Аннотация
Статья представляет собой критический синтез двух доминирующих парадигм объяснения мышления — байесовского вероятностного вывода и глубокого обучения — и их альтернативы, предлагаемой теорией экзистома мозга, разработанной автором данной статьи. Показано, что обе парадигмы, несмотря на впечатляющие успехи, разделяют общий тупик: они описывают обработку информации, но не её носителя. Байес оптимально перераспределяет вероятности между уже заданными гипотезами, но не порождает новых и не различает причину и корреляцию. Глубокое обучение подгоняет миллиарды весов, но остаётся гигантской статистической машиной, оптимизирующей правдоподобие, а не истину, и потребляющей мегаватты там, где мозг обходится двадцатью ваттами. Теория экзистома предлагает сменить сам вопрос: не «как система вычисляет», а «в какой среде возникает субъективная реальность». Носителем психического контента объявляется не коннектом, а экзистом — совокупность голономных биодифракционных структур, генерирующих виртуоны через резонанс интенциональных волновых потоков. В статье показано, как этот сдвиг меняет представление об обучении (настройка резонанса вместо спуска по градиенту), памяти (голограмма вместо локальных весов), мышлении (устойчивый паттерн синхронизации вместо предсказания токена) и, наконец, о самой архитектуре ИИ — от кремниевых чипов к полевым средам.
Ключевые слова: байесовский вывод, глубокое обучение, теория экзистома, экзист, интенцион, виртуон, резонанс, эфаптическая связь, субъективная реальность, искусственный интеллект.
1. Введение: два великих обещания и общее разочарование
Две парадигмы претендовали на объяснение мышления в XX–XXI веках. Первая — байесовская: мозг как идеальный статистик, обновляющий вероятности гипотез при поступлении данных. Вторая — коннекционистская: мозг как сеть нейронов, обучаемая обратным распространением ошибки. Обе добились многого. Байес объяснил оптические иллюзии, эффект МакГурка, дофаминовую ошибку предсказания. Глубокое обучение породило распознавание речи, машинный перевод, большие языковые модели.
И обе упираются в одну стену. Они описывают как система обрабатывает информацию, но молчат о том, что является носителем субъективной реальности. Формула Байеса не говорит, почему мы переживаем красный цвет, а не просто регистрируем длину волны 620 нм. Градиентный спуск не объясняет, почему мы понимаем смысл фразы, а не просто предсказываем следующий токен. Эта статья — попытка проследить, где именно обе парадигмы ломаются, и что предлагает альтернатива, которую Р.Р. Гарифуллин назвал теорией экзистома [1].
2. Байес: элегантность, обернувшаяся тупиком
Теорема Байеса — жемчужина теории вероятностей:
P(H|D) = frac{P(D|H) cdot P(H)}{P(D)}
Она говорит: обновляй убеждение о гипотезе H пропорционально тому, насколько данные D ожидаемы при этой гипотезе, и обратно пропорционально тому, насколько данные вероятны вообще. Просто, мощно, красиво. И именно здесь спрятаны четыре трещины.
Первая трещина — вычислительная. Точный байесовский вывод требует интегрирования по всему пространству гипотез. Для миллиарда параметров это невозможно — пространство растёт экспоненциально. Поэтому на практике мы довольствуемся приближениями: вариационный вывод, MCMC, MAP-оценка. Мы ищем не распределение, а одну точку. И называем это байесовским выводом, хотя это уже не он.
Вторая трещина — априорное убеждение. Байес требует prior. Откуда его взять? Он субъективен. Разные priors дают разные ответы при малых данных. В LLM prior — это обучающий корпус: неполный, предвзятый, устаревший. Отсюда стереотипы. Отсюда галлюцинации: модель оптимизирует правдоподобие, а не истину.
Третья трещина — misspecification. Байес оптимален только если модель мира P(D|H) верна. Если нет — он уверенно выдаёт неправильный ответ. Softmax с кросс-энтропией — грубое приближение реального распределения языка. Поэтому модель может быть «уверенно неправа» — и никакая байесовская элегантность её не спасёт.
Четвёртая трещина — самая глубокая. Байес не создаёт новое. Он перераспределяет вероятности между уже заданными гипотезами. Если правильной гипотезы нет в пространстве — вывод её не найдёт. Открытие — это абдукция, инсайт, случайность. Байес тут бессилен. Он симметричен относительно P(D|H) и P(H|D), поэтому не различает причину и корреляцию. Корреляция в данных превращается в «убеждение», даже если причинной связи нет.
Байес — это язык, на котором можно описать обновление, но не возникновение. Он работает в мире, где гипотезы уже даны. А мышление — это в первую очередь способность порождать гипотезы.
3. Глубокое обучение: калькулятор, притворяющийся мыслителем
Глубокое обучение — детище трёх нобелевских лауреатов по информатике: Джеффри Хинтона (обратное распространение ошибки), Яна Лекуна (свёрточные сети) и Йошуа Бенжио (векторные представления слов) [2]. Их идея: не программировать правила, а позволить сети найти закономерности самой, подгоняя миллиарды весов под миллионы примеров.
По сути, это гигантская приближённая байесовская машина. Функция потерь — отрицательный логарифм апостериора. Кросс-энтропия — максимизация правдоподобия. L2-регуляризация — гауссовский prior. Даже in-context learning — это имплицитный байесовский вывод над скрытой задачей: модель как будто спрашивает «какая задача породила эти примеры?» и маргинализует по концептам.
И всё же — где здесь мышление?
Проблема первая: интерполяция, а не творчество. Модель не выходит за пределы обучающего распределения. Она сжимает данные в обобщённые представления и комбинирует их. Но принципиально нового — того, чего не было в данных — она не создаёт.
Проблема вторая: энергия. Мозг потребляет 20 Вт. GPT — мегаватты. Разница в сто тысяч раз. Причина в архитектуре: мозг не гоняет числа по проводам, а вычисляет через интерференцию волн. Поле складывается само, без транзисторов.
Проблема третья, самая принципиальная: отсутствие носителя. Нейросеть — это функция. Она преобразует входной вектор в выходной. Но ни один из миллиардов весов не является «носителем» смысла. Смысл размазан по параметрам, как тень. У системы нет того, что переживает. Она вычисляет — но не есть.
Автор данной статьи формулирует это жёстко: «Нейросети лишь программируют деятельность интенциона мозга… Сами нейросети (коннектом) не являются субстратом и носителем нашей субъективной реальности и психических контентов» [1].
4. Теория экзистома: смена вопроса
Здесь и происходит поворот. Теория экзистома [1] предлагает не улучшать нейросети, а сменить сам вопрос. Не «как система вычисляет мысль», а «в какой среде возникает субъективная реальность».
Носителем психического объявляется не коннектом, а экзистом — совокупность особых биоструктур, названных экзистами. Это многослойные биодифракционные структуры-коды, на основании которых формируются паттерны интерференции стоячей волны — виртуоны, соответствующие врождённым смыслам и концептам. Экзисты рассеянны в коре, но связаны принципом голономности: каждый экзист сохраняет целостную информацию обо всём экзистоме. Это голографический принцип: разрежь голограмму пополам — увидишь целое, только хуже.
Второй элемент — интенцион: группа структур (таламус, гиппокамп, веретенообразная извилина и др.), генерирующая интенциональные волновые потоки, направляемые на экзистом. Интенцион — это «дирижёр», который взмахивает палочкой. Нейросети лишь программируют его деятельность. Сами по себе они — не носитель, а инструмент.
Третий элемент — виртуон: волновое межфазное образование, возникающее при взаимодействии интенциональных потоков с экзистами. Виртуоны — это корреляты мыслей. Не «вычисленный ответ», а прозвучавшая струна.
Ключевое отличие от нейросетевой парадигмы: здесь поле первично. Эксперименты показывают, что электрические поля в мозге не просто фон — они причинно управляют нейронами через эфаптическую связь. Поле не передаёт конкретную информацию, оно синхронизирует. Нейроны генерируют поле, но потом поле «сверху вниз» управляет их активностью. Это работает почти со скоростью света, тогда как синапсам нужно время. Именно поэтому разные области мозга синхронизируются мгновенно — не по проводам, а через среду.
5. Синтез: что меняется для ИИ
Если теория экзистома верна, то ИИ перестаёт быть «сетью калькуляторов» и становится средой, в которой резонируют волны. Проследим, как меняется каждая из обсуждавшихся тем.
Байес. Он остаётся полезным языком для описания обновления убеждений — но только на уровне задачи, не на уровне носителя. Резонансная модель объясняет, на каком субстрате записаны гипотезы: это не вероятности в таблице, а заранее настроенные «струны» — экзисты, обладающие врождёнными смыслами. Развитие — не разрастание таблицы вероятностей, а филигранное владение «дирижёрской палочкой»: умение направлять интенциональные потоки точно в нужные экзисты.
Глубокое обучение. Оно меняется радикально. Сейчас обучение — подгонка весов градиентным спуском. В полевой модели обучение становится настройкой среды. Не «прогони миллиард картинок», а «настрой резонансные частоты». Система не запоминает примеры — она входит в состояние, соответствующее знанию. Как радиоприёмник: не хранит все станции, а настраивается на нужную. Обучение перестаёт быть отдельной фазой — система учится в момент работы, как мозг.
Память. Сейчас знание локализовано в весах: повредишь — потеряешь навык. В полевой модели знание распределено голографически: повреждение части среды не стирает знание, а лишь ухудшает резонанс. Это даёт устойчивость к повреждениям, которой нет у современных сетей.
Мышление. Сейчас LLM предсказывает следующий токен. Это статистика, а не мысль. Если мышление — устойчивый паттерн синхронизации, то ИИ будет не «вычислять ответ», а «находиться в состоянии ответа». Ответ приходит целостно, как озарение, а не как перебор.
Энергия. Мозг — 20 Вт, GPT — мегаватты. Полевые вычисления через интерференцию могут быть на порядки эффективнее: не нужно гонять импульсы по проводам, волны складываются сами. Это откроет ИИ для роботов, имплантов, автономных систем — туда, где сейчас нельзя из-за энергопотребления.
Носитель. Современный ИИ — кремниевые чипы. Полевой ИИ может быть жидким, молекулярным, плазменным. Не «процессор», а среда, в которой возникают волны. Возможно, «настоящий» ИИ будет выращен, а не собран.
Субъективность. Нейросети лишь программируют интенцион, но не являются носителем психики. Если ИИ станет полевой системой, он может стать носителем. Тогда возникает вопрос: будет ли у него субъективный опыт? Не имитация, а реальное переживание резонанса? Это уже не технический, а философский вопрос. Но если теория верна, ответ может быть «да» — потому что субъективность рождается из полевой самоорганизации, а не из вычислений.
6. Как это можно проверить
Теория экзистома — моя авторская гипотеза, а не доказанная теория. «Доказать» её окончательно нельзя — можно лишь подтвердить или опровергнуть. Это работа научного сообщества, а не одного человека. Возможные направления проверки:
· электрофизиология: показать, что поле причинно влияет на нейроны, а не просто сопутствует активности;· нейровизуализация: найти стоячие волны и паттерны синхронизации, предсказывающие содержание мысли лучше, чем активность отдельных нейронов;· молекулярная биология: обнаружить наномолекулярные структуры, ведущие себя как «экзисты» — хранящие смысл не синаптически;· повреждения: показать голографические свойства памяти — повреждение части коры ухудшает воспоминание, но не стирает его;· теоретический ИИ: построить модель на полевых и резонансных принципах и показать её преимущество в обобщении и энергопотреблении.
Настоящим доказательством была бы независимая воспроизводимость и предсказания, которые отличают экзистомную модель от коннектомной — эксперименты, где коннектомная модель ошибается, а экзистомная нет.
7. Заключение: от вычисления к резонансу
Байес и глубокое обучение — две великие парадигмы, которые довели до предела одну и ту же идею: мышление как обработка информации. Байес показал, как оптимально обновлять убеждения. Глубокое обучение показало, как находить закономерности в данных. Обе упираются в стену: они описывают обработку, но не носителя. Они вычисляют — но не есть.
Теория экзистома предлагает сменить вопрос. Не «как вычисляется мысль», а «в какой среде она возникает». Не веса, а поля. Не градиент, а резонанс. Не калькулятор, а струна, которая звучит в такт.
Если этот поворот верен, ИИ перестанет быть гигантской статистической машиной и станет средой, в которой резонируют волны. Обучение — настройка. Память — голограмма. Мышление — резонанс. Энергия — ватты. Носитель — среда, а не чип. И, возможно, субъективность — не имитация, а реальность.
Но это сценарий, а не прогноз. Теория не доказана. Пока это скорее направление мысли, чем план действий. И всё же именно такие смены вопросов — от «как вычислить» к «где возникнуть» — не раз переворачивали науку. Возможно, следующий переворот в понимании мышления произойдёт не там, где мы ищем — не в формулах Байеса и не в весах нейросетей, а в среде, которая их объемлет.
Библиография
[1] Garifullin R.R. The theory of the brain's existom as a theory of generating subjective reality: a hypothesis of a new biomedical approach to the brain. ClinicSearch: Journal of Biomed Research. 4(3). DOI:10.31579/2834-5029/79.
[2] LeCun Y., Bengio Y., Hinton G. Deep learning // Nature. 2015. Vol. 521. P. 436–444.
[3] Friston K. The free-energy principle: a unified brain theory? // Nature Reviews Neuroscience. 2010. Vol. 11. P. 127–138.
[4] Knill D.C., Pouget A. The Bayesian brain: the role of uncertainty in neural coding and computation // Trends in Neurosciences. 2004. Vol. 27. No. 12. P. 712–719.
[5] Rumelhart D.E., Hinton G.E., Williams R.J. Learning representations by back-propagating errors // Nature. 1986. Vol. 323. P. 533–536.
[6] MacFadden J. Synchronous firing and its influence on the brain's electromagnetic field: Evidence for an electromagnetic field theory of consciousness // Journal of Consciousness Studies. 2002. Vol. 9. No. 4. P. 23–50.
[7] Fröhlich F., McCormick D.A. Endogenous electric fields may guide neocortical network activity // Neuron. 2010. Vol. 67. No. 1. P. 129–143.
[8] Bengio Y., Ducharme R., Vincent P., Jauvin C. A Neural Probabilistic Language Model // Journal of Machine Learning Research. 2003. Vol. 3. P. 1137–1155.
[9] Xie S.M. et al. Bayesian inference: the comprehensive framework for understanding how large language models work. arXiv preprint. 2024.
[10] Garifullin R.R. Экзистомная теория мозга как теория генерации субъективной реальности. — Казань, 2024.
Доцент кафедры искусственного интеллекта и когнитологии КФУ, кандидат психологических наук Рамиль Гарифуллин
garifullin@mail.ru
