Сегодняшние языковые модели умеют убеждать нас, что они думают. Они раскладывают ответ на цепочку шагов, строят рассуждения, создают иллюзию внутреннего диалога. Но если заглянуть внутрь, всё это остаётся красивым трюком. Генерация длинного текста, где нет настоящего планирования. MIT решил исправить эту фундаментальную проблему. Когда рассуждения — лишь текст Большинство LLM до сих пор работают по схеме - дай больше токенов — получишь иллюзию разума. Это похоже на человека, который красиво говорит, но не умеет просчитывать последствия. Такая имитация работает для части задач, но ломается там, где нужен строгий переход от одного состояния к другому в логике, математике, стратегических играх. Новый взгляд. Мышление как цепочка состояний Учёные из MIT предложили радикально иной подход. Вместо бесконечных словарных цепочек модель должна учиться переходить из состояния в состояние. Если А ведёт к Б, но никак не может привести к Г, система должна это понимать так же жёстко, как шахматист понимает правила хода фигур. Такой метод приближает ИИ к настоящему символьному мышлению, где рассуждения строятся на строгих правилах и исключениях. Как это работает Исследователи сделали то, что ранее считалось слишком сложным. Они встроили в процесс обучения верификатор. Каждая цепочка рассуждений проверяется автоматически. Правильные шаги сохраняются, неправильные — отмечаются и анализируются. Модель не просто генерирует ответ, она учится понимать, почему определённый путь ошибочен. Результат напоминает тренировку спортсмена: сначала серия упражнений с корректировкой ошибок, потом постепенный выход на высокий уровень мастерства. В роли тренера выступает верификатор, в роли ученика — сама модель. Результаты Эффект оказался драматическим. На тестовых задачах прирост качества составил от 30 до 60 процентных пунктов по сравнению с традиционными методами рассуждений. Особенно сильные результаты заметны в задачах логики и головоломках. Правда, у подхода пока есть ограничения. Он проверен на сравнительно узком наборе задач, и использовались модели не последнего поколения. Но даже так MIT показал у LLM есть шанс перейти от болтовни к планированию — а это уже шаг к созданию систем, которые действительно смогут мыслить стратегически. Почему это важно Если метод удастся масштабировать, мы увидим рождение нового класса ИИ — не только генераторов текста, но и настоящих планировщиков. Они смогут просчитывать сценарии, оценивать риски, находить оптимальные стратегии — от медицины до инженерии. И, возможно, именно этот поворот сделает искусственный интеллект не просто умным ассистентом, а полноценным партнёром в решении сложнейших задач.