слово, а человек — строит ментальную модель смысла, то «сюрпризал» для ИИ — это мера информационной энтропии, а для человека — мера когнитивной нагрузки. Смешивание этих понятий может привести к ошибочным выводам о том, насколько «понятен» текст для реального пользователя.

Последствия для разработки интерфейсов и образования

Результаты работы имеют практическое значение для разработчиков программного обеспечения, особенно в 2026 году, когда персонализированные интерфейсы и образовательные платформы становятся стандартом. Авторы исследования предупреждают: при создании систем оценки понятности интерфейсов или программ, помогающих людям с дислексией и другими трудностями чтения, нельзя полагаться только на авторегрессионные вероятности.

Для создания по-настоящему удобных для человека систем разработчикам потребуется внедрять механизмы структурного анализа и инструменты фиксации синтаксических ошибок. Это позволит оценивать сложность текста не по тому, насколько легко его предсказать машине, а по тому, сколько усилий потребует от человека его осмысление и исправление ошибок в понимании.