Как ИИ помогает решать проблемы, которые он даже не понимает

Исследователи из Венского технического университета обнаружили неожиданную связь между двумя совершенно разными областями искусственного интеллекта: модели большого языка (LLM) могут помочь решать логические проблемы, фактически не «понимая» их.

Любой, кто часами разгадывал головоломку судоку, знает это чувство: вы застреваете, пока вдруг небольшая подсказка не приведет в движение все решение. Модели больших языков (LLM), такие как ChatGPT, могут дать именно такую подсказку — только для проблем, которые намного сложнее, чем любая книга-головоломка.

Исследователи из TU Wien обнаружили, что такие языковые модели могут помочь другим программам решать логические задачи быстрее и даже лучше. LLM на самом деле не могут решить эти проблемы; они не могут сами выполнить соответствующий код. Тем не менее, они признают закономерности, которые ранее упускали из виду даже эксперты. Это означает, что языковые модели могут стать чрезвычайно полезными в области, где долгое время считалось, что они мало чем могут помочь.

Исследование, недавно опубликовано в Журнал исследований искусственного интеллектапроводилось в рамках докторской программы iCAML, объединяющей различные методы искусственного интеллекта и машинного обучения. Воборил также является автором аналогичной статьи. бумага представлено на 31-й Международной конференции по принципам и практике программирования с ограничениями (КП 2025).

Символический и субсимволический ИИ

«Чтобы понять, почему наше открытие настолько удивительно, нужно взглянуть на два совершенно разных мира искусственного интеллекта», — говорит Флорентина Воборил из Института логики и вычислений Венского технического университета, которая в настоящее время работает над своей диссертацией в команде профессора Стефана Зейдера.

Существует множество логических задач, в которых нужно выбрать лучшее решение из огромного количества возможностей, и все по строгим логическим правилам — например, при решении, какое число принадлежит ячейке судоку. Сегодня существуют вычислительные инструменты, которые могут очень хорошо решать подобные задачи. Задача формулируется на формальном математическом языке; Затем компьютер применяет логические правила для достижения результата прозрачным и основанным на правилах способом. Это известно как символический ИИ. Например, таким образом часто составляются графики смен в промышленности.

Однако модели больших языков (LLM), такие как ChatGPT или Copilot, работают совершенно по-другому. Они не основаны на фиксированных, заранее запрограммированных правилах; вместо этого их поведение вытекает из огромного количества данных, на которых они обучались. Это позволяет им генерировать язык— но впоследствии невозможно точно объяснить, почему они дали тот или иной ответ. Это известно как субсимволический ИИ. В последние годы этот вид ИИ резко возрос, но обычно считается непригодным для строго логических задач.

Оптимизаторы: дополнительные правила, которые делают жизнь проще

«Мы изучили, как можно объединить символический и субсимволический ИИ, чтобы использовать сильные стороны обоих миров», — говорит Воборил. В символическом ИИ часто приходится сталкиваться с огромным количеством вариантов, из которых можно выбрать лучший: множество способов заполнения судоку, множество возможных шахматных ходов, множество способов создания графиков смен.

«Часто невозможно просто попробовать их все. Вот почему чрезвычайно полезно иметь определенные правила, которые с самого начала исключают части пространства поиска», — объясняет Воборил. «Представьте, что мы пытаемся найти кратчайший путь из лабиринта. Если я уже знаю, что определенные части лабиринта не связаны ни с одним выходом, я могу заблокировать эти области и сосредоточиться на остальных. Таким образом, вы быстрее найдете лучшее решение». Символический ИИ работает очень похоже: дополнительные правила, известные как рационализаторы, иногда могут помочь достичь результата гораздо быстрее.

В TU Wien теперь для идентификации таких обтекателей используются дипломы LLM. Код, обычно обрабатываемый символическим ИИ, подается в LLM. LLM не выполняет этот код — он не предназначен для этого. Можно сказать, что он не может по-настоящему «понять» проблему. Но он может предлагать дополнительные правила, которые можно вставить в код, чтобы специализированный символический ИИ работал быстрее или давал лучшие результаты.

Лучше, чем когда-либо прежде

«Таким образом, мы смогли решить некоторые проблемы значительно быстрее, чем до сих пор это делал символический ИИ. Для одной из этих задач мы даже установили новые мировые рекорды — найдя решения, которые лучше, чем любые ранее известные», — говорит Воборил.

Это открывает совершенно новую и удивительную область для исследований ИИ: две ветви ИИ, которые традиционно считались отдельными, становятся сильнее и мощнее при совместном использовании. В будущем комбинации символического и субсимволического ИИ смогут не только решать исследовательские загадки, но и ускорять принятие сложных решений в повседневной жизни — от логистики и планирования смен до здравоохранения.