Как мыслить иначе: когнитивное разнообразие для LLM

Как когнитивное разнообразие способно изменить работу больших языковых моделей (LLM) и сделать общение с искусственным интеллектом ближе к человеческому — главный вопрос для будущего ИИ.

Согласно исследованию McKinsey, в 2025 году 62% организаций уже экспериментируют с ИИ-агентами. Почти 90% компаний регулярно их используют. Рынок искусственного интеллекта набирает обороты — к концу десятилетия мировой объём может достичь $15 млрд, а только у ChatGPT ежемесячно больше 500 миллионов пользователей.

Правильно использованные ИИ-инструменты и LLM приносят ощутимую пользу. Участники опроса McKinsey отмечают: 39% связывают рост доходов с ИИ, ещё чаще называют улучшение инноваций (64%), удовлетворенности клиентов (45%) и прибыльности (36%).

Но не всем так радужно — многие продолжают сомневаться в надежности данных и точности ИИ-ответов. Ошибки и несостыковки — главная угроза для компаний, которую сейчас стараются побороть. "Хотите лучший ответ — учитесь формулировать запросы!" — вот распространенный совет. Но отчего бы не посмотреть на человека, чтобы понять, как улучшить ИИ?

У людей существует понятие когнитивного разнообразия — различия в способах мышления, решениях и подходах к задачам. Модель KAI (по теории адаптации-новаторства Киртона) объясняет эту разницу: от любителей чёткого порядка (адаптеры) до генераторов хаоса-новизны (инноваторы). Одни — фанаты инструкций и порядка, другие — игнорируют правила ради творчества. Интеллект тут ни при чём, это врождённое разнообразие и у каждого своё идеальное место на спектре. Киртон доказал: если люди понимают свой стиль мышления — команда становится эффективнее.

Можно ли научить ИИ такому подходу? Исследователи из Carnegie Mellon и Penn State доказали: да! Они "объяснили" LLM теорию адаптации-новаторства и попросили решать задачи, используя под разные стили два типа подсказок: адаптивные (строгие, структурированные) и инновационные (гибкие, расплывчатые). Итог: адаптивные подсказки давали более реалистичные и привычные решения. Инновационные — нестандартные, подчас спорные, зато свежие.

Впервые LLM начала генерировать решения, которые подходили не всем подряд, а в зависимости от запросов пользователя и его мыслительного стиля. То есть — модель "понимает", что не всем нужны одинаковые ответы. Каждому — свой подход, как и среди людей.

Вывод очевиден: если не встраивать когнитивное разнообразие в ИИ, мы просто теряем потенциал LLM. Для реальных задач нужны не одинаковые, а соответствующие запросу и человеку решения — вот следующий шаг для развития технологии. Мы редко сами сообщаем алгоритму как думаем, но всегда чувствуем — это "наш" ответ или нет.

Если LLM сможет так широко варьироваться, отпадёт вечная рутина перегонки запросов ради нужного ответа. Встраивая в алгоритмы разнообразие мышления, мы даём ИИ не только фору, но вскоре увидим скачок эффективности и удовольствия для пользователя.