У науковій спільноті розгорілася дискусія навколо вигаданого терміна «vegetative electron microscopy» (вегетативна електронна мікроскопія), який не має жодної фізичної чи біологічної основи, проте присутній щонайменше у 22 рецензованих наукових публікаціях і, що тривожніше, стабільно відтворюється сучасними мовними моделями. За даними Google Scholar, фантомний термін так міцно вкорінився в англійськомовний науковий дискурс, що автоматичні системи перевірки тексту тепер використовують його як один із маркерів згенерованого нейромережами контенту. Історія цього «привид»а в науковій літературі почалася задовго до епохи машинного навчання — ще в 1950-х роках, коли дві статті з журналу Bacteriological Reviews проходили процедуру оцифрування.

Як помилка друку стала терміном: народження фантома в 1950-х

Механізм виникнення аномалії виявився надзвичайно простим і характерним для ранньої епохи автоматичного розпізнавання тексту (OCR). Під час оцифрування двох статей із Bacteriological Reviews алгоритм випадково «зшив» слово «vegetative» з одного стовпця зі словом «electron» із сусіднього. Внаслідок цього в цифрових базах даних з'явився комбінований термін, якого в оригінальних друкованих виданнях ніколи не існувало. Десятиліттями цей артефакт залишався непоміченим: жоден дослідник не звернув уваги на дивну фразу, оскільки вона була похована в оцифрованих архівах, до яких наукова спільнота мала обмежений доступ.

Персидський міст: як термін потрапив у міжнародний обіг

Перше помітне «оживлення» фантомного терміна відбулося у 2017 та 2019 роках, коли він почав з'являтися в англійськомовних анотаціях іранських наукових публікацій. Причиною стала тонкість персидської мови (фарсі): слова, що відповідають російським «вегетативний» і «сканувальний», відрізняються лише одним діакритичним знаком. Дрібна помилка машинного або навіть людського перекладу запустила фразу в міжнародний науковий обіг, після чого вона почала копіюватися зі статті в статтю за класичним механізмом цитування. На цей момент, за даними Google Scholar, безглуздий термін зафіксований щонайменше у 22 наукових роботах, що пройшли рецензування.

Нейромережі засвоїли баг: результати тестування мовних моделей

Дослідники, що виявили аномалію, вирішили перевірити, наскільки глибоко вона проникла в архітектуру сучасних ШІ-систем. Тестування показало неоднозначну картину: при подачі фрагментів оригінальних статей як контексту модель GPT-3 автоматично доповнювала речення фразою «vegetative electron microscopy», демонструючи стійку схильність до відтворення фантомного терміна. При цьому більш ранні системи — GPT-2 та BERT — подібної «пам'яті» не виявляли. Водночас стійкість аномалії підтвердилася й у новіших поколіннях моделей: як GPT-4o, так і Claude 3.5 від Anthropic також відтворюють вигаданий термін у відповідному контексті. Головним каналом «інфікування» став масивний відкритий архів веб-даних Common Crawl, на якому навчається переважна більшість сучасних нейромереж: саме через нього OCR-артефакт 1950-х років опинився в навчальних вибірках.

Суперечливі дані

У доступних джерелах присутній ряд нюансів, що потребують обережної інтерпретації. По-перше, точна кількість публікацій, що містять фантомний термін, вказана як «не менше 22» — це нижня межа за даними Google Scholar, а не вичерпна статистика; реальний охоп може бути ширшим, особливо з урахуванням неіндексованих репозиторіїв і предринкових версій. По-друге, ступінь «зараженості» моделей неоднорідна: якщо GPT-2 та BERT не відтворюють термін, це не означає, що вони не містять його у своїх эмбедінгах — можливо, поріг активації для цих архітектур просто вищий. По-третє, точна реконструкція того, які саме дві статті Bacteriological Reviews були оцифровані з помилкою і який конкретно OCR-процес використовувався в 1950-х, ґрунтується на непрямих обставинах і лінгвістичному аналізі, а не на прямих архівних документах того періоду. Ці застереження не ставлять під сумнів сам факт існування аномалії, але вказують на те, що повна хронологія та статистика її поширення можуть бути уточнені за міри додаткових досліджень.

Системна вразливість і заклики до прозорості

Випадок «vegetative electron microscopy» наочно демонструє системну вразливість ШІ-алгоритмів до накопичених за десятиліття помилок цифровізації. Поки автоматичні інструменти перевірки тексту здатні фіксувати лише ті аномалії, які вже виявлені людиною, цикл самовідтворення фейкових даних залишається незакрытим. Спеціалісти закликають розробників нейромереж забезпечити відкритість навчальних датасетів, щоб наукова спільнота могла аудитувати джерела «зараження», а видавництва — посилити рецензування щодо фантомних термінів, успадкованих з оцифрованих архівів. Без таких заходів, попереджають дослідники, кожна нова OCR-помилка чи помилка машинного перекладу ризикує стати ще одним «привидом», який нейромережі впевнено цитуватимуть як усталене наукове поняття.