Оригинал: Хабр, автор — Ричард Кэмпбелл (19 августа 2026).
Царство интеллекта
Человеческий мозг буквально устроен так, чтобы везде видеть интеллект. Когда‑то из этого получалось извлекать эволюционное преимущество: в первобытном дотехнологическом обществе где‑нибудь в африканской саванне умение приписывать добыче разум и предугадывать её поведение помогало в охоте.
Кэмпбелл затрагивает фундаментальный вопрос: наше восприятие интеллекта — это эволюционная адаптация или когнитивное искажение? Парадеидолия — склонность видеть лица и разум там, где их нет — помогала нашим предкам выживать, но сегодня она же делает нас уязвимыми перед маркетингом «искусственного интеллекта». Мы видим разум в ChatGPT не потому, что он там есть, а потому, что мозг запрограммирован его искать. ТРИЗ подходит к этому иначе: интеллект — это не способность «казаться умным», а способность разрешать противоречия. Пока LLM не умеет распознавать и разрешать противоречия, она остаётся sophisticated pattern matcher, а не интеллектом.
Творчество и ИИ
В зависимости от того, как считать, сейчас у нас четвёртая или пятая волна технологий, продаваемых под видом искусственного интеллекта. Текущую волну принято называть генеративным ИИ.
Генеративные нейросети используют процесс, по сути эквивалентный методу проб и ошибок: обучение на модели, генерация шума, обратная диффузия — пошаговое «вглядывание» в зашумлённые данные и отбор вариантов. Это работает, когда комбинаторика ограничена. Но рост числа элементов при случайном характере модификаций создаёт экспоненциальный рост возможных вариантов, делая отбор ненадёжным.
Творчество в ТРИЗ работает иначе: вместо случайного перебора используется направленная генерация через паттерны развития, выявленные анализом тысяч изобретений. За 70 лет ТРИЗ сформулировано несколько тысяч проверенных паттернов. При масштабах LLM в сотни миллиардов параметров это кажется ничтожно малым — но эти паттерны позволяют покрывать практически исчерпывающее множество решений. Количество не равно качеству: тысяча направленных паттернов сильнее миллиарда случайных параметров.
Гигантомания в ИИ
Лет десять или двадцать одной из базовых проблем машинного обучения оставалось переобучение (overfitting): если слишком усердно учить модель на обучающей выборке, она становится хороша только в работе с этими конкретными данными и больше ни с чем. Статья о законах масштабирования нейросетей, по сути, предлагала выход: увеличивайте модель, увеличивайте датасет, увеличивайте вычислительные мощности — и качество будет предсказуемо расти.
Кэмпбелл в лекции приводит показательную аналогию: PE-соотношения сегодня — вторые по высоте за всю историю, уступают только пузырю доткома. Гиперскейлинг — это гигантомания, классический паттерн, который ТРИЗ-анализ видит повсюду: динозавры, супертанкеры, суперимперии. Система, исчерпавшая ресурсы развития, начинает расти вширь вместо роста вглубь. Законы масштабирования стали идеологическим оправданием: «увеличивайте всё» — но производители памяти (Samsung, SK hynix, Micron) уже отказались удваивать производство. Они чувствуют предел. Альтернатива гигантизму — не больше параметров, а лучшие алгоритмы: подходы на основе ТРИЗ, такие как PANC (Progress Associative Neuromorphic Comparator), сокращают потребность в вычислениях на порядки.
Проживут ли ИИ-гиганты ещё 3–5 лет?
Перелом наступил прошлой осенью, когда все производители памяти (Samsung, SK hynix, Micron и так далее) одновременно заявили примерно одно и то же: «Нет, производство кристаллов оперативной памяти удваивать мы не собираемся. Новая фабрика строится от трёх до пяти лет, а уверенности, что вы до этого доживёте, у нас нет».
Производители памяти правы: новая фабрика строится 3–5 лет, а уверенности в жизнеспособности гиперскейлеров нет. Кэмпбелл отмечает, что ни одна ИИ-компания не прибыльна — они выживают за счёт хайпа и self-dealing (Nvidia инвестирует в ИИ-стартапы, которые тут же закупают чипы Nvidia). Это классический пузырь. ТРИЗ учит: когда система достигает предела развития по главному параметру (размер модели), нужно менять подход — переходить к надсистеме или менять принцип действия. PANC — пример смены принципа: вместо масштабирования грубой силы — направленное сравнение на основе паттернов. Это позволяет работать на существующем оборудовании и сокращает затраты в сотни раз.
Позитивный пример: DeepMind и фолдинг белков
В лекции Кэмпбелл приводит пример, который стоит упомянуть: DeepMind и AlphaFold. Задача сворачивания белков считалась нерешаемой — 10³⁵ возможных комбинаций. Десятки тысяч биологов за 60 лет расшифровали ~150 структур. AlphaFold за несколько лет достиг 90% точности, а к 2022 — почти 100%. Было вычислено 200 миллионов структур и опубликовано бесплатно. Результат: новые лекарства от лейкемии, вакцина от малярии, три новых антибиотика.
Это показывает: генеративный ИИ может создавать огромную ценность, когда применяется к задаче с чёткими правилами и ограниченной комбинаторикой. Проблема LLM в том, что язык и здравый смысл — не фолдинг белков: там правила нечёткие, а пространство вариантов бесконечно. «Мойка машин» — классический пример: ИИ советует пройти 50 метров пешком до автомойки, забывая, что машину нужно везти. Здравый смысл — не паттерн-матчинг, а понимание физики ситуации.
Видео лекции
Источник: Хабр. Автор оригинала — Ричард Кэмпбелл. Видео — запись лекции.
