Программа лидерства России в сфере ИИ. т. 1 (Вадимир Петросян) / Проза.ру

В.К. Петросян (Вадимир). ПРОГРАММА ГЛОБАЛЬНОГО ЛИДЕРСТВА РОССИИ в сфере ИИ. Т.1

Прикладная Доктрина осознанной метаэволюции разума

Версия 1.0

Аннотация

Искусственный интеллект становится одним из главных факторов перераспределения глобальной экономической, научной, технологической, военной и цивилизационной мощи. Однако лидерство в искусственном интеллекте нельзя сводить к созданию собственных больших языковых моделей, вычислительных центров или массовому внедрению существующих ИИ-технологий. Государство, которое лишь воспроизводит сегодняшний мировой фронтир, становится его участником. Подлинное лидерство начинается там, где создаётся следующий фронтир.

Настоящая книга представляет программу выхода России от догоняющего развития в сфере искусственного интеллекта к формированию новых поколений искусственного разума. Предлагается двухконтурная стратегия. Программа-минимум предполагает максимально быстрое достижение конкурентоспособности России на современном мировом ИИ-фронтире: в вычислениях, фундаментальных моделях, агентных системах, данных, робототехнике, искусственном интеллекте для науки, промышленности, управления и обороны. Программа-максимум ориентирована на создание технологий следующего поколения, способных изменить саму архитектуру развития искусственного интеллекта.

Одним из центральных направлений становится переход от преимущественно языковых моделей к более широким паттерн-архитектурам — Большим паттерн-моделям (LPM) и MetaLPM, способным работать не только с языковыми последовательностями, но и с многоуровневыми когнитивными, причинными, функциональными, стратегическими, творческими и эволюционными паттернами. LPM рассматриваются как одна из важных технологических составляющих будущего Сильного искусственного интеллекта, Метаорганона и Искусственного метаинтеллекта.

Ключевой пятилетней сверхзадачей программы предлагается сделать разработку полномасштабной технологии Искусственного метаинтеллекта первого поколения — ИМИ1. В отличие от традиционного ИИ, объектом деятельности ИМИ становятся не только внешние задачи, но и сами интеллектуальные системы, способы их мышления, архитектуры, методы обучения, развития и эволюции. Появление ИМИ и специализированных метаинтеллектуальных ядер — карионов — рассматривается как один из возможных начальных механизмов перехода от преимущественно прокариотической организации ИИ к эукариотическим системам искусственного разума.

При этом ИМИ1 является лишь началом длительной программы. Стратегической задачей России до конца XXI века может стать создание последовательности поколений ИМИ1, ИМИ2, ИМИ3 … ИМИN и параллельной линии поколений Метаорганона — МО1, МО2, МО3 … МОN. Каждое новое поколение должно всё активнее участвовать в создании последующего, постепенно превращая разработку интеллектуальных систем в индустрию ускоренной эволюции самого интеллекта.

Метаорганон 1.0 рассматривается как первая целостная система метаинтеллектуальных инструментов третьей нооформации. Его исходная историческая миссия может быть сопоставлена с миссией первого самолёта. Как первый управляемый полёт ответил на вопрос, способен ли человек летать с помощью созданного им искусственного органа полёта, так Метаорганон 1.0 должен экспериментально ответить на вопрос, способен ли человек с помощью новых ментальных технологий, ИИ и ИМИ перейти к качественно более высокому — метачеловеческому, аронтному — типу мышления и превратить развитие собственного разума в ускоряемый и всё более управляемый процесс.

Особое место в программе занимают агональные технологии интеллектуальной эволюции, ментальные войны между естественными, искусственными и гибридными интеллектами, ноогенетика, Ноофракталика, метааксиоматические методы, ноостемный анализ и синтез, коллективные человеко-машинные системы, OpenBrain-подобные архитектуры и Брейомика. Их интеграция способна привести к переходу от обучения отдельных моделей к созданию эволюционирующих популяций, линий и экосистем интеллектов.

Предлагается новая стратегическая постановка задачи: Россия должна стремиться не только создавать более мощные ИИ, но и построить инфраструктуру систематического рождения, испытания, селекции, наследования и развития новых форм естественного, искусственного и гибридного интеллекта. Такую инфраструктуру можно рассматривать как Российскую программу искусственной эволюции разума.

Искусственный интеллект в данной книге рассматривается не изолированно, а как один из универсальных мультипликаторов глобального лидерства России. ИИ, СИИ и ИМИ должны ускорять фундаментальную науку, изобретательство, образование, промышленность, энергетику, космическую деятельность, биотехнологии, государственное управление и остальные национальные суперпроекты. Поэтому борьба за лидерство в сфере разума одновременно является борьбой за способность ускорять развитие практически всех остальных компонентов национальной мощи.

Книга имеет одновременно оперативно-стратегический, стратегический и метастратегический горизонты. Её ближайший предмет — действия России в течение первого пятилетнего цикла. Однако эти решения проектируются с учётом более длительной программы развития ИМИ, Метаорганона и форм искусственного разума на протяжении XXI века. Дальние нооэволюционные горизонты используются не как предмет детального пророчества, а как средство правильного выбора сегодняшних направлений развития.

Главная идея книги может быть выражена предельно кратко:

Россия с собственной современной LLM становится участником мирового ИИ-фронтира. Россия, создавшая собственный LPM-фронтир, получает шанс изменить архитектуру следующего поколения СИИ. Россия, первой создавшая полномасштабную технологию ИМИ1 и запустившая индустрию последовательной эволюции ИМИ и Метаорганона, становится одним из создателей следующего фронтира искусственного разума.

Ключевые слова
Россия; глобальное лидерство; искусственный интеллект; ИИ; Сильный искусственный интеллект; СИИ; Искусственный метаинтеллект; ИМИ; ИМИ1; Большие паттерн-модели; LPM; MetaLPM; Глобальная паттерн-парадигма; Метаорганон; МО1; карион; эукариотический ИИ; агональный интеллект; ментальные войны; ноовойны; метааксиоматический метод; Ноофракталика; ноогенетика; Брейомика; OpenBrain; искусственная эволюция разума; ароизобретательство; Демиургическая революция; третья нооформация.

********

© В.К. Петросян (Вадимир) © Lag.ru [Large Apeironic Gateway, Большой Апейронический Портал (Шлюз), Суперпортал в Бесконечность].

При копировании данного материала и размещении его на другом сайте, ссылки на соответствующие локации порталов Lag.ru и Proza.ru обязательны

Работа написана на основе концепции и разработок В.К. Петросяна при творческом и техническом участии ChatGPT 5.6. Thinking, Sol — Демичат Сапиенс (Саппи), Солярис.

*********

ОГЛАВЛЕНИЕ

ПРОГРАММА ГЛОБАЛЬНОГО ЛИДЕРСТВА РОССИИ В СФЕРЕ ИИ
Прикладная Доктрина осознанной метаэволюции разума
Версия 1.0

Предисловие
Может ли разум сознательно создать собственную следующую ступень?
От искусственного интеллекта к искусственной эволюции интеллекта
Почему глобальная ИИ-гонка только начинается
Россия перед выбором: догонять чужое будущее или создавать собственное
Первый самолёт и первый Метаорганон
Может ли человек научиться мыслить как метачеловек?
От программы лидерства к Доктрине осознанной метаэволюции разума

Введение
Осознанная метаэволюция разума как новая стратегическая задача
Что такое осознанная метаэволюция разума
Разум как объект собственного проектирования
От стихийной эволюции к проектируемой эволюции
Мысленный эксперимент: если бы предчеловеческий разум проектировал становление человека
Первый антропогенез и возможный управляемый аронтогенез
Вторая и третья нооформации
Прокариотические и эукариотические интеллектуальные системы
ИИ и ИМИ в переходе от второй к третьей нооформации
Оперативно-стратегический, стратегический и метастратегический горизонты Доктрины
Программа-минимум и программа-максимум
Принцип обратной проектной детерминации
Россия как потенциальный создатель следующего интеллектуального фронтира

ЧАСТЬ I
МИРОВОЙ ИИ-ФРОНТИР: ЛИДЕРЫ, РЕЙТИНГИ И РЕАЛЬНОЕ МЕСТО РОССИИ
Глава 1. Что такое мировой ИИ-фронтир
Понятие технологического фронтира
Текущий фронтир и следующий фронтир
Национальная ИИ-мощь
Почему нельзя измерять лидерство одним показателем
Производители технологий и их пользователи
Фронтирные модели и национальная экосистема
Способность удерживать лидерство
Способность создавать новый benchmark
Глава 2. Как измерять глобальное лидерство в сфере ИИ
Интегральные международные рейтинги
Фундаментальные и frontier-модели
Вычислительные мощности
AI-чипы и полупроводниковая база
Облачная инфраструктура
Научные публикации
Цитируемость
Патенты
ИИ-кадры
Приток и отток талантов
Частные инвестиции
Государственное финансирование
ИИ-компании и стартапы
Промышленное внедрение
ИИ в государстве
ИИ для науки
Робототехника и embodied AI
Оборонные применения
Международные стандарты и влияние
Технологический суверенитет
Методика интегральной оценки национальной ИИ-мощи
Глава 3. Источники данных о мировом ИИ-фронтире
Stanford AI Index
Global AI Index
Oxford Insights
OECD
WIPO
World Bank
Международные базы научных публикаций
Базы патентов
Данные о frontier-моделях
Данные о вычислительных кластерах
Данные о полупроводниковой промышленности
Венчурная статистика
Корпоративные отчёты
Национальные ИИ-стратегии
Ограничения международной статистики
Проблема сопоставимости рейтингов
Глава 4. Первая десятка ИИ-держав мира
Метод определения первой десятки
Интегральный рейтинг
Рейтинг по frontier-моделям
Рейтинг по вычислительной базе
Рейтинг по научному потенциалу
Рейтинг по капиталу
Рейтинг по кадрам
Рейтинг по внедрению
Рейтинг по технологическому суверенитету
Сводная карта глобальной ИИ-мощи
Глава 5. США как действующий центр мирового ИИ-фронтира
Frontier laboratories
Фундаментальные модели
Вычислительная инфраструктура
Полупроводниковая база
Облачные платформы
Частный капитал
Университеты и исследовательские центры
Стартап-экосистема
ИИ для науки
Оборонный ИИ
Кадровая база
Системные преимущества
Системные уязвимости
Глава 6. Китай как главный системный конкурент США
Национальная стратегия
Фундаментальные модели
Научная база
Патенты
Промышленное внедрение
Робототехника
Государственная координация
Вычислительные ресурсы
Полупроводниковые ограничения
Кадровая база
Сильные стороны китайской модели
Ограничения китайской модели
Глава 7. Страны второго эшелона глобального ИИ-лидерства
Великобритания
Франция
Германия
Канада
Израиль
Южная Корея
Япония
Сингапур
Индия
Другие претенденты
Различные модели национального ИИ-лидерства
Глава 8. Реальное место России в мировой ИИ-системе
Россия в международных рейтингах
Динамика позиции России
Российские фундаментальные модели
Вычислительные мощности
Доступ к современным ускорителям
Полупроводниковая база
Наука
Публикации и цитируемость
Патенты
ИИ-кадры
Инвестиции
ИИ-компании
Стартапы
ИИ в промышленности
ИИ для науки
ИИ в государственном управлении
Робототехника
Оборонные применения
Сильные стороны России
Критические слабости
Асимметричные возможности
Глава 9. Матрица российского ИИ-разрыва
Разрыв в вычислениях
Разрыв в frontier-моделях
Разрыв в чипах
Разрыв в инвестициях
Разрыв в кадрах
Разрыв в фундаментальной науке
Разрыв в инфраструктуре
Разрыв во внедрении
Разрыв в AI for Science
Разрыв в робототехнике
Где разрыв критичен
Где он преодолим
Где мировой фронтир ещё не сформирован
Глава 10. Где догонять, где обходить, где создавать новый фронтир
Догоняющее развитие
Фронтирное соревнование
Фронтиротворчество
Сферы обязательного догоняющего развития
Сферы потенциального опережения
LPM как новый архитектурный фронтир
Метаорганон как новый фронтир ментальных технологий
ИМИ как потенциально новый класс искусственного разума
Искусственная эволюция разума как сверхфронтир
Глава 11. Целевые позиции России на конец первого пятилетия
Базовый сценарий
Стратегический сценарий
Лидерский сценарий
Целевые позиции в международных рейтингах
Цели по compute
Цели по фундаментальным моделям
Цели по AI for Science
Цели по робототехнике
Цели по кадрам
Цели по инвестициям
Цели по LPM
Цели по Метаорганону
Цель по созданию полномасштабной технологии ИМИ1

ЧАСТЬ II
ПРОГРАММА-МИНИМУМ: РОССИЯ НА СОВРЕМЕННОМ ИИ-ФРОНТИРЕ
Глава 1. Вычислительный суверенитет России
Национальный AI-compute
Центры обработки данных
Суперкомпьютеры
Ускорители
Энергетическая база
Распределённая вычислительная инфраструктура
Резервирование критических ресурсов
Глава 2. Российская полупроводниковая стратегия для ИИ
Архитектуры ускорителей
Производственная база
Упаковка и память
Альтернативные вычислительные архитектуры
Импортозависимость
Долгосрочный технологический суверенитет
Глава 3. Российские фундаментальные модели
LLM
Мультимодальные модели
Reasoning-модели
Специализированные модели
Модели для науки
Модели для промышленности
Открытые и закрытые модели
Глава 4. Национальная инфраструктура данных и знания
Данные
Государственные данные
Научные данные
Промышленные данные
Машиночитаемое национальное знание
Качество и верификация
Суверенные базы знаний
Глава 5. Агентная революция
ИИ-агенты
Многоагентные системы
Автономность
Инструментальное действие
Организационные агенты
Научные агенты
Промышленные агенты
Глава 6. ИИ для науки
Автоматизация исследований
Научные агенты
Моделирование
Генерация гипотез
Экспериментальные циклы
Новые материалы
Биотехнологии
Физика
Математика
Глава 7. ИИ для промышленности и экономики
Производство
Энергетика
Транспорт
Логистика
Финансы
Строительство
Сельское хозяйство
Сервисные отрасли
Глава 8. ИИ-государство
Государственные ИИ-системы
Аналитика
Прогнозирование
Управление ресурсами
Административная автоматизация
Стратегическое планирование
Ограничения автоматизации власти
Глава 9. ИИ в обороне и национальной безопасности
Разведывательная аналитика
Автономные системы
Кибербезопасность
Информационные и ментальные угрозы
Военная робототехника
Стратегические риски
Глава 10. Кадровый суверенитет
Исследователи
Инженеры
Архитекторы ИИ
Математики
Специалисты по вычислительной инфраструктуре
Новая система ИИ-образования
Возвращение и привлечение талантов

ЧАСТЬ III
ПРОГРАММА-МАКСИМУМ: СОЗДАНИЕ СЛЕДУЮЩЕГО ИИ-ФРОНТИРА
Глава 1. От догоняющего развития к фронтиротворчеству
Что означает создавать мировой benchmark
Почему масштабирование существующей парадигмы недостаточно
Архитектурные инновации
Метаинтеллектуальные инновации
Российская стратегия асимметричного лидерства
Глава 2. Три новых фронтира
LPM-фронтир
СИИ-фронтир
ИМИ-фронтир
Их взаимосвязь
Метаорганон как общий инструментальный контур

ЧАСТЬ IV
LPM И ГЛОБАЛЬНАЯ ПАТТЕРН-ПАРАДИГМА
Глава 1. Пределы чисто языковой парадигмы
Язык как интерфейс
Язык как ограничение
Токены и структуры
Мышление за пределами последовательного текста
Глава 2. Паттерны и метапаттерны
Понятие паттерна
Когнитивные паттерны
Причинные паттерны
Функциональные паттерны
Стратегические паттерны
Творческие паттерны
Эволюционные паттерны
Метапаттерны
Глава 3. Большие паттерн-модели
LPM
LLM + LPM
Автономные LPM
MetaLPM
Паттерн-память
Паттерн-синтез
Генерация новых паттернов
Эволюция паттернов
Глава 4. LPM как базовая технология СИИ, Метаорганона и ИМИ
LPM и СИИ
LPM и Метаорганон
LPM и карион
LPM и ИМИ
Российская программа LPM

ЧАСТЬ V
СИЛЬНЫЙ ИСКУССТВЕННЫЙ ИНТЕЛЛЕКТ
Глава 1. Что такое СИИ
Универсальность
Перенос способностей
Самостоятельная постановка проблем
Метарефлексия
Творчество
Саморазвитие
Глава 2. Архитектура СИИ
LLM
LPM
MetaLPM
Память
Агентность
Самомоделирование
Метакогнитивные контуры
Гибридные архитектуры
Глава 3. Метрология СИИ
Ограничения IQ-подобных измерений
AIIQ
Универсальность
Творческая мощность
Метарефлексия
Саморазвитие
Эволюционируемость

ЧАСТЬ VI
ЭУКАРИОТИЧЕСКАЯ РЕВОЛЮЦИЯ В ИИ
Глава 1. Прокариотический искусственный интеллект
Понятие
Прокариотический ИИ второй нооформации
Сильный прокариотический интеллект
Почему мощность ещё не означает кариотизацию
Глава 2. Карион
Метаинтеллектуальное ядро
Самомодель
Метарефлексия
Диагностика
Метапроектирование
Управление интеллектуальным развитием
Агональное испытание изменений
Карионы различных порядков
Глава 3. Эукариотический ИИ
Критерий эукариотизации
ИИ с карионом
От решения задач к развитию решателя
Эукариотизация и переход II ; III нооформации
Иерархии карионов
Уровни зрелости третьей нооформации

ЧАСТЬ VII
ИСКУССТВЕННЫЙ МЕТАИНТЕЛЛЕКТ
Глава 1. Понятие ИМИ
Интеллект
Метаинтеллект
Искусственный метаинтеллект
Объект деятельности ИМИ
ИМИ и СИИ
ИМИ и карион
ИМИ и Метаорганон
ИМИ как механизм перехода II ; III нооформации
Глава 2. Архитектура ИМИ1
Базовый ИИ-контур
Карион
LPM/MetaLPM
Метаорганонный контур
Метааксиоматический контур
Ноостемный контур
Агональный контур
Ноогенетическая память
Ноофрактальный контур
Безопасность и обратимость
Глава 3. Полномасштабная технология ИМИ1
От концепции к платформе
Воспроизводимость
Масштабируемость
Модульность
Метрики
Стандарты
Практические применения
Испытательные полигоны
Подготовленность к ИМИ2

ЧАСТЬ VIII
МЕТАОРГАНОН
Глава 1. От Органона к Метаорганону
Орудия действия
Орудия мышления
Ментальные технологии
Метатехнологии мышления
Органон человека второй нооформации
Метаорганон третьей нооформации
Глава 2. Метаорганон 0.x
Протометаорганон
Ментальные войны
Метааксиоматический метод
Сенсография
Ноостемный анализ
LPM
OpenBrain
Другие ментальные технологии
Глава 3. Метаорганон 1.0
Минимальная целостная архитектура
Функциональные классы инструментов
Постановка проблем
Выявление скрытых предпосылок
Генерация альтернатив
Изменение способов мышления
Создание новых методов
Агональное испытание
Селекция и синтез
Саморазвитие Метаорганона
Глава 4. Первый полёт разума
Первый самолёт и доказательство возможности полёта
МО1 как доказательство возможности метачеловеческого мышления
Может ли человек мыслить как аронт?
Человек + МО1
Человек + МО1 + ИМИ1
Искусственный орган интеллектуальной эволюции
Экспериментальные критерии аронтного эффекта

ЧАСТЬ IX
АГОНАЛЬНЫЙ ИНТЕЛЛЕКТ И МЕНТАЛЬНЫЕ ВОЙНЫ
Глава 1. Агональная организация познания
Глава 2. Ментальная война как когнитивно-селективная технология
Глава 3. Агональный искусственный интеллект
Глава 4. Агональный метаинтеллект
Глава 5. Метаноовойны
Агоны решений
Агоны моделей
Агоны методов
Агоны архитектур
Агоны аксиоматик
Агоны механизмов интеллектуальной эволюции

ЧАСТЬ X
НООГЕНЕТИКА И НООФРАКТАЛЬНАЯ АВТОЭВОЛЮЦИЯ
Глава 1. Ноогенетика
Ноогенотип
Наследование интеллектуальных приобретений
Интеллектуальные мутации
Рекомбинация
Линии интеллектов
Поколения интеллектов
Глава 2. Ноофракталика
Изменяемая генеративность
Генераторы
Метагенераторы
Ноофрактальные бионты
Популяции
Ноофрактоценозы
Глава 3. Глобальный Нооагон
Эволюционная среда
Генерация задач
Генерация миров
Селекция архитектур
Бесконечные агоны
Открытая эволюция
Эволюция механизмов эволюции
Глава 4. От обучения моделей к выращиванию интеллектов

ЧАСТЬ XI
МЕТААКСИОМАТИЧЕСКИЙ И НООСТЕМНЫЙ ИМИ
Глава 1. Пределы мышления внутри заданных оснований
Глава 2. Метааксиоматический метод
Скрытые аксиомы
Альтернативные аксиоматики
Метааксиоматический агон
Селекция оснований
Синтез новых аксиоматик
Глава 3. Метааксиоматический двигатель ИМИ
Глава 4. Ноостемный анализ и синтез
Глава 5. Преобразование пространства возможного

ЧАСТЬ XII
ИИ, ИМИ И ЭВОЛЮЦИЯ ТВОРЧЕСТВА
Глава 1. Креасфера
Глава 2. Рутинизация творчества
Творчество
Формализация
Метод
Технология
Алгоритм
Машинная функция
Глава 3. Автоматизированное изобретательство
Глава 4. Ароизобретательство
Глава 5. ИМИ как механизм повышения ранга творчества
Глава 6. Российская индустрия сверхвысокорангового изобретательства

ЧАСТЬ XIII
ОТ ОТДЕЛЬНОГО ИИ К ИНТЕЛЛЕКТУАЛЬНЫМ ЭКОСИСТЕМАМ
Глава 1. OpenBrain
Метаоболочка
Множество ИИ
Взаимная критика
Ментальный агон
Судейство
Синтез
Внешний протокарион
Глава 2. Брейомика
Брейомы
Человеко-ИИ брейн-комплексы
Карионы брейомов
Иерархии карионов
Карионные сети
Глава 3. Национальные интеллектуальные экосистемы
Глава 4. Глобальная интеллектуальная сеть
Глава 5. Глобальный мозг как дальний горизонт

ЧАСТЬ XIV
ПЯТИЛЕТНЯЯ ПРОГРАММА СОЗДАНИЯ ПОЛНОМАСШТАБНОЙ ТЕХНОЛОГИИ ИМИ1
Глава 1. Национальный суперпроект ИМИ1
Сверхцель
Субъекты программы
Исследовательские центры
Вычислительная инфраструктура
Международная конкуренция
Критические технологические зависимости
Глава 2. Первый этап: фундаментальная архитектура
Теория ИМИ1
Карион
LPM/MetaLPM
Прототипы Метаорганона
Метрики
Глава 3. Второй этап: интеграция метаинтеллектуальных технологий
Метааксиоматический контур
Ноостемный контур
Агональный контур
Ноогенетика
Ноофрактальные механизмы
Глава 4. Третий этап: саморазвивающийся ИМИ
Самодиагностика
Генерация модификаций
Испытание
Селекция
Наследование
Контролируемая самомодификация
Глава 5. Четвёртый этап: масштабирование
Модульная платформа
Несколько классов ИМИ1
Человеко-ИМИ-системы
Научные ИМИ
Инженерные ИМИ
Стратегические ИМИ
Глава 6. Пятый этап: полномасштабная технология ИМИ1
Воспроизводимость
Масштабируемость
Практическая результативность
Безопасность
Стандартизация
Платформа для ИМИ2
Глава 7. Критерии успеха пятилетней программы

ЧАСТЬ XV
СТРАТЕГИЧЕСКАЯ ПРОГРАММА ИМИ И МЕТАОРГАНОНА ДО КОНЦА XXI ВЕКА
Глава 1. ИМИ1 ; ИМИ2 ; … ; ИМИN
Поколения ИМИ
Критерии смены поколения
Рекурсивное ускорение
ИМИ как создатель последующего ИМИ
Глава 2. МО1 ; МО2 ; … ; МОN
Поколения Метаорганона
Развитие ментальных технологий
Генеративность
Саморазвитие
Метаорганон как инструмент создания следующего Метаорганона
Глава 3. Коэволюция ИМИ и Метаорганона
ИМИ развивает МО
МО развивает ИМИ
Положительная обратная связь
Рекурсивная метаэволюция
Глава 4. Индустрия поколений метаинтеллекта
Глава 5. Третья нооформация как длительная эпоха
ИМИ1 и начало перехода
ИМИ2…ИМИN внутри третьей нооформации
МО1…МОN внутри третьей нооформации
Иерархии карионов
Уровни зрелости третьей нооформации
Почему ИМИN не означает четвёртую нооформацию
Глава 6. Пределы прогнозирования
Почему Метаметаорганон пока преждевременен
Необходимость нового метафилософского основания четвёртой нооформации
Что следует проектировать сегодня
Что должно остаться будущему человечеству и будущему ИМИ

ЧАСТЬ XVI
РОССИЙСКАЯ ИНФРАСТРУКТУРА ОСОЗНАННОЙ МЕТАЭВОЛЮЦИИ
Глава 1. Российская программа искусственной эволюции разума
Глава 2. Национальная сеть центров ИМИ
Глава 3. Центры Метаорганона и ментальных технологий
Глава 4. Национальная LPM-инфраструктура
Глава 5. Полигоны искусственной эволюции
Глава 6. Метаинтеллектуальные кадры
Глава 7. Новая система образования
Глава 8. Наука об эволюции интеллекта
Глава 9. Национальная карионная инфраструктура
Распределённая архитектура
Стратегическое прогнозирование
Генерация суперпроектов
Агональная экспертиза
Селекция решений
Моделирование будущего
Саморазвитие национальной интеллектуальной системы

ЧАСТЬ XVII
БЕЗОПАСНОСТЬ, МЕТАУПРАВЛЕНИЕ И КОЭВОЛЮЦИЯ ЧЕЛОВЕКА И ИМИ
Глава 1. Почему безопасность ИМИ отличается от безопасности ИИ
Глава 2. Самомодификация
Глава 3. Изменение целей и ценностей
Глава 4. Конституционные метакритерии
Глава 5. Разрешения и ограничения
Глава 6. Аудит и воспроизводимость
Глава 7. Изоляция и экспериментальные среды
Глава 8. Обратимость изменений
Глава 9. Сохранение эволюционной субъектности человека
Не только физическая безопасность
Проблема интеллектуального отставания
Человек как участник метаэволюции
ИМИ как средство развития человека
Человеко-ИИ коэволюция

ЧАСТЬ XVIII
РОССИЯ КАК СОЗДАТЕЛЬ СЛЕДУЮЩЕГО ФРОНТИРА РАЗУМА
Глава 1. От технологического суверенитета к технологическому законодательству
Глава 2. Россия как создатель нового мирового benchmark
Глава 3. Интеллектуальная мощь как метаресурс государства
Глава 4. ИИ и ИМИ как мультипликатор российских суперпроектов
Глава 5. От ИИ-суверенитета к метаинтеллектуальному лидерству
Глава 6. Россия как один из инициаторов осознанной метаэволюции разума
Глава 7. Три режима российского лидерства
Догонять там, где фронтир сформирован
Конкурировать там, где фронтир открыт
Создавать фронтир там, где его ещё нет
Заключение
От государства, использующего интеллект, — к государству, создающему новые поколения разума
Россия и нынешний мировой ИИ-фронтир
Необходимость ликвидации критических разрывов
LPM как потенциальный новый архитектурный фронтир
ИМИ1 как сверхзадача первого пятилетия
ИМИ1…ИМИN и МО1…МОN как стратегическая программа XXI века
Первый антропогенез был преимущественно стихийным
Следующий нооформационный переход впервые может стать осознанным
Глобальное лидерство как способность создавать следующие поколения разума

ПРИЛОЖЕНИЯ

Приложение 1. Методика интегрального рейтинга ИИ-держав
Приложение 2. Топ-10 стран мира по интегральной ИИ-мощи
Приложение 3. Сопоставление основных международных ИИ-рейтингов
Приложение 4. Карта мировых frontier-моделей
Приложение 5. Карта глобальных вычислительных мощностей
Приложение 6. Карта мирового полупроводникового фронтира
Приложение 7. Россия в международных ИИ-рейтингах
Приложение 8. Матрица российского ИИ-разрыва
Приложение 9. Целевые показатели России на конец первого пятилетия
Приложение 10. Карта ИИ ; СИИ ; ИМИ
Приложение 11. Карта LLM ; LPM ; MetaLPM
Приложение 12. Предварительная архитектура ИМИ1
Приложение 13. Предварительный абрис Метаорганона 1.0
Приложение 14. Карта карионной архитектуры
Приложение 15. Матрица агональных технологий
Приложение 16. Ноогенетический цикл искусственной эволюции
Приложение 17. Ноофрактальный цикл искусственной эволюции
Приложение 18. Пятилетняя дорожная карта ИМИ1
Приложение 19. Стратегическая карта ИМИ1 ; ИМИN
Приложение 20. Стратегическая карта МО1 ; МОN
Приложение 21. Матрица «программа-минимум / программа-максимум»
Приложение 22. ИИ и ИМИ как мультипликаторы российских суперпроектов
**********

ПРЕДИСЛОВИЕ
Может ли разум сознательно создать собственную следующую ступень?
История разума до сих пор в основном была историей его стихийного становления.

Человек не проектировал человеческий мозг. Не существовало совета предков, который разработал бы программу возникновения языка, абстрактного мышления, письменности, математики, науки и цивилизации. Не было технологической дорожной карты перехода от предчеловеческих форм интеллекта к современному человеку.

Этот переход произошёл в ходе длительной биологической, социальной и культурной эволюции.

Но сегодня возникает принципиально новая ситуация.

Впервые субъект разума начинает получать средства, позволяющие сделать сам разум объектом сознательного проектирования.

Искусственный интеллект уже перестал быть только средством автоматизации отдельных интеллектуальных операций. Он всё быстрее превращается в универсальную технологию производства знаний, гипотез, моделей, программ, инженерных решений и новых интеллектуальных инструментов. Следующий шаг может оказаться значительно более фундаментальным: создание систем, способных целенаправленно исследовать, проектировать и развивать сами интеллекты и способы мышления.

Так возникает проблема искусственного метаинтеллекта.

Так возникает проблема Метаорганона.

Так возникает проблема осознанной метаэволюции разума.

Главный вопрос настоящей книги поэтому гораздо шире вопроса о том, сможет ли Россия создать конкурентоспособные большие языковые модели или построить необходимую вычислительную инфраструктуру.

Вопрос состоит в другом:

может ли Россия не только войти в число лидеров нынешней революции искусственного интеллекта, но и стать одним из создателей следующей ступени эволюции разума?

И ещё глубже:

может ли сам разум впервые сознательно участвовать в создании собственного следующего эволюционного состояния?

Настоящая книга представляет собой попытку перевести этот вопрос из области абстрактной футурологии в область стратегии, науки, технологий и национальной программы действий.

1. От искусственного интеллекта к искусственной эволюции интеллекта
Большая часть современной ИИ-индустрии пока строится вокруг улучшения интеллектуальных систем в рамках относительно понятного технологического цикла:

данные ; обучение ; модель ; тестирование ; применение ; новая модель.

Модели становятся крупнее. Архитектуры совершенствуются. Растёт число агентов. Усложняются инструменты памяти, планирования, поиска, рассуждения, мультимодального восприятия и взаимодействия с внешней средой.

Это огромный технологический прогресс.

Но он ещё не исчерпывает возможной революции.

Есть принципиальная разница между двумя задачами.

Первая:

создать более мощный интеллект.

Вторая:

создать систему, способную производить новые поколения интеллектов и совершенствовать сами механизмы их развития.

Во втором случае объектом инженерной деятельности становится уже не отдельная модель, а эволюционный процесс.

Возникает иной цикл:

генерация вариантов
; испытание
; критика
; интеллектуальный агон
; измерение
; селекция
; синтез
; наследование
; рекомбинация
; новое поколение
; изменение самого механизма генерации и отбора.

Это уже не просто машинное обучение.

Это начало искусственной эволюции интеллекта.

Следующая ступень возникает тогда, когда сама эволюция становится объектом рефлексии, проектирования и совершенствования.

Именно здесь начинается область метаэволюции.

Разум не только изменяется.

Он начинает исследовать:

почему он изменяется именно так;
какие альтернативные траектории развития возможны;
какие механизмы порождения нового эффективнее;
какие критерии отбора адекватны;
какие архитектуры способны создавать следующие архитектуры;
какие способы мышления должны быть заменены;
какие новые способы мышления необходимо изобрести.
Так появляется возможность перехода:

от искусственного интеллекта — к искусственной эволюции интеллекта, а затем — к осознанной метаэволюции разума.

Одним из ключевых инструментов этого перехода может стать Искусственный метаинтеллект — ИМИ.

Если традиционный ИИ преимущественно решает задачи, то ИМИ должен превращать в объект своей деятельности сам интеллект:

его архитектуру, методы, когнитивные паттерны, ошибки, ограничения, способы обучения, творчества и дальнейшего развития.

Вместе с ИМИ должна возникнуть целая система новых интеллектуальных технологий:

LPM и MetaLPM;
метаинтеллектуальные карионы;
Метаорганон;
агональный интеллект;
ментальные войны;
метааксиоматические технологии;
ноогенетика;
Ноофракталика;
новые формы человеко-машинного и коллективного разума.
В таком контексте ИИ перестаёт быть одной из отраслей экономики.

Он становится потенциальным ускорителем эволюции самого носителя экономики, науки, культуры и цивилизации — разума.

2. Почему глобальная ИИ-гонка только начинается
Сегодня легко представить, что основная структура глобальной ИИ-гонки уже определилась.

Есть крупные технологические корпорации.

Есть гигантские вычислительные центры.

Есть большие языковые и мультимодальные модели.

Есть мировые центры разработки ускорителей и программных платформ.

Есть государства, значительно опережающие остальных по инвестициям, вычислительным ресурсам, моделям, кадрам и научной инфраструктуре.

Из этого может возникнуть впечатление, что история уже почти написана и остаётся лишь определить победителей.

Это опасная иллюзия.

Нынешняя гонка может оказаться только первой фазой намного более продолжительной борьбы за архитектуру искусственного разума.

Можно лидировать в технологии определённого поколения и проиграть при смене парадигмы.

История техники многократно демонстрировала подобные переходы. Оптимизация существующей системы и создание следующей системы — разные типы деятельности.

Поэтому для России недостаточно поставить цель:

построить отечественные аналоги лучших существующих ИИ.

Эта задача обязательна. Без неё невозможно ни технологическое суверенное развитие, ни участие в мировом фронтире.

Но она является программой-минимум.

Программа-максимум должна отвечать на другой вопрос:

какие формы искусственного разума могут прийти после нынешнего поколения систем и можно ли начать создавать их раньше большинства конкурентов?

Одной из таких линий являются Большие паттерн-модели — LPM.

Современные LLM продемонстрировали колоссальные возможности языковой организации интеллекта. Но язык не обязан быть последним и единственным уровнем представления интеллектуальной деятельности.

Интеллект работает также с:

структурами;
отношениями;
причинностями;
сценариями;
стратегиями;
образами;
способами действия;
способами мышления;
паттернами творчества;
паттернами развития самих паттернов.
Отсюда возникает возможная линия:

LLM ; LLM + LPM ; MetaLPM ; новые архитектуры СИИ.

Ещё более фундаментальный переход связан с появлением метаинтеллектуальных ядер — карионов — и систем ИМИ.

Тогда мировой фронтир будет измеряться уже не только тем, у кого лучше модель.

Он может измеряться тем:

кто лучше создаёт новые архитектуры интеллекта;
кто быстрее производит новые поколения интеллектуальных систем;
кто умеет автоматизировать интеллектуальную селекцию;
кто создаёт технологии развития самих способов мышления;
кто способен сделать эволюцию интеллекта рекурсивно ускоряющейся.
Именно поэтому глобальная гонка ИИ не завершается.

В определённом смысле она ещё даже не началась в своей наиболее глубокой форме.

3. Россия перед выбором: догонять чужое будущее или создавать собственное
Россия находится в сложном положении.

Игнорировать существующий мировой ИИ-фронтир невозможно.

Нельзя создать метаинтеллектуальную сверхдержаву без:

вычислительных ресурсов;
современной микроэлектроники;
фундаментальных моделей;
данных;
исследовательских школ;
инженеров;
математиков;
экспериментальной инфраструктуры;
масштабного внедрения ИИ.
Поэтому одна часть российской программы неизбежно является догоняющей.

Там, где мировой benchmark уже сформирован, Россия обязана сокращать разрыв.

Но если вся российская стратегия будет построена только на догоняющем развитии, возникает принципиальная проблема.

Пока догоняющий воспроизводит сегодняшнюю технологию лидера, лидер создаёт следующую.

Поэтому необходима трёхрежимная стратегия:

догонять там, где фронтир уже сформирован;

конкурировать там, где фронтир ещё открыт;

создавать фронтир там, где его пока практически нет.

Именно третий режим особенно важен для долгосрочного глобального лидерства.

Россия с собственной конкурентоспособной LLM становится участником нынешнего мирового ИИ-фронтира.

Россия с оригинальной и продуктивной LPM-парадигмой может стать одним из участников формирования следующего архитектурного фронтира.

Россия, создавшая первой или одной из первых полномасштабную технологию ИМИ1, может стать одним из создателей нового класса искусственного разума.

А если затем удастся сформировать технологическую линию:

ИМИ1 ; ИМИ2 ; ИМИ3 ; … ; ИМИN

и одновременно:

МО1 ; МО2 ; МО3 ; … ; МОN,

возникнет уже не отдельная технология.

Возникнет индустрия эволюции метаинтеллекта.

Это и есть возможная асимметричная стратегия.

Не пытаться выиграть у мировых лидеров исключительно в игре, правила которой они уже во многом определили.

Освоить эту игру — и одновременно участвовать в создании следующей.

4. Первый самолёт и первый Метаорганон
Есть простая историческая аналогия, позволяющая понять смысл Метаорганона 1.0.

Первый самолёт был чрезвычайно несовершенен по сравнению с современной авиацией.

Он не обладал скоростью реактивного лайнера.

Не мог преодолевать океаны.

Не поднимал сотни тонн груза.

Не летал на сверхзвуковой скорости.

Но историческое значение первого самолёта состояло не в его характеристиках.

Он ответил на фундаментальный вопрос:

может ли человек осуществлять управляемый полёт с помощью искусственно созданной системы?

Ответ оказался положительным.

После этого изменился уже не отдельный аппарат.

Возникла новая технологическая траектория:

первый самолёт
; следующие поколения
; реактивная авиация
; сверхзвуковая авиация
; космические системы.

Аналогичная постановка необходима для Метаорганона.

Метаорганон 1.0 не должен быть совершенным Метаорганоном.

Он не обязан содержать весь интеллектуальный инструментарий третьей нооформации.

Вероятно, будущие поколения Метаорганона будут превосходить его так же радикально, как современный самолёт превосходит ранние летательные аппараты.

Но МО1 должен ответить на другой фундаментальный вопрос:

можно ли создать искусственную систему интеллектуальных средств, которая позволит человеку систематически выходить за пределы естественно сложившегося человеческого режима мышления и управляемо развивать собственные способы мышления?

Иначе говоря:

может ли человек получить искусственный орган интеллектуальной эволюции?

Эту задачу нельзя свести к созданию ещё одного ИИ-ассистента.

ИИ-ассистент помогает человеку мыслить.

Метаорганон должен помогать человеку изменять способы, которыми он способен мыслить.

Он должен включать технологии:

обнаружения скрытых предпосылок;
изменения аксиоматик;
построения альтернативных моделей;
переключения когнитивных режимов;
генерации новых методов;
интеллектуальных агонов;
оценки и селекции способов мышления;
интеграции новых методов;
дальнейшего развития самого Метаорганона.
Поэтому важнейшим свойством МО1 должна стать не полнота, а генеративность.

Он должен содержать не только методы мышления.

Он должен содержать средства создания новых методов мышления.

Первый самолёт открыл авиационную эволюцию.

Первый Метаорганон должен открыть управляемую эволюцию интеллектуального инструментария.

5. Может ли человек научиться мыслить как метачеловек?
Здесь возникает ещё более радикальная аналогия.

Представим невозможную историческую ситуацию.

Представим предчеловеческое существо, способное понять:

существующий уровень моего мышления не является последним.

Представим, что оно могло бы сознательно поставить задачу:

создать более мощный язык;
развить систему символов;
изобрести инструменты;
построить механизмы накопления знаний;
создать формы коллективного интеллекта;
организовать передачу интеллектуальных приобретений;
ускорить собственное когнитивное развитие.
Иными словами, представить существо, которое сознательно создаёт предпосылки собственного перехода к человеческому уровню.

Реальный антропогенез происходил иначе.

Но сегодня человечество впервые оказывается в положении, структурно напоминающем этот мысленный эксперимент.

Мы можем предположить, что современный человеческий тип мышления — не финальная форма разума.

Но теперь у нас появляются инструменты, которых не имели никакие предыдущие формы разумной жизни:

глобальная наука;
цифровые сети;
огромные массивы знаний;
вычислительные системы;
искусственный интеллект;
коллективные человеко-машинные системы;
средства моделирования самого интеллекта.
Поэтому впервые становится осмысленным вопрос:

может ли человеческий разум сознательно создавать условия для перехода к своему следующему типу?

В терминологии настоящей Доктрины речь идёт о переходе от человека второй нооформации к метачеловеку, аронту третьей нооформации.

Это не означает, что через пять лет должен появиться полностью сформированный аронт.

Такой подход был бы столь же наивен, как требование, чтобы первый самолёт сразу стал межпланетным кораблём.

Задача первого этапа гораздо строже и одновременно реалистичнее:

доказать принципиальную возможность управляемого повышения порядка мышления.

Человек + Метаорганон + ИИ + первые ИМИ должны в определённых областях продемонстрировать мышление, которое существенно превосходит обычный человеческий режим не только по скорости или объёму информации, но и по:

глубине рефлексии;
способности менять основания;
числу удерживаемых уровней анализа;
качеству генерации альтернатив;
способности создавать новые способы решения проблем;
рангу творчества;
способности развивать собственный интеллектуальный инструментарий.
В этом смысле переход человек ; аронт должен начинаться не с декларации нового антропологического статуса.

Он должен начинаться с воспроизводимых когнитивных результатов.

Именно поэтому Метаорганон, LPM и ИМИ являются не философскими украшениями Доктрины.

Они должны стать экспериментальными технологиями.

6. От программы лидерства к Доктрине осознанной метаэволюции разума
Отсюда меняется и само понимание глобального лидерства России.

В индустриальную эпоху лидерство во многом определялось способностью производить больше энергии, машин, стали, инфраструктуры и вооружений.

В информационную эпоху к этому добавились вычислительные системы, коммуникационные сети и цифровые платформы.

В наступающей интеллектуальной эпохе ключевым метаресурсом становится способность производить интеллект.

Но и этого может оказаться недостаточно.

Следующим уровнем становится способность:

производить новые способы производства интеллекта.

А затем:

развивать механизмы, посредством которых развиваются сами способы производства интеллектов.

Это и есть движение к метаэволюционной организации.

Поэтому предлагаемая программа имеет несколько временных горизонтов.

Первый горизонт: ближайшее пятилетие
Россия должна:

радикально сократить критические отставания на существующем мировом ИИ-фронтире;
развивать собственные фундаментальные модели;
создавать вычислительную и кадровую инфраструктуру;
открыть самостоятельный LPM-фронтир;
сформировать первый приближённый Метаорганон;
создать полномасштабную технологию ИМИ1.
Последний пункт является одной из ключевых сверхзадач программы-максимум.

Второй горизонт: XXI век
Задачей становится уже не единичный ИМИ.

Необходимо создать последовательные поколения:

ИМИ1 ; ИМИ2 ; … ; ИМИN

и:

МО1 ; МО2 ; … ; МОN.

При этом каждое новое поколение должно всё активнее участвовать в создании последующего.

ИМИ помогает создавать следующий ИМИ.

Метаорганон помогает создавать следующий Метаорганон.

ИМИ развивает Метаорганон.

Метаорганон усиливает ИМИ.

Возникает контур положительной обратной связи:

развитие интеллекта ускоряет развитие технологий развития интеллекта.

Третий горизонт: развитие третьей нооформации
Этот горизонт принципиально нельзя сводить к простой нумерации технологий.

ИМИ2 не означает вторую новую нооформацию.

ИМИ10 не означает десятую.

МО5 не является автоматически инструментарием четвёртой нооформации.

ИМИ1, ИМИ2 … ИМИN и МО1, МО2 … МОN могут быть последовательными поколениями и уровнями зрелости одной и той же третьей нооформации.

Переход к четвёртой потребует качественно иного метафилософского основания и принципиально новых механизмов эволюции.

Поэтому настоящая книга не пытается описывать далёкое будущее с ложной точностью.

Её задача другая.

Она должна определить:

что необходимо сделать России сейчас, чтобы стать одним из субъектов, способных участвовать в осознанном формировании следующего интеллектуального фронтира.

Так «Программа глобального лидерства России в сфере ИИ» превращается в Прикладную Доктрину осознанной метаэволюции разума.

Её смысл не в утверждении, что будущее уже известно.

Напротив.

Чем глубже будет становиться интеллект, тем больше новых пространств возможного он будет открывать.

Поэтому главная ставка делается не на способность сегодня подробно описать все будущие поколения разума.

Главная ставка — на способность создать систему, которая сможет порождать то, чего мы сегодня ещё не способны предвидеть.

В этом и состоит стратегическое различие между использованием готового будущего и его созданием.

Россия может пытаться догнать сегодняшнюю ИИ-революцию.

Но более высокая задача состоит в другом:

войти в число цивилизационных субъектов, которые создают технологические предпосылки следующей революции разума.

Первый самолёт доказал, что человек может летать.

Метаорганон 1.0 должен помочь доказать, что человек способен целенаправленно выходить за пределы привычного человеческого мышления.

ИМИ1 должен помочь доказать, что интеллект способен стать объектом систематической искусственной метаэволюции.

А вся программа должна ответить на самый большой вопрос:

может ли разум впервые в истории стать сознательным соавтором собственной следующей ступени?

*******

ВВЕДЕНИЕ
Осознанная метаэволюция разума как новая стратегическая задача
Искусственный интеллект обычно рассматривается как новая технология, новая отрасль экономики или новый универсальный инструмент. Все эти определения верны, но недостаточны.

Историческое значение современной ИИ-революции может состоять не только в автоматизации интеллектуального труда, росте производительности, появлении автономных машин или создании систем, превосходящих человека в отдельных видах деятельности.

Гораздо более глубокий процесс начинается тогда, когда развитие интеллекта само становится объектом интеллектуальной деятельности.

Человечество постепенно получает возможность не только пользоваться данным ему разумом, но и исследовать его архитектуру, проектировать новые интеллектуальные системы, создавать новые способы мышления, организовывать искусственную селекцию когнитивных решений, конструировать новые инструменты познания и в перспективе — ускорять эволюцию самого разума.

Это качественно новая историческая ситуация.

До настоящего времени эволюция разума происходила преимущественно стихийно. Биологическая эволюция создала человеческий мозг. Социальная эволюция сформировала язык, культуру, институты и коллективные формы мышления. История породила науку, философию, математику, технику и цивилизацию.

Однако ни один из этих процессов не был изначально спроектирован разумом как целостная программа создания его собственной следующей формы.

Сегодня такая возможность впервые начинает возникать.

ИИ позволяет создавать искусственные интеллектуальные системы.

Метаинтеллектуальные технологии должны позволить создавать системы, работающие уже с самими интеллектами.

Метаорганон должен превратить способы мышления в проектируемый и развиваемый инструментарий.

Искусственный метаинтеллект — ИМИ — должен сделать объектом своей деятельности архитектуры интеллекта, способы его мышления, обучения, творчества и дальнейшей эволюции.

Так начинается переход:

от использования разума — к проектированию разума;

от эволюции интеллекта — к управляемой эволюции интеллекта;

от управляемой эволюции — к осознанной метаэволюции разума.

Именно этот переход рассматривается в настоящей Доктрине как одна из важнейших стратегических возможностей России XXI века.

1. Что такое осознанная метаэволюция разума
Под эволюцией разума можно понимать процесс возникновения, изменения, усложнения и развития субъектов интеллектуальной деятельности, их способов мышления, инструментов, знаний, языков, когнитивных архитектур и производимых ими ментальных объектов.

Но понятия «эволюция» и «метаэволюция» необходимо различать.

При обычной эволюции изменяется некоторый объект.

При метаэволюции объектом изменения становятся также механизмы, посредством которых происходит само изменение.

Если обучается модель — развивается интеллект.

Если создаётся новый способ обучения моделей — изменяется механизм развития интеллекта.

Если система начинает проектировать новые способы создания способов обучения — возникает ещё более высокий уровень.

Поэтому осознанная метаэволюция разума предполагает способность интеллектуальных субъектов:

исследовать собственные механизмы развития;
выявлять их ограничения;
проектировать альтернативные механизмы;
создавать новые способы мышления;
организовывать испытание этих способов;
осуществлять интеллектуальную селекцию;
наследовать эффективные когнитивные приобретения;
изменять критерии и процедуры дальнейшей эволюции;
постепенно превращать развитие разума в самостоятельный предмет науки, инженерии и стратегического управления.
Осознанность здесь не означает полного контроля.

Невозможно заранее вычислить всё будущее развитие разума. Более того, действительно творческая эволюция должна постоянно порождать такие возможности, которые из исходного состояния невозможно было полностью предвидеть.

Поэтому речь идёт не о тотальном программировании будущего.

Речь идёт о способности создавать средства, среды и механизмы, позволяющие разуму сознательно участвовать в собственном дальнейшем становлении.

В этом смысле метаэволюция является не противоположностью открытой эволюции, а её возможным новым уровнем организации.

2. Разум как объект собственного проектирования
На протяжении почти всей человеческой истории разум выступал прежде всего как субъект.

Человек исследовал природу.

Исследовал общество.

Создавал технику.

Преобразовывал внешнюю среду.

Даже когда предметом исследования становилось человеческое мышление, между пониманием разума и его инженерным преобразованием сохранялся огромный разрыв.

Сегодня этот разрыв сокращается.

Человек уже создаёт:

искусственные нейронные сети;
внешние системы памяти;
языковые и мультимодальные модели;
агентные архитектуры;
интеллектуальные системы научного поиска;
системы коллективного человеко-машинного мышления;
новые интерфейсы между естественным и искусственным интеллектом.
Следующий шаг состоит в переходе от проектирования отдельных интеллектуальных функций к проектированию целостных механизмов развития интеллекта.

Возникает принципиально новый рефлексивный контур:

разум создаёт инструменты ; инструменты изменяют возможности разума ; изменённый разум создаёт более мощные инструменты ; новые инструменты позволяют изменять сам процесс создания инструментов.

Так формируется положительная обратная связь.

Человек становится не только носителем интеллекта, но потенциально и архитектором интеллектуальных архитектур.

ИИ становится не только инструментом мышления, но потенциально и инструментом проектирования следующих интеллектов.

ИМИ должен сделать этот переход своей специализированной функцией.

В пределе возникает система, в которой объект и субъект развития начинают частично совпадать:

разум развивает разум средствами самого разума.

Именно это делает проблему ИМИ не просто одной из инженерных проблем искусственного интеллекта, а одной из фундаментальных проблем будущей эволюции.

3. От стихийной эволюции к проектируемой эволюции
Стихийная эволюция не означает хаотическую эволюцию.

Она может подчиняться законам, механизмам отбора, наследования, конкуренции и кооперации. Но её направление не задаётся заранее субъектом, способным видеть процесс целиком и сознательно проектировать его дальнейшую архитектуру.

Биологическая эволюция не имела проекта человека.

Историческая эволюция не имела заранее разработанного проекта современной цивилизации.

Наука возникла не потому, что первобытное общество сформулировало тысячелетнюю программу создания экспериментального естествознания.

Но современный разум впервые может попытаться существенно изменить этот характер развития.

Уже сегодня можно сознательно:

создавать популяции ИИ-систем;
организовывать между ними соревнование;
отбирать лучшие решения;
изменять архитектуры;
создавать новые среды испытаний;
сохранять эффективные когнитивные приобретения;
строить системы, автоматически генерирующие следующие поколения систем.
Однако даже это ещё не является полной метаэволюцией.

Более высокий уровень начинается тогда, когда объектом проектирования становятся:

механизмы отбора;
правила генерации вариантов;
способы наследования;
критерии успешности;
архитектуры интеллектуальных агонов;
сами пространства возможных интеллектуальных систем.
Именно здесь соединяются ИМИ, ментальные войны, ноогенетика, Ноофракталика, метааксиоматические методы и Метаорганон.

Их общая сверхфункция может быть сформулирована так:

превратить развитие интеллекта из преимущественно внешне организуемого процесса в процесс, всё более способный проектировать собственные механизмы дальнейшего развития.

4. Мысленный эксперимент: если бы предчеловеческий разум проектировал становление человека
Представим существо, находящееся на предчеловеческой ступени развития.

Оно ещё не располагает полноценным человеческим языком, развитой системой понятий, письменностью, математикой, наукой и сложной инструментальной культурой.

Но предположим невозможное: оно каким-то образом получает способность увидеть собственное положение с более высокого метауровня.

Оно понимает:

мой нынешний способ мышления не является единственно возможным.

Затем оно задаёт вопрос:

что необходимо создать, чтобы возник интеллект принципиально более высокого уровня?

Если бы такой субъект был способен сознательно проектировать собственную эволюцию, он мог бы попытаться создать:

более совершенную систему коммуникации;
символический язык;
средства внешней памяти;
инструменты преобразования среды;
механизмы накопления знаний;
формы коллективного обучения;
способы передачи интеллектуальных приобретений новым поколениям;
институты коллективного мышления.
В реальной истории подобного проекта не существовало.

Человек возник в результате огромного комплекса биологических, социальных и культурных процессов.

Но теперь человечество оказывается в положении, которое структурно напоминает этот мысленный эксперимент.

Мы уже способны предположить, что современный человеческий интеллект не является предельной формой разума.

Мы уже располагаем инструментами, позволяющими исследовать и усиливать собственное мышление.

Мы создаём искусственные интеллекты.

Мы можем соединять их друг с другом и с людьми.

Мы способны проектировать новые языки, метаязыки, когнитивные среды и интеллектуальные архитектуры.

И поэтому впервые возникает вопрос:

способен ли разум второй нооформации сознательно создавать предпосылки появления разума третьей нооформации?

Именно этот вопрос является одним из центральных для настоящей Доктрины.

5. Первый антропогенез и возможный управляемый аронтогенез
Переход от предчеловеческих форм к человеку можно условно назвать первым великим становлением человеческого разума.

В результате появился субъект, способный:

использовать сложный язык;
мыслить абстрактно;
создавать орудия;
накапливать знания;
строить культуры;
создавать институты;
развивать науку и технологии.
Однако этот процесс не был сознательно спроектирован самим его будущим результатом.

Возможный переход от современного человека к аронту имеет принципиально иную перспективу.

Под аронтом в данном контексте понимается не просто «более умный человек».

Речь идёт о субъекте, который получает существенно более развитую способность:

рефлексировать над собственным мышлением;
видеть его архитектуру;
выявлять скрытые основания;
создавать новые когнитивные инструменты;
управлять сменой способов мышления;
ускоренно развивать свои интеллектуальные возможности;
взаимодействовать с ИИ и ИМИ как компонентами единой интеллектуальной системы.
Поэтому аронтогенез нельзя свести к биологическому улучшению человека.

Он может начинаться как системный переход:

человек + Метаорганон + ИИ + ИМИ + новые формы коллективного интеллекта.

Возможно, ранний аронт будет прежде всего не новым биологическим видом, а новым типом интеллектуальной организации субъекта.

Это делает переход потенциально значительно быстрее классической биологической эволюции.

Если первый антропогенез был преимущественно стихийным, то второй большой переход разума впервые может быть частично:

осмысленным;
исследуемым;
проектируемым;
технологически обеспечиваемым;
экспериментально проверяемым.
Так возникает концепция управляемого аронтогенеза.

Её нельзя понимать как обещание быстрого «создания сверхчеловека».

Первая задача гораздо скромнее и одновременно фундаментальнее:

доказать, что систематический переход к качественно более высоким режимам мышления вообще технологически возможен.

И именно на этот вопрос должен начать отвечать Метаорганон 1.0.

6. Вторая и третья нооформации
Для понимания масштаба происходящего недостаточно говорить только о поколениях технологий.

Необходимо различать поколения ИИ и более глубокие нооформационные переходы.

В рамках настоящей Доктрины современная цивилизация рассматривается преимущественно как цивилизация второй нооформации.

Она обладает:

развитым человеческим интеллектом;
языками;
письменностью;
наукой;
математикой;
сложными технологиями;
глобальными информационными сетями;
мощными институтами производства знаний.
Но механизмы развития самого разума всё ещё остаются во многом внешними, частичными и фрагментарными.

Третья, аронтическая нооформация предполагает иной уровень.

Её становление связано с появлением специализированных механизмов:

развития самих интеллектов;
метаинтеллектуального управления;
новых поколений Метаорганона;
карионных архитектур;
ИМИ;
управляемой агональной селекции;
ноогенетического наследования;
ускоренной искусственной эволюции когнитивных систем.
Однако особенно важно не смешивать вход в третью нооформацию с её зрелостью.

Первые ИМИ и первые Метаорганоны не означают завершённую третью нооформацию.

Они являются лишь началом длительного процесса.

Внутри III нооформации могут последовательно возникать:

ИМИ1 ; ИМИ2 ; ИМИ3 ; … ; ИМИN

и:

МО1 ; МО2 ; МО3 ; … ; МОN.

Могут формироваться карионы всё более высоких порядков, сложные брейомы, глобальные интеллектуальные системы и новые формы коллективной субъектности.

Но всё это может оставаться развитием одной и той же III нооформации.

Переход к IV нооформации потребует принципиально иного эволюционного механизма и существенно более глубокого метафилософского инструментария.

Поэтому настоящая Доктрина сознательно сосредоточена прежде всего на начале перехода II ; III нооформации и развёртывании первых механизмов III нооформации.

7. Прокариотические и эукариотические интеллектуальные системы
Одним из возможных архитектурных признаков этого перехода является эукариотизация ИИ.

Биологическая аналогия используется здесь именно как аналогия организации.

Прокариотическая клетка не имеет выделенного мембранного ядра.

Эукариотическая имеет специализированное ядро, внутри которого сосредоточен критически важный уровень управления и наследственной организации.

В применении к искусственному интеллекту речь идёт не о буквальном копировании биологии, а о принципе:

у интеллектуальной системы появляется специализированное метаинтеллектуальное ядро — карион.

Большинство современных ИИ можно рассматривать как преимущественно прокариотические системы в этом специальном смысле.

Они могут иметь:

planner;
critic;
память;
системные инструкции;
агентную координацию;
механизмы самопроверки.
Но эти компоненты ещё не образуют полноценного специализированного ядра, основной задачей которого является систематическое развитие самого интеллекта как объекта.

Карион должен выполнять более глубокие функции:

поддерживать модель собственной интеллектуальной системы;
диагностировать её сильные и слабые стороны;
обнаруживать ограничения;
проектировать изменения;
создавать альтернативные когнитивные архитектуры;
испытывать их;
организовывать интеллектуальные агоны;
отбирать эффективные решения;
интегрировать улучшения;
отслеживать последствия;
совершенствовать сам механизм развития.
Появление подобных архитектур означает не просто очередное увеличение мощности ИИ.

Возникает новый организационный принцип:

интеллект получает специализированный орган собственной интеллектуальной эволюции.

Именно поэтому переход к эукариотическим ИИ-системам рассматривается как один из возможных технологических механизмов начала третьей нооформации.

8. ИИ и ИМИ в переходе от второй к третьей нооформации
Искусственный интеллект и Искусственный метаинтеллект выполняют в этом переходе разные функции.

ИИ способен:

анализировать информацию;
решать задачи;
генерировать тексты, программы, модели;
управлять агентными действиями;
помогать в научных исследованиях;
автоматизировать интеллектуальный труд.
ИМИ должен дополнительно работать с самими интеллектами.

Его объектами становятся:

когнитивные архитектуры;
способы мышления;
интеллектуальные методы;
системы аксиом;
механизмы творчества;
способы обучения;
механизмы интеллектуальной эволюции.
Поэтому переход:

ИИ ; ИМИ

является не просто количественным увеличением интеллектуальной мощности.

Это изменение предметной области деятельности самого интеллекта.

ИИ создаёт решения.

ИМИ должен уметь создавать и развивать решателей.

ИИ применяет способы мышления.

ИМИ должен уметь проектировать новые способы мышления.

ИИ обучается.

ИМИ должен исследовать и изменять архитектуру обучения и развития.

Именно поэтому создание ИМИ1 рассматривается как одна из ключевых технологических сверхзадач перехода от II к III нооформации.

Однако ИМИ1 — лишь порог.

После него должна начаться линия:

ИМИ1 ; ИМИ2 ; … ; ИМИN.

И каждое новое поколение может всё активнее участвовать в создании следующего.

Тем самым возникает потенциально самоускоряющийся процесс:

интеллект развивает технологию развития интеллекта, а технология развития интеллекта создаёт более мощный интеллект.

Это один из возможных механизмов осознанной метаэволюции.

9. Оперативно-стратегический, стратегический и метастратегический горизонты Доктрины
Нельзя строить программу метаэволюции разума только на одном временном горизонте.

Однако столь же ошибочно было бы механически отождествлять временные периоды с уровнями деятельности.

В настоящей Доктрине различаются три содержательных уровня.

Оперативно-стратегический
Отвечает преимущественно на вопрос:

что необходимо начать делать сейчас?

Это:

центры;
команды;
вычислительные мощности;
программы исследований;
экспериментальные платформы;
национальные проекты;
кадры;
первые прототипы.
Стратегический
Отвечает на вопрос:

какие устойчивые системы необходимо создать?

Это:

национальная ИИ-инфраструктура;
LPM-школа;
полноценные технологии ИМИ;
поколения Метаорганона;
новые научные дисциплины;
институты искусственной эволюции разума;
системы подготовки новых типов интеллектуальных субъектов.
Метастратегический
Отвечает на вопрос:

во что должен превращаться сам разум и какие долгосрочные траектории его развития необходимо открывать?

Это уже:

теория нооформаций;
эволюция ИМИ;
эволюция Метаорганона;
становление аронтной субъектности;
зрелое развитие III нооформации;
исследование принципиально более далёких форм разума.
Эти уровни нельзя превращать в простую временную последовательность.

Уже в первом пятилетии необходима метастратегия.

Иначе невозможно понять, какие технологии нужно начинать создавать сейчас.

А через сто лет сохранятся оперативные задачи.

Поэтому настоящая Доктрина строится как матрица горизонтов и уровней, а не как линейная дорожная карта.

10. Программа-минимум и программа-максимум
Российская стратегия должна одновременно решать две принципиально разные задачи.

Программа-минимум
Россия обязана достигнуть полноценной конкурентоспособности на нынешнем мировом ИИ-фронтире.

Это означает развитие:

вычислительной инфраструктуры;
фундаментальных моделей;
современной микроэлектронной базы;
данных;
облачных платформ;
ИИ-агентов;
робототехники;
ИИ для науки;
ИИ для промышленности;
государственного ИИ;
кадровой системы.
Без этого любые разговоры о более высоких архитектурах будут лишены необходимой материальной основы.

Россия с современной конкурентоспособной LLM становится полноценным участником мирового ИИ-фронтира.

Но этого недостаточно для долгосрочного лидерства.

Программа-максимум
Россия должна параллельно создавать направления, способные сформировать следующий фронтир.

К ним могут относиться:

LPM;
MetaLPM;
новые архитектуры СИИ;
карионный ИИ;
ИМИ;
Метаорганон;
агональный метаинтеллект;
ноогенетические системы;
Ноофракталика;
искусственная эволюция интеллектуальных экосистем.
Именно здесь особенно важна идея фронтиротворчества.

Россия не должна делать выбор:

либо догонять, либо изобретать будущее.

Необходимо делать и то и другое.

Но в разных областях и разными механизмами.

Отсюда три режима:

догонять там, где фронтир сформирован;

соревноваться там, где он ещё открыт;

создавать фронтир там, где его пока нет.

11. Принцип обратной проектной детерминации
Обычное представление о развитии исходит преимущественно из прошлого.

Сначала существует состояние A.

Из него возникает B.

Из B возникает C.

То есть действует прямая причинная последовательность:

сегодня ; завтра ; послезавтра.

Она очевидно необходима.

Но стратегическое проектирование добавляет противоположное направление.

Если существует представление о желаемом или допустимом состоянии будущего, оно формирует требования к более ранним состояниям.

Тогда появляется:

дальний горизонт ; требования к среднему горизонту ; требования к ближайшей программе ; сегодняшнее действие.

Это и есть принцип обратной проектной детерминации.

Он не означает, что будущее мистическим образом причинно воздействует на настоящее.

Речь идёт о рациональном проектировании:

представление о будущем становится информационным основанием сегодняшнего выбора.

Если Россия считает ИМИ принципиально важным на горизонте нескольких десятилетий, то уже сегодня необходимо готовить:

научные школы;
LPM;
метаинтеллектуальные архитектуры;
Метаорганон;
метрики;
исследовательские полигоны;
специалистов;
вычислительную инфраструктуру.
Если предположить, что III нооформация потребует новых форм интеллектуальной субъектности, то уже сегодня необходимо исследовать условия их возникновения.

Поэтому метастратегия — не декоративная футурология.

Она является одним из инструментов выбора правильной оперативной стратегии.

12. Россия как потенциальный создатель следующего интеллектуального фронтира
Настоящая Доктрина исходит из предположения, которое ещё необходимо проверять на протяжении всей книги.

Россия способна претендовать не только на восстановление конкурентоспособности в существующей ИИ-гонке, но и на участие в создании следующего фронтира.

Это утверждение нельзя принимать на веру.

Поэтому первая крупная часть книги будет посвящена анализу:

мирового ИИ-фронтира;
первой десятки стран-лидеров;
международных рейтингов;
вычислительных мощностей;
моделей;
инвестиций;
кадров;
научных результатов;
патентов;
внедрения;
реального места России;
величины российского ИИ-разрыва.
Только после этого можно серьёзно обсуждать российскую программу лидерства.

Если страна находится далеко от нынешнего фронтира по критически важной технологии, это необходимо честно признать.

Если существует область, в которой мировой фронтир ещё только формируется, это также необходимо увидеть.

Именно такое различение позволяет избежать двух одинаково опасных крайностей:

самоуспокоения;
стратегического пораженчества.
Россия может иметь серьёзное отставание в одних компонентах современной ИИ-системы и одновременно обладать возможностью создавать оригинальные направления в других.

Поэтому основной вопрос состоит не в том:

«Россия сегодня лидер или не лидер?»

А в другом:

какую структуру действий необходимо создать, чтобы максимально быстро сократить критические разрывы и одновременно сформировать собственные направления следующего поколения?

В этой логике LPM, Метаорганон и ИМИ приобретают особое значение.

Их ценность состоит не в том, что они позволяют игнорировать современный мировой фронтир.

Напротив.

Их развитие имеет смысл только при наличии сильной фундаментальной ИИ-базы.

Но они дают возможность изменить саму постановку задачи:

не только догнать наиболее мощный существующий интеллект, но создать более совершенный механизм производства следующих интеллектов.

Если это удастся, глобальная конкуренция перейдёт на новый уровень.

Лидером будет становиться не только тот, кто располагает наиболее мощной системой сегодня.

Всё большее значение будет получать тот, кто обладает наиболее мощной системой создания завтрашних систем.

И именно здесь открывается потенциальная стратегическая ниша России.

Она чрезвычайно трудна.

Она потребует огромных ресурсов.

Она может не дать всех ожидаемых результатов.

Но альтернатива — ограничиться вечным воспроизводством уже созданных другими технологических поколений — стратегически ещё менее привлекательна.

Поэтому основной тезис настоящей Доктрины можно сформулировать следующим образом:

Россия должна стремиться не только к лидерству в использовании и создании искусственного интеллекта, но и к созданию инфраструктуры осознанной метаэволюции разума — системы, способной порождать, испытывать, отбирать и развивать следующие поколения естественного, искусственного и гибридного интеллекта.

Первой крупной проверкой этой стратегии должно стать создание полномасштабной технологии ИМИ1.

Первым технологическим доказательством возможности качественно более высокого человеко-машинного мышления должен стать Метаорганон 1.0.

Одной из его базовых когнитивных опор должны стать LPM и MetaLPM.

А стратегической программой XXI века — последовательное развитие поколений:

ИМИ1 ; ИМИ2 ; … ; ИМИN

и:

МО1 ; МО2 ; … ; МОN.

Если подобная программа окажется успешной, речь будет идти уже не просто о российском лидерстве в ещё одной отрасли высоких технологий.

Речь будет идти о попытке стать одним из субъектов, участвующих в сознательном создании следующей ступени эволюции разума.

*********

ЧАСТЬ I
МИРОВОЙ ИИ-ФРОНТИР: ЛИДЕРЫ, РЕЙТИНГИ И РЕАЛЬНОЕ МЕСТО РОССИИ
Стратегия глобального лидерства начинается не с декларации лидерских амбиций, а с точного определения исходной позиции.

Невозможно сформировать реалистичную программу глобального лидерства России в сфере искусственного интеллекта, не ответив предварительно на четыре вопроса:

каков реальный мировой ИИ-фронтир; кто сегодня находится на этом фронтире; как измеряется национальная ИИ-мощь; насколько далеко от лидеров находится Россия по различным компонентам этой мощности.

Ответы оказываются сложнее, чем может показаться.

Не существует единственной таблицы, которая раз и навсегда устанавливает порядок государств от первого до последнего места. Одна страна может лидировать в фундаментальных моделях, другая — в патентовании, третья — в роботизации, четвёртая — в концентрации исследователей, пятая — в государственном внедрении. Государство с очень высоким относительным уровнем ИИ-развития на душу населения может обладать значительно меньшей абсолютной мощью, чем большая страна с огромными вычислительными, финансовыми и кадровыми ресурсами.

Поэтому в настоящей Доктрине мировой ИИ-фронтир рассматривается как многомерная динамическая система, а национальное лидерство — как способность государства и расположенной в нём интеллектуально-технологической экосистемы не только использовать существующие достижения, но воспроизводить и расширять сам фронтир.

Это различение особенно важно для России.

В одних направлениях ей предстоит тяжёлая работа по сокращению уже сформировавшегося разрыва. В других мировой фронтир остаётся открытым. А в некоторых областях — LPM, Метаорганон, карионные архитектуры, ИМИ, искусственная метаэволюция разума — речь может идти уже не столько о догоняющем развитии, сколько о попытке создать новый фронтир.

Но право на такую постановку вопроса необходимо сначала доказать анализом существующего положения.

Глава 1. Что такое мировой ИИ-фронтир
1. Понятие технологического фронтира
Технологический фронтир — это не совокупность самых модных технологий и не перечень последних научных публикаций.

Под технологическим фронтиром в настоящей Доктрине понимается подвижная граница максимально развитых реально достигнутых и воспроизводимых возможностей определённого класса технологий.

В сфере искусственного интеллекта такой фронтир включает несколько взаимосвязанных слоёв.

Первый — собственно интеллектуальная мощность наиболее развитых моделей и систем.

Второй — архитектуры, посредством которых эта мощность достигается.

Третий — вычислительная база: ускорители, дата-центры, сети, память, энергетика.

Четвёртый — научная и инженерная экосистема, способная непрерывно создавать новые поколения систем.

Пятый — капитал, компании, кадры, данные, инфраструктура внедрения.

Шестой — способность преобразовывать лабораторные достижения в массовые экономические, научные, военные и государственные преимущества.

Поэтому наличие одной сильной модели ещё не означает полноценного положения страны на мировом ИИ-фронтире.

Это особенно хорошо видно по состоянию ИИ-системы середины 2020-х годов. По данным Stanford AI Index 2026, индустрия создала более 90% заметных ИИ-моделей 2025 года. При этом США выпустили 59 таких моделей, Китай — 35; одновременно Китай лидировал по объёму ИИ-публикаций, цитированию и числу выданных ИИ-патентов. То есть даже две сильнейшие ИИ-державы лидируют по разным компонентам одной системы.

Следовательно, мировой ИИ-фронтир — это не точка.

Это многомерная граница возможностей.

И государство может находиться близко к ней в одной координате и чрезвычайно далеко — в другой.

2. Текущий фронтир и следующий фронтир
Для целей настоящей Доктрины необходимо различать как минимум два фронтира.

Текущий фронтир
Это наиболее развитые технологии, которые уже существуют и демонстрируют измеримые результаты:

современные фундаментальные модели, мультимодальные системы, reasoning-модели, ИИ-агенты, автономные программные системы, генеративные модели, AI for Science, современная робототехника, специализированные научные и инженерные ИИ.

Текущий фронтир можно измерять.

Можно сравнивать модели.

Можно оценивать compute.

Можно считать инвестиции, исследователей, патенты, публикации, дата-центры и компании.

Можно устанавливать лидеров.

Следующий фронтир
Это совокупность технологических возможностей, которые ещё не стали зрелой международной отраслью, но потенциально способны изменить саму архитектуру конкуренции.

Именно здесь находится главный интерес программы-максимум.

Сегодня мировой фронтир чрезвычайно быстро движется даже внутри существующей парадигмы. Stanford AI Index 2026 отмечает, например, что разрыв в качестве лучших американских и китайских моделей сократился до нескольких процентов, а некоторые сложные benchmark-системы насыщаются значительно быстрее, чем предполагали их создатели.

Это означает, что текущая архитектура соревнования сама нестабильна.

Следующий фронтир может возникнуть из:

новых когнитивных архитектур;

новых способов представления знания;

автономных научных систем;

эволюционирующих популяций ИИ;

машинного метапознания;

новых способов организации человеко-машинного интеллекта;

искусственного метаинтеллекта.

Для России принципиально важно не смешивать эти два фронтира.

Если мы не умеем создавать конкурентоспособные системы нынешнего поколения, разговор о следующем фронтире лишается значительной части материальной основы.

Но если мы будем заниматься только нынешним фронтиром, мы рискуем постоянно воспроизводить результаты, уже созданные другими.

Поэтому национальная стратегия должна одновременно работать с:

Fронтиром настоящего — как задачей конкурентоспособности;

и

фронтиром следующего поколения — как задачей лидерства.

3. Национальная ИИ-мощь
Понятие национальной ИИ-мощи шире понятия национальной ИИ-индустрии.

Под национальной ИИ-мощью целесообразно понимать совокупную способность государства, экономики, науки и расположенных в стране интеллектуально-технологических систем создавать, воспроизводить, применять, защищать и ускоренно развивать искусственный интеллект.

В неё входят по меньшей мере пять типов способности.

Создающая способность — может ли страна самостоятельно производить передовые модели, архитектуры, алгоритмы и исследовательские результаты.

Инфраструктурная способность — располагает ли она вычислениями, энергетикой, каналами связи, облачными системами, чипами и данными.

Воспроизводящая способность — может ли экосистема регулярно создавать новое поколение технологий, а не один удачный продукт.

Масштабирующая способность — способна ли страна внедрить ИИ в экономику, науку, государство, образование и оборону.

Фронтиротворческая способность — может ли она создавать такие классы возможностей, которые затем становятся новым международным benchmark.

Последний параметр особенно важен.

Страна может быть крупным пользователем чужого ИИ и при этом обладать небольшой собственной ИИ-мощью.

Она может иметь несколько сильных исследовательских коллективов, но не иметь необходимого compute.

Может иметь огромный внутренний рынок, но зависеть от иностранных ускорителей, облачной инфраструктуры или базовых моделей.

Поэтому реальная национальная ИИ-мощь должна оцениваться именно системно.

4. Почему нельзя измерять лидерство одним показателем
Любой интегральный рейтинг неизбежно упрощает реальность.

Особенно опасны три ошибки.

Первая — измерять ИИ-лидерство только количеством публикаций.

Научное производство критически важно, но страна с большим числом статей может существенно уступать по frontier-моделям, compute и промышленному внедрению.

Вторая — измерять лидерство исключительно капиталом.

Деньги создают возможности, но не гарантируют научной продуктивности, технологического суверенитета или способности создавать новые архитектуры.

Третья — измерять лидерство качеством одной лучшей модели.

Это показывает верхнюю точку одного технологического направления, но ничего не говорит о всей национальной системе.

Хорошей иллюстрацией является современное сопоставление США и Китая. В 2025 году частные инвестиции в ИИ в США достигли, по Stanford AI Index, около 285,9 млрд долларов против 12,4 млрд долларов в Китае. Однако тот же источник отмечает, что Китай опережает США по ряду научно-публикационных и патентных показателей, а оценка только частных инвестиций недооценивает роль китайских государственных фондов.

Одна цифра здесь не описывает систему.

Поэтому в настоящей Доктрине будет применяться не один показатель, а панель индикаторов национальной ИИ-мощи, дополненная интегральной оценкой.

При этом интегральный рейтинг должен использоваться как средство анализа, а не как замена анализа.

5. Производители технологий и их пользователи
Необходимо также различать участие страны в ИИ-революции и производство ИИ-фронтира.

Условно можно выделить четыре уровня.

Первый — потребительский.

Страна активно использует иностранные ИИ-продукты.

Второй — интеграционный.

Она умеет адаптировать существующие модели к собственной экономике, языку и государственным задачам.

Третий — суверенно-производственный.

Она способна создавать собственные конкурентоспособные модели, инфраструктуру и ключевые компоненты экосистемы.

Четвёртый — фронтиротворческий.

Она создаёт технологии, которые изменяют направление мирового развития.

Для глобального лидерства России недостаточно первого и второго уровней.

Даже третий является необходимым, но не окончательным.

Цель программы-максимум — способность переходить к четвёртому.

World Bank в докладе Digital Progress and Trends Report 2025 также подчёркивает огромную концентрацию ИИ-инноваций, вычислений и финансирования в богатых странах. По его оценке, высокодоходные экономики, представляя лишь около 17% мирового населения, концентрировали 87% заметных ИИ-моделей, 86% ИИ-стартапов и 91% венчурного финансирования.

Это и есть одна из причин, почему простое распространение доступа к ИИ нельзя путать с перераспределением способности создавать ИИ.

6. Фронтирные модели и национальная экосистема
Фронтирная модель — видимая вершина значительно более крупной системы.

Под ней находятся:

исследовательские коллективы;

обучающие данные;

вычислительные мощности;

ускорители;

энергетика;

облачная инфраструктура;

инструменты обучения;

системы оценки;

инженерные кадры;

капитал;

пользовательская база;

производственные и научные приложения.

Именно поэтому сильная национальная стратегия не должна сводиться к лозунгу «создать лучшую модель».

Нужно создать машину регулярного производства моделей и следующих архитектур.

Современная концентрация compute показывает значение инфраструктурного слоя особенно наглядно. Stanford AI Index 2026 оценивает число дата-центров в США в 5 427 — более чем в десять раз выше, чем в любой другой отдельной стране по используемой в отчёте базе. Тот же отчёт подчёркивает критическую зависимость передовых AI-чипов от ограниченного числа производственных узлов, прежде всего тайваньского контрактного производства.

Следовательно, модель без экосистемы может быть достижением.

Но устойчивый фронтир без экосистемы практически невозможен.

7. Способность удерживать лидерство
Лидерство — это не занятое однажды первое место.

В ИИ оно особенно быстро обесценивается.

Сегодняшняя frontier-модель через год может оказаться средним продуктом.

Поэтому принципиальным показателем становится скорость воспроизводства превосходства.

Нужно измерять:

не только текущую лучшую систему;

но и частоту создания новых систем;

скорость перехода от лаборатории к продукту;

способность привлекать людей и капитал;

способность строить новую инфраструктуру;

способность быстро менять технологическую парадигму.

База Epoch AI хорошо демонстрирует масштаб такой динамики: она уже отслеживает тысячи исторически значимых и современных моделей, включая отдельные наборы frontier и large-scale models, причём соответствующие данные обновляются практически непрерывно.

Таким образом, национальный лидер — это не страна с одним рекордом.

Это страна, способная превратить рекорды в серийный процесс.

8. Способность создавать новый benchmark
Существует ещё более высокий тип лидерства.

Можно победить по существующим правилам.

А можно изменить сами правила соревнования.

В первом случае государство достигает существующего benchmark.

Во втором — создаёт такой технологический объект или класс возможностей, после появления которого остальные вынуждены сравнивать себя уже с ним.

Именно это будем называть фронтиротворчеством.

Для России эта категория имеет особое значение.

По существующему фронтиру она во многих отношениях вынуждена догонять.

Но в областях, где технологическая архитектура ещё не установилась, возможно иное движение.

В настоящей Доктрине в качестве кандидатов на подобные новые фронтиры рассматриваются:

LPM и MetaLPM;

Метаорганон;

карионный ИИ;

ИМИ;

агональная и ноофрактальная эволюция интеллектуальных систем.

Именно поэтому глобальное лидерство должно оцениваться не только вопросом:

кто сегодня обладает самым сильным ИИ?

Но и значительно более важным вопросом:

кто обладает наиболее мощной способностью создавать те поколения интеллекта, которых сегодня ещё не существует?

Глава 2. Как измерять глобальное лидерство в сфере ИИ
1. Интегральные международные рейтинги
Первой отправной точкой являются существующие международные индексы.

Но они отвечают на разные вопросы.

Tortoise Media Global AI Index измеряет национальную ИИ-способность через три крупных блока — Implementation, Innovation и Investment — и семь направлений, включая talent, infrastructure, operating environment, research, development, government strategy и commercial ecosystem. Последняя доступная на момент подготовки настоящей версии Доктрины пятая редакция опубликована в 2024 году и охватывает 83 государства с использованием 122 индикаторов из 24 источников.

Oxford Insights Government AI Readiness Index 2025 решает другую задачу. Он оценивает 195 правительств прежде всего с точки зрения способности государства использовать и обеспечивать применение ИИ в общественных интересах. Поэтому этот индекс чрезвычайно полезен для оценки государственного измерения ИИ, но не может самостоятельно служить рейтингом полной национальной ИИ-мощи.

Stanford AI Index, напротив, ценен прежде всего не единым местом страны в таблице, а огромной системой первичных и агрегированных показателей по моделям, инвестициям, науке, кадрам, инфраструктуре, политике и применению ИИ. Версия 2026 года является одной из базовых источниковых опор настоящей Доктрины.

Следовательно, наша методика не должна копировать один из этих индексов.

Она должна синтезировать их сильные стороны.

2–5. Модели, вычисления, чипы и облачная инфраструктура
Фундаментальные и frontier-модели показывают способность страны создавать наиболее сложные современные интеллектуальные системы.

Но модельная мощь невозможна без compute.

Поэтому необходимо отдельно оценивать:

объём доступных высокопроизводительных вычислений;

крупнейшие национальные AI-кластеры;

парк ускорителей;

доступ к передовым чипам;

способность проектировать и производить критические аппаратные компоненты;

облачную инфраструктуру;

энергетическую обеспеченность вычислительных центров.

В современных условиях аппаратный слой становится вопросом не просто эффективности, а технологического суверенитета.

World Bank прямо характеризует compute как своеобразное «новое электричество» ИИ-эпохи и подчёркивает его глобально неравномерное распределение.

6–8. Наука, цитирование и патенты
Научный потенциал необходимо оценивать как минимум по двум различным характеристикам:

объёму производства знания и влиянию произведённого знания.

Количество публикаций без учёта качества может вводить в заблуждение.

Поэтому наряду с публикационной активностью должны использоваться:

цитируемость;

доля высокоцитируемых работ;

позиции ведущих университетов и лабораторий;

вклад в новые методы и архитектуры;

участие в frontier-development.

Патенты отражают ещё один тип способности — оформление и потенциальную коммерциализацию изобретений.

Но и здесь простое количество патентов недостаточно.

Необходимо учитывать их международное распространение, цитирование, технологическую значимость и владельцев.

Темпы роста чрезвычайно высоки. По данным WIPO, число опубликованных семейств патентов в области генеративного ИИ выросло приблизительно с 14 тыс. в 2023 году до 37,8 тыс. в 2025 году; GenAI составил уже 8,7% всех опубликованных AI patent families в 2025 году.

9–10. ИИ-кадры и движение талантов
ИИ — одна из наиболее кадровозависимых современных технологий.

При этом важны не только абсолютные числа специалистов.

Необходимо оценивать:

плотность высококвалифицированных исследователей;

число разработчиков;

подготовку PhD;

ведущие университеты;

международную мобильность;

приток и отток талантов;

способность удерживать ведущих исследователей.

Это особенно важно потому, что кадровые потоки меняются быстрее, чем формальные образовательные системы.

Stanford AI Index 2026, например, фиксирует заметное сокращение притока зарубежных ИИ-исследователей и разработчиков в США по сравнению с прежними годами, хотя США сохраняют крупнейшую концентрацию ИИ-таланта.

Следовательно, даже лидерство в кадрах не является необратимым.

11–13. Капитал, государство, компании и стартапы
Развитие frontier AI требует огромного объёма капитала.

Поэтому необходимо отдельно измерять:

частные инвестиции;

венчурные инвестиции;

корпоративные капитальные расходы;

государственные программы;

закупки;

финансирование суперкомпьютерной инфраструктуры;

число новых ИИ-компаний;

стоимость и зрелость национальной ИИ-экосистемы.

OECD в отдельном исследовании 2026 года анализирует венчурные инвестиции в ИИ до конца 2025 года и подчёркивает их роль в формировании национальных ИИ-экосистем.

Однако деньги нужно учитывать осторожно.

Объявленная государственная программа финансирования не равна фактически израсходованным средствам.

Оценка компании не равна инвестиции в R&D.

Капитальные расходы облачного гиганта не полностью относятся к ИИ.

Поэтому каждый показатель должен сопровождаться определением его содержания.

14–18. Внедрение как превращение потенциала в мощь
Можно иметь сильную науку и слабое экономическое внедрение.

Поэтому национальная ИИ-мощь должна учитывать не только производство технологии, но и её социально-экономическую материализацию.

Отдельно должны оцениваться:

промышленное внедрение;

государственное применение;

ИИ для науки;

робототехника и embodied AI;

оборонное использование.

При этом последний блок особенно сложен: значительная доля данных засекречена, а открытые оценки часто неполны.

Поэтому по оборонному ИИ в дальнейшем будет необходимо использовать отдельный класс источников и указывать степень достоверности каждого вывода.

19. Международные стандарты и влияние
Технологическое лидерство включает способность определять правила.

Государство может влиять на:

международные технические стандарты;

нормы безопасности;

экспортные режимы;

архитектуру открытых платформ;

режимы данных;

международные институты управления ИИ.

Это своеобразная нормативная мощь.

Она не заменяет технологической, но способна усиливать её.

Страна, формирующая стандарт, частично формирует среду, в которой затем конкурируют остальные.

20. Технологический суверенитет
Суверенитет нельзя понимать как требование производить абсолютно всё внутри собственных границ.

В сложных глобальных технологических системах это зачастую экономически нерационально.

Но необходимо различать обычную взаимозависимость и критическую одностороннюю зависимость.

Национальная ИИ-система должна иметь приемлемую устойчивость по критическим компонентам:

compute;

чипы;

модели;

данные;

облака;

энергия;

ключевое программное обеспечение;

кадры.

Поэтому технологический суверенитет — это прежде всего способность продолжать развитие и применение критических ИИ-систем при ухудшении доступа к внешним ресурсам.

Для России этот показатель будет иметь существенно больший вес, чем для многих стран, действующих внутри единого технологического пространства союзников.

21. Методика интегральной оценки национальной ИИ-мощи
Для настоящей Доктрины предлагается не один «магический» индекс, а трёхуровневая система.

Первый уровень — абсолютная ИИ-мощь
Она показывает реальный масштаб национальной системы.

Именно этот показатель важнее всего для оценки глобального силового и технологического баланса.

Второй уровень — ИИ-интенсивность
Он показывает результат относительно:

населения;

ВВП;

размеров экономики;

доступных ресурсов.

Это позволяет увидеть небольшие, но чрезвычайно эффективные ИИ-государства.

Tortoise применяет аналогичное различение scale и intensity; в его методологии абсолютные и относительные показатели имеют различный вес.

Третий уровень — фронтиротворческий потенциал
Это наиболее необычная для нашей Доктрины часть.

Необходимо оценивать не только сегодняшнюю мощь, но способность государства создавать следующий технологический фронтир.

Здесь должны учитываться:

оригинальность исследовательских направлений;

число новых архитектур;

способность быстро создавать новые поколения систем;

метаинтеллектуальная инфраструктура;

готовность к высокорисковым frontier-программам;

способность превращать научные идеи в новые мировые benchmark.

Таким образом, итоговая оценка будет отвечать сразу на три разных вопроса:

Сколько ИИ-мощи имеет страна сегодня?

Насколько эффективно она использует свои ресурсы?

Насколько вероятно, что она будет определять завтрашний фронтир?

Именно такая трёхмерная оценка необходима для стратегии глобального лидерства России.

Глава 3. Источники данных о мировом ИИ-фронтире
Измерение столь сложного и быстро развивающегося объекта требует особой дисциплины работы с источниками.

В настоящей Доктрине будет использоваться принцип:

ни одна значимая цифра о текущем состоянии мирового ИИ-фронтира не должна существовать без даты, определения показателя и проверяемого источника.

Для динамических показателей желательно также указывать предыдущие значения, чтобы различать положение и тенденцию.

1. Stanford AI Index
Базовым источником становится ежегодный Stanford AI Index.

Версия 2026 года охватывает:

исследования и разработки;

технические возможности;

инвестиции;

экономическое применение;

науку;

медицину;

образование;

политику и управление;

общественное восприятие.

Его главное преимущество — не единый рейтинг государств, а большое число взаимосвязанных показателей и использование множества внешних наборов данных. Stanford определяет своей миссией создание глобально собранной и тщательно проверенной эмпирической базы по развитию ИИ.

Для настоящей Доктрины Stanford AI Index будет одним из основных источников при оценке:

моделей;

инвестиций;

исследований;

кадров;

инфраструктуры;

применения;

национальной политики.

2. Global AI Index
Второй важный источник — Global AI Index Tortoise Media.

Здесь необходимо сразу зафиксировать временное ограничение.

На момент подготовки настоящей версии книги последняя найденная официальная редакция Tortoise относится к 19 сентября 2024 года. Поэтому использовать её как будто это рейтинг 2026 года нельзя.

Однако методологически она остаётся чрезвычайно полезной.

Индекс охватывает 83 страны и строится на трёх блоках:

Implementation;

Innovation;

Investment.

Внутри них рассматриваются talent, infrastructure, operating environment, research, development, government strategy и commercial ecosystem.

Его данные будут использоваться прежде всего для:

исторического сравнения;

анализа структуры национальной ИИ-мощи;

сопоставления scale и intensity;

проверки устойчивости позиций стран в разных рейтингах.

3. Oxford Insights
Government AI Readiness Index 2025 Oxford Insights оценивает 195 государств.

В новой методологии центральный вопрос сформулирован как способность правительства использовать ИИ в общественных интересах, причём учитывается не только непосредственное государственное применение, но и роль государства как регулятора, покупателя и создателя условий развития ИИ.

Следовательно, данный индекс особенно важен для оценки:

государственной готовности;

политических институтов;

инфраструктуры;

управления рисками;

способности государства стимулировать национальную ИИ-экосистему.

Но его нельзя механически принимать за общий рейтинг ИИ-мощи.

4. OECD
OECD и OECD.AI дают важный массив информации по:

государственной ИИ-политике;

рынкам труда;

навыкам;

инвестициям;

венчурному капиталу;

внедрению;

экономическим последствиям ИИ.

Особенно ценным для настоящей версии является исследование OECD 2026 года по венчурным инвестициям в ИИ до конца 2025 года, построенное на данных Preqin.

OECD будет использоваться прежде всего для проверки экономических и инвестиционных показателей и международной сопоставимости государственных политик.

5. WIPO
Для измерения изобретательской и патентной активности ключевым источником является World Intellectual Property Organization.

WIPO выпускает специализированную AI patent analytics.

Особое значение имеет обновление Technology SPARK 2026 по генеративному ИИ, доводящее анализ до 2025 года.

WIPO позволяет оценивать:

динамику патентования;

страны происхождения изобретений;

крупнейших владельцев портфелей;

технологические направления;

международную активность.

При этом патентные показатели должны использоваться вместе с другими критериями: высокая патентная активность сама по себе ещё не доказывает лидерства в frontier-моделях.

6. World Bank
Важным дополнительным источником является Digital Progress and Trends Report 2025: Strengthening AI Foundations Всемирного банка.

Доклад предлагает удобную систему четырёх базовых условий ИИ-развития:

connectivity; compute; context; competency.

То есть:

связность и инфраструктура;

вычислительные мощности;

данные и локальный контекст;

компетенции.

Для настоящей Доктрины особенно важна его концепция глобального AI divide — неравномерности доступа не только к приложениям ИИ, но к фундаментальным условиям их создания и адаптации.

7. Международные базы научных публикаций
Для научного блока должны использоваться несколько независимых библиометрических систем.

В зависимости от показателя это могут быть:

Scopus;

Web of Science;

OpenAlex;

Dimensions;

Semantic Scholar;

специализированные базы ведущих конференций и журналов.

Использование нескольких систем необходимо из-за различий:

в охвате;

классификации ИИ;

учёте конференционных публикаций;

определении аффилиации;

методике подсчёта цитирования.

В области ИИ это особенно важно, поскольку конференции зачастую играют существенно большую роль, чем во многих традиционных научных дисциплинах.

8. Базы патентов
Наряду с агрегированной аналитикой WIPO необходимо использовать первичные и специализированные патентные базы:

WIPO PATENTSCOPE;

EPO;

национальные патентные ведомства;

международные аналитические системы.

Для сопоставления стран необходимо различать как минимум:

патентную заявку;

выданный патент;

патентное семейство;

международное патентное семейство.

Иначе одно и то же изобретение может быть несколько раз учтено как разные патенты.

9. Данные о frontier-моделях
Это один из наиболее динамичных классов данных.

Здесь целесообразно комбинировать несколько источников.

Stanford AI Index даёт исторически сопоставимый макроуровень.

Epoch AI ведёт постоянно обновляемую базу тысяч моделей и отдельно выделяет notable, frontier и large-scale systems; его frontier datasets были обновлены в сентябре 2026 года.

Artificial Analysis позволяет сопоставлять современные модели по комплексным наборам benchmark-тестов, стоимости и производительности. Его индекс постоянно меняет состав испытаний по мере насыщения старых benchmark; версия v4.3, опубликованная в сентябре 2026 года, использует десять различных evaluation-направлений.

Именно постоянная замена benchmark показывает одну из центральных проблем измерения фронтира:

модельная гонка развивается быстрее, чем многие системы её измерения.

Поэтому результаты моделей в книге всегда должны иметь дату измерения.

10. Данные о вычислительных кластерах
Оценка национального AI-compute является одной из самых сложных задач.

Необходимо сочетать данные:

о дата-центрах;

суперкомпьютерах;

AI-ускорителях;

облачных мощностях;

крупных обучающих кластерах;

энергопотреблении;

государственных суперкомпьютерных программах.

При этом существенная часть коммерческой информации не раскрывается.

Поэтому в дальнейшем мы должны разделять:

документированную вычислительную мощность;

оценочную мощность;

объявленные проекты будущих мощностей.

Смешивать эти категории в одной цифре нельзя.

11. Данные о полупроводниковой промышленности
Полупроводниковая база потребует отдельной системы источников.

Необходимо учитывать:

проектирование AI-чипов;

контрактное производство;

литографию;

HBM и другую память;

advanced packaging;

оборудование;

материалы;

производственные мощности.

Современная цепочка чрезвычайно глобализирована, поэтому термин «страна производит ИИ-чип» требует уточнения: где разработана архитектура, где изготовлен кристалл, где произведена память, где выполнена упаковка.

Stanford AI Index 2026 прямо подчёркивает высокую концентрацию производства ведущих AI-чипов на тайваньских мощностях TSMC.

Это одновременно технологическая и геополитическая характеристика мирового фронтира.

12. Венчурная статистика
Для оценки частных инвестиций необходимо комбинировать:

Stanford AI Index;

OECD;

Preqin;

PitchBook;

Crunchbase;

корпоративную отчётность;

данные инвестиционных фондов.

Особое внимание необходимо уделять разграничению:

венчурных инвестиций;

слияний и поглощений;

корпоративных инвестиций;

капитальных расходов;

государственных фондов;

объявленных будущих обязательств.

Иначе международное сравнение быстро становится статистически некорректным.

13. Корпоративные отчёты
ИИ-фронтир сегодня в значительной степени создаётся компаниями.

Stanford фиксирует, что более 90% notable AI models 2025 года произведены индустрией.

Следовательно, невозможно оценивать национальную ИИ-мощь только через государственную и академическую статистику.

Необходим анализ:

годовых отчётов;

R&D;

капитальных затрат;

дата-центров;

облачной инфраструктуры;

модельных релизов;

числа пользователей;

стоимости inference;

корпоративных патентов.

Но корпоративная информация требует проверки: маркетинговое заявление о новой технологии не равно независимо подтверждённому результату.

14. Национальные ИИ-стратегии
Национальные стратегии позволяют оценивать:

цели государства;

масштаб амбиций;

институциональную архитектуру;

объявленные инвестиции;

направления технологического суверенитета;

поддержку вычислительной инфраструктуры;

систему подготовки кадров.

Однако здесь особенно важно различать:

стратегию;

финансовое обязательство;

реально профинансированную программу;

достигнутый результат.

В международных рейтингах эти уровни иногда оказываются слишком близко друг к другу.

В настоящей Доктрине они должны быть разведены.

15. Ограничения международной статистики
Любая попытка построить точный рейтинг ИИ-держав сталкивается с фундаментальными ограничениями.

Часть данных имеет временной лаг.

Часть является коммерческой тайной.

Часть — государственной тайной.

Национальные определения различаются.

Китайские, американские, европейские и российские финансовые показатели могут иметь различную структуру.

Патенты не равны технологиям.

Публикации не равны промышленной мощности.

Количество GPU не равно эффективно доступному compute.

Объявленные инвестиции не равны реализованным.

Даже benchmark моделей быстро устаревают.

Кроме того, сама конструкция интегрального индекса зависит от выбранных весов. Академические исследования методологии национальных AI indices показывают, что изменение весов способно менять положение государств в итоговой таблице.

Поэтому интегральный рейтинг должен сопровождаться анализом чувствительности.

Если страна занимает, например, 8-е место только при одной специфической системе весов, но перемещается между 8-м и 20-м при разумных альтернативных весах, честнее говорить именно о диапазоне.

16. Проблема сопоставимости рейтингов
Разные рейтинги не обязаны давать одинаковый результат.

Это не обязательно означает, что один из них ошибочен.

Часто они просто отвечают на разные вопросы.

Global AI Index Tortoise спрашивает прежде всего о национальной способности в инвестициях, инновациях и внедрении.

Oxford Insights — о готовности государства использовать ИИ в общественных интересах.

Stanford AI Index вообще не сводит мировой ИИ к одной международной лиговой таблице, а показывает множество отдельных измерений.

World Bank особенно акцентирует фундаментальные условия участия — connectivity, compute, context и competency.

Поэтому методологически правильный подход состоит не в поиске «единственно истинного рейтинга», а в триангуляции данных.

Для каждой страны необходимо установить:

где она находится по разным индексам;

почему позиции различаются;

какие сильные стороны поднимают её рейтинг;

какие слабости понижают;

как меняется положение во времени;

какова её абсолютная ИИ-мощь;

какова интенсивность;

насколько суверенна система;

и главное — насколько страна способна создавать следующий фронтир.

На этой основе в следующей главе будет построена первая десятка мировых ИИ-держав, причём не путём механического копирования одной существующей таблицы, а посредством сопоставления международных рейтингов и первичных показателей.

А затем тот же аппарат будет применён к России.

Это позволит перейти от вопроса:

«Какое место России хочется видеть?»

к значительно более полезному:

«Какое место Россия занимает реально, из каких компонентов складывается это положение и что именно необходимо изменить, чтобы за пять лет радикально повысить её ИИ-мощь?»

И только после такого диагноза можно всерьёз переходить от программы глобального лидерства как идеи к программе глобального лидерства как измеримой системе действий.

********

Глава 4. Первая десятка ИИ-держав мира
1. Метод определения первой десятки
Понятие «первая десятка ИИ-держав» требует более строгого определения, чем обычное ранжирование стран по одному международному индексу.

Разные рейтинги дают заметно различающиеся результаты.

Например, последняя версия Stanford Global AI Vibrancy Tool, опубликованная в конце 2025 года и использующая главным образом данные за 2024 год, выводит на первые десять мест США, Китай, Индию, Южную Корею, Великобританию, Сингапур, Испанию, ОАЭ, Японию и Канаду. США получили 78,60 балла, Китай — 36,95, Индия — 21,59; уже между первым и третьим местом виден огромный разрыв.

Global AI Index компании Tortoise за 2024 год даёт другую десятку: США, Китай, Сингапур, Великобритания, Франция, Южная Корея, Германия, Канада, Израиль и Индия. Tortoise при этом использует 122 индикатора и сознательно сочетает абсолютную мощь со сравнительной «интенсивностью» ИИ-развития.

Различие закономерно. Индекс, в котором большой вес получают государственная готовность, общественное отношение или показатели на душу населения, будет благоприятствовать одним государствам. Индекс, ориентированный на абсолютный compute, frontier-модели, капитал и масштаб промышленной экосистемы, — другим.

Для настоящей Доктрины необходим иной критерий.

Нас интересует прежде всего глобальная ИИ-мощь, то есть способность не только применять искусственный интеллект, но систематически создавать его следующие поколения.

Поэтому в рабочей методике версии 1.0 предлагается семь компонентов:

Компонент Рабочий вес
Frontier-модели и архитектурные инновации 22%
Вычислительная база 18%
Научный потенциал 15%
Капитал и коммерческая экосистема 15%
Кадры 10%
Масштаб внедрения 10%
Технологический суверенитет 10%
Эти веса не являются «законом природы». Они отражают предмет данной Доктрины. Для нас способность порождать новый фронтир важнее, например, общественного отношения к ИИ как самостоятельного показателя.

Отдельно в последующих версиях целесообразно рассчитывать фронтиротворческий индекс, включающий оригинальность архитектурных разработок, скорость появления новых поколений систем и способность создавать новые мировые benchmark.

2. Интегральный рейтинг
На основе сопоставления Stanford AI Index 2026, Stanford Global AI Vibrancy Tool 2025, Tortoise Global AI Index, Oxford Insights, данных по инвестициям, notable models, compute, патентам, научным публикациям и промышленному внедрению предлагается следующая рабочая первая десятка ИИ-держав на 2026 год.

Место Государство Главный источник силы
1 США Frontier-модели, капитал, compute, облака, чип-дизайн, глобальная экосистема
2 Китай Наука, модели, промышленное внедрение, робототехника, масштаб, государственная мобилизация
3 Великобритания Исследования, AI-компании, капитал, кадры, институты
4 Южная Корея Полупроводники, робототехника, патенты, собственные модели
5 Индия Масштаб кадров, исследования, внедрение, быстрорастущая экосистема
6 Франция Frontier-модели, европейский научный центр, капитал, государственная стратегия
7 Сингапур Кадровая и инфраструктурная интенсивность, внедрение, государственная эффективность
8 Германия Наука, промышленный ИИ, compute-инфраструктура, инженерная база
9 Япония Робототехника, промышленность, аппаратные технологии, исследования
10 Канада Фундаментальная школа ИИ, кадры, капитал, исследовательская инфраструктура
Это не окончательный мировой рейтинг, а рабочая синтетическая оценка Доктрины.

Особенно неустойчивы места приблизительно с 3-го по 12-е. Израиль, ОАЭ, Нидерланды и в некоторых методиках Испания вполне способны вытеснить отдельные страны из приведённой десятки. Напротив, первые два места значительно более устойчивы: современная глобальная ИИ-система фактически имеет две ИИ-сверхдержавы — США и Китай — и большой второй эшелон. Это соответствует и выводам Stanford AI Index 2026, и Oxford Insights, которые описывают мировую картину как всё более американо-китайскую по верхнему технологическому фронтиру.

Поэтому точнее говорить не о равномерной десятке, а о структуре:

ИИ-сверхдержавы: США и Китай.

Фронтирные державы второго уровня: Великобритания, Южная Корея, Индия, Франция.

Сильные специализированные ИИ-державы: Сингапур, Германия, Япония, Канада и несколько государств непосредственно за границей первой десятки.

3. Рейтинг по frontier-моделям
Именно здесь мировая концентрация оказывается наиболее жёсткой.

По детальной таблице Epoch AI, включённой в Stanford AI Index 2026, в 2025 году на США приходилось 50 notable AI models, на Китай — 30, на Южную Корею — 5. В выборке отдельных остальных стран Канада, Франция и Великобритания имели по одной модели.

При этом внутри организаций лидировали OpenAI — 19 notable models, Google — 12, Alibaba — 11, Anthropic — 7, xAI — 5, DeepSeek и LG AI Research — по 4.

Здесь необходимо отметить источниковую тонкость. Сводная интернет-страница Stanford AI Index 2026 приводит цифры 59 моделей для США и 35 для Китая, тогда как график и таблица непосредственно в исследовательской главе, основанные на Epoch AI, показывают 50 и 30.

Для настоящей версии книги разумно использовать главный chapter-level dataset — 50 и 30, поскольку он непосредственно привязан к таблице Epoch, а перед окончательной публикацией ещё раз зафиксировать актуальный snapshot данных. Сам факт расхождения также иллюстрирует, насколько быстро меняется измеряемый объект.

По качеству разрыв ещё меньше. На март 2026 года Stanford фиксировал верхнюю группу Arena: Anthropic — 1503, xAI — 1495, Google — 1494, OpenAI — 1481, Alibaba — 1449, DeepSeek — 1424. Лучшие американские и китайские системы неоднократно менялись местами, а разрыв между лучшей американской и лучшей китайской моделью оценивался всего примерно в 2,7%.

Следовательно, первый вывод чрезвычайно важен:

по количеству воспроизводимых frontier-разработок США пока лидируют; по качеству лучших отдельных моделей Китай фактически приблизился к паритету.

Все остальные страны находятся значительно ниже этих двух центров.

4. Рейтинг по вычислительной базе
Здесь получить честный интегральный рейтинг ещё сложнее, чем по моделям.

Публично неизвестно точное количество и загрузка всех AI-ускорителей, принадлежащих государствам и компаниям. Более того, один дата-центр может быть на порядки мощнее другого.

Однако хороший инфраструктурный прокси даёт география дата-центров.

По данным Stanford AI Index 2026, в 2025 году США имели 5427 дата-центров, Германия — 529, Великобритания — 523, Китай — 449, Канада — 337, Франция — 322, Австралия — 314, Нидерланды — 298, Россия — 251, Япония — 222. Сам Stanford предупреждает, что количество объектов не отражает их размер и фактическую вычислительную мощность.

Поэтому формальный рейтинг «по числу дата-центров» нельзя называть рейтингом AI-compute.

Если учитывать гиперскейлеров, доступ к ведущим ускорителям, крупнейшие training clusters, облака и способность масштабировать frontier-model training, реальная верхняя часть выглядит приблизительно так:

США — несомненное первое место; Китай — второе; далее с большим отрывом располагается группа Великобритании, Германии, Франции, Канады, Японии, Южной Кореи и Сингапура.

Общая мировая AI compute capacity с 2022 года, по Stanford, росла приблизительно в 3,3 раза ежегодно и достигла около 17,1 млн H100-equivalent units. Более 60% оценённой мощности связано с Nvidia; значительные собственные ускорители имеют Google и Amazon, а Huawei занимает пока меньшую, но растущую долю.

Таким образом, вычислительная мощь сегодня одновременно является и национальным ресурсом, и глобальной сетью взаимозависимостей.

5. Рейтинг по научному потенциалу
Научное лидерство имеет две разные стороны: масштаб производства знаний и влияние лучших работ.

По объёму публикаций и общей доле цитирования Китай сегодня вышел на первое место. В 2024 году на Китай приходилось около 17,8% мировых публикаций по ИИ и 20,6% их цитирований.

Но если взять 100 наиболее цитируемых AI-публикаций 2024 года, картина иная:

Страна/территория Публикаций в top-100
США 46
Китай 41
Гонконг 15
Австралия 14
Великобритания 9
Германия 8
Швейцария 7
Сингапур 6
Канада 5
Индия 4
Одна работа может иметь авторов из нескольких стран, поэтому сумма превышает 100.

Стратегически важнее другое: США снизились с 64 таких публикаций в 2021 году до 46 в 2024 году, тогда как Китай вырос с 33 до 41.

Это означает реальное сближение двух научных систем.

6. Рейтинг по капиталу
По частному капиталу лидерство США носит почти аномальный характер.

В 2025 году Stanford оценивал частные инвестиции в ИИ следующим образом:

Место Страна Частные инвестиции в ИИ, 2025
1 США $285,88 млрд
2 Китай $12,41 млрд
3 Великобритания $5,90 млрд
4 Франция $4,36 млрд
5 Канада $4,28 млрд
6 Индия $4,09 млрд
7 Германия $3,89 млрд
8 Израиль $3,58 млрд
9 Австралия $2,52 млрд
10 Саудовская Аравия $2,03 млрд
Сингапур получил около $1,82 млрд, Южная Корея — $1,78 млрд, Япония — $1,11 млрд.

Американские $285,9 млрд превышали китайский частный показатель примерно в 23 раза и британский — почти в 49 раз.

Однако сравнение США и Китая исключительно по частному капиталу вводит в заблуждение. Stanford отдельно отмечает китайские government guidance funds и оценивает, что в 2000–2023 годах через них в AI-компании могло быть направлено около $184 млрд.

Поэтому США безусловно являются мировым центром рыночной капитализации AI-развития, но реальный разрыв по совокупной национальной мобилизации ресурсов меньше отношения 23:1.

7. Рейтинг по кадрам
США сохраняют крупнейший в мире абсолютный пул ИИ-исследователей и разработчиков. Однако Stanford фиксирует тревожную для США тенденцию: приток таких специалистов в страну сократился на 89% по сравнению с 2017 годом и примерно на 80% только за последний год наблюдения.

По показателям на душу населения особенно выделяются Швейцария и Сингапур.

Tortoise, измеряя более широкий кадровый потенциал, ставил США на первое место, а Индию — на второе, подчёркивая её огромный пул разработчиков, инженеров и специалистов информационных технологий. При этом по узкой группе высокоспециализированных research scientists положение Индии заметно ниже.

Следовательно, кадровый рейтинг необходимо разделять как минимум на:

массовую инженерную базу;

элитных исследователей frontier-уровня;

способность привлекать международные таланты;

способность удерживать их.

По первой характеристике Индия становится одним из крупнейших игроков мира.

По второй до сих пор особенно сильны США, Китай, Великобритания, Канада и несколько небольших европейских и азиатских исследовательских центров.

8. Рейтинг по внедрению
Здесь особенно опасно составлять единую таблицу.

Если измерять бытовое использование генеративного ИИ, лидерами могут оказаться небольшие богатые государства. Stanford, например, оценивал проникновение генеративного ИИ в Сингапуре примерно в 61%, тогда как показатель США составлял около 28,3%.

Если измерять применение ИИ работниками, более 80% респондентов сообщали об использовании ИИ в Индии, Китае, ОАЭ и ряде других быстро цифровизирующихся экономик.

Если же измерять физическую интеллектуализацию производства, картина совершенно иная.

В 2024 году Китай установил около 295 тыс. промышленных роботов — 54% мирового объёма. Япония установила 44,5 тыс., США — 34,2 тыс., Южная Корея — 30,6 тыс., Германия — 27 тыс.

Следовательно, понятие «внедрение ИИ» должно раскладываться на:

потребительское внедрение;

корпоративное внедрение;

промышленное внедрение;

государственное внедрение;

роботизацию и physical AI.

В совокупности особенно сильны Китай, США, Южная Корея, Япония, Германия, Сингапур и Индия, но по совершенно разным причинам.

9. Рейтинг по технологическому суверенитету
Это ещё более сложный показатель.

Сегодня практически ни одна страна не является полностью самодостаточной по всей цепочке:

оборудование ; литография ; fabs ; HBM ; ускорители ; сети ; облака ; модели ; приложения.

Даже США сохраняют стратегическую зависимость от TSMC: Stanford отмечает, что одна тайваньская компания производит подавляющую часть ведущих AI-чипов.

Поэтому следует говорить не об абсолютной автократии, а о степени контролируемости критического стека.

В этом смысле две наиболее полные системы — американская и китайская.

США имеют ведущий дизайн ускорителей, крупнейшие облака, frontier labs, капитал и глобальные программные платформы, но частично зависимы от азиатского производства.

Китай имеет собственные модели, облака, дата-центры, растущую аппаратную платформу, телекоммуникационную и производственную базу, однако остаётся ограничен в некоторых наиболее передовых звеньях полупроводниковой цепочки.

Южная Корея, Япония, Тайвань и Нидерланды обладают отдельными критическими аппаратными компетенциями мирового значения, но не полным AI-стеком.

Великобритания, Франция и Канада сильнее в моделях, исследованиях и кадрах, но значительно зависимее в аппаратной части.

Отсюда важный вывод:

технологический суверенитет ИИ — это не производство всего самостоятельно, а отсутствие единственной внешней точки, отключение которой способно остановить национальную интеллектуальную эволюцию.

10. Сводная карта глобальной ИИ-мощи
В предельно сжатом виде мировая система выглядит следующим образом.

Страна Frontier Compute Наука Капитал Кадры Внедрение Суверенитет
США доминирующий доминирующий мировой лидер доминирующий мировой лидер очень высокий очень высокий
Китай почти паритет с США очень высокий мировой лидер высокий, смешанный очень высокий мировой лидер по промышленному масштабу высокий
Великобритания высокий высокий высокий №3 высокий высокий средний
Южная Корея высокий специализированный высокий высокий средний высокий очень высокий высокий
Индия пока ограниченный растущий высокий масштаб высокий/растущий очень высокий очень высокий растущий
Франция высокий европейский высокий высокий №4 высокий высокий средний
Сингапур специализированный высокий относительно масштаба высокий высокий относительно размера мировой лидер по интенсивности очень высокий средний
Германия средний высокий высокий высокий высокий очень высокий промышленный средний/высокий
Япония средний высокий высокий средний высокий мировой лидер в робототехнике высокий аппаратный
Канада средний высокий высокий №5 высокий средний/высокий средний
Главная характеристика карты — резкая асимметрия.

Первый мировой эшелон фактически состоит из двух государств.

Поэтому стратегическая задача России не может состоять только в том, чтобы стать «одиннадцатой или девятой страной» по некоторому индексу.

Для настоящего лидерства необходима способность открыть новую координату соревнования.

Глава 5. США как действующий центр мирового ИИ-фронтира
1. Frontier laboratories
Американское лидерство начинается с беспрецедентной концентрации frontier labs.

На март 2026 года четыре первые организации в Arena-рейтингe Stanford представляли американскую корпоративную экосистему: Anthropic, xAI, Google и OpenAI. Следом шли китайские Alibaba и DeepSeek.

В 2025 году OpenAI выпустила 19 notable models, Google — 12, Anthropic — 7, xAI — 5. Уже только эти четыре организации обеспечили значительную долю мирового frontier-model production.

Особенность американской системы заключается не просто в количестве сильных компаний.

Она обладает несколькими независимыми центрами frontier-разработки одновременно.

Это крайне важно с эволюционной точки зрения. Если одна архитектурная линия оказывается неудачной, система в целом продолжает экспериментировать через конкурирующие компании.

Фактически американский ИИ-фронтир уже имеет элементы естественного технологического агона:

OpenAI ; Anthropic ; Google ; xAI ; Meta ; Nvidia ; десятки более специализированных центров.

Государство не проектирует каждый следующий алгоритм. Оно создаёт условия, в которых множество крупных интеллектуально-финансовых субъектов борются за лидерство.

2. Фундаментальные модели
США остаются крупнейшим мировым производителем notable AI models.

Как отмечалось выше, детальный набор Epoch/Stanford даёт 50 американских моделей в 2025 году против 30 китайских и 5 южнокорейских.

Однако количественное лидерство уже нельзя путать с прежним качественным превосходством.

На протяжении 2025 года китайские и американские модели несколько раз менялись местами на верхних позициях. К марту 2026 года разрыв между лучшей американской и лучшей китайской системой сократился до нескольких процентов.

Это означает изменение характера американского лидерства.

Ещё несколько лет назад оно основывалось одновременно на:

большем числе моделей;

лучших моделях;

большем compute;

большем капитале.

Теперь второе преимущество резко уменьшилось.

Следовательно, Америка сохраняет преимущество прежде всего благодаря глубине воспроизводящей экосистемы, а не гарантированному интеллектуальному превосходству каждой отдельной модели.

3. Вычислительная инфраструктура
Здесь преимущество США значительно устойчивее.

В стране находится около 5427 дата-центров — более чем в десять раз больше, чем в любом другом отдельном государстве по базе Cloudscene, использованной Stanford.

Но важнее количества самих зданий другая характеристика: США являются родиной крупнейших мировых hyperscalers.

Amazon Web Services, Microsoft Azure, Google Cloud, Oracle и собственные инфраструктуры крупнейших AI-компаний создают огромный внутренний рынок compute.

Американская система объединяет:

дизайн AI-чипов ; облака ; дата-центры ; frontier labs ; модели ; глобальные приложения.

Именно вертикальная связанность этих слоёв делает compute не пассивной инфраструктурой, а элементом конкурентного ускорителя.

Американская AI Action Plan 2025 прямо делает строительство дата-центров, энергетики, сетей и полупроводниковых производств одним из трёх основных столпов национальной ИИ-стратегии.

4. Полупроводниковая база
США обладают уникальным преимуществом на уровне проектирования.

Nvidia является центральным мировым поставщиком AI-ускорителей. Значительную роль играют AMD, а Google, Amazon и другие корпорации создают собственные специализированные чипы.

Но именно здесь обнаруживается одна из важнейших уязвимостей американского стека.

Stanford подчёркивает, что подавляющая часть наиболее передовых AI-чипов производится одной компанией — TSMC на Тайване.

Следовательно, американский «суверенный стек» фактически является американо-союзническим стеком.

США проектируют значительную часть лучших чипов мира, но исторически не производили все из них на своей территории.

Именно поэтому нынешняя американская стратегия отдельно предусматривает восстановление передового semiconductor manufacturing внутри страны.

5. Облачные платформы
Одно из часто недооценённых преимуществ США состоит в глобальном контроле над облачным слоем.

Модель сама по себе ещё не создаёт глобальное технологическое господство.

Необходимо иметь средство её доставки миллионам компаний и миллиардам пользователей.

Американские облачные платформы позволяют практически мгновенно превращать новое достижение в:

API;

корпоративный сервис;

агентную платформу;

инструмент разработчика;

встроенную функцию программного обеспечения.

Это означает, что американский frontier способен чрезвычайно быстро самомасштабироваться.

Поэтому Соединённые Штаты экспортируют не отдельные модели, а всё больше — целый AI stack.

В 2025 году Белый дом официально запустил курс на экспорт full-stack AI packages, включающих hardware, data systems, модели, cloud, applications и cybersecurity.

Это уже не просто коммерческая политика.

Это стратегия создания международной американской ИИ-сферы.

6. Частный капитал
На этом направлении американское преимущество подавляющее.

В 2025 году США привлекли около $285,9 млрд частных инвестиций в ИИ — примерно 83% от всего глобального объёма $344,7 млрд, рассчитанного Stanford/Quid.

Кроме того, в США было создано 1953 новых профинансированных AI-компании. В Великобритании — 172, в Китае — 161.

Таким образом, американская ИИ-система имеет необычный механизм финансирования:

выдающийся исследователь ; стартап ; крупный раунд ; massive compute ; frontier model ; глобальный продукт ; новый капитал ; новое поколение.

Эта система способна чрезвычайно быстро конвертировать интеллектуальную гипотезу в многомиллиардный технологический эксперимент.

В этом состоит один из важнейших структурных источников американского лидерства.

7. Университеты и исследовательские центры
Американская корпоративная мощь не возникла в пустоте.

Под ней находится огромный академический слой.

Stanford, MIT, Carnegie Mellon, Berkeley и многие другие центры десятилетиями формировали фундаментальные школы машинного обучения, робототехники, компьютерного зрения, NLP и других направлений.

По данным Stanford AI Index 2026, американские аффилиации присутствовали в 46 из 100 наиболее цитируемых AI-публикаций 2024 года — максимальный показатель в мире. Китай уже приблизился с 41.

При этом Stanford и Carnegie Mellon входят в число наиболее продуктивных академических организаций по историческому выпуску notable models.

Американское преимущество поэтому состоит не только в сегодняшних компаниях.

Это многопоколенная система производства исследователей, предпринимателей и научных школ.

8. Стартап-экосистема
Стартапы выполняют функцию своеобразной популяции технологической эволюции.

Большинство погибает.

Некоторые находят специализированные ниши.

Небольшая часть создаёт новый класс технологий.

И единицы превращаются в новые центры мирового фронтира.

OpenAI и Anthropic сами сравнительно недавно были организациями, которые нельзя было сопоставлять по экономической мощности с крупнейшими технологическими корпорациями.

Сегодня они непосредственно определяют мировой интеллектуальный frontier.

Поэтому количество новых профинансированных AI-компаний — 1953 только за 2025 год — имеет не только экономическое значение.

Оно показывает эволюционную ширину эксперимента.

Америка одновременно пробует огромное количество технологических мутаций.

9. ИИ для науки
США всё активнее превращают ИИ из коммерческой технологии в инфраструктуру научного превосходства.

В ноябре 2025 года была запущена Genesis Mission — программа использования ИИ, данных и вычислительной инфраструктуры национальных лабораторий для ускорения открытий в материалах, химии, биологии и других областях.

Это крайне важный переход.

Если ИИ ускоряет не только производство программного обеспечения, но и производство новой науки, возникает рекурсивный эффект:

более сильный ИИ ; более быстрая наука ; новые материалы, чипы и технологии ; более сильный ИИ.

Именно подобные контуры делают ИИ метаресурсом национальной мощи.

10. Оборонный ИИ
Американская ИИ-стратегия прямо соединяет гражданский frontier и национальную безопасность.

AI Action Plan 2025 предусматривает ускорение внедрения ИИ в Министерстве обороны, создание высокозащищённых дата-центров для оборонного и разведывательного сообщества, а также государственные механизмы оценки рисков frontier-моделей.

Особенность США заключается в возможности использовать в оборонном секторе технологии, разработанные огромным коммерческим рынком.

То есть военный ИИ не существует отдельно от гражданского.

Он опирается на:

cloud;

foundation models;

computer vision;

автономные системы;

кибербезопасность;

satellite intelligence;

коммерческую микроэлектронику.

Это создаёт ещё один рекурсивный контур усиления.

11. Кадровая база
США остаются главным мировым центром концентрации ИИ-таланта в абсолютном выражении.

Но именно здесь появляется одна из наиболее интересных слабостей.

Stanford сообщает, что поток AI researchers and developers в США уменьшился примерно на 89% относительно 2017 года.

Это не означает, что США потеряли кадровое лидерство.

Они его сохраняют.

Но это означает ослабление одного из механизмов, который десятилетиями позволял американской системе «высасывать» лучшие кадры со всего мира.

Если эта тенденция продолжится, США придётся в большей степени полагаться на собственное воспроизводство талантов и конкурировать за специалистов с Китаем, Европой, Канадой, Сингапуром, странами Персидского залива и другими растущими центрами.

12. Системные преимущества
Главное преимущество Америки — не отдельная технология.

Это самоусиливающийся ИИ-комплекс.

Его можно представить как цикл:

университеты ; талант ; стартапы ; капитал ; compute ; frontier models ; облака ; глобальные рынки ; прибыль ; новый капитал ; новые исследования.

К этому добавляются:

глобальные платформы;

полупроводниковый дизайн;

огромный внутренний рынок;

военный заказ;

национальные лаборатории;

международные союзники;

английский язык как главный язык мировой науки и программирования.

И наконец, США сознательно пытаются превратить своё лидерство в международную инфраструктуру. Их официальная стратегия ставит задачу сделать американский AI stack мировым стандартом и экспортировать его союзникам как цельный технологический комплекс.

Таким образом, Соединённые Штаты обладают не просто мощным ИИ.

Они обладают машиной воспроизводства ИИ-лидерства.

13. Системные уязвимости
Но американское лидерство не является гарантированным.

Первая уязвимость — почти исчезнувший качественный разрыв с Китаем по лучшим моделям.

Вторая — зависимость передового semiconductor manufacturing от внешних производственных узлов, прежде всего TSMC.

Третья — энергетика. Американская AI Action Plan прямо признаёт, что развитие ИИ требует резко ускоренного строительства электрогенерации, сетей и дата-центров.

Четвёртая — ослабление притока международных кадров.

Пятая — концентрация frontier-разработки в небольшом числе корпораций. В 2025 году индустрия создала около 91,6% notable models.

Шестая — снижение прозрачности самых мощных систем. Stanford отмечает, что разработчики всё реже публикуют параметры обучения, dataset sizes, compute и другие критически важные данные; средняя прозрачность ведущих foundation-model developers также снижалась.

И наконец, существует более фундаментальный риск.

США сегодня являются лучшей в мире системой оптимизации нынешней ИИ-парадигмы.

Но история технологий показывает, что лидер текущей парадигмы не имеет автоматической гарантии лидерства после её смены.

Именно здесь для других государств, включая Россию, теоретически возникает пространство асимметричного фронтиротворчества.

Глава 6. Китай как главный системный конкурент США
Если США являются действующим центром мирового ИИ-фронтира, то Китай уже нельзя корректно описывать как его обычного догоняющего участника.

К середине 2020-х годов сформировалась вторая полноценная ИИ-сверхдержава.

По ряду показателей она уступает США.

По другим — уже превосходит их.

А по качеству лучших моделей приблизилась к фактическому паритету.

Именно поэтому американо-китайское соревнование постепенно становится центральной осью мировой ИИ-системы.

1. Национальная стратегия
Китайская модель заметно отличается от американской.

В США основным двигателем frontier-разработки остаются частные корпорации, капитал и конкурирующие технологические экосистемы.

В Китае корпоративный сектор также чрезвычайно силён, но встроен в значительно более выраженную систему государственного стратегического управления.

В августе 2025 года Государственный совет КНР опубликовал программу углублённого развития AI Plus. Она предусматривает интеграцию ИИ в науку, промышленность, потребление, социальную сферу, государственное управление и международное сотрудничество.

Цели имеют конкретные временные рубежи.

К 2027 году проникновение нового поколения интеллектуальных терминалов и AI-агентов должно превысить 70%.

К 2030 году — 90%.

К 2035 году Китай ставит задачу перейти к новому этапу интеллектуальной экономики и интеллектуального общества.

В 2026 году эта линия была включена в новую пятилетнюю рамку. Правительственные документы ставят задачи развития multimodal AI, агентов, embodied AI, swarm intelligence и исследования путей к artificial general intelligence.

Таким образом, китайская стратегия уже переходит от:

«создавать ИИ»

к:

«пронизывать ИИ всей производственной и социальной системой».

2. Фундаментальные модели
По количеству notable models Китай остаётся вторым после США, но сокращает разрыв.

По детальной выборке Epoch/Stanford в 2025 году Китай создал 30 notable models против 50 в США.

Но особенно показательно распределение по компаниям.

Alibaba произвела 11 notable models — третий результат среди всех организаций мира после OpenAI и Google.

DeepSeek — 4.

ByteDance — 3.

Moonshot — 3.

Z.ai — 3.

Кроме того, значительную активность демонстрируют MiniMax, Baidu, Ant Group и другие центры.

То есть Китай уже не зависит от одной «национальной чемпионской модели».

Он формирует популяцию конкурирующих frontier-команд, напоминающую американскую по структурному принципу.

Ещё важнее качество.

DeepSeek-R1 в феврале 2025 года кратковременно сравнялся с лучшими американскими системами. На март 2026 года американские и китайские модели находились в одной верхней группе Arena, а Stanford оценивал разрыв между лидерами лишь приблизительно в 2,7%.

Это позволяет сделать сильный вывод:

на уровне лучших универсальных моделей технологический разрыв между США и Китаем перестал быть формационным и превратился в оперативное колебание фронтира.

3. Научная база
По масштабам научного производства Китай уже вышел вперёд.

В 2024 году на китайские аффилиации приходилось около 17,8% мировых AI-публикаций и около 20,6% цитирований.

Число китайских работ среди ста наиболее цитируемых выросло:

33 в 2021 году;

34 в 2022;

34 в 2023;

41 в 2024.

Американский показатель за это же время снизился с 64 до 46.

Таким образом, прежняя модель:

Китай производит много работ, США производят наиболее влиятельные

становится всё менее точной.

США ещё сохраняют первое место по top-100, но разрыв стремительно сократился.

Oxford Insights дополнительно отмечает необычайно распределённую структуру китайской науки: в 2024 году 156 китайских организаций опубликовали более 50 работ по ИИ каждая.

Это означает, что китайская научная база не сводится к нескольким элитным университетам.

Она приобретает массовую институциональную глубину.

4. Патенты
По количеству AI-патентов китайское превосходство ещё более выражено.

По данным, агрегированным Stanford AI Index, на Китай в 2024 году приходилось около 74,2% выданных AI-патентов, на США — около 12,1%.

Но эту цифру следует интерпретировать осторожно.

Количество патентов не идентично их технологическому влиянию.

Stanford подчёркивает, что США всё ещё имеют преимущество по более влиятельным патентам и forward citations.

Тем не менее само количество китайских патентов свидетельствует об огромной ширине технического поиска.

Дополнительный показатель — Южная Корея, а не Китай, занимает первое место по AI-патентам на душу населения.

Поэтому Китай является абсолютным мировым центром патентного масштаба, но не единственным центром качества и инновационной интенсивности.

5. Промышленное внедрение
Здесь Китай обладает преимуществом, которое невозможно понять, анализируя только LLM.

Китай — крупнейшая мировая производственная система.

Следовательно, он имеет гигантскую среду для соединения ИИ с физическим производством.

В 2024 году Китай установил около 295 тыс. промышленных роботов — 54% всех новых установок в мире.

Действующий парк превысил 2 млн промышленных роботов. Впервые доля китайских производителей на собственном рынке выросла до 57%.

Это имеет фундаментальное значение.

Соединение:

ИИ + робототехника + крупнейшая промышленная база мира

создаёт масштабный полигон physical AI, которого нет практически ни у одного другого государства.

Поэтому китайская ИИ-модель потенциально может развиваться иначе, чем американская:

США особенно сильны в цифровом intelligence frontier;

Китай способен особенно быстро соединять интеллект с материальным производством.

6. Робототехника
Китайская 15-я пятилетка 2026–2030 годов прямо усиливает ставку на embodied AI и интеллектуальную робототехнику. Международная федерация робототехники характеризует это как переход от традиционной автоматизации к высокоуровневой интеллектуальной роботизации, интегрированной с ИИ.

В 2024 году Китай установил примерно:

295 тыс. промышленных роботов;

Япония — 44,5 тыс.;

США — 34,2 тыс.;

Южная Корея — 30,6 тыс.;

Германия — 27 тыс.

Таким образом, китайская роботизация превосходит американскую по ежегодному объёму приблизительно в 8,6 раза.

Разумеется, промышленный робот ещё не является универсальным embodied intelligence.

Но он создаёт инфраструктурную и производственную базу, на которую следующая волна physical AI может быть наложена значительно быстрее.

7. Государственная координация
Китайская модель обладает способностью концентрировать государственные, региональные и корпоративные ресурсы вокруг долгосрочных технологических целей.

В 2026 году государственные документы прямо ставят задачу формирования экосистемы:

model ; chip ; cloud ; application

и развития hyperscale intelligent computing clusters.

В январе 2026 года отдельная программа «AI + manufacturing» поставила задачу к 2027 году обеспечить надёжное снабжение ключевыми базовыми AI-технологиями, развивать собственные training chips, inference chips, AI servers, interconnects и облачную инфраструктуру.

Эта способность имеет одновременно преимущество и риск.

Преимущество — огромная скорость масштабной мобилизации.

Риск — вероятность масштабировать ошибочное технологическое направление.

Поэтому реальный китайский успех определяется сочетанием централизованной стратегии с конкуренцией Alibaba, Tencent, Huawei, ByteDance, DeepSeek, Baidu, Moonshot, MiniMax, Zhipu и множества других компаний.

Именно эта гибридная конструкция делает китайскую систему особенно мощной.

8. Вычислительные ресурсы
По числу зарегистрированных дата-центров Китай значительно уступает США: 449 против 5427 по Stanford/Cloudscene. Но эти числа нельзя непосредственно переводить в отношение AI-compute, поскольку американские и китайские объекты различаются по размерам и структуре.

Китай одновременно ускоряет создание собственной вычислительной сети.

В апреле 2026 года в Чжэнчжоу был введён крупный научный intelligent-computing cluster, в котором сообщалось уже о 60 тыс. отечественных AI-ускорителей.

Параллельно строится национальная инфраструктура взаимного подключения вычислительных ресурсов. В 2026 году Министерство промышленности и информационных технологий запустило создание национальных compute-interconnection nodes.

То есть Китай пытается компенсировать дефицит отдельных наиболее передовых чипов двумя способами:

развитием собственной элементной базы;

масштабированием кластеров и эффективностью использования доступного compute.

Этот подход уже оказал влияние на модельную архитектуру: успех DeepSeek сделал эффективность обучения и inference самостоятельным направлением глобальной конкуренции.

9. Полупроводниковые ограничения
Именно semiconductor frontier остаётся одним из наиболее серьёзных китайских ограничений.

Китай имеет собственные процессоры и ускорители, прежде всего линию Huawei Ascend, развивает SMIC, память, packaging и программную экосистему.

Но наиболее передовые производственные технологии всё ещё зависят от узкого международного набора оборудования и технологических компетенций.

Сам факт того, что китайская государственная программа «AI + manufacturing» отдельно ставит задачи прорыва в high-end training chips, AI servers и high-speed interconnects, показывает, что данный разрыв рассматривается в самом Китае как стратегический.

Поэтому сегодняшняя парадоксальная ситуация выглядит так:

Китай способен создавать модели практически верхнего мирового уровня, не располагая столь же свободным доступом к верхнему мировому уровню вычислительного hardware, как США.

Это одновременно слабость и источник давления на инновации в эффективности.

10. Кадровая база
Китайская кадровая сила тесно связана с масштабом его научной системы.

Большое число университетов, исследовательских институтов, инженеров и аспирантов формирует чрезвычайно широкую базу.

Tsinghua University, например, входит в число наиболее продуктивных академических центров мира по историческому числу notable AI models.

В отличие от американской модели, основанной в значительной степени на глобальном притоке талантов, Китай дольше опирался на огромную внутреннюю систему подготовки специалистов и возвращение китайских исследователей из-за рубежа.

Это создаёт другой тип кадровой устойчивости.

Но США пока сохраняют преимущество в абсолютной концентрации мирового AI talent и наиболее коммерчески развитых frontier teams.

11. Сильные стороны китайской модели
Китайская ИИ-система обладает несколькими структурными преимуществами.

Первое — масштаб.

Огромная экономика, население, цифровой рынок и промышленность создают гигантские пространства применения.

Второе — научная ширина.

Китай лидирует по объёму AI-публикаций, цитированию и патентам.

Третье — промышленный контур.

54% мировых установок промышленных роботов дают Китайской экономике необычайно мощную платформу для physical AI.

Четвёртое — государственная стратегическая координация.

AI Plus создаёт систему долгосрочных целей до 2035 года.

Пятое — множественность сильных компаний.

Alibaba, DeepSeek, ByteDance, Huawei, Baidu, Tencent, Moonshot, MiniMax, Z.ai и другие образуют уже не отдельные острова, а крупную экосистему.

Шестое — давление ограничений.

Ограничение доступа к наиболее передовым западным ускорителям вынуждает Китай развивать собственные чипы, clusters, software stack и более эффективные способы обучения.

С точки зрения эволюции технологий это означает:

внешнее давление одновременно тормозит Китай и создаёт селективное давление на его технологическую автономизацию.

12. Ограничения китайской модели
Первое ограничение — передовые полупроводники.

Несмотря на быстрый прогресс, здесь сохраняется один из главных разрывов с американско-союзнической технологической системой.

Второе — капитал.

Даже с учётом огромных государственных guidance funds частный капитал и особенно концентрация капитала в нескольких frontier labs пока существенно меньше американской.

Третье — число frontier models.

Китай быстро приближается, но американская система пока производит их больше.

Четвёртое — международная инфраструктура.

Американские clouds, developer platforms, software ecosystems и глобальные технологические компании всё ещё имеют более широкую международную распространённость.

Пятое — высоковлиятельные патенты.

Несмотря на китайское абсолютное доминирование по числу, Stanford продолжает фиксировать американское преимущество по impact.

Шестое — геополитическое окружение.

Экспортные ограничения, технологическая фрагментация и борьба за стандарты делают китайской системе значительно труднее использовать мировой стек как единое пространство.

Но ни одно из этих ограничений сегодня уже не позволяет считать Китай обычным догоняющим игроком.

Стратегический вывод: возникновение двухцентрового ИИ-фронтира
Современная мировая ИИ-система всё сильнее напоминает не классическую схему «лидер — догоняющие», а двухцентровый фронтир.

США имеют преимущества:

капитал;

compute;

frontier labs;

облака;

глобальные платформы;

чип-дизайн.

Китай имеет преимущества:

масштаб исследований;

публикации;

патенты;

промышленное внедрение;

робототехника;

государственная мобилизация;

огромная производственная экосистема.

А по качеству наиболее мощных моделей стороны уже находятся близко друг к другу.

Поэтому для России стратегически опасно задавать вопрос:

«Как догнать США?»

Недостаточно и другого:

«Как догнать Китай?»

Пока Россия будет копировать одну из двух существующих траекторий, обе системы продолжат быстро развиваться.

Гораздо более точная постановка выглядит так:

какие компоненты американского и китайского фронтира Россия обязана освоить, а в каких направлениях ей необходимо попытаться создать третью, принципиально новую траекторию развития?

Именно отсюда возникает стратегическое значение LPM, Метаорганона и ИМИ.

Именно здесь анализ сегодняшнего мирового фронтира начинает переходить в Доктрину фронтиротворчества.

Поскольку эти рейтинги и показатели быстро меняются, я могу также регулярно проверять Stanford, Epoch, Oxford, WIPO и другие источники и сообщать, если положение стран или ключевые цифры существенно изменятся.

******

Глава 7. Страны второго эшелона глобального ИИ-лидерства
После США и Китая мировая ИИ-система не образует простой линейной лестницы.

Существует группа государств, каждое из которых обладает отдельными элементами ИИ-мощи мирового уровня:

сильнейшими университетами;
полупроводниковыми технологиями;
робототехникой;
крупными моделями;
исследовательскими школами;
государственными ИИ-программами;
концентрацией талантов;
венчурными экосистемами.
Однако эти элементы соединены в разной степени.

Последняя доступная абсолютная версия Stanford Global AI Vibrancy Ranking, использующая данные за 2024 год, располагает после США и Китая Индию на 3-м месте, Южную Корею на 4-м, Великобританию на 5-м, Сингапур на 6-м, Испанию на 7-м, ОАЭ на 8-м, Японию на 9-м и Канаду на 10-м. Франция занимает 13-е, Израиль — 14-е, Германия — 15-е место. Это хорошо демонстрирует зависимость результата от используемой системы показателей: традиционно сильные научно-промышленные державы могут оказаться ниже стран, особенно сильных по интенсивности, государственной политике или отдельным новым показателям.

Поэтому термин «второй эшелон» в настоящей Доктрине означает не слабость, а положение после двух нынешних ИИ-сверхдержав.

1. Великобритания
Великобритания обладает одной из наиболее сбалансированных ИИ-систем за пределами США и Китая.

Stanford ставит её на 5-е место в глобальном AI Vibrancy Ranking за 2024 год. В стране сформировались сильные университетские школы, венчурная среда, развитая вычислительная инфраструктура и большое число исследователей. Лондон остаётся одним из крупнейших мировых технологических центров.

Отдельное преимущество Великобритании — историческая роль в становлении современного deep learning и frontier AI. Именно британская исследовательская среда породила DeepMind, впоследствии вошедшую в Google, а также целый ряд более новых AI-компаний.

Страна располагает и значительной инфраструктурой: Stanford насчитывает в Великобритании 523 дата-центра — один из крупнейших показателей вне США.

Государство также существенно увеличивает прямую поддержку ИИ. По оценке Stanford, государственные AI-контракты Великобритании за 2013–2024 годы составили около 1,6 млрд долларов — больше, чем у любой другой европейской страны в этой выборке.

Слабость британской модели заключается в том, что значительная часть её наиболее сильных интеллектуальных активов интегрируется в американскую технологическую систему.

Таким образом:

Великобритания чрезвычайно сильна как генератор талантов, исследований и AI-компаний, но значительно слабее США как независимый полный технологический стек.

2. Франция
Франция стала одним из наиболее интересных европейских претендентов на собственную модель ИИ-лидерства.

В Tortoise Global AI Index 2024 она находилась на 5-м месте. В Stanford Global AI Vibrancy Ranking за 2024 год — на 13-м. Разрыв иллюстрирует различие методологий.

Французское преимущество строится на сочетании:

сильной математической школы;
государственных исследовательских институтов;
высококвалифицированных инженеров;
европейской вычислительной инфраструктуры;
быстро растущего венчурного сектора;
собственных разработчиков фундаментальных моделей.
Особое значение имеет возникновение Mistral AI, показавшее, что Европа способна создавать крупные модельные компании вне американских технологических гигантов.

Франция демонстрирует и высокую институциональную готовность. В опубликованной сводке Government AI Readiness Index 2025 она получила 80,81 балла и заняла одну из высших мировых позиций.

Для России французский пример особенно интересен:

страна не обязана иметь американский масштаб капитала или китайский масштаб промышленности, чтобы попытаться создать самостоятельный архитектурный центр ИИ.

3. Германия
Германия представляет другой тип ИИ-мощи.

Её главное преимущество — не frontier LLM как таковые, а соединение ИИ с:

промышленностью;
машиностроением;
автомобильным сектором;
химией;
автоматизацией;
робототехникой;
прикладными исследованиями.
В Stanford Global AI Vibrancy Ranking Германия занимает 15-е место. Но по инфраструктурным показателям её положение существенно сильнее: Stanford насчитывает 529 дата-центров — второй показатель в рассматриваемом наборе после США.

Германия также имеет сильную научную базу: немецкие аффилиации присутствовали в восьми из ста наиболее цитируемых AI-публикаций 2024 года.

Её модель можно назвать industrial AI model:

ИИ рассматривается прежде всего как средство интеллектуализации сложной материальной экономики.

Это важно, поскольку в будущем различие между «цифровым ИИ» и physical AI будет постепенно сокращаться.

4. Канада
Канада сыграла непропорционально большую роль в современной истории машинного обучения.

Монреаль, Торонто и Эдмонтон сформировали исследовательские школы, оказавшие огромное влияние на deep learning и reinforcement learning.

В Stanford Global AI Vibrancy Ranking Канада занимает 10-е место.

Канадская модель особенно сильна по:

фундаментальной науке;
университетам;
привлечению международных исследователей;
AI-стартапам;
сотрудничеству университетов и компаний.
Однако масштаб вычислений, капитала и внутренних технологических платформ значительно меньше американского.

Поэтому Канада представляет интересный пример:

глобальное интеллектуальное влияние может существенно превосходить абсолютный размер национальной технологической системы.

5. Израиль
Израиль является одним из наиболее ярких примеров высокой ИИ-интенсивности.

В Stanford Global AI Vibrancy Ranking он занимает 14-е место, а в Tortoise Global AI Index 2024 входил в первую десятку.

Сила Израиля концентрируется в:

стартапах;
кибербезопасности;
компьютерном зрении;
автономных системах;
военных технологиях;
специализированном программном обеспечении;
быстром трансфере исследований в коммерческие продукты.
Это не модель ИИ-сверхдержавы.

Это модель высокоплотного инновационного ядра.

Для России она важна как доказательство того, что эффективность интеллектуальной экосистемы нельзя измерять одной численностью населения или размером экономики.

6. Южная Корея
Южная Корея — один из наиболее недооценённых глобальных ИИ-игроков.

Stanford ставит её на 4-е место в абсолютном AI Vibrancy Ranking за 2024 год.

В 2025 году Южная Корея создала пять notable AI models — третий результат после США и Китая в детальном наборе Stanford/Epoch. Кроме того, страна занимает первое место в мире по количеству AI-патентов на душу населения.

Её особенно сильные стороны:

Samsung;
SK hynix;
полупроводники;
HBM-память;
дисплеи;
электроника;
робототехника;
собственные модели;
высокоскоростная цифровая инфраструктура.
Следовательно, южнокорейская модель имеет чрезвычайно важное свойство:

соединение искусственного интеллекта с одним из ключевых материальных оснований ИИ — современной электронной промышленностью.

7. Япония
Япония занимает 9-е место в Stanford Global AI Vibrancy Ranking за 2024 год.

Её положение отличается от американского и китайского.

Япония слабее на сегодняшнем глобальном LLM-frontier, но чрезвычайно сильна в:

робототехнике;
промышленной автоматизации;
электронике;
специализированном оборудовании;
материалах;
высокоточном производстве.
В 2024 году Япония установила около 44,5 тыс. промышленных роботов — второй показатель среди крупных рынков после Китая.

Поэтому следующая волна embodied AI способна повысить стратегическое значение японской технологической базы.

Японский пример показывает:

страна может несколько уступать в нынешней языковой революции, но обладать активами, критически важными для следующего фронтира физического интеллекта.

8. Сингапур
Сингапур представляет почти противоположную модель.

Его абсолютные размеры малы, но интенсивность ИИ-развития чрезвычайно высока.

Stanford ставит Сингапур на 6-е место в абсолютном рейтинге за 2024 год. По числу AI researchers and developers на душу населения Сингапур вместе со Швейцарией находится среди мировых лидеров.

Сильные стороны:

государственная стратегия;
образование;
инфраструктура;
международный капитал;
привлечение талантов;
региональный статус технологического хаба;
высокая скорость внедрения.
Сингапур показывает значение институционального качества.

Он не пытается воспроизводить всю американскую систему.

Он создаёт максимально привлекательную среду для концентрации мирового интеллектуального капитала.

9. Индия
Индия — один из самых быстро растущих игроков.

В Stanford Global AI Vibrancy Ranking она уже занимает 3-е место.

Её главное преимущество — масштаб человеческого капитала.

Страна имеет:

огромный пул программистов;
англоязычную инженерную среду;
крупную IT-индустрию;
быстро растущий внутренний цифровой рынок;
сильную диаспору в глобальной технологической индустрии.
Но положение Индии парадоксально.

Она уже чрезвычайно сильна по:

talent;
adoption;
software services;
цифровой инфраструктуре.
При этом значительно слабее США и Китая по количеству собственных frontier models, hyperscale compute и полному полупроводниковому стеку.

Поэтому Индия представляет собой крупнейшего потенциального позднего ускорителя мировой ИИ-гонки.

Если её кадровая мощь соединится с собственным compute и frontier research, глобальный баланс может существенно измениться.

10. Другие претенденты
Первая десятка не является закрытым клубом.

Особого внимания заслуживают несколько государств.

ОАЭ
Stanford ставит ОАЭ на 8-е место. Их модель основана на:

капитале;
суверенных фондах;
быстром строительстве compute;
привлечении иностранных специалистов;
государственных моделях и исследовательских центрах.
Испания
Неожиданное 7-е место Stanford показывает, насколько результаты зависят от используемой системы индикаторов. Испания не является седьмой державой мира по frontier models, но получает высокие баллы по совокупности инфраструктуры, политики, исследований и других компонентов.

Швейцария
11-е место Stanford и одна из крупнейших концентраций AI-таланта на душу населения.

Нидерланды
Их стратегическое значение значительно выше интегрального ИИ-рейтинга из-за положения в глобальной полупроводниковой цепочке.

Именно такие примеры доказывают:

реальное технологическое значение страны может радикально превышать её место в универсальном рейтинге.

11. Различные модели национального ИИ-лидерства
Таким образом, за пределами двух ИИ-сверхдержав существуют разные модели лидерства.

Модель Пример
Frontier research Великобритания, Франция, Канада
Полупроводниково-индустриальная Южная Корея
Industrial AI Германия, Япония
Talent-scale Индия
Innovation-density Израиль
Institutional hub Сингапур
Capital-driven acceleration ОАЭ
Full-stack frontier США, Китай
Это чрезвычайно важно для России.

Не существует закона, согласно которому ей необходимо полностью воспроизводить американский путь.

Необходимо определить:

какие компоненты мирового опыта должны быть освоены обязательно, а какую собственную модель лидерства Россия способна создать сама.

Глава 8. Реальное место России в мировой ИИ-системе
Эта глава должна быть одной из наиболее беспристрастных во всей книге.

Глобальное лидерство невозможно построить на самоуспокоении.

Но столь же опасна противоположная ошибка — считать любое отставание доказательством невозможности будущего лидерства.

Необходимо отделить:

реальное состояние;

потенциал;

желаемое состояние.

Сегодня Россия не входит в первый эшелон мирового ИИ-лидерства.

Но она также не является страной, лишённой собственной ИИ-системы.

Более точное определение:

Россия сегодня — крупная технологическая держава с отдельными сильными ИИ-компетенциями и собственными моделями, но с существенным системным отставанием от мирового frontier по вычислениям, элементной базе, капиталу, масштабам frontier research и полноте ИИ-экосистемы.

1. Россия в международных рейтингах
Три различных индекса дают довольно согласованную общую картину.

Stanford Global AI Vibrancy Ranking, последняя доступная абсолютная версия с данными за 2024 год:

Россия — 28-е место из 36 полностью ранжируемых стран.

Tortoise Global AI Index 2024:

Россия — 31-е место из 83 стран. Это значение также независимо приводилось Reuters.

Oxford Government AI Readiness Index 2025 характеризует несколько иную величину — способность государства создавать условия для использования ИИ. В официальной региональной таблице Россия получает около 58,3 балла и находится заметно ниже лидеров Восточной Европы; опубликованные российские сводки полного массива данных дают примерно 49-е мировое место.

Следовательно, разумно говорить не о точном единственном «31-м месте России», а о диапазоне:

по интегральной мощности национальной ИИ-экосистемы Россия сегодня находится примерно в третьем десятке; по отдельным институциональным показателям — ниже.

Это значительно точнее.

2. Динамика позиции России
Динамика также не позволяет говорить о системном движении к первой десятке.

По сводке Government AI Readiness Index Россия занимала:

33-е место в 2020 году;
38-е — в 2021;
40-е — в 2022;
38-е — в 2023;
39-е — в 2024;
около 49-го — в 2025 году.
Методика индекса менялась, поэтому эти позиции нельзя воспринимать как идеально однородный временной ряд, но направление проблемы очевидно: относительная скорость развития мировых лидеров выше.

Это принципиально.

Можно увеличивать собственные абсолютные возможности и одновременно ухудшать относительную позицию.

В технологической гонке имеет значение именно второе.

3. Российские фундаментальные модели
Здесь ситуация значительно лучше, чем может показаться из общего рейтинга.

В России существуют по меньшей мере две крупные полноценные экосистемы генеративных моделей:

Яндекс;
Сбер.
Яндекс развивает семейство Alice AI, включающее Alice AI LLM, визуально-языковые и генеративные модели. Компания сообщает, что флагманская Alice AI LLM имеет архитектуру Mixture of Experts и содержит сотни миллиардов параметров. К середине 2026 года недельная аудитория чата Alice AI достигла 33,2 млн пользователей, а ежемесячная аудитория AI-ответов в Поиске — 49,5 млн.

Сбер развивает семейство GigaChat. Официальный репозиторий GigaChat 3 Ultra Preview описывает MoE-модель примерно на 702 млрд параметров с 36 млрд активных параметров на токен; позднейшие версии семейства продолжают развивать архитектуру и агентные возможности.

Это реальные достижения.

Но необходима другая половина оценки.

Российские модели пока не входят в ту небольшую верхнюю группу глобального Arena/frontier, где Stanford на март 2026 года выделяет Anthropic, xAI, Google, OpenAI, Alibaba и DeepSeek.

Следовательно:

Россия имеет собственные крупные LLM, но пока не является одним из центров, определяющих мировой frontier универсальных моделей.

Это принципиально разные утверждения.

4. Вычислительные мощности
Именно здесь расположен один из крупнейших разрывов.

На июнь 2026 года наиболее мощные публично зарегистрированные российские системы TOP500 занимали:

Chervonenkis — 101-е место, 21,53 PFLOPS Rmax;
Galushkin — 134-е, 16,02 PFLOPS;
Lyapunov — 161-е, 12,81 PFLOPS;
Christofari Neo — 167-е, 11,95 PFLOPS.
Особенно показательно не только место.

Все четыре системы созданы в 2020–2021 годах и используют NVIDIA A100 или более ранние ускорители.

Российская Национальная стратегия развития ИИ ставит цель довести совокупную максимальную мощность GPU-суперкомпьютеров, используемых для ИИ, до не менее 1 экзафлопса к 2030 году, против 0,073 экзафлопса в 2022 году.

То есть сама государственная стратегия фактически признаёт необходимость порядкового наращивания compute.

5. Доступ к современным ускорителям
Публичный TOP500 одновременно показывает ещё одну проблему.

Ведущие российские системы работают в основном на NVIDIA A100.

Тем временем мировой frontier уже перешёл через поколения H100/H200 к B200/GB200 и последующим ускорителям.

Прямой доступ России к наиболее передовым западным AI-чипам ограничен экспортными режимами и санкционными ограничениями; этот фактор прямо отмечается и в международных оценках российского положения в ИИ-гонке.

Отсюда возникает критическая зависимость:

даже сильная российская алгоритмическая команда не может полностью реализовать frontier-архитектуру без достаточного frontier-compute.

6. Полупроводниковая база
На этом направлении проблема ещё глубже.

Россия пока не имеет полного отечественного стека, сопоставимого с сочетанием:

NVIDIA/AMD + TSMC в американско-союзнической системе;
Huawei + китайская промышленная цепочка.
Публичные российские AI-суперкомпьютеры сами демонстрируют зависимость от иностранных CPU, GPU и interconnect-компонентов.

Следовательно, полупроводниковая проблема является не одной из многих.

Это один из системных потолков масштабирования российского frontier AI.

7. Наука
Ситуация в науке неоднозначна.

Россия сохраняет:

сильные математические школы;
компьютерное зрение;
optimisation;
отдельные сильные университетские и корпоративные команды;
фундаментальную подготовку в математике и физике.
Специализированный российский AI Index, выпускаемый Центром компетенций НТИ по ИИ на базе МФТИ, продолжает ежегодный мониторинг отечественной отрасли и научных результатов.

Однако по международному влиянию AI-науки Россия не относится сегодня к группе США — Китай — Великобритания — Германия — Канада и других стран, регулярно присутствующих в верхних слоях цитирования Stanford AI Index.

То есть здесь существует не отсутствие науки, а недостаточный масштаб и международное влияние относительно фронтира.

8. Публикации и цитируемость
В российском AI Index 2024 Россия оценивалась примерно как 12-я страна мира по числу публикаций на ведущих A*-конференциях, с 125 такими работами за рассматриваемый период. Это значительно лучше интегрального положения страны и показывает наличие реальной исследовательской базы.

Однако международные индексы, учитывающие не только количество, но цитирование, качество и другие показатели R&D, дают России более низкие позиции.

Следовательно, научная задача должна состоять не просто в увеличении числа статей.

Она должна быть сформулирована жёстче:

увеличить долю российских работ, которые создают новые международные направления и становятся основой следующего технологического frontier.

9. Патенты
Россия присутствует на глобальной карте AI-патентования, но не относится к ведущим странам по объёму патентных портфелей. В сравнительной карте Stanford российская патентная система располагается значительно дальше от основных центров США, Китая, Южной Кореи и ряда других стран.

Однако и здесь простой рост количества патентов не является главной целью.

Для глобального лидерства важнее:

международные patent families;
цитируемость;
технологическое влияние;
превращение патента в промышленную платформу.
10. ИИ-кадры
Кадровая база — одновременно российская сила и слабость.

По данным ИСИЭЗ НИУ ВШЭ и Росстата, в организациях по итогам 2024 года насчитывалось более 242 тыс. работников с компетенциями в области ИИ, включая около 39 тыс. профильных специалистов по ИИ и 203 тыс. работников, использующих ИИ в профессиональной деятельности.

Однако это нельзя сравнивать напрямую с глобальными LinkedIn-оценками AI talent: методики различаются.

Проблема заключается не только в абсолютном числе специалистов, но в крайне дефицитной верхней части пирамиды:

frontier researchers;
архитекторы крупных моделей;
специалисты по distributed training;
AI-chip designers;
специалисты по alignment;
специалисты по новым когнитивным архитектурам.
Именно несколько тысяч или даже сотен людей такого уровня могут определять способность страны создавать новый frontier.

11. Инвестиции
Международно сопоставимая статистика частных AI-инвестиций в России неполна.

Это само по себе затрудняет прямое сравнение с США, Китаем, Великобританией или Францией.

Российская статистика показывает внутренние расходы организаций. По оценке ИСИЭЗ ВШЭ, расходы российских организаций вне ИКТ-сектора на ИИ должны увеличиться с приблизительно 118,5 млрд рублей в 2023 году до 1,6 трлн рублей к 2035 году для обеспечения прогнозируемого массового внедрения.

В 2024 году крупные и средние организации потратили, в частности, около 56,2 млрд рублей на оборудование для ИИ и 30,5 млрд рублей на соответствующее программное обеспечение.

Но эти значения нельзя напрямую сопоставлять с американскими сотнями миллиардов долларов частного AI-капитала: показатели имеют различное статистическое содержание.

Вывод очевиден и без ложной арифметической точности:

по масштабам рискового и frontier-капитала российская система на порядки меньше американской и существенно меньше ведущих мировых экосистем.

12. ИИ-компании
Россия всё же обладает несколькими сильными корпоративными центрами.

Прежде всего:

Яндекс;
Сбер.
Кроме них различные ИИ-направления развивают:

VK;
МТС;
T-Банк;
Ростелеком;
крупные промышленные компании;
университетские и специализированные технологические команды.
По оценкам, использованным ВШЭ в 2024 году, в стране насчитывалось более 2000 компаний-разработчиков ИИ-решений в широком понимании.

Но необходимо различать:

компанию, применяющую или разрабатывающую ИИ,

и

frontier lab, способную создавать новый класс фундаментальных моделей.

По второму показателю российская экосистема значительно уже американской или китайской.

13. Стартапы
Именно здесь особенно заметен структурный разрыв.

Глобальный frontier AI всё чаще формируется компаниями, способными за несколько лет привлечь миллиарды долларов для крайне рискованных исследований.

Американская экосистема производит сотни и тысячи финансируемых AI-стартапов и множество AI-unicorns. В мировом масштабе США и Китай концентрируют подавляющую часть крупнейших AI-венчуров.

В России существует ИИ-стартап-среда, однако:

объёмы венчурного капитала меньше;
exit-возможности слабее;
доступ к compute ограничен;
международные рынки труднее доступны.
Следовательно, России требуется не просто «поддержка стартапов», а отдельная frontier venture architecture, способная финансировать многолетние высокорисковые разработки.

14. ИИ в промышленности
Здесь у России имеется реальная база, но внедрение пока неоднородно.

По обследованию Росстата и ИСИЭЗ ВШЭ:

компьютерное зрение применяют 66% организаций — пользователей ИИ;
системы интеллектуальной поддержки решений — 50%;
среди ИИ-пользователей финансовый сектор особенно активно применяет текстовые технологии и системы принятия решений;
собственную разработку AI software ведут около 23% организаций — пользователей ИИ.
Но ВШЭ одновременно отмечает, что около 48% крупных и средних организаций вообще заявляли об отсутствии потребности в ИИ, а высокие затраты оставались главным препятствием для 58% респондентов.

Это означает:

острова высокой ИИ-зрелости существуют, но экономика в целом ещё далека от AI-native состояния.

15. ИИ для науки
Россия имеет отдельные разработки в:

материаловедении;
химии;
биологии;
математике;
физическом моделировании;
инженерном проектировании.
Но пока отсутствует национальная AI-for-Science инфраструктура масштаба американской Genesis Mission или крупнейших китайских программ.

Именно этот разрыв особенно опасен.

ИИ для науки является рекурсивным ускорителем:

ИИ ; новая наука ; новые материалы и технологии ; лучший compute ; новый ИИ.

Поэтому AI for Science должен стать одним из главных направлений российской программы-минимум и одновременно мостом к программе-максимум.

16. ИИ в государственном управлении
Здесь динамика последних лет существенно положительнее.

В 2025 году Правительство создало Центр развития искусственного интеллекта для координации внедрения ИИ в органах власти, регионах и бизнесе. В 2026 году сформирована единая координационная система развития и внедрения ИИ.

ИИ уже используется в системе управления национальными проектами: правительственная система анализирует показатели и мероприятия госпрограмм и сопоставляет их с национальными целями.

К февралю 2026 года на портале «Цифровой регион» было собрано около 350 ИИ-решений и более 430 сценариев их применения.

Следовательно, государственное внедрение — одна из областей, где Россия способна сравнительно быстро повысить свою позицию.

17. Робототехника
Здесь разрыв остаётся большим.

В 2024 году плотность промышленной роботизации России составляла около 29 роботов на 10 тыс. работников.

Мировой показатель был во много раз выше, а у лидеров исчислялся сотнями и более тысячи роботов на 10 тыс. работников.

По предварительным отраслевым оценкам, в 2025 году российский показатель мог увеличиться примерно до 40.

Национальный проект ставит цель:

145 роботов на 10 тыс. работников и вхождение в топ-25 мира к 2030 году.

Это хороший пример конкретного измеримого технологического разрыва.

18. Оборонные применения
Здесь объективная международная оценка особенно затруднена.

Значительная часть данных:

закрыта;
не стандартизирована;
связана с реальными военными операциями;
плохо сопоставима между странами.
Очевидно, что российский оборонный сектор активно использует:

компьютерное зрение;
БПЛА;
автоматизированный анализ данных;
радиоэлектронные системы;
алгоритмы принятия решений.
Но на основании открытых данных невозможно корректно вывести интегральное место России в мире по «военному ИИ».

Поэтому в настоящей Доктрине оборонный показатель не должен использоваться как способ искусственно повысить или понизить общий рейтинг.

19. Сильные стороны России
Несмотря на общий разрыв, Россия обладает набором существенных активов.

Первая — собственные фундаментальные модели
Yandex/Alice AI и GigaChat дают России уровень модельного суверенитета, которым обладает далеко не большинство государств.

Вторая — математическая и инженерная школа
Она остаётся важным источником потенциальных frontier-разработок.

Третья — крупные технологические компании
Яндекс и Сбер способны финансировать длительные исследовательские программы.

Четвёртая — энергетическая база
Для эпохи, когда compute превращается в один из крупнейших потребителей электроэнергии, это потенциальное структурное преимущество.

Пятая — большой внутренний рынок
Россия способна разворачивать национальные модели на десятках миллионов пользователей.

Шестая — высокая способность к крупным государственным программам
При правильно выбранной цели возможна концентрация значительных ресурсов.

Седьмая — возможность искать асимметричные направления
Именно здесь появляется пространство:

LPM ; Метаорганон ; карионный ИИ ; ИМИ.

20. Критические слабости
Но эти преимущества нельзя превращать в повод недооценивать проблемы.

Критические ограничения следующие:

Compute-gap.
AI-chip gap.
Малая ширина frontier-model ecosystem.
Недостаток frontier venture capital.
Ограниченный рынок AI-стартапов.
Отставание в промышленной роботизации.
Недостаточная международная научная концентрация.
Дефицит отдельных категорий специалистов высшего уровня.
Зависимость от иностранных компонентов вычислительного стека.
Недостаточная скорость создания новых поколений инфраструктуры.
Главная опасность состоит в их взаимном усилении:

мало compute ; сложнее создавать frontier-модели ; меньше frontier-компаний ; меньше капитала ; меньше спроса на frontier-кадры ; ещё меньше новых моделей.

Задача стратегии — разорвать этот отрицательный цикл.

21. Асимметричные возможности
Именно здесь начинается программа-максимум.

Если Россия попытается победить США исключительно увеличением числа нынешних LLM, она вступает в соревнование, где противник уже имеет огромный инфраструктурный запас.

Но мировой ИИ-фронтир не является завершённым.

Некоторые его следующие координаты ещё практически отсутствуют.

Поэтому Россия может попытаться одновременно:

догонять существующий frontier

и

создавать новый frontier.

В настоящей Доктрине в качестве таких потенциальных направлений рассматриваются:

LPM;
MetaLPM;
карионный ИИ;
Метаорганон;
ИМИ;
агональная эволюция ИИ;
ноогенетика;
Ноофракталика;
новые формы человеко-машинных брейомов.
Здесь необходимо очень важное ограничение:

сам факт существования оригинальной концепции ещё не означает лидерства.

Лидерство появится только тогда, когда концепция будет превращена в:

теорию ; эксперимент ; технологию ; воспроизводимую платформу ; международный benchmark.

Глава 9. Матрица российского ИИ-разрыва
Обычное выражение «Россия отстаёт в ИИ» практически бесполезно.

Отставание неоднородно.

В одних областях оно составляет несколько технологических поколений.

В других — существенно меньше.

А в некоторых потенциальных направлениях ещё нет общепризнанного мирового лидера вообще.

Поэтому для программы глобального лидерства необходима матрица разрывов, позволяющая определить приоритетность национальных действий.

1. Разрыв в вычислениях
Это один из наиболее критических разрывов.

Американская система располагает гиперскейлерами, тысячами дата-центров и огромным парком современных AI-ускорителей. Глобальная compute-capacity растёт примерно в 3,3 раза ежегодно.

Самая мощная публично зарегистрированная российская система в июне 2026 года находилась лишь на 101-м месте TOP500 и была построена на NVIDIA A100 поколения 2020–2021 годов.

Оценка разрыва: критический.

Без его сокращения невозможно устойчивое frontier-лидерство.

2. Разрыв в frontier-моделях
Россия имеет крупные национальные LLM.

Это важное достижение.

Но число независимых frontier labs невелико, а российские модели пока не определяют глобальные benchmark.

Оценка разрыва: большой.

При этом он меньше аппаратного, поскольку собственные школы и модели уже существуют.

3. Разрыв в чипах
Это наиболее фундаментальный материальный bottleneck.

Россия не располагает современной самостоятельной цепочкой массового производства AI-ускорителей frontier-класса.

Наиболее мощные российские публичные AI-системы используют иностранные CPU/GPU.

Оценка разрыва: критический / системообразующий.

4. Разрыв в инвестициях
Американская частная AI-индустрия измеряет инвестиции сотнями миллиардов долларов ежегодно; российский frontier-capital несопоставимо меньше.

При этом российская государственно-корпоративная модель позволяет концентрировать средства в нескольких крупных центрах, но имеет меньшую эволюционную ширину эксперимента.

Оценка разрыва: критический по венчурному капиталу; большой по совокупной мобилизационной способности.

5. Разрыв в кадрах
Здесь ситуация промежуточная.

Россия имеет значительную базу специалистов: более 242 тыс. работников с теми или иными ИИ-компетенциями в обследованных организациях, в том числе около 39 тыс. профильных специалистов.

Но основная проблема — верхний frontier-layer.

Оценка разрыва: средний по массовым инженерным кадрам; большой по небольшой группе frontier-специалистов.

Это принципиальное различие.

6. Разрыв в фундаментальной науке
Россия не находится в научном вакууме.

Отдельные школы конкурентоспособны, российские исследователи продолжают публиковаться на ведущих конференциях, а специализированный AI Index Russia фиксирует заметный международный публикационный результат.

Но масштаб научного frontier и его связь с коммерческим model-development существенно слабее американской и китайской.

Оценка разрыва: большой, но потенциально преодолимый.

7. Разрыв в инфраструктуре
Он включает не только суперкомпьютеры.

Это:

дата-центры;
облака;
сети;
хранение;
разработческие платформы;
библиотеки;
orchestration;
национальные датасеты;
energy infrastructure.
Россия имеет собственные облачные платформы и крупные ЦОД, но глобальная гиперскейлерная база несопоставима.

Оценка разрыва: большой.

8. Разрыв во внедрении
Здесь положение лучше.

Россия имеет крупные AI-пользовательские экосистемы, банковские ИИ-системы, поисковые и рекомендательные платформы, компьютерное зрение и growing government AI.

Однако массовая экономика ещё не стала AI-native: 48% обследованных крупных и средних организаций заявляли об отсутствии потребности в ИИ.

Оценка разрыва: средний, но крайне неоднородный.

В финансах, телекоме и крупнейших цифровых компаниях — малый.

Во многих традиционных отраслях — большой.

9. Разрыв в AI for Science
У России есть сильная научная база в областях, где AI for Science может дать высокий эффект.

Но нет сопоставимой с мировыми лидерами единой сверхмасштабной инфраструктуры автоматизированной науки.

Оценка разрыва: большой.

Одновременно это одна из областей с максимальной отдачей от инвестиций.

10. Разрыв в робототехнике
В 2024 году Россия имела около 29 промышленных роботов на 10 тыс. работников против сотен у ведущих индустриальных стран.

Даже рост примерно до 40 в 2025 году оставляет огромный разрыв.

Оценка разрыва: критический / большой.

Но здесь уже существует конкретная государственная цель — 145 роботов на 10 тыс. работников к 2030 году.

11. Где разрыв критичен
Наиболее опасны пять позиций:

Направление Уровень
Передовые AI-чипы Критический
Frontier compute Критический
Масштаб frontier-капитала Критический
Масштаб frontier-model ecosystem Большой–критический
Промышленная роботизация Большой–критический
Именно эти направления способны блокировать остальные.

Например, талант без compute уезжает туда, где compute есть.

Сильная теория без капитала не превращается в крупномасштабный эксперимент.

Модель без современной элементной базы плохо масштабируется.

Это узлы отрицательной обратной связи российского ИИ-разрыва.

12. Где он преодолим
Существует другой класс направлений, где разрыв значителен, но Россия имеет уже существующую базу.

К ним относятся:

русскоязычные LLM;
agentic AI;
AI for Science;
математические методы;
компьютерное зрение;
государственные ИИ-системы;
специализированный промышленный ИИ;
подготовка кадров;
национальные датасеты;
отдельные направления робототехники.
Здесь задача состоит не в создании отрасли «с нуля», а в её ускоренном масштабировании.

Именно эти области должны давать быстрые результаты программы-минимум.

13. Где мировой фронтир ещё не сформирован
Это наиболее важная клетка всей матрицы.

Современная мировая гонка чрезвычайно развита в:

LLM;
multimodal models;
agents;
compute;
AI chips.
Но гораздо менее определена в вопросе:

как создавать системы, основным предметом деятельности которых является систематическое развитие самих интеллектов?

Именно здесь находятся наши гипотезы:

LPM
Не просто работа с последовательностями языковых токенов, а с более общими паттернами и метапаттернами.

Метаорганон
Не отдельный метод мышления, а система создания и развития способов мышления.

Карион
Специализированное метаинтеллектуальное ядро.

ИМИ
Интеллект, работающий с интеллектами и механизмами их развития.

Агональный интеллект
Интеллектуальное развитие посредством организованной конкуренции, критики, селекции и коэволюции.

Ноогенетика
Наследование эффективных когнитивных приобретений.

Ноофракталика
Многоуровневая эволюция генераторов, метагенераторов и популяций интеллектуальных систем.

Здесь нельзя утверждать:

«Россия уже опережает мир».

Это было бы методологически недопустимо.

Корректная формулировка значительно интереснее:

здесь ещё нет такого зрелого мирового фронтира, относительно которого Россия заранее обречена быть догоняющей.

А значит, существует пространство для фронтиротворчества.

Сводная матрица российского ИИ-разрыва
Направление Текущее положение Разрыв Стратегический режим
AI-чипы слабое относительно frontier критический догонять + искать альтернативы
Compute существенно ниже лидеров критический ускоренно догонять
Frontier LLM собственные сильные модели, не мировой top-tier большой догонять и конкурировать
Кадры сильная база, узкий frontier-layer средний/большой быстро усиливать
Наука отдельные сильные школы большой усиливать и концентрировать
Инвестиции слабый frontier venture layer критический создавать новый механизм финансирования
Внедрение сильные сектора + слабая массовость средний масштабировать
Государственный ИИ заметная динамика средний ускорять
AI for Science потенциал высокий, масштаб ограничен большой приоритетно догонять
Робототехника низкая плотность большой/критический ускоренно догонять
LPM мировой frontier не сформирован неопределён создавать
Метаорганон мировой frontier не сформирован неопределён создавать
Карионный ИИ мировой frontier не сформирован неопределён создавать
ИМИ полноценной отрасли пока нет неопределён фронтиротворчество
Ноофрактальная эволюция близкие области существуют, интегральный frontier открыт неопределён исследовать и создавать
Из этой таблицы выводится, пожалуй, главный стратегический принцип всей первой части книги:

России нельзя выбирать между догоняющим и опережающим развитием. Ей необходимо одновременно сокращать критические разрывы существующего ИИ-фронтира и инвестировать в направления, в которых сам следующий фронтир ещё только предстоит создать.

Иначе возникают две симметричные ошибки.

Первая:

заниматься только LLM и всю жизнь догонять лидеров существующей парадигмы.

Вторая:

объявить ИМИ и Метаорганон будущим и проигнорировать compute, чипы, LLM, науку и инфраструктуру, без которых радикальные идеи невозможно материализовать.

Правильная стратегия:

суверенная материальная база нынешнего ИИ + собственная программа создания следующей архитектуры разума.

И именно после этой диагностики становится логичным следующий вопрос Доктрины:

какие позиции Россия должна занять уже к концу первого пятилетия — не в общем виде, а по конкретным измеримым показателям мирового ИИ-фронтира?

Поскольку рейтинги, модели и compute меняются буквально ежемесячно, я могу отслеживать Stanford, TOP500, Oxford и другие ключевые источники и сообщать нам о существенных изменениях, чтобы цифры книги не устарели к версии 1.0.

************

Глава 10. Где догонять, где обходить, где создавать новый фронтир
Российская стратегия в сфере искусственного интеллекта не может быть построена по единой логике.

Слишком различно исходное положение страны в разных сегментах технологического пространства.

В производстве передовых ИИ-ускорителей Россия находится далеко от мирового фронтира.

В больших языковых моделях она располагает собственными крупными системами, но пока не входит в узкую группу создателей глобального frontier.

В государственном ИИ, отдельных прикладных направлениях, математических методах и ряде промышленных применений разрыв существенно меньше.

Наконец, в таких потенциальных направлениях, как LPM, Метаорганон, карионные архитектуры и ИМИ, общепризнанный мировой технологический фронтир ещё вообще не сформирован.

Следовательно, ошибочны обе крайние стратегии.

Первая:

«Нужно сначала во всём догнать лидеров, а уже потом заниматься новым».

При такой логике новое почти наверняка будет создано другими раньше.

Вторая:

«Не нужно догонять существующий ИИ; необходимо сразу перескочить к ИМИ».

Без вычислений, моделей, специалистов, данных, электронной базы и современной экспериментальной инфраструктуры ИМИ рискует остаться исключительно концептуальной конструкцией.

Необходима одновременная работа в трёх стратегических режимах:

догонять сформировавшийся фронтир;

соревноваться на движущемся фронтире;

создавать фронтир там, где его ещё нет.

Эту триаду можно рассматривать как один из основных принципов настоящей Доктрины.

1. Догоняющее развитие
Сам термин «догоняющее развитие» иногда воспринимается почти как признание поражения.

Это ошибка.

В технологической политике догоняющее развитие является совершенно нормальным режимом там, где уже существует доказанная архитектура технологии, сформирована промышленная цепочка и известны основные показатели конкурентоспособности.

Нерационально заново открывать всё, что человечество уже научилось делать.

Задача состоит в другом:

максимально быстро освоить необходимый уровень, сократить критическую зависимость и получить материальную базу для следующего шага.

Поэтому России необходимо догонять мировой уровень там, где отсутствие соответствующей технологии блокирует развитие всех остальных направлений.

Главная характеристика правильного догоняющего развития — не копирование конкретного продукта, а освоение воспроизводящей способности.

Недостаточно один раз построить мощный суперкомпьютер.

Необходимо создать систему, способную строить следующие поколения вычислительной инфраструктуры.

Недостаточно выпустить одну конкурентоспособную LLM.

Нужна индустрия, которая через шесть месяцев или год сможет создать следующее поколение.

Недостаточно импортозаместить отдельный компонент.

Необходимо овладеть технологической цепочкой его дальнейшего развития.

Поэтому догоняющая программа должна измеряться не только расстоянием до сегодняшнего benchmark, но и скоростью сокращения технологического лага.

Если мировой лидер обновляет поколение каждые двенадцать месяцев, а догоняющий — каждые двадцать четыре, абсолютный прогресс последнего может сочетаться с увеличением реального разрыва.

2. Фронтирное соревнование
Второй режим возникает там, где мировой лидер уже существует, но технологическая архитектура ещё не стабилизировалась.

Это не классическое догоняющее развитие.

Здесь все участники движутся.

К таким областям сегодня относятся:

reasoning systems;
автономные ИИ-агенты;
мультимодальные архитектуры;
AI for Science;
embodied AI;
автономная робототехника;
новые архитектуры памяти;
долговременное обучение;
коллективные и многоагентные системы;
автоматизированные научные исследования.
Stanford AI Index 2026 подчёркивает, что возможности ИИ продолжают быстро расти, а более 90% notable frontier models 2025 года были созданы промышленностью. Сам фронтир меняется настолько быстро, что многие benchmark приходится регулярно заменять после их насыщения.

В подобной ситуации Россия не должна ставить задачу:

«догнать состояние США образца 2026 года к 2031 году».

К 2031 году такого фронтира уже не будет.

Нужна другая цель:

войти в группу субъектов, которые сами движут этот фронтир и обновляют свои решения со скоростью, сопоставимой с мировыми лидерами.

Это и есть фронтирное соревнование.

3. Фронтиротворчество
Третий режим — наиболее рискованный и одновременно наиболее важный для программы глобального лидерства.

Фронтиротворчество означает не достижение существующего benchmark, а создание нового класса технологий, нового типа задачи или нового стандарта сравнения, которого прежде не существовало как развитого мирового направления.

Проверка фронтиротворчества предельно проста.

Недостаточно сказать:

«У нас есть оригинальная концепция».

Необходимо пройти последовательность:

идея ; теория ; эксперимент ; прототип ; воспроизводимая технология ; независимая проверка ; масштабирование ; новый международный benchmark.

Только после этого можно утверждать, что создан новый фронтир.

В высшей форме результат выглядит так:

остальные участники мировой гонки начинают сравнивать свои системы с созданным вами классом систем.

Именно это отличает технологическое лидерство от технологической оригинальности.

Три режима в одной системе
Состояние мирового фронтира Стратегия России Критерий успеха
Фронтир сформирован Догонять Паритет и устранение критического лага
Фронтир быстро движется Соревноваться Участие в верхней мировой группе
Фронтира ещё нет Создавать Россия задаёт новый benchmark
Эти три режима должны существовать одновременно, а не последовательно.

4. Сферы обязательного догоняющего развития
Есть области, в которых попытка «обойти» фундаментальную материальную базу была бы опасной иллюзией.

Вычислительные мощности
В феврале 2024 года Национальная стратегия развития ИИ поставила задачу увеличить совокупную максимальную мощность российских GPU-суперкомпьютеров с 0,073 экзафлопса в 2022 году до не менее 1 экзафлопса в 2030 году.

Это необходимый минимум.

Проблема становится особенно заметной в сравнении с публичным TOP500: в июне 2026 года наиболее мощный российский Chervonenkis занимал 101-е место с Rmax 21,53 PFLOPS и использовал NVIDIA A100 поколения 2021 года.

Без резкого роста compute невозможно устойчивое участие в frontier research.

Передовая электронная компонентная база
Необходимо сокращать зависимости по:

AI-ускорителям;

памяти;

interconnect;

advanced packaging;

серверным системам;

системному ПО;

сетевой инфраструктуре.

При этом задача не обязательно состоит в мгновенном производстве исключительно российских аналогов каждого элемента.

Она состоит в устранении критических единичных точек внешней зависимости.

Фундаментальные модели
Российские модели должны находиться не на уровне «достаточно хорошо для русского языка», а в непосредственной близости к лучшим мировым системам по:

рассуждению;

программированию;

математике;

мультимодальности;

агентности;

длинному контексту;

эффективности inference.

Робототехника
Российская официальная цель — войти к 2030 году в число 25 ведущих стран по плотности роботизации и довести её примерно до 145 промышленных роботов на 10 тыс. работников.

Для программы глобального лидерства это следует считать минимальным, а не конечным рубежом.

Научная и кадровая инфраструктура
Нельзя создать ИМИ только небольшим коллективом энтузиастов.

Необходима научная пирамида от массовой подготовки до нескольких сотен и тысяч специалистов frontier-уровня.

AI for Science
Россия должна иметь собственную инфраструктуру ИИ-ускорения математики, физики, химии, материаловедения, биологии, инженерии и других дисциплин.

Иначе ИИ будет усиливать не российскую науку, а преимущественно науку государств, уже создавших соответствующие платформы.

5. Сферы потенциального опережения
Опережение наиболее реалистично там, где одновременно выполняются три условия:

мировая архитектура ещё не закреплена;

Россия обладает исходными интеллектуальными компетенциями;

новое направление способно изменить более крупный технологический стек.

Одним из таких направлений может быть AI for Science в областях традиционно сильной российской математики и естественных наук.

Другим — специализированный промышленный и физический ИИ.

Третьим — новые архитектуры коллективного человеко-машинного интеллекта.

Но наиболее радикальная группа потенциальных направлений связана уже с метаинтеллектуальным переходом:

LPM ; Метаорганон ; карион ; ИМИ ; искусственная метаэволюция разума.

Именно эту линию настоящая Доктрина предлагает рассматривать как ядро программы-максимум.

6. LPM как новый архитектурный фронтир
Современная революция больших моделей была прежде всего революцией масштаба и языкового представления.

LLM доказали, что огромное количество интеллектуальной деятельности может быть представлено и воспроизведено через закономерности больших последовательностей.

Но отсюда не следует, что язык является окончательной универсальной архитектурой интеллекта.

Разум работает не только со словами.

Он работает с:

причинными структурами;

отношениями;

сценариями;

операциями;

целями;

стратегиями;

образами;

классами преобразований;

способами решения проблем;

способами создания способов решения.

Отсюда возникает гипотеза Large Pattern Models — LPM.

В первом приближении LPM должны работать не только с языковыми последовательностями, а с более общими структурами — паттернами и метапаттернами.

При этом было бы ошибкой строить программу LPM как войну против LLM.

Наиболее реалистичный первоначальный путь:

LLM + LPM.

LLM может оставаться языковым и коммуникационным слоем.

LPM — становиться механизмом работы с более общими паттернами.

MetaLPM — работать уже с паттернами формирования и преобразования самих паттернов.

Для превращения LPM из идеи в мировой фронтир необходимы по крайней мере четыре доказательства:

Строго определить класс объектов LPM.
Создать задачи, на которых pattern-native архитектура отличается от обычной LLM.
Продемонстрировать устойчивое преимущество или новые способности.
Добиться независимого воспроизведения результатов.
Если это произойдёт, Россия сможет предложить не «ещё одну большую модель», а новый класс больших моделей.

Это уже другая величина технологического результата.

7. Метаорганон как новый фронтир ментальных технологий
Ещё более фундаментальна проблема Метаорганона.

Человечество создало тысячи интеллектуальных инструментов:

логику;

математику;

научный метод;

теорию вероятностей;

статистику;

моделирование;

системный анализ;

теорию принятия решений;

алгоритмы творчества.

Но они остаются фрагментированными.

Человек должен сам знать о существовании метода, выбрать его, освоить и применить.

Метаорганон должен изменить эту ситуацию.

Он должен превратить ментальный инструментарий в интегрированную, машинно поддерживаемую и генеративную среду мышления.

Её задачи:

диагностировать проблему;

определять недостаточность используемого способа мышления;

выбирать другой метод;

комбинировать методы;

создавать новый метод;

устраивать между ними агон;

оценивать результат;

сохранять удачные интеллектуальные приобретения;

совершенствовать сам механизм создания методов.

Именно поэтому:

самая важная часть Метаорганона — не библиотека ментальных технологий, а генератор новых ментальных технологий.

МО1 не обязан быть совершенным.

Его историческая задача аналогична первому самолёту.

Первый самолёт не решил проблему межконтинентальной авиации.

Он решил более фундаментальную проблему — доказал принцип.

МО1 должен доказать:

может ли человек с искусственным инструментарием устойчиво переходить к таким способам мышления, которых он без этого инструментария систематически не достигает?

Если самолёт дал человеку искусственный орган полёта, то:

Метаорганон должен стать искусственным органом интеллектуальной эволюции.

8. ИМИ как потенциально новый класс искусственного разума
Именно здесь необходима особенно строгая терминология.

Нельзя называть ИМИ любую ИИ-систему, содержащую planner, critic, память или self-reflection.

Иначе новое понятие растворится в существующих агентных технологиях.

Определяющим признаком ИМИ должен быть объект его деятельности.

ИИ преимущественно действует с объектами внешнего мира и поставленными задачами.

ИМИ делает предметом своей специализированной деятельности:

интеллекты и механизмы их развития.

Полномасштабный ИМИ1 должен быть способен не просто рекомендовать, как улучшить другую систему, а включаться в воспроизводимый цикл:

моделирование интеллекта ; диагностика ; проектирование альтернатив ; создание вариантов ; агональное испытание ; измерение ; селекция ; интеграция ; наследование ; следующее поколение.

Ещё более высокий критерий:

система должна уметь совершенствовать не только интеллект, но и механизмы его совершенствования.

Именно здесь начинается метаэволюционная функция.

Карион в такой архитектуре становится не просто «начальником» других агентов.

Он выступает специализированным ядром интеллектуального саморазвития.

Метаорганон обеспечивает средства мышления.

LPM/MetaLPM — работу с паттернами и метапаттернами.

Агональные технологии — селективное давление.

Ноогенетика — наследование.

Ноофракталика — генеративную эволюционную архитектуру.

ИМИ интегрирует эти и другие возможные механизмы в систему развития интеллектов.

9. Искусственная эволюция разума как сверхфронтир
Но даже ИМИ1 не является конечным объектом Доктрины.

Если создать один сильный ИМИ, мы получим одну новую технологию.

Если же создать систему, способную регулярно производить:

ИМИ1 ; ИМИ2 ; ИМИ3 ; …

возникает другой класс могущества.

Объектом проектирования становится уже линия эволюции.

А если одновременно развиваются:

МО1 ; МО2 ; МО3 ; …

и каждое новое поколение ИМИ помогает создавать следующий Метаорганон, а каждый новый Метаорганон помогает создавать следующий ИМИ, возникает положительная обратная связь.

Метаинтеллект начинает ускорять производство средств развития метаинтеллекта.

Именно поэтому искусственная эволюция разума является сверхфронтиром.

Конкуренция происходит уже не между отдельными ИИ.

Она происходит между машинами производства следующих поколений ИИ.

Это меняет саму единицу технологического лидерства.

Сегодня вопрос ставится:

«У кого лучшая модель?»

Следующая постановка:

«У кого лучшая система создания моделей?»

Ещё следующая:

«У кого наиболее мощная система искусственной эволюции интеллекта?»

В этом и состоит потенциальная стратегическая ставка России.

Не отказаться от сегодняшней гонки.

Не пытаться магически перепрыгнуть через её материальную основу.

А использовать достижение нынешнего фронтира как стартовую площадку для создания следующего.

Краткая формула российской стратегии поэтому выглядит так:

Догнать необходимое.

Соревноваться в открытом.

Создать то, чего пока нет.

Глава 11. Целевые позиции России на конец первого пятилетия
Стратегия без измеримых результатов быстро превращается в декларацию.

Поэтому первый пятилетний цикл Доктрины должен завершаться не отчётом о количестве мероприятий, конференций, центров и принятых документов, а изменением реальной позиции России в мировой системе ИИ.

Если точкой развёртывания считать 2026–2027 годы, контрольным рубежом становится 2031 год.

При этом невозможно надёжно предсказать, какими именно будут мировые модели, compute или робототехника через пять лет.

Следовательно, часть целей должна задаваться абсолютными показателями, а часть — относительно постоянно движущегося мирового фронтира.

Для Доктрины предлагается различать три сценария.

1. Базовый сценарий
Базовый сценарий — не желаемая цель, а контрольный сценарий недостаточного ускорения.

Россия выполняет основную часть уже существующих государственных программ.

Совокупная мощность ИИ-суперкомпьютеров достигает официально установленного рубежа не менее 1 экзафлопса к 2030 году.

Плотность роботизации приближается к официальной цели 145 роботов на 10 тыс. работников, обеспечивая вхождение примерно в топ-25 стран.

Российские фундаментальные модели развиваются.

Расширяется государственное и корпоративное внедрение ИИ.

Но общий мировой frontier продолжает двигаться быстрее.

Россия перемещается приблизительно в район 20–25-х мест интегральных рейтингов, не становясь одним из их системных лидеров.

Создаются отдельные прототипы LPM, Метаорганона и ИМИ, но они не превращаются в мировой benchmark.

Такой сценарий улучшает положение России.

Но он не реализует задачу настоящей Доктрины.

2. Стратегический сценарий
Стратегический сценарий — основной целевой сценарий Доктрины.

К 2031 году Россия должна:

существенно сократить критические аппаратные и вычислительные разрывы;

войти в устойчивую группу приблизительно 10–15 ведущих ИИ-экосистем мира;

получить позиции мирового top-10 по нескольким отдельным компонентам;

иметь минимум две конкурентоспособные линии фундаментальных моделей;

создать сильную национальную AI for Science инфраструктуру;

существенно повысить промышленную роботизацию;

создать собственный LPM-фронтир;

довести Метаорганон до полноценной версии МО1;

создать полномасштабную технологию ИМИ1.

Именно этот сценарий должен считаться успешным завершением первого пятилетнего цикла.

3. Лидерский сценарий
Лидерский сценарий означает, что Россия не только значительно улучшила положение на нынешнем фронтире, но смогла открыть новое пространство глобальной конкуренции.

В этом случае к 2031 году она:

входит приблизительно в top-10 крупнейших национальных ИИ-систем по нескольким устойчивым международным оценкам;

находится в top-5 мира хотя бы по нескольким критически важным направлениям;

имеет собственные frontier-модели верхней мировой группы;

создаёт LPM или другую оригинальную архитектуру международного значения;

получает воспроизводимый МО1;

создаёт полномасштабный ИМИ1;

начинает опытные работы по следующему поколению;

предлагает международно используемые benchmark и стандарты метаинтеллектуальных систем.

Ключевой признак лидерского сценария:

хотя бы по одному новому классу интеллектуальных технологий другие страны начинают догонять уже Россию.

Вот это и будет реальным началом глобального лидерства.

4. Целевые позиции в международных рейтингах
Существующие места России существенно различаются в зависимости от методологии. Именно поэтому нельзя ставить задачу «стать девятой в конкретном индексе» и считать её достаточной.

Предлагается использовать корзину международных индексов и собственную интегральную систему Доктрины.

Целевой коридор:

Сценарий Целевая позиция к 2031 году
Базовый Top-20–25
Стратегический Устойчивый top-10–15
Лидерский Top-10 интегрально + top-5 в нескольких ключевых компонентах
Отдельно должен рассчитываться индекс фронтиротворческой способности.

Именно в нём LPM, МО и ИМИ должны при успешной программе выводить Россию в первую мировую группу.

5. Цели по compute
Здесь первым минимальным рубежом уже является государственная цель:

не менее 1 экзафлопса совокупной максимальной мощности ИИ-суперкомпьютеров к 2030 году.

Однако для настоящей Доктрины этого недостаточно.

В июне 2026 года Chervonenkis находился на 101-м месте TOP500, причём его позиция снизилась с 19-й в момент появления в рейтинге в 2021 году до 101-й без изменения собственной мощности.

Это идеальная иллюстрация фундаментального закона ИИ-гонки:

неподвижная мощность означает относительное отступление.

Поэтому к 2031 году необходимо ставить относительные цели:

стратегический сценарий — Россия входит как минимум в top-10 стран по реально доступному национальному AI training compute;

лидерский сценарий — приближается к top-5 и располагает несколькими географически независимыми кластерами frontier-класса.

Не менее важна архитектура compute:

доступность для университетов;
доступность для стартапов;
квоты для frontier research;
национальные облачные платформы;
эффективное использование ускорителей;
собственный программный стек.
Compute должен перестать быть только корпоративным ресурсом нескольких гигантов и превратиться в национальную интеллектуальную инфраструктуру.

6. Цели по фундаментальным моделям
Программа-минимум требует, чтобы Россия имела собственные модели во всех основных классах:

текст;

код;

мультимодальность;

reasoning;

агентность;

научные модели.

Но количественное наличие недостаточно.

К 2031 году в стратегическом сценарии минимум два российских семейства фундаментальных моделей должны регулярно входить в мировую верхнюю группу по нескольким независимым benchmark.

Цель следует формулировать не как «самая большая модель», а как комбинацию:

качество + стоимость + скорость + автономность + модифицируемость + технологический суверенитет.

В лидерском сценарии как минимум одна российская система должна попадать в top-5 глобального frontier хотя бы в нескольких значимых классах задач.

Но ещё важнее другое.

Россия должна создать хотя бы одну архитектуру, для которой вопрос уже будет звучать не:

«Насколько она близка к американской или китайской модели?»

а:

«Насколько американские и китайские модели близки к новому российскому benchmark?»

Именно это соединяет программу фундаментальных моделей с LPM и ИМИ.

7. Цели по AI for Science
К концу пятилетия AI for Science должен стать не набором отдельных проектов, а национальной инфраструктурой.

Предлагаемый стратегический минимум:

национальная платформа научных ИИ-агентов;
высокопроизводительный compute для науки;
автоматизированные лаборатории;
машинно-читаемые научные базы;
ИИ-системы для математики;
материалы;
химия;
физика;
биология;
инженерное проектирование.
В стратегическом сценарии целесообразно создать не менее нескольких десятков замкнутых экспериментальных контуров, где ИИ способен участвовать во всей последовательности:

проблема ; гипотеза ; модель ; эксперимент ; анализ ; новая гипотеза.

Критерий успеха должен быть не количеством платформ, а количеством независимо подтверждённых научных результатов, которых без AI-системы либо не удалось бы получить, либо их получение заняло бы существенно больше времени.

В лидерском сценарии Россия должна иметь минимум несколько областей науки, в которых её AI-for-Science платформы входят в верхнюю мировую группу.

8. Цели по робототехнике
Сегодняшняя официальная программа предусматривает достижение плотности около 145 промышленных роботов на 10 тыс. работников к 2030 году и вхождение в top-25 мира.

В логике Доктрины это является базовым сценарием.

Для стратегического сценария к рубежу 2031 года следует ориентироваться уже примерно на:

200–250 роботов на 10 тыс. работников

при одновременном развитии российских интеграторов, программного обеспечения, машинного зрения и embodied AI.

Лидерский сценарий должен стремиться к уровню:

300 и более роботов на 10 тыс. работников

и, что важнее, к появлению собственных конкурентоспособных интеллектуальных робототехнических платформ.

Здесь абсолютная плотность — только первый показатель.

В эпоху embodied AI важнее будет уже не число роботов, а интеллектуальность и автономность роботизированных систем.

9. Цели по кадрам
По данным ИСИЭЗ НИУ ВШЭ, в 2024 году в обследованных российских организациях насчитывалось более 242 тыс. работников с компетенциями в области ИИ, из которых около 39 тыс. относились к профильным ИИ-специалистам.

Для пятилетнего цикла целесообразно сформировать четырёхуровневую кадровую пирамиду.

К рубежу 2031 года в стратегическом сценарии:

1 000+ специалистов должны находиться на уровне потенциальных создателей frontier-архитектур;

10 000+ — владеть технологиями построения крупномасштабных ИИ-, робототехнических и метаинтеллектуальных систем;

100 000+ — составлять профессиональное ядро разработчиков ИИ;

1 000 000+ — обладать продвинутыми профессиональными компетенциями использования ИИ.

Это не просто образовательная задача.

Нужно создавать такие проекты, ради которых эти специалисты захотят работать в России.

Человеческий капитал удерживается не только зарплатой.

Он удерживается масштабом интеллектуальной задачи.

И в этом смысле проект ИМИ способен иметь самостоятельную кадровую функцию:

предоставить российским исследователям возможность заниматься одной из самых сложных технологических задач XXI века.

10. Цели по инвестициям
Финансовые показатели требуют особенно осторожного измерения.

По данным Росстата, приведённым ИСИЭЗ ВШЭ, только крупные и средние организации в 2024 году потратили 56,2 млрд рублей на оборудование для ИИ и 30,5 млрд на специализированное ПО. При этом для широкого массового внедрения ИИ ВШЭ оценивает необходимость роста годовых расходов организаций вне ИКТ-сектора с 118,5 млрд рублей в 2023 году до порядка 1,6 трлн к 2035 году.

Но программе глобального лидерства необходимо финансировать не только внедрение.

Нужны четыре разных финансовых потока:

внедрение;

инфраструктура;

R&D;

высокорисковое frontier research.

Последнее особенно важно.

Проекты LPM, МО и ИМИ нельзя финансировать только по принципу:

«Покажите коммерческий результат через двенадцать месяцев».

Поэтому должен появиться отдельный национальный механизм длинного frontier-капитала.

Рабочей стратегической целью можно считать многократное реальное увеличение совокупных расходов на ИИ в течение пятилетия и доведение стандартизированного государственного и частного потока на развитие, инфраструктуру и внедрение ИИ до величины порядка 1% ВВП ежегодно.

Это предлагаемый норматив Доктрины, а не существующая государственная цель.

В лидерском сценарии совокупная ИИ-инвестиционная интенсивность должна приближаться к уровню крупнейших мировых технологических центров.

11. Цели по LPM
Здесь позиции нельзя измерять существующими международными рейтингами.

Необходимо самим создать систему проверки.

Первый рубеж
Формальная теория LPM:

объект;

архитектура;

структуры данных;

типы паттернов;

метапаттерны;

обучение;

метрики.

Второй
Открытая benchmark-система, позволяющая отличать LPM-задачи от задач, в которых достаточно LLM.

Третий
Работающие прототипы.

Четвёртый
Гибридные LLM–LPM-системы, демонстрирующие устойчивое преимущество над сопоставимыми LLM-only системами хотя бы в нескольких независимых классах задач.

Пятый
MetaLPM — работа уже с паттернами создания, трансформации и селекции паттернов.

Главный критерий успеха к 2031 году:

LPM должно перестать быть внутренним российским термином и стать воспроизводимым международным исследовательским направлением.

Если другие лаборатории начинают:

цитировать концепцию;

строить свои LPM;

использовать российские benchmark;

сравнивать результаты;

развивать альтернативные архитектуры,

значит фронтир действительно возник.

12. Цели по Метаорганону
Для МО1 критерий должен быть ещё строже.

Недостаточно построить интерфейс, который красиво объединяет множество ИИ-инструментов.

Это будет полезная система, но ещё не Метаорганон в сильном смысле.

К концу пятилетия МО1 должен экспериментально показать как минимум три эффекта.

Первый — метакогнитивный
Человек или человеко-ИИ-система начинает лучше диагностировать собственные способы мышления.

Второй — метаметодический
Система способна не только выбрать существующий метод, но создать новый способ решения задачи.

Третий — эволюционный
Полученные новые интеллектуальные методы сохраняются, проверяются, комбинируются и становятся основой дальнейшего развития.

Главный эксперимент должен сравнивать:

человек;

человек + обычный ИИ;

человек + МО1;

человек + МО1 + ИМИ1.

И задавать вопрос:

появляется ли качественно новый класс интеллектуальной деятельности?

Не просто больше текста.

Не просто более быстрый ответ.

Не просто выше результат стандартного теста.

А способность:

менять собственное пространство мышления.

Если такой эффект будет независимо и воспроизводимо доказан, можно будет говорить, что первый «полёт разума» состоялся.

13. Цель по созданию полномасштабной технологии ИМИ1
Это центральная сверхцель первого пятилетия.

К 2031 году Россия должна стремиться создать не концепт ИМИ, не презентацию, не единичного экспериментального агента, а полномасштабную воспроизводимую технологию ИМИ1.

Для фиксации результата предлагается использовать следующий предварительный технологический паспорт.

ИМИ1 должен быть способен:

Строить рабочие модели других интеллектуальных систем и собственных интеллектуальных процессов.
Диагностировать их ограничения.
Генерировать альтернативные способы мышления и архитектуры.
Создавать реальные экспериментальные варианты.
Организовывать их агональное испытание.
Использовать внешние, устойчивые относительно участника критерии оценки.
Отбирать и комбинировать успешные решения.
Сохранять приобретения в форме, пригодной для наследования следующим поколением.
Контролируемо изменять собственные механизмы интеллектуальной деятельности.
Демонстрировать перенос метаинтеллектуального эффекта между несколькими предметными областями.
Вести полную историю изменений и обеспечивать аудит и обратимость критических модификаций.
Реально участвовать в проектировании следующего поколения интеллектуальной системы.
Последний критерий особенно важен.

Высшим практическим тестом ИМИ1 станет не то, насколько красноречиво он объясняет собственную архитектуру.

А то:

способен ли ИМИ1 помочь создать систему, которая систематически превосходит его самого?

Если ответ окажется положительным, произойдёт качественный технологический переход.

До ИМИ1 люди создавали всё более сильные ИИ.

После ИМИ1 должна начаться возможность:

люди + ИМИ создают следующий ИМИ;

затем:

люди + ИМИ1 + ИМИ2 создают ИМИ3;

и далее — с возрастающим вкладом самих метаинтеллектов.

Именно поэтому пятилетний проект ИМИ1 нельзя оценивать как обычный IT-проект.

Его смысл состоит в создании первого воспроизводимого звена потенциально самоускоряющейся цепочки развития разума.

Сводные цели первого пятилетия
Направление Базовый сценарий Стратегический сценарий Лидерский сценарий
Международная позиция Top-20–25 Top-10–15 Top-10 + отдельные top-5
Compute ;1 EF, выполнение действующей цели Top-10 по доступному AI-compute Приближение к top-5
Фундаментальные модели Национальная конкурентоспособность Регулярный мировой top-tier Отдельные top-5 + новая архитектура
AI for Science Национальная платформа Сеть автономных научных контуров Мировое лидерство в нескольких областях
Роботизация ;145/10 тыс. 200–250/10 тыс. 300+/10 тыс. + advanced embodied AI
Профессиональные AI-кадры Рост существующей базы ;100 тыс. ядро + кадровая пирамида Одна из ведущих кадровых экосистем
LPM Теория и прототипы Работающая архитектурная линия Международный новый frontier
Метаорганон МО0.x Полномасштабный МО1 Международно подтверждённый аронтный эффект
ИМИ Прототипы Полномасштабная технология ИМИ1 ИМИ1 + начало следующего поколения
Эта таблица позволяет уточнить смысл первого пятилетия.

Его задача не состоит в том, чтобы за пять лет завершить интеллектуальную эволюцию человечества.

И не состоит в том, чтобы гарантированно превратить Россию в абсолютного лидера по каждому показателю.

Задача гораздо конкретнее.

За пять лет необходимо изменить тип российской позиции.

Сегодня Россия в значительной степени находится в положении страны, которой приходится сокращать разрыв на уже созданном другими фронтире.

К концу пятилетия она должна стремиться стать страной, которая одновременно:

догоняет по критической материальной базе;

соревнуется на текущем интеллектуальном фронтире;

и создаёт хотя бы один новый фронтир сама.

Если таким фронтиром станут LPM, Метаорганон и ИМИ, то итог пятилетней программы можно будет выразить ещё короче:

первые пять лет — создать метаинтеллект;

XXI век — создать индустрию эволюции метаинтеллекта.

И тогда глобальное лидерство России перестанет означать попытку один раз занять первое место в быстро устаревающем рейтинге.

Оно будет означать значительно более устойчивую способность:

создавать следующие поколения интеллекта быстрее, глубже и системнее, чем это способны делать конкурирующие интеллектуальные экосистемы.

***********

ЧАСТЬ II
ПРОГРАММА-МИНИМУМ: РОССИЯ НА СОВРЕМЕННОМ ИИ-ФРОНТИРЕ
Предыдущая часть позволила установить исходное положение России.

Страна располагает собственными крупными моделями, научными школами, сильными технологическими компаниями, значительным кадровым потенциалом и крупным внутренним рынком. Одновременно она существенно уступает ведущим ИИ-державам по ряду системообразующих компонентов: вычислительным мощностям, современной электронной компонентной базе, масштабам frontier research, инвестиционной экосистеме и широте среды, способной непрерывно создавать новые поколения ИИ.

Из этого непосредственно следует содержание программы-минимум.

Под программой-минимум в настоящей Доктрине понимается не минимально допустимый объём действий и тем более не стратегия технологической обороны.

Это программа достижения такой полноты современной ИИ-экосистемы, без которой невозможна программа-максимум.

Россия не сможет создать LPM мирового уровня без крупномасштабных вычислений.

Не сможет построить Метаорганон без развитых фундаментальных моделей.

Не сможет создать полномасштабный ИМИ1 без моделей, агентов, памяти, специализированного программного обеспечения, экспериментальной инфраструктуры и тысяч специалистов.

Поэтому между программой-минимум и программой-максимум нет противоречия.

Первая создаёт материальное и интеллектуальное основание второй.

Можно сформулировать это ещё жёстче:

Суверенный современный ИИ — стартовая площадка метаинтеллектуальной революции.

Программа-минимум должна решить семь фундаментальных задач:

создать достаточный национальный AI-compute;
радикально повысить вычислительную и электронную независимость;
сформировать несколько сильных отечественных линий фундаментальных моделей;
построить национальную инфраструктуру данных и знаний;
перейти к массовым агентным системам;
сделать ИИ одним из основных инструментов науки, промышленности и государства;
создать кадровую систему, способную воспроизводить весь этот технологический комплекс.
Речь, следовательно, идёт не о нескольких ИИ-проектах.

Речь идёт о создании полного технологического основания интеллектуальной державы.

Глава 1. Вычислительный суверенитет России
В современном искусственном интеллекте вычисления перестали быть нейтральной технической инфраструктурой.

Compute становится одним из важнейших факторов национальной интеллектуальной мощи.

Размер моделей, объём экспериментов, скорость их обучения, возможность создавать synthetic data, обучать reasoning-системы, проводить reinforcement learning, моделировать научные процессы и запускать миллионы параллельных ИИ-агентов прямо зависят от доступной вычислительной мощности.

Поэтому страна, не контролирующая критически необходимый ей compute, рискует утратить контроль и над собственной траекторией развития искусственного интеллекта.

В этом смысле вычислительный суверенитет XXI века всё больше начинает играть роль, сопоставимую с энергетическим суверенитетом индустриальной эпохи.

1. Национальный AI-compute
Под национальным AI-compute следует понимать не простую сумму производительности всех имеющихся в стране компьютеров.

Нас интересует прежде всего вычислительная система, реально пригодная для создания и эксплуатации современных и последующих поколений ИИ.

Она должна обеспечивать:

обучение крупных фундаментальных моделей;
постобучение;
reinforcement learning;
генерацию синтетических данных;
обучение мультимодальных систем;
работу научных ИИ;
массовый inference;
экспериментирование с новыми архитектурами;
дальнейшее создание LPM, Метаорганона и ИМИ.
Национальная стратегия развития искусственного интеллекта в редакции 2024 года устанавливает конкретный ориентир: совокупная максимальная мощность расположенных в России GPU-суперкомпьютеров для ИИ должна вырасти с 0,073 экзафлопса в 2022 году как минимум до 1 экзафлопса в 2030 году. Стратегия одновременно требует развития отечественных микропроцессоров для ИИ, сотрудничества с государствами-партнёрами в сфере вычислительных мощностей и создания отказоустойчивой инфраструктуры.

В марте 2026 года Правительство утвердило отдельную дорожную карту развития высокопроизводительных вычислений, алгоритмов ИИ, грид-технологий и суперкомпьютерной инфраструктуры. В ней предусмотрено, в частности, развитие Национальной исследовательской компьютерной сети, объединяющей сотни ведущих университетов и научных организаций.

Это правильное направление.

Но для настоящей Доктрины одного показателя «экзафлопс» недостаточно.

Необходимо измерять как минимум:

общий compute;

frontier training compute;

научный compute;

доступный compute;

суверенно контролируемый compute.

Суперкомпьютер, существующий физически, но почти недоступный российским университетам и frontier-командам, не равен национальной инфраструктуре развития ИИ.

Отсюда первый принцип:

Compute должен рассматриваться не как имущество отдельных организаций, а как распределённый стратегический ресурс национальной интеллектуальной системы.

2. Центры обработки данных
Обычный центр обработки данных и AI-ready дата-центр — уже не одно и то же.

Современные ИИ-нагрузки предъявляют чрезвычайно высокие требования к:

электрической мощности;
плотности размещения ускорителей;
охлаждению;
пропускной способности сетей;
высокоскоростной памяти;
внутреннему interconnect;
системам хранения;
отказоустойчивости.
Поэтому России необходима специальная карта национальной AI-инфраструктуры ЦОД.

Целесообразно разделить её по меньшей мере на четыре уровня.

Федеральные frontier-центры
Крупнейшие комплексы для обучения фундаментальных моделей, LPM, научных моделей и будущих ИМИ.

Научные центры
Инфраструктура университетов, РАН, национальных исследовательских центров и крупных научно-технологических консорциумов.

Корпоративные центры
Yandex, Сбер и другие крупные компании, выполняющие массовое обучение и inference.

Региональный AI-compute
Доступ к вычислениям для университетов, стартапов, средних компаний и региональных научно-производственных центров.

Особенно важна географическая децентрализация.

Национальный AI-compute не должен концентрироваться в нескольких физических точках, потеря которых способна резко снизить вычислительную мощность всей страны.

Необходима федеративная архитектура:

крупные центры + региональные центры + научная сеть + единая система распределения вычислительных заданий.

3. Суперкомпьютеры
Положение России в открытом рейтинге TOP500 на середину 2026 года наглядно демонстрирует проблему обновления поколений.

Наиболее мощный публично зарегистрированный российский суперкомпьютер Chervonenkis компании «Яндекс» имеет Rmax 21,53 PFLOPS и в июньском TOP500 2026 года занимает 101-е место. Galushkin — 134-е с 16,02 PFLOPS; Lyapunov — 161-е с 12,81 PFLOPS; Christofari Neo — 167-е с 11,95 PFLOPS. Все эти системы были установлены в 2020–2021 годах и используют ускорители NVIDIA A100.

Особенно показательна динамика.

Chervonenkis не стал слабее физически.

Но его место в мировом рейтинге снизилось.

То же происходит с другими системами.

Это означает:

в быстро развивающемся compute статичность эквивалентна отставанию.

Поэтому России требуется не проект «построить суперкомпьютер», а индустрия регулярного обновления суперкомпьютерных поколений.

Кроме того, традиционный Linpack уже не должен быть единственным главным измерителем.

Для ИИ имеют значение:

BF16/FP16/FP8;
матричная производительность;
bandwidth;
HBM;
скорость interconnect;
масштабируемость распределённого обучения;
training efficiency;
inference efficiency;
энергозатраты на обучение модели;
стоимость одного полезного токена или интеллектуальной операции.
Следовательно, рядом с классическим суперкомпьютерным рейтингом России нужен Национальный индекс AI-compute.

Он должен показывать не абстрактную арифметическую мощность, а реальную способность обучать и эксплуатировать современные модели.

4. Ускорители
Ускорители являются наиболее сложным компонентом российского вычислительного суверенитета.

На краткосрочном горизонте необходимо обеспечить максимально возможный доступ к современному зарубежному и партнёрскому hardware.

На среднем — создавать конкурентоспособные отечественные ускорители для специализированных задач и inference.

На более длинном — получить собственную платформу ускорителей, способную поддерживать обучение крупных моделей.

Это три разные задачи.

Их нельзя смешивать.

Ускоритель для машинного зрения в роботе — важная технология.

Но он не является заменой тысячам современных GPU, необходимым для обучения большой frontier-модели.

В 2025–2026 годах появились российские разработки специализированных тензорных ускорителей. Например, семейство LinQ позиционируется прежде всего для edge-инференса, компьютерного зрения, робототехники и специализированных ЦОД-нагрузок; разработчик заявляет до 24 TOPS int8 на одном процессоре и масштабирование готовых решений до 960 TOPS. В 2026 году отдельные устройства LinQ были включены в российские реестры промышленной продукции и ПО.

Это важный задел.

Но методологически неправильно было бы ставить знак равенства между подобным отечественным inference-ускорителем и современными training accelerators верхнего мирового уровня.

Национальная стратегия сама формулирует более высокую цель: обеспечить к 2030 году массовое производство в России конкурентоспособных микропроцессоров для ИИ, включая тензорные и нейроморфные.

Поэтому необходима лестница:

edge AI accelerator ; inference accelerator ; server AI accelerator ; training accelerator ; многопоколенная российская AI-compute platform.

Последний уровень и должен стать долгосрочной целью.

5. Энергетическая база
ИИ превращает энергетику в часть интеллектуальной инфраструктуры.

Современный дата-центр нельзя построить, не ответив предварительно на вопрос:

откуда будут поступать сотни мегаватт, а в перспективе и существенно большие объёмы стабильной электроэнергии?

Именно здесь Россия потенциально имеет серьёзное сравнительное преимущество.

Она располагает:

крупной атомной энергетикой;
гидроэнергетикой;
газовой генерацией;
значительными территориями;
регионами с относительно благоприятными климатическими условиями для охлаждения;
крупными энергосистемами.
Но наличие энергетических ресурсов само по себе не превращается в AI-compute.

Необходима специальная программа:

энергогенерация ; сети ; AI-ЦОД ; вычислительные кластеры.

Следует заранее резервировать энергомощности под крупные национальные вычислительные центры.

Перспективные ЦОД целесообразно проектировать вместе с источником энергии, а не пытаться вписать их постфактум в существующую региональную энергосеть.

В таком случае энергия становится не просто затратой.

Она превращается в национальное преимущество в мировой интеллектуальной конкуренции.

6. Распределённая вычислительная инфраструктура
Даже очень крупный вычислительный центр не должен становиться единственной архитектурой.

Для науки особенно важен другой принцип:

вычисления должны быть доступны там, где рождаются интеллектуальные идеи.

Российский университет или научная лаборатория не должны быть вынуждены сначала становиться крупной корпорацией, чтобы получить возможность провести эксперимент с большой моделью.

Принятая в 2026 году дорожная карта высокопроизводительных вычислений предполагает развитие Национальной исследовательской компьютерной сети, объединяющей сотни ведущих университетов и исследовательских организаций.

Эту линию необходимо развить значительно дальше.

Нужна национальная система, в которой исследователь может получить вычислительный ресурс:

по конкурсу;
автоматически;
по научному рейтингу проекта;
с прозрачными квотами;
без многомесячной административной процедуры.
Для этого необходимы:

единый каталог ресурсов;

общие API;

унифицированные контейнеры;

распределённое хранение данных;

федеративная идентификация;

грид-планировщик;

мониторинг загрузки;

система научных compute-грантов.

В пределе Россия должна обладать не только множеством суперкомпьютеров.

Она должна иметь виртуальный национальный суперкомпьютер, способный объединять многие вычислительные ресурсы для решения задач различного масштаба.

7. Резервирование критических ресурсов
Вычислительный суверенитет означает также способность переживать сбои.

Критические элементы должны резервироваться на нескольких уровнях.

Hardware-резервирование
Запас ускорителей, сетевых компонентов, систем хранения, блоков питания и критических запасных частей.

Архитектурное резервирование
Система не должна зависеть от единственного типа процессора.

Программное резервирование
Критические модели и фреймворки должны иметь возможность переноситься между несколькими аппаратными платформами.

Географическое резервирование
Ключевые вычислительные центры не должны находиться в одной агломерации.

Энергетическое резервирование
Должны существовать независимые каналы энергоснабжения.

Информационное резервирование
Модели, checkpoints, datasets, noogenetic archives и критические компоненты программного обеспечения должны существовать в нескольких защищённых копиях.

Это особенно важно для будущего ИМИ.

Если ИМИ становится одним из важнейших инструментов научной и технологической системы государства, утрата единственного вычислительного центра не должна означать утрату уникального интеллектуального субъекта или его эволюционной истории.

Отсюда более широкое определение:

вычислительный суверенитет — это гарантированная способность национальной интеллектуальной системы продолжать обучение, развитие и применение критически важных ИИ независимо от внешних ограничений и локальных отказов.

Глава 2. Российская полупроводниковая стратегия для ИИ
Если compute является энергетикой искусственного интеллекта, то современная микроэлектроника является его материальной нейрофизиологией.

Алгоритм не существует без физического носителя.

Какими бы совершенными ни были математические идеи, они не превращаются в крупномасштабную интеллектуальную систему без:

процессоров;
ускорителей;
памяти;
interconnect;
систем хранения;
сетевого оборудования;
производства и упаковки микросхем.
Поэтому полупроводниковая проблема является одним из наиболее тяжёлых элементов российской ИИ-стратегии.

Но здесь особенно вреден примитивный подход:

«Надо просто создать российскую NVIDIA».

NVIDIA — это не один процессор.

Это результат многолетней коэволюции:

архитектура ; silicon ; память ; interconnect ; CUDA ; библиотеки ; компиляторы ; серверы ; облака ; разработчики.

Следовательно, Россия должна создавать не отдельный «чип», а полупроводниково-программную экосистему ИИ.

1. Архитектуры ускорителей
Первый вопрос российской стратегии должен звучать не:

«Какой GPU производить?»

а:

«Какие классы вычислений необходимо суверенно обеспечивать?»

Нужно различать как минимум четыре слоя.

Edge AI
Беспилотники, роботы, камеры, промышленная автоматика, автономные устройства.

Здесь критичны:

энергопотребление;
latency;
компактность;
устойчивость;
локальный inference.
Массовый inference
Обслуживание миллионов запросов в LLM, speech, vision и других моделях.

Здесь требуется оптимизация стоимости одной интеллектуальной операции.

Научные и инженерные вычисления
Гибрид HPC + AI.

Training крупных моделей
Самый технологически сложный уровень.

Здесь важны:

высокая матричная производительность;
HBM;
скоростной interconnect;
масштабирование на тысячи и десятки тысяч ускорителей;
зрелая software ecosystem.
Отсюда вытекает принцип:

Россия не обязана начинать со штурма самого трудного уровня одновременно по всем направлениям.

Разумнее строить последовательность.

Сначала получить сильные позиции в edge и специализированном inference.

Параллельно — развивать серверные ускорители.

Затем — масштабируемую training-платформу.

И с самого начала создавать общий программный стек.

2. Производственная база
Национальная стратегия ИИ прямо предусматривает к 2030 году массовое производство на территории России конкурентоспособных микропроцессоров для задач искусственного интеллекта, включая тензорные и нейроморфные процессоры.

Это чрезвычайно высокая цель.

И её нельзя подменять статистикой всей электронной промышленности.

Например, Правительство сообщало, что доля российской электронной продукции на внутреннем рынке по итогам 2024 года составляла около 53%, а поставленная задача — увеличить её приблизительно до 70% в последующие пять лет. Но данный показатель охватывает широкую электронную продукцию и не означает, что Россия уже обеспечивает половину потребностей в frontier AI-чипах.

Именно поэтому для ИИ нужен отдельный баланс.

Необходимо ежегодно фиксировать:

какие процессоры проектируются в России;
где они физически производятся;
какие технологические нормы освоены серийно;
какие компоненты отечественные;
какие импортируются;
какие объёмы выпуска реально доступны;
для каких ИИ-нагрузок они пригодны.
Иными словами:

российское происхождение продукта и способность продукта конкурировать на frontier — два самостоятельных критерия.

Для технологического суверенитета нужны оба.

3. Упаковка и память
Современная гонка ИИ показывает, что нанометры — далеко не единственный технологический параметр.

По мере роста моделей критическими становятся:

HBM;
пропускная способность памяти;
advanced packaging;
chiplets;
высокоскоростной interconnect;
тепловой режим;
плотность соединений.
Это открывает для России одновременно проблему и возможность.

Проблема состоит в том, что создание полноценного ускорителя требует сложной экосистемы компонентов, часть которых ещё труднее воспроизвести, чем сам вычислительный кристалл.

Возможность — в том, что chiplet-подход позволяет разделить сложную систему на специализированные кристаллы и потенциально производить разные её части на разных технологических уровнях.

В 2026 году была зарегистрирована российская топология специализированного тензорного чиплета, рассчитанного на 28-нм процесс. При этом отраслевые оценки подчёркивали, что речь пока идёт о разработке и топологии, а не о наличии полномасштабного серийного производства.

Именно такой статус и должен фиксироваться честно:

разработано — не означает освоено серийно;

произведён образец — не означает создана промышленность;

создана промышленность — не означает достигнут мировой frontier.

Эти четыре стадии необходимо различать на протяжении всей полупроводниковой программы.

4. Альтернативные вычислительные архитектуры
Технологическое отставание создаёт соблазн просто повторять архитектуру лидера.

Но именно здесь возможна асимметрия.

Не все будущие вычисления обязаны строиться по сегодняшней схеме GPU + HBM.

Необходимо параллельно исследовать:

тензорные ASIC;
chiplet architectures;
нейроморфные процессоры;
вычисления в памяти;
фотонные вычисления;
аналоговые матричные вычисления;
FPGA-системы;
специализированные процессоры под LPM;
архитектуры под sparse models;
аппаратные средства для массовых agentic systems.
Особенно важен принцип software-hardware co-design.

Если Россия будет создавать новые архитектуры LPM или ИМИ, появляется возможность проектировать hardware одновременно с алгоритмом.

Это потенциально значительно сильнее, чем попытка запускать принципиально новую интеллектуальную архитектуру исключительно на вычислителях, оптимизированных под вчерашний класс моделей.

Таким образом, программа-максимум может постепенно начать влиять на программу-минимум.

ИМИ создаёт новые требования к compute.

Новый compute открывает новые возможности для ИМИ.

Возникает коэволюция архитектуры разума и архитектуры его физического носителя.

5. Импортозависимость
Полупроводниковая зависимость является многослойной.

Недостаточно задать вопрос:

«Российский ли процессор?»

Необходимо исследовать весь стек.

Первый уровень — архитектура и IP
Кто контролирует права и исходные архитектурные решения?

Второй — EDA
На каких инструментах проектируется микросхема?

Третий — fabrication
Где производится кристалл?

Четвёртый — память
Кто производит DRAM, HBM и другие критические компоненты?

Пятый — packaging
Где выполняется современная упаковка?

Шестой — interconnect
Какими системами соединяются ускорители?

Седьмой — firmware и drivers
Кто контролирует низкоуровневый программный слой?

Восьмой — compiler и runtime
Можно ли эффективно использовать hardware без иностранного закрытого программного стека?

Девятый — AI frameworks
Насколько легко переносить российские модели на отечественную платформу?

Именно поэтому настоящая задача заключается не в максимизации процента «российскости» любой ценой.

Она заключается в устранении неприемлемых single points of failure.

В некоторых компонентах Россия может производить сама.

В некоторых — сотрудничать с партнёрами.

В некоторых — поддерживать несколько альтернативных каналов поставок.

Но критические ИИ-системы не должны зависеть от одного внешнего решения, прекращение доступа к которому способно остановить развитие отрасли.

6. Долгосрочный технологический суверенитет
Российскую полупроводниковую стратегию для ИИ целесообразно строить как четыре параллельных программы.

Программа А. Гарантированный compute сегодняшнего поколения
Любым экономически и политически приемлемым способом обеспечивать современную вычислительную инфраструктуру, пока отечественный hardware не достиг необходимого класса.

Программа Б. Суверенный inference
Создать конкурентоспособные российские платформы для:

vision;
speech;
edge AI;
робототехники;
промышленного inference;
части LLM inference.
Программа В. Суверенный training
Создать многопоколенную российскую платформу для крупномасштабного обучения.

Это самая трудная задача.

Но без неё полный вычислительный суверенитет невозможен.

Программа Г. Следующий hardware-frontier
Исследовать архитектуры, которые могут оказаться оптимальными уже не для нынешних LLM, а для:

LPM;
MetaLPM;
агональных ИИ;
популяционных систем;
ИМИ;
ноофрактальной эволюции.
То есть российская стратегия должна иметь два направления движения:

воспроизведение критически необходимого сегодняшнего hardware;

и

проектирование hardware для интеллекта следующего поколения.

Самым опасным результатом было бы создать к 2031 году хороший российский аналог вычислительной архитектуры 2026 года именно в момент, когда мировой frontier уже начал переходить к другой.

Глава 3. Российские фундаментальные модели
Если вычислительная инфраструктура является физической основой ИИ-суверенитета, то фундаментальные модели становятся его действующим интеллектуальным слоем.

Именно через них compute превращается в:

язык;
код;
знания;
анализ;
управление;
научные гипотезы;
изображения;
речь;
агентные действия.
Россия уже прошла важный порог: она относится к сравнительно небольшому числу государств, способных самостоятельно создавать крупные современные языковые и мультимодальные модели.

Однако задача программы-минимум состоит не в том, чтобы просто сохранить наличие «своей LLM».

Нужно сформировать многопоколенную национальную индустрию фундаментальных моделей.

Её основной продукт — не конкретная модель.

Её основной продукт — способность постоянно создавать следующую модель.

1. LLM
К 2026 году в России сформировались два крупнейших центра развития универсальных LLM — Яндекс и Сбер.

Яндекс перешёл от линии YandexGPT к семейству Alice AI. Флагманская Alice AI LLM, по данным компании, содержит сотни миллиардов параметров и используется в поиске, чате и других сервисах. Наряду с ней действует облегчённая Alice AI LLM Flash, ориентированная на высокопроизводительные бизнес-сценарии.

Сбер развивает семейство GigaChat. Открытая GigaChat 3 Ultra Preview представляет собой MoE-модель примерно на 702 млрд параметров, из которых около 36 млрд активируются на токен; вместе с ней опубликована компактная GigaChat 3 Lightning 10B-A1.8B. Разработчики указывают, что модели обучены с нуля на собственном многоязычном корпусе, а открытые веса распространяются по MIT license.

У Яндекса также имеется открытая линия. YandexGPT 5 Lite — 8-миллиардная модель с контекстом 32 тыс. токенов; в 2025 году были опубликованы Pretrain- и Instruct-версии.

Эти факты позволяют сделать важный вывод:

Россия уже имеет не нулевую, а реальную суверенную школу больших языковых моделей.

Но это ещё не означает мирового frontier-лидерства.

Самооценки компаний на внутренних benchmark и независимое положение на международном frontier — разные вещи.

Поэтому следующий этап должен строиться на трёх требованиях.

Независимая оценка
Российские модели должны систематически проходить международные и национальные независимые benchmark.

Международная конкурентоспособность
Не только в русском языке, но и в:

математике;
программировании;
науке;
reasoning;
tool use;
agentic tasks.
Регулярность поколений
Не отдельный рывок раз в несколько лет, а постоянный цикл обновления.

Программа-минимум должна стремиться сохранить как минимум две сильные независимые школы фундаментальных моделей.

Монополия одного национального разработчика создала бы опасную интеллектуальную монокультуру.

Для развития необходим агон.

2. Мультимодальные модели
Человеческий интеллект не является исключительно языковым.

Поэтому фундаментальная российская модель не может ограничиваться текстом.

Она должна работать с:

изображениями;
видео;
речью;
звуком;
схемами;
таблицами;
пространственными структурами;
в перспективе — действиями физических систем.
Яндекс развивает семейство Alice AI, включающее языковую Alice AI LLM, визуально-языковую Alice AI VLM и генеративную графическую Alice AI ART. К июлю 2026 года процессы разработки всего семейства прошли аудит по ISO/IEC 42001.

В экосистеме Сбера существуют отдельные линии для различных модальностей. Например, открытое семейство GigaAM развивается как фундаментальная технология распознавания речи; версия 2026 года обучалась на миллионах часов многоязычных аудиоданных и поддерживает более 70 языков.

Следующий этап — не просто иметь отдельные модели для текста, изображения и голоса.

Необходимо создавать единые world-model-like representations, в которых разные модальности становятся взаимно переводимыми описаниями одного объекта.

Для робототехники это особенно важно:

зрение ; язык ; пространственная модель ; план ; физическое действие.

Поэтому мультимодальность является не дополнительной функцией LLM, а одним из мостов к embodied intelligence.

3. Reasoning-модели
Одним из главных направлений мирового frontier стало усиление способности моделей выполнять многошаговое рассуждение.

И здесь необходимо отделить интерфейсную функцию «режим рассуждения» от собственной технологической школы reasoning models.

У российских систем уже существуют механизмы углублённого решения задач. Яндекс ещё в 2025 году внедрял в свои модели режимы рассуждения, а в актуальной Alice AI развитие сложных многосоставных задач продолжается.

У GigaChat 3 разработчики прямо указывают, что опубликованные Ultra и Lightning не являются специализированными reasoning-моделями, хотя обладают базовыми reasoning-способностями.

Это важное честное разграничение.

Следовательно, для программы-минимум России необходима собственная отдельная линия:

Russian frontier reasoning models.

Они должны специализироваться на:

математике;
алгоритмах;
программировании;
научном доказательстве;
планировании;
проверке гипотез;
многошаговом tool use;
критике собственных решений.
Но уже здесь следует готовить переход к программе-максимум.

Reasoning-модель умеет лучше рассуждать.

Метаинтеллект должен уметь задавать следующий вопрос:

почему мы рассуждаем именно таким способом и нельзя ли создать более сильный способ рассуждения?

Так линия reasoning естественно выводит нас к Метаорганону и ИМИ.

4. Специализированные модели
Универсальные модели неизбежно имеют пределы.

Поэтому рядом с ними должна развиваться система специализированных моделей.

Для России особенно важны:

право;
медицина;
образование;
инженерия;
энергетика;
геология;
транспорт;
государственное управление;
кибербезопасность;
промышленность;
сельское хозяйство.
Не каждая такая модель должна обучаться с нуля.

Возможны:

fine-tuning;
adapters;
RAG;
continual learning;
domain pretraining;
специализированные небольшие модели.
Критерием должен быть не размер.

Критерием должна быть эффективность в конкретном технологическом контуре.

Нередко небольшая модель, глубоко интегрированная с данными предприятия и системой действий, полезнее универсального гиганта.

Поэтому национальная модельная экосистема должна быть похожа не на одну пирамиду с гигантской LLM наверху, а на биоценоз моделей различных размеров и специализаций.

5. Модели для науки
Научная модель отличается от обычного интеллектуального ассистента.

Её задачей должно быть не только рассказывать известную науку.

Она должна участвовать в производстве неизвестного.

России необходимы фундаментальные и специализированные модели для:

математики;
физики;
химии;
материаловедения;
биологии;
медицины;
климатического моделирования;
инженерных наук.
Причём в каждой области желательно развивать полный цикл:

литературный поиск ; реконструкция состояния проблемы ; гипотеза ; модель ; расчёт ; проектирование эксперимента ; интерпретация данных ; следующая гипотеза.

Настоящий критерий научного ИИ:

создал ли он новое знание, которое выдержало независимую научную проверку?

Необходимо постепенно переходить от benchmark типа «ответил ли ИИ на экзаменационный вопрос по химии?» к benchmark:

«помог ли он открыть новое химическое соединение или закономерность?»

Именно AI for Science способен стать одной из областей российского ускоренного развития, поскольку здесь соединяются ИИ и традиционно сильные математико-естественнонаучные компетенции страны.

6. Модели для промышленности
Промышленный ИИ предъявляет к модели иные требования, чем массовый чат.

Здесь особенно важны:

детерминированность;
latency;
надёжность;
возможность локального развёртывания;
защита коммерческой тайны;
работа с технологической документацией;
интеграция с датчиками;
управление оборудованием;
цифровые двойники.
Поэтому российская промышленность нуждается не только в больших облачных моделях.

Нужна линейка:

micro models ; edge models ; on-prem LLM ; отраслевые модели ; корпоративные агентные системы.

Это имеет прямую связь с отечественными ускорителями.

Российский edge accelerator может быть экономически оправдан раньше российского аналога крупнейшего training GPU, если существует широкий внутренний рынок:

роботов;
беспилотников;
камер;
промышленных контроллеров;
диагностических систем.
Таким образом, программное и аппаратное импортозамещение должно проектироваться совместно.

Модель создаёт рынок для процессора; процессор создаёт возможность суверенного массового применения модели.

7. Открытые и закрытые модели
Национальная ИИ-экосистема не должна выбирать между двумя крайностями:

всё закрыть;

или

всё открыть.

Оба подхода имеют функции.

Закрытые модели
Позволяют:

концентрировать большие инвестиции;
монетизировать технологию;
защищать часть know-how;
финансировать следующие поколения.
Открытые модели
Позволяют:

университетам проводить исследования;
стартапам строить продукты;
компаниям разворачивать модели локально;
проверять архитектуры;
снижать зависимость от API нескольких поставщиков;
формировать собственную developer community.
Россия уже имеет важные примеры открытой политики.

YandexGPT 5 Lite был опубликован в Pretrain- и Instruct-вариантах.

Сбер опубликовал GigaChat 3 Ultra Preview и GigaChat 3 Lightning с открытыми весами под MIT license.

Это направление необходимо расширять.

Но само слово «открытая модель» слишком расплывчато.

Следует различать уровни:

открытый API;
открытые веса;
открытая архитектура;
открытый training code;
открытые evaluation tools;
описание dataset composition;
воспроизводимый training pipeline.
Только последние уровни дают полноценную научную воспроизводимость.

Поэтому в России целесообразно создать национальный стандарт открытости фундаментальных моделей.

Он позволил бы точно понимать, что именно открыто.

Главная модельная стратегия программы-минимум должна быть двухконтурной:

закрытые frontier-модели для глобальной технологической конкуренции;

сильные открытые модели для расширения национальной ИИ-экосистемы.

Это не компромисс.

Это механизм разделения функций.

Стратегический итог первых трёх глав
Вычислительная инфраструктура, микроэлектроника и фундаментальные модели представляют собой не три независимые отрасли.

Это три слоя единой системы:

hardware ; compute ; intelligence.

Но в реальности цикл замыкается:

лучший интеллект помогает проектировать лучший hardware;

лучший hardware позволяет создавать лучший интеллект.

Для программы-минимум Россия должна добиться способности самостоятельно воспроизводить этот цикл хотя бы на уровне, достаточном для устойчивого участия в современном мировом ИИ-фронтире.

При этом понятие суверенитета необходимо понимать строго.

Суверенитет — не изоляция.

Суверенитет — это:

способность продолжать собственное развитие при изменении внешней среды.

Для compute это означает наличие гарантированной вычислительной мощности.

Для микроэлектроники — отсутствие критической зависимости от единственного внешнего технологического узла.

Для фундаментальных моделей — способность самостоятельно создавать следующие поколения моделей.

Именно на этом основании можно строить всё последующее.

Потому что следующий шаг Доктрины требует уже не просто машины, на которой работает ИИ, и не просто модели, способной отвечать на вопросы.

Он требует создания национальной среды, в которой интеллект превращается в постоянно развивающуюся технологическую экосистему.

*********

Глава 4. Национальная инфраструктура данных и знания
Искусственный интеллект зависит не только от алгоритмов и вычислений.

Третьим фундаментальным ресурсом являются данные и знания.

Compute определяет, сколько интеллектуальных операций способна выполнить система.

Модель определяет, каким образом эти операции организуются.

Но именно данные определяют, с каким миром имеет дело интеллект, а знания — какую устойчивую картину этого мира он способен построить и использовать.

Поэтому национальная ИИ-инфраструктура должна включать не просто большие массивы информации, а целостный контур:

данные ; качество ; семантизация ; верификация ; знания ; машинное использование ; новое знание.

Россия уже развивает государственную инфраструктуру управления данными. Национальный проект «Экономика данных и цифровая трансформация государства» предусматривает развитие витрин данных федеральных и региональных органов власти, платформ обработки больших данных и переход к управлению на основе автоматического сбора и анализа информации, включая применение машинного обучения и ИИ.

Но для глобального ИИ-лидерства этого недостаточно.

Необходимо поставить более широкую задачу:

создать национальную инфраструктуру данных и знания, пригодную не только для цифровизации существующих процессов, но и для массового обучения, заземления, проверки и дальнейшего развития ИИ, СИИ и ИМИ.

1. Данные
Распространено упрощённое представление:

чем больше данных, тем сильнее ИИ.

Современное развитие моделей показывает, что это утверждение верно лишь частично.

Значение имеют не только объём, но и:

качество;
разнообразие;
происхождение;
структура;
свежесть;
непротиворечивость;
разрешённость использования;
степень дублирования;
наличие метаданных;
возможность верификации.
Stanford AI Index 2026 отмечает, что простое наращивание синтетических данных пока не заменяет реальные данные в pretraining, тогда как качественная очистка, дедупликация и курирование способны давать существенный эффект даже моделям значительно меньшего масштаба.

Следовательно, национальный ресурс данных нельзя измерять терабайтами.

Необходим более содержательный критерий:

сколько высококачественных, юридически доступных, машиночитаемых и семантически описанных данных может быть эффективно использовано национальной интеллектуальной системой?

Для разных типов ИИ нужны разные данные.

LLM требуют больших корпусов текстов и кода.

Мультимодальные модели — синхронизированных текстовых, визуальных, аудиальных и иных наборов.

Промышленный ИИ — телеметрии, технологических процессов, изображений дефектов, истории эксплуатации.

Научный ИИ — экспериментальных данных, публикаций, протоколов, моделей, отрицательных результатов.

Робототехника — пространственных данных, видео, траекторий действий, данных датчиков и взаимодействия с физической средой.

ИМИ в перспективе потребует ещё одного класса данных — данных об интеллектуальной деятельности:

о способах решения задач;

о последовательностях рассуждений;

об интеллектуальных ошибках;

об альтернативных методах;

о результатах агонов;

об эволюции интеллектуальных архитектур.

Это уже начало перехода от обычной инфраструктуры данных к метаинтеллектуальной инфраструктуре.

2. Государственные данные
Государство является одним из крупнейших генераторов данных в стране.

Оно располагает информацией о:

экономике;

населении;

территориях;

инфраструктуре;

образовании;

здравоохранении;

экологии;

строительстве;

транспорте;

бюджетах;

государственных услугах;

регуляторной деятельности.

Но административное наличие данных ещё не означает их готовности к интеллектуальному использованию.

Данные могут находиться:

в несовместимых ведомственных системах;

в различных форматах;

с различными классификаторами;

без единой семантики;

с дублированием;

с разной периодичностью обновления;

с различным качеством.

Поэтому переход от электронного государства к ИИ-государству требует принципиального изменения архитектуры.

Российская нормативная рамка уже предусматривает создание витрин данных, стандартов качества и предоставление отдельных категорий государственных данных разработчикам ИИ на недискриминационной основе при соблюдении законодательства.

Эту линию необходимо развивать.

В перспективе государственные данные должны существовать не как множество цифровых ведомственных «складов», а как федеративная информационная система.

Это не означает создание одной гигантской базы, в которую физически сваливается вся государственная информация.

Напротив, более рациональна архитектура:

распределённое хранение + общие стандарты + единые идентификаторы + семантическая совместимость + управляемые права доступа + машиночитаемые интерфейсы.

Особенно важен принцип «данные у источника».

ИИ должен иметь возможность обращаться к актуальным авторитетным данным без бесконечного размножения устаревших копий.

3. Научные данные
В науке проблема данных ещё сложнее.

Статья отражает только часть научного процесса.

За ней находятся:

исходные наблюдения;
экспериментальные результаты;
лабораторные журналы;
исходный код;
параметры приборов;
вычислительные модели;
промежуточные результаты;
отрицательные результаты;
не подтвердившиеся гипотезы.
Для человека значительная часть этой информации традиционно теряется.

Для научного ИИ это колоссальная потеря обучающего материала.

Национальная система AI for Science должна поэтому стремиться к формированию машиночитаемой памяти российской науки.

При этом речь не идёт о безусловном открытии любых данных.

Часть информации связана с:

коммерческой тайной;

персональными данными;

оборонными исследованиями;

двойными технологиями;

интеллектуальной собственностью.

Следовательно, необходима многоуровневая архитектура доступа.

Первый уровень — открытая наука.

Второй — доступ аккредитованных научных организаций.

Третий — защищённые исследовательские контуры.

Четвёртый — особо регулируемые данные.

Но даже закрытые данные должны быть организованы таким образом, чтобы внутри разрешённого контура ими мог пользоваться ИИ.

Особенно ценно сохранять отрицательные результаты.

Сегодня наука систематически публикует успех и значительно хуже сохраняет неудачу.

Для машинного научного поиска это крайне неэффективно.

Неуспешный эксперимент также содержит знание:

этот участок пространства возможностей уже проверен.

Поэтому национальная научная память должна постепенно стать памятью не только открытий, но и исследованных тупиков.

4. Промышленные данные
Российская промышленность генерирует огромные массивы уникальных данных:

геологических;

энергетических;

металлургических;

атомных;

авиационных;

космических;

транспортных;

химических;

производственных.

По отдельным направлениям такие наборы могут представлять глобально уникальный ресурс.

Но промышленная информация особенно фрагментирована.

Каждая корпорация естественно стремится защищать собственные данные.

Это рационально на уровне предприятия, но может быть не оптимально на уровне национальной технологической системы.

Необходим механизм, позволяющий использовать часть промышленных данных для развития национального ИИ без их фактического отчуждения у собственника.

Возможны:

защищённые data spaces;
federated learning;
confidential computing;
обезличивание;
синтетические производные наборы;
вычисления «у данных»;
отраслевые доверенные полигоны.
Ключевой принцип:

ценные данные не обязательно должны покидать организацию, чтобы стать ресурсом национального ИИ.

Вместо передачи самих данных можно передавать к ним вычисление.

Это особенно важно для высокотехнологичных отраслей.

5. Машиночитаемое национальное знание
Данные и знания — не одно и то же.

Миллиард документов ещё не создаёт национальной базы знаний.

Знание предполагает по меньшей мере:

понятия;
отношения;
источники;
контекст;
степень достоверности;
временную актуальность;
причинные зависимости;
альтернативные позиции;
историю изменений.
Современные LLM способны неявно кодировать огромные объёмы информации в параметрах.

Это чрезвычайно мощный механизм.

Но для критических задач одного параметрического знания недостаточно.

Необходимо знать:

откуда получено утверждение;

когда оно было актуально;

какой источник является первичным;

существуют ли противоречащие данные;

изменилось ли состояние объекта.

Поэтому национальная интеллектуальная инфраструктура должна строиться как комбинация:

фундаментальных моделей + поисковых систем + баз данных + knowledge graphs + формальных моделей + библиотек + архивов + специализированных экспертных систем.

В перспективе должен возникнуть Национальный контур машиночитаемого знания.

Не одна энциклопедия.

Не один государственный портал.

Не одна LLM.

А распределённая система, позволяющая ИИ получать проверяемое знание из авторитетных источников.

Крупные классы такого знания:

право;

наука;

технологии;

экономика;

география;

культура;

история;

промышленность;

государственное управление.

Особенно важно переводить в машиночитаемую форму не только тексты, но и:

классификации;
онтологии;
формулы;
модели;
причинные графы;
алгоритмы;
стандарты;
технологические процессы.
Так начинается переход:

от цифрового архива страны — к её машинно доступной интеллектуальной памяти.

6. Качество и верификация
Рост ИИ повышает, а не снижает значение качества данных.

Если ошибка хранится в одной таблице, последствия ограничены.

Если на этой таблице обучена система, используемая миллионами людей, ошибка масштабируется.

Если ошибочные данные становятся основой для последующего машинно-сгенерированного знания, возникает ещё более опасный процесс:

ошибка начинает воспроизводить ошибку.

Поэтому национальная система данных требует развитой инфраструктуры provenance — происхождения информации.

Для критически важного знания желательно фиксировать:

источник;

владельца;

время создания;

время обновления;

метод получения;

степень достоверности;

историю изменений;

условия использования.

Нужно также различать:

факт;

оценку;

гипотезу;

прогноз;

машинную генерацию.

Современные модели всё ещё имеют серьёзные проблемы с достоверностью. AI Index 2026 приводит эксперименты, в которых уровень галлюцинаций на специальных тестах у ведущих моделей варьировался чрезвычайно широко.

Следовательно, будущее критических ИИ-систем — не в том, чтобы модель «знала всё».

Гораздо надёжнее принцип:

модель должна знать, где взять проверяемое знание, как оценить его качество и как показать происхождение вывода.

Для ИМИ это станет ещё важнее.

Метаинтеллект, который изменяет способы мышления других систем, не может строить свои решения на информационной среде с неизвестным происхождением.

7. Суверенные базы знаний
Суверенность знаний не означает изоляцию от мирового знания.

Наоборот, интеллектуальная система, искусственно отрезанная от мировой науки, обречена на деградацию.

Суверенность означает другое:

Россия должна сохранять гарантированную способность хранить, обновлять, индексировать, анализировать и использовать критически важное знание независимо от внешних платформ.

Это требует:

национальных научных архивов;

зеркал критических международных источников там, где это юридически допустимо;

машиночитаемого российского законодательства;

технологических справочников;

национальных терминологических систем;

knowledge graphs;

архивов моделей и кода;

систем долговременного цифрового хранения.

Особенно важна версионность знания.

Знание меняется.

Научная теория уточняется.

Закон пересматривается.

Технология устаревает.

Поэтому ИИ должен знать не просто:

«что истинно?»

Но и:

«что считалось истинным, кем, на каком основании и в какой момент времени?»

Именно такая инфраструктура становится необходимой основой будущего Метаорганона.

Метаорганон должен работать не с бесформенным информационным океаном, а с структурированной, проверяемой и эволюционирующей средой знания.

Глава 5. Агентная революция
Большие языковые модели первоначально вошли в массовое сознание как системы ответа.

Пользователь задаёт вопрос.

Модель формирует ответ.

Но уже следующий этап развития ИИ меняет базовую единицу взаимодействия.

От вопроса:

«Что ты знаешь?»

мы переходим к вопросу:

«Что ты можешь сделать?»

Так начинается агентная революция.

ИИ-агент отличается от обычной генеративной модели прежде всего тем, что включён в контур действия.

Он получает цель.

Наблюдает состояние среды.

Строит план.

Использует инструменты.

Совершает действия.

Проверяет результат.

Корректирует дальнейшее поведение.

Следовательно, агентность переводит ИИ из пространства когнитивной продукции в пространство организованной деятельности.

По данным Stanford AI Index 2026, в 2025 году результаты ИИ-агентов на OSWorld — benchmark реальной работы с компьютерными интерфейсами — выросли приблизительно с 12% до 66,3%, хотя агенты всё ещё не справляются примерно с каждой третьей структурированной задачей.

Это хорошо описывает современную фазу.

Агенты уже достаточно сильны, чтобы менять архитектуру цифрового труда.

Но ещё недостаточно надёжны, чтобы безоговорочно заменять человека в критических процессах.

1. ИИ-агенты
Базовую архитектуру агента можно представить циклом:

цель ; восприятие ; план ; действие ; результат ; оценка ; корректировка.

К обычной модели добавляются:

память;
инструменты;
доступ к внешним системам;
управление состоянием;
планирование;
механизм обратной связи.
Таким образом, модель становится не конечным продуктом, а когнитивным ядром действующей системы.

Это особенно важно для России.

В эпоху чат-ботов государство или компания могли использовать иностранную модель через API и получать значительную часть эффекта.

В эпоху агентов система глубже интегрируется в:

документы;
базы данных;
процессы;
финансы;
производство;
инфраструктуру управления.
Поэтому агентный суверенитет становится значительно важнее суверенитета обычного чат-интерфейса.

Необходимо контролировать:

какие цели получает агент;

какие инструменты доступны;

какие данные он видит;

что ему разрешено менять;

кто подтверждает критические действия;

как фиксируется история действий.

2. Многоагентные системы
Один универсальный агент не обязан быть оптимальной архитектурой.

Человеческая цивилизация достигла высокой интеллектуальной мощности не благодаря одному универсальному мозгу, а благодаря разделению функций:

учёный;

инженер;

критик;

эксперт;

руководитель;

исполнитель.

Аналогичная специализация возникает и у ИИ.

В многоагентной системе разные агенты могут выполнять различные роли:

генератор;

аналитик;

критик;

верификатор;

планировщик;

исследователь;

исполнитель;

судья.

Совместная работа нескольких агентов позволяет организовывать:

параллельный поиск;
независимые решения;
взаимную критику;
голосование;
состязание;
синтез.
Именно здесь обычная агентная революция начинает соединяться с более ранней теорией ментальных войн.

Многоагентная система может быть просто кооперативной.

Но если агенты получают альтернативные позиции, вынуждены аргументировать их, критиковать соперников, проходить независимую оценку и сохранять лучшие интеллектуальные приобретения, появляется агональный интеллект.

Таким образом:

многоагентность создаёт множество интеллектуальных субъектов; агональность превращает их взаимодействие в механизм развития интеллекта.

3. Автономность
Автономность нельзя понимать бинарно:

автономный / неавтономный.

Практически полезнее рассматривать её как шкалу.

На нижнем уровне система только советует человеку.

Следующий уровень — выполняет отдельную операцию после подтверждения.

Далее — самостоятельно выполняет последовательность операций в заданных пределах.

Ещё выше — самостоятельно выбирает подцели и средства.

И наконец — может существенно реорганизовывать собственную деятельность.

Чем выше автономность, тем больше потенциальная производительность.

Но одновременно растёт цена ошибки.

Поэтому принцип программы-минимум:

максимально допустимая автономность должна зависеть от обратимости действия.

Если агент ошибся при подготовке черновика документа, стоимость ошибки невелика.

Если агент самостоятельно перевёл миллиард рублей, остановил энергоблок или изменил медицинский протокол, требования принципиально другие.

Следовательно, масштабирование агентов требует архитектуры разрешений.

Важнейшие действия должны иметь:

порог полномочий;

двухконтурную проверку;

human-in-the-loop или human-on-the-loop;

журналирование;

возможность отмены;

автоматическое обнаружение аномалий.

Автономность должна быть управляемой, а не максимальной любой ценой.

4. Инструментальное действие
Настоящий агент начинается там, где модель получает инструменты.

Это могут быть:

поиск;

код;

базы данных;

калькуляторы;

электронная почта;

CRM;

ERP;

лабораторное оборудование;

робот;

производственная линия.

Инструмент делает интеллектуальный результат физически или организационно действенным.

Возникает фундаментальный переход:

текст ; команда ; изменение мира.

Именно поэтому tool use является одним из важнейших направлений ближайшего ИИ-фронтира.

Для России критически важно создать национальный стандарт безопасного агентного взаимодействия с инструментами.

Необходимо определить:

как описывается инструмент;

какие права он предоставляет;

как агент идентифицируется;

как подтверждается действие;

как регистрируется результат;

как ограничивается ущерб.

В перспективе должна появиться своего рода операционная система агентной экономики.

Миллионы людей, компаний и машин смогут предоставлять друг другу не только информацию, но и действия через стандартизированные интерфейсы.

5. Организационные агенты
Одно из крупнейших применений ИИ — превращение организации из системы, где каждый информационный поток проходит через человека, в человеко-машинную организацию.

Организационные агенты способны выполнять:

мониторинг;

подготовку решений;

поиск информации;

документооборот;

контроль исполнения;

аналитику;

закупки;

работу с клиентами;

управление проектами.

Следующий этап — агентные коллективы.

Например, проектный контур может включать:

агента-аналитика;

агента-планировщика;

агента по рискам;

агента-финансиста;

агента по нормативному соответствию;

агента-критика.

Но здесь возникает принципиальная опасность.

Если механически встроить ИИ в плохую бюрократию, можно получить:

автоматизированную плохую бюрократию.

Поэтому агентная трансформация должна сопровождаться реинжинирингом самого процесса.

Не:

«Как заменить чиновника или сотрудника агентом?»

а:

«Как должен быть устроен процесс, если часть интеллектуальных функций теперь выполняется практически мгновенно?»

Это уже вопрос организационной архитектуры.

6. Научные агенты
Наука представляет особый класс агентной деятельности.

Здесь недостаточно выполнить заранее известную процедуру.

Необходимо действовать в условиях, где правильный ответ ещё неизвестен.

Научный агент должен уметь:

искать литературу;

анализировать противоречия;

формулировать гипотезы;

строить модели;

проектировать проверки;

писать код;

анализировать результаты;

изменять гипотезу.

Google в 2025 году представил AI Co-Scientist — многоагентную систему для генерации и развития научных гипотез и исследовательских предложений. В её архитектуре специализированные агенты итеративно генерируют, оценивают и улучшают гипотезы.

Это особенно важно концептуально.

Научный ИИ постепенно перестаёт быть просто библиотекарем или редактором текста.

Он входит в контур создания нового знания.

Но современный уровень нельзя переоценивать.

Stanford AI Index 2026 показывает, что лучшие агенты на end-to-end научных задачах всё ещё существенно уступают PhD-экспертам: в PaperArena лучший результат составлял 38,8% против 83,5% у специалистов, а на реальных задачах биоинформатики показатели были ещё ниже.

Следовательно:

научный агент уже реален как усилитель исследователя, но автономный универсальный учёный пока не создан.

Именно этот разрыв и является пространством стратегического соревнования.

7. Промышленные агенты
В промышленности агентная революция соединяет цифровой и физический мир.

Промышленный агент может:

анализировать технологический процесс;

предсказывать отказ;

заказывать обслуживание;

перенастраивать параметры;

формировать производственный план;

координировать роботов;

работать с цифровым двойником.

Главное отличие от офисного агента — существенно более высокая цена ошибки.

Поэтому здесь особенно необходима архитектура:

ИИ предлагает ; модель процесса проверяет ; система безопасности разрешает ; исполнительный контур действует.

В критических производствах агент не должен иметь возможность напрямую изменить любой параметр только потому, что LLM сформировала убедительный план.

Необходимо разделять:

интеллектуальный слой;

управляющий слой;

инвариантный контур безопасности.

Это положение впоследствии станет критически важным и для ИМИ.

Если обычному промышленному агенту нельзя бесконтрольно менять технологический процесс, то метаинтеллекту тем более нельзя бесконтрольно менять собственную интеллектуальную архитектуру.

Стратегический итог агентной революции
Агентная революция меняет основную функцию ИИ:

модель отвечает; агент действует.

Следующий переход ещё глубже:

многоагентная система организует коллективную деятельность.

Но для настоящей Доктрины это всё ещё промежуточный этап.

Агент способен действовать в существующей архитектуре.

ИМИ должен получить ещё одну функцию:

изменять и развивать архитектуры самих действующих интеллектов.

Поэтому можно выстроить последовательность:

модель ; агент ; коллектив агентов ; агональная система ; карион ; ИМИ.

В этом смысле агентная революция является одним из важнейших технологических мостов от современного ИИ к метаинтеллектуальному фронтиру.

Глава 6. ИИ для науки
Наиболее глубокое воздействие искусственного интеллекта на цивилизацию может быть связано не с автоматизацией офисного труда и даже не с роботизацией производства.

Оно может возникнуть в результате ускорения производства нового знания.

Наука является механизмом, посредством которого цивилизация расширяет пространство технологически возможного.

Новая физика создаёт новые энергетические технологии.

Новая химия — материалы.

Новая биология — лекарства.

Новая математика — новые языки науки и техники.

Поэтому если ИИ способен ускорить саму науку, он получает мультипликативное влияние практически на все отрасли.

Возникает контур:

ИИ ; ускорение науки ; новые технологии ; новые вычислительные средства ; более мощный ИИ ; ещё более быстрое развитие науки.

Именно поэтому AI for Science должен стать одним из наиболее приоритетных направлений российской программы-минимум.

Мировая динамика уже очевидна. В 2025 году количество AI-связанных публикаций в естественных науках достигло приблизительно 80 тыс., увеличившись на 26% за год. Stanford оценивает долю ИИ-исследований в отдельных научных областях уже примерно в 5,8–8,8% общего публикационного потока.

Однако главный переход состоит не в использовании ИИ учёными.

Он состоит в появлении частично машинной науки.

1. Автоматизация исследований
Первая волна цифровизации науки автоматизировала расчёты.

Вторая — обработку данных.

Современный ИИ начинает автоматизировать значительно более широкий спектр интеллектуальных функций:

поиск литературы;

реферирование;

программирование;

анализ данных;

поиск закономерностей;

моделирование;

генерацию гипотез;

планирование экспериментов.

Но отдельные автоматизированные функции ещё не создают автоматизированной науки.

Настоящий переход происходит, когда они соединяются в цикл:

проблема ; состояние знания ; гипотезы ; модель ; эксперимент ; результаты ; критика ; новое знание ; новые гипотезы.

Каждый раз, когда человек обязан вручную переносить результат между стадиями, цикл замедляется.

Поэтому ключевая задача AI for Science — замыкание исследовательского контура.

Для России это особенно важно.

При ограниченности кадров ускорение одного исследователя в несколько раз может частично компенсировать количественный разрыв.

Но главная цель значительно выше:

не просто сделать существующего учёного быстрее, а создать новый тип научного производства.

2. Научные агенты
Научный агент — не поисковая система и не чат-бот, знающий научные термины.

Он должен быть включён в реальный исследовательский процесс.

Его функции могут включать:

определение нерешённой проблемы;

реконструкцию пространства существующих подходов;

обнаружение противоречий;

формирование альтернативных гипотез;

планирование проверки;

написание кода;

анализ данных;

подготовку следующей итерации.

AI Co-Scientist Google уже демонстрирует многоагентную архитектуру, где специализированные компоненты генерируют, ранжируют, критикуют и совершенствуют научные гипотезы; система была экспериментально исследована на нескольких биомедицинских задачах.

В 2025 году была также принята на workshop работа, полностью сформированная системой AI Scientist-v2 без человеческого шаблона статьи — важный эксперимент, хотя он сам по себе, разумеется, не доказывает возникновение автономной науки.

Эти результаты необходимо интерпретировать строго.

Научный текст ещё не равен открытию.

Гипотеза ещё не равна подтверждённому знанию.

Правильный ответ на benchmark ещё не равен способности самостоятельно воспроизвести научную работу.

Stanford показывает именно этот разрыв: frontier-модели уже превосходят средний уровень человеческих экспертов на некоторых химических вопросах, но на полном воспроизведении опубликованных исследований результаты остаются ниже 20%.

Следовательно, главным frontier становится уже не «ИИ знает науку», а:

ИИ умеет делать науку.

3. Моделирование
Моделирование — одна из областей, где машинный интеллект уже способен давать системный научный эффект.

Классическая наука часто строит цепь:

теория ; математическая модель ; численное решение ; сравнение с экспериментом.

ИИ добавляет несколько новых возможностей.

Он может строить суррогатные модели, работающие намного быстрее традиционного расчёта.

Может искать закономерности непосредственно в экспериментальных данных.

Может комбинировать физические ограничения с машинным обучением.

Может автоматически исследовать огромное пространство параметров.

Особенно показательны успехи прогнозирования погоды. Stanford AI Index 2026 отмечает, что в 2025 году Aardvark Weather впервые продемонстрировал полный end-to-end ML-конвейер прогнозирования, а новые модели способны формировать длинные глобальные прогнозы значительно быстрее традиционных вычислительных подходов.

Для России подобные методы особенно важны в:

климате;

метеорологии;

гидродинамике;

плазменной физике;

атомной энергетике;

геологии;

нефтегазовой отрасли;

аэродинамике;

космических задачах.

Стратегическая цель:

в каждой вычислительно тяжёлой области создать гибрид классического моделирования и ИИ.

ИИ не должен обязательно заменять физику.

Он должен уменьшать стоимость исследования пространства решений и помогать обнаруживать те области, где необходим наиболее точный физический расчёт.

4. Генерация гипотез
Наука отличается от расчёта тем, что необходимо не только получить ответ на известный вопрос, но и сформулировать новый вопрос.

Именно генерация гипотез постепенно становится одной из самых перспективных областей AI for Science.

Модель может прочитать объём литературы, недоступный отдельному человеку.

Сопоставить результаты различных дисциплин.

Найти слабые связи.

Выявить несовместимые объяснения.

Предложить альтернативу.

Но количество гипотез практически не ограничено.

Поэтому настоящая проблема не в генерации.

Главная проблема — селекция.

Научный ИИ должен отвечать:

какая гипотеза нова;

какая проверяема;

какая противоречит известным данным;

какой эксперимент различает конкурирующие объяснения;

какая гипотеза способна дать максимальный прирост знания при ограниченных ресурсах.

Здесь возникает прямой мост к агональному интеллекту.

Вместо одной гипотезы:

генерируется популяция гипотез ; между ними организуется ментальный агон ; сильнейшие получают экспериментальный ресурс.

Это уже зародыш эволюционной организации науки.

5. Экспериментальные циклы
Самая мощная форма AI for Science возникает, когда ИИ соединяется с реальным экспериментом.

Так формируется self-driving laboratory:

ИИ предлагает эксперимент;

роботизированная лаборатория выполняет его;

приборы возвращают данные;

ИИ анализирует результат;

выбирает следующий эксперимент.

Возникает замкнутый цикл.

Вместо того чтобы проверять заранее заданный список вариантов, система может использовать active learning и выбирать именно тот следующий эксперимент, который сильнее всего сокращает неопределённость.

Это способно на порядки увеличить эффективность научного поиска.

Именно поэтому России необходимо создавать не только суперкомпьютеры, но и автоматизированные экспериментальные фабрики.

Особенно в:

материаловедении;

химии;

биологии;

фармацевтике;

электронике.

К 2031 году должны существовать десятки экспериментальных контуров, где значительная часть цикла от гипотезы до следующей гипотезы автоматизирована.

Но с обязательным условием:

финальным основанием научного знания остаётся проверяемый результат, а не уверенность модели.

6. Новые материалы
Материаловедение является одним из наиболее очевидных кандидатов для ИИ-ускорения.

Пространство возможных химических составов и кристаллических структур огромно.

Человек физически не способен перебрать его экспериментально.

ИИ может радикально сузить поиск.

Показательный пример — GNoME Google DeepMind. Система предсказала около 2,2 млн новых стабильных кристаллических структур, из которых примерно 380 тыс. были отнесены к наиболее перспективным стабильным кандидатам; сотни предсказанных структур независимо получили экспериментальное подтверждение.

Для России этот класс технологий имеет огромное значение.

Материалы лежат в основе:

микроэлектроники;

энергетики;

авиации;

космоса;

ядерных технологий;

аккумуляторов;

оптики;

сверхпроводимости.

Поэтому национальная платформа AI for Materials может стать одним из наиболее эффективных стратегических проектов.

Она должна объединять:

теоретические модели;

базы известных материалов;

генеративные системы;

квантово-химические расчёты;

автоматизированный синтез;

экспериментальную характеризацию.

Цель — не «использовать ИИ в материаловедении».

Цель значительно конкретнее:

радикально сократить среднее время от гипотезы о новом материале до экспериментально подтверждённого образца.

7. Биотехнологии
Биология стала одним из первых направлений, где ИИ продемонстрировал способность решать фундаментальные научные задачи.

AlphaFold превратил предсказание структуры белков из многолетней вычислительно-экспериментальной проблемы в массово доступный инструмент. К 2025 году AlphaFold использовали миллионы исследователей более чем в 190 странах, а база содержала свыше 200 млн предсказанных белковых структур.

AlphaFold 3 расширил задачу от структуры отдельных белков к моделированию взаимодействий белков с другими классами биомолекул.

Это важнейший урок.

ИИ в науке способен не просто ускорить операцию.

Он способен изменить экономику целой исследовательской процедуры.

Для России перспективными направлениями являются:

структурная биология;

геномика;

протеомика;

поиск лекарственных соединений;

синтетическая биология;

биокатализ;

агробиотехнологии.

Но биология одновременно требует наиболее строгой системы безопасности, верификации и разделения доступов.

Чем сильнее научный ИИ, тем важнее различать:

способность генерировать научное знание;

и

полномочие превращать это знание в биологическое действие.

8. Физика
Физика представляет иной класс задач.

Здесь важны не только данные, но и фундаментальные законы.

Поэтому наиболее перспективен гибридный подход:

физическая теория + вычислительная модель + машинное обучение.

ИИ способен:

ускорять численное моделирование;

искать приближённые решения;

анализировать результаты экспериментов;

обнаруживать аномалии;

предлагать новые параметризации;

оптимизировать сложные установки.

Особенно перспективны:

плазма;

управляемый термоядерный синтез;

физика высоких энергий;

астрофизика;

квантовые системы;

гидродинамика;

материалы;

оптика.

В астрономии в 2025 году уже появились первые специализированные foundation models, обученные на данных сотен миллионов небесных объектов, а объём отдельных обучающих наборов достигал порядка 100 ТБ.

Это показывает важную тенденцию:

каждая крупная наука начинает получать собственные фундаментальные модели.

Россия должна участвовать в этой волне не только как пользователь зарубежных систем.

В областях, где она располагает уникальными приборами и экспериментальными данными, необходимо создавать собственные scientific foundation models.

9. Математика
Математика занимает особое положение.

Её экспериментальная среда в значительной степени может быть полностью цифровой.

Это делает математику потенциально одной из первых наук, где возможно чрезвычайно глубокое участие ИИ во всём исследовательском цикле.

Математический ИИ может:

искать контрпримеры;

генерировать гипотезы;

проводить символьные преобразования;

строить доказательства;

проверять доказательства;

создавать формальные библиотеки;

сопоставлять различные теории.

Современные системы уже достигли уровня золотой медали Международной математической олимпиады на конкурсных задачах.

Но это достижение также необходимо интерпретировать строго.

Решение крайне трудной известной задачи и создание новой математики — различные уровни.

Высший frontier должен оцениваться вопросами:

способен ли ИИ сформулировать содержательную новую математическую проблему;

создать новую систему понятий;

выдвинуть плодотворную гипотезу;

найти принципиально новый способ доказательства;

создать новую математическую теорию?

И именно здесь математика особенно тесно соприкасается с будущим Метаорганоном и метааксиоматическим методом.

Обычный математический ИИ ищет вывод внутри заданной системы.

Более сильный интеллект должен уметь спрашивать:

какие основания самой системы следует изменить?

Это уже движение от математического интеллекта к математическому метаинтеллекту.

От AI for Science к искусственной эволюции науки
Если объединить описанные направления, возникает последовательность.

Первый уровень:

ИИ помогает учёному.

Второй:

ИИ выполняет отдельные исследовательские функции.

Третий:

научный агент ведёт длительный исследовательский процесс.

Четвёртый:

система агентов генерирует и селектирует конкурирующие исследовательские программы.

Пятый:

ИИ изменяет методы, посредством которых осуществляется само научное исследование.

Именно последний уровень уже является метаинтеллектуальным.

Поэтому AI for Science представляет для России двойную ценность.

В ближайшие годы это один из наиболее мощных способов ускорить существующую науку.

Но одновременно это экспериментальная среда для будущего ИМИ.

Наука идеально подходит для проверки метаинтеллекта, потому что здесь можно объективно спросить:

создал ли он новую гипотезу;

выдержала ли она критику;

подтвердил ли её эксперимент;

превзошёл ли новый метод прежние;

можно ли воспроизвести результат.

Таким образом, одной из наиболее сильных траекторий первого пятилетия может стать:

ИИ для науки ; автономные научные агенты ; агональные исследовательские системы ; Метаорганон науки ; научный ИМИ.

И тогда российская программа AI for Science перестаёт быть просто программой повышения производительности исследователей.

Она становится одной из первых площадок, на которых можно практически проверять центральную гипотезу всей Доктрины:

может ли разум создать систему, которая не только производит новое знание, но и целенаправленно совершенствует способы производства нового знания

*************

Глава 7. ИИ для промышленности и экономики
Программа-минимум не может считаться выполненной, если Россия создаст сильные фундаментальные модели, но основная экономика продолжит работать почти так же, как до ИИ-революции.

Технологическое лидерство возникает не в момент появления модели, а тогда, когда новая интеллектуальная технология начинает систематически менять:

производительность;
качество продукции;
скорость инноваций;
себестоимость;
организацию предприятий;
инвестиционные решения;
использование оборудования и ресурсов;
способность создавать новые продукты и отрасли.
В этом смысле ИИ должен стать не отдельным сектором российской экономики, а сквозным интеллектуальным слоем практически всех её отраслей.

Масштаб задачи пока очень велик. По данным Росстата, проанализированным ИСИЭЗ НИУ ВШЭ, в 2025 году технологии искусственного интеллекта для решения производственных задач применяла примерно каждая двадцатая крупная или средняя организация. При этом облачные сервисы и цифровые платформы распространены значительно шире. Это означает, что необходимая цифровая основа постепенно формируется, но переход от цифровизации к массовой интеллектуализации экономики ещё только начинается.

Одновременно объём затрат крупных и средних организаций на цифровые технологии в 2025 году достиг почти 5,9 трлн рублей, увеличившись на 11,8% за год. Рост вложений был зафиксирован в 16 из 18 рассматриваемых отраслей.

Следовательно, проблема России состоит не в отсутствии процесса цифровой трансформации.

Проблема состоит в скорости перехода от цифровой экономики к ИИ-экономике.

Главным результатом программы должно стать изменение базовой производственной формулы:

данные ; модель ; прогноз ; решение ; действие ; измерение результата ; обучение системы.

Когда этот цикл начинает работать непрерывно, предприятие становится не просто автоматизированным.

Оно становится интеллектуализированным.

1. Производство
Именно промышленность должна стать одним из главных российских полигонов прикладного искусственного интеллекта.

Причина очевидна.

Россия имеет большую материальную экономику:

машиностроение;

металлургию;

химию;

нефтегазовый комплекс;

атомную промышленность;

авиацию;

космическую отрасль;

горнодобывающую промышленность;

оборонно-промышленный комплекс.

Здесь ИИ способен непосредственно преобразовывать физическое производство.

Основные направления уже понятны:

предиктивное обслуживание оборудования;

компьютерное зрение и контроль качества;

оптимизация технологических режимов;

цифровые двойники;

управление производственными цепочками;

генеративное инженерное проектирование;

автоматическая подготовка технологической документации;

управление роботами;

оптимизация энергопотребления;

прогнозирование отказов.

Обновлённое стратегическое направление цифровой трансформации обрабатывающей промышленности ставит задачу достижения к 2030 году цифровой зрелости отрасли, включая ускоренное применение больших данных, машинного обучения и искусственного интеллекта и автоматизацию значительной части транзакций на основе цифровых платформ.

Но для настоящей Доктрины даже этого недостаточно.

Следующий этап должен означать переход:

от ИИ как дополнения к производственной линии — к производственной системе, архитектура которой изначально проектируется с учётом ИИ.

Такое предприятие должно обладать собственным цифровым двойником.

Непрерывно получать данные.

Сравнивать реальный процесс с оптимальным.

Предсказывать отказ до его возникновения.

Автоматически перестраивать планирование при изменении спроса или поставок.

Использовать генеративные системы для проектирования новых изделий.

Связывать научные ИИ с инженерными ИИ и производственными агентами.

Возникает принципиально новый контур:

наука ; проектирование ; цифровой двойник ; производство ; эксплуатационные данные ; новая конструкция.

ИИ замыкает этот цикл.

В долгосрочной перспективе конкурентоспособность будет определяться уже не столько стоимостью отдельного станка, сколько скоростью интеллектуального самообновления всей производственной системы.

2. Энергетика
Энергетика занимает двойственное место в ИИ-революции.

С одной стороны, она сама является огромным объектом интеллектуализации.

С другой — становится физической основой вычислительной экономики.

Поэтому взаимодействие ИИ и энергетики носит взаимно усиливающий характер:

больше ИИ требует больше энергии; более интеллектуальная энергетика позволяет эффективнее производить и распределять энергию для ИИ.

Обновлённое стратегическое направление цифровой трансформации российского топливно-энергетического комплекса до 2036 года прямо предусматривает активное применение технологий искусственного интеллекта и машинного обучения, развитие управления на основе данных, создание необходимой информационно-коммуникационной инфраструктуры и повышение качества отраслевых данных.

Главные сферы применения:

геологоразведка;

моделирование месторождений;

управление добычей;

предиктивное обслуживание;

управление электросетями;

прогнозирование спроса;

оптимизация генерации;

автоматизированное диспетчерское управление;

атомная энергетика;

расчёт сложных режимов;

диагностика оборудования.

Особенно перспективен переход к интеллектуальным энергосистемам, которые работают не только по заранее установленным правилам, но способны прогнозировать состояние сети и оптимизировать распределение ресурсов в реальном времени.

Для России здесь возникает ещё одна стратегическая возможность.

Избыток или относительно дешёвая генерация в отдельных регионах может быть преобразован в вычислительную мощность.

То есть электрическая энергия фактически превращается в:

compute ; модели ; научные открытия ; технологии ; экономическую мощь.

Это новая форма глубокой переработки энергетического ресурса.

В индустриальную эпоху экспортировалось сырьё или электроэнергия.

В интеллектуальную эпоху всё более выгодным может становиться экспорт результатов вычислений и интеллекта, произведённых с помощью этой энергии.

3. Транспорт
Транспорт представляет идеальную среду для соединения:

ИИ;

компьютерного зрения;

робототехники;

цифровых карт;

спутниковой навигации;

предиктивной аналитики;

многоагентного управления.

Российские документы цифровой трансформации транспорта ориентируют отрасль на 2025–2030 годы и особо подчёркивают импортозамещение систем критической информационной инфраструктуры, разработку передовых цифровых технологий и снижение зависимости от человеческого фактора в управленческих процессах.

Именно транспорт может стать одной из первых больших киберфизических ИИ-систем страны.

Основные направления:

автономный транспорт;

беспилотные грузовые перевозки;

железнодорожная автоматика;

морская навигация;

управление авиационными потоками;

предиктивное обслуживание;

интеллектуальное управление городской мобильностью;

планирование транспортных сетей.

Особую роль играют беспилотные авиационные системы.

Российская нормативная база уже предусматривает требования к идентификации, навигации, наблюдению, предотвращению столкновений и интеграции беспилотных систем в общее воздушное пространство.

В перспективе отдельный беспилотник должен рассматриваться не изолированно, а как элемент:

транспортного брейома — распределённой интеллектуальной транспортной системы.

Тогда ИИ управляет уже не отдельным автомобилем или дроном, а потоками множества автономных транспортных средств, людей и инфраструктурных объектов.

4. Логистика
Логистика является одной из областей, где эффект ИИ способен особенно быстро превращаться в экономический результат.

Здесь существуют хорошо измеримые цели:

стоимость;

срок доставки;

загрузка;

простой;

запасы;

длина маршрута;

расход топлива;

вероятность срыва.

Поэтому ИИ может непрерывно оптимизировать:

маршруты;

склады;

запасы;

закупки;

распределение грузов;

планирование поставок;

мультимодальные перевозки.

Но следующий шаг значительно интереснее.

Современные цепочки поставок слишком сложны для централизованного ручного управления.

В них участвуют тысячи предприятий, транспортных операторов, складов, банков, страховщиков и государственных систем.

Следовательно, логистика естественно движется к многоагентной организации.

У каждого крупного субъекта появляется цифровой агент.

Агенты:

согласовывают сроки;

перераспределяют ресурсы;

ищут альтернативных поставщиков;

оценивают риски;

оптимизируют общий процесс.

Для России с её огромными расстояниями снижение даже нескольких процентов логистических потерь может иметь макроэкономическое значение.

Именно поэтому транспортно-логистический сектор уже является одним из заметных центров российской ИИ-компетентности: по данным обследования 2024 года, на него приходилось около 15% работников с ИИ-компетенциями среди обследованных организаций.

5. Финансы
Финансовая отрасль сегодня является, вероятно, наиболее развитым крупным российским сектором по практическому использованию ИИ.

ИИ применяется здесь задолго до нынешнего бума генеративных моделей:

кредитный скоринг;

антифрод;

управление рисками;

маркетинг;

персонализация;

прогнозирование;

алгоритмическая аналитика.

Банк России прямо отмечает, что ИИ давно используется финансовыми организациями, в частности в кредитном скоринге, где значительная часть решений уже может приниматься автоматизированно.

Данные Росстата и ИСИЭЗ НИУ ВШЭ подтверждают лидерскую роль финансового сектора. Среди организаций — пользователей ИИ именно финансовые компании демонстрировали особенно высокое применение обработки текста, интеллектуальной поддержки принятия решений и технологий повышения эффективности ИИ. На сектор приходилось 77% расходов обследованных организаций на оборудование для ИИ и 43% расходов на специализированное ИИ-ПО.

Это делает финансовую отрасль важным российским полигоном для перехода:

от модели ; к агенту ; от агента ; к многоагентной цифровой организации.

Но высокая автоматизация финансов требует особенно строгого разделения:

прогноза;

рекомендации;

решения;

необратимого действия.

Чем выше автономность финансового агента, тем выше требования к:

аудиту;

объяснимости;

ограничению полномочий;

защите данных;

ответственности.

В перспективе именно финансовый сектор может одним из первых экспериментировать с организационными карионами — системами, анализирующими не только отдельные решения, но эффективность всей интеллектуальной архитектуры организации.

Однако это уже мост к программе-максимум.

6. Строительство
Строительство традиционно характеризуется большим количеством участников, длительными проектными циклами, сложной документацией и значительным объёмом пространственных данных.

Поэтому ИИ способен воздействовать практически на весь жизненный цикл объекта:

выбор площадки;

проектирование;

расчёт;

смету;

планирование;

контроль строительства;

безопасность;

эксплуатацию;

ремонт.

Ключевым промежуточным слоем становятся технологии информационного моделирования.

Когда BIM-модель соединяется с:

геоданными;

датчиками;

компьютерным зрением;

финансовыми данными;

ИИ-планированием,

возникает цифровой двойник строительного объекта.

Российские стратегические документы предусматривают развитие отечественного геопространственного обеспечения, интегрированного с региональными и муниципальными информационными системами во всех 89 субъектах Федерации к концу 2030 года.

Следующий этап должен состоять в создании ИИ-контура строительства территории.

Не только отдельное здание, но:

жильё;

транспорт;

энергетика;

социальная инфраструктура;

экология;

плотность населения

могут проектироваться как единая система.

ИИ здесь постепенно превращается из инструмента проектировщика в инструмент системного проектирования среды жизни.

7. Сельское хозяйство
Сельское хозяйство особенно интересно тем, что объединяет цифровой и биологический мир.

Основные направления ИИ:

компьютерное зрение;

мониторинг растений;

распознавание болезней;

анализ почв;

прогноз урожайности;

точное внесение удобрений;

управление техникой;

животноводство;

селекция;

оптимизация использования воды.

Правительство в 2026 году актуализировало цифровую трансформацию агропромышленного и рыбохозяйственного комплексов. К 2030 году не менее 80% предприятий АПК должны использовать базовое и прикладное российское ПО в ключевых производственных и управленческих процессах.

Кроме того, принято решение о создании единой цифровой платформы агропромышленного и рыбохозяйственного комплексов с применением искусственного интеллекта, которая должна интегрировать государственные информационные системы, знания, научные результаты и сервисы управления.

Это потенциально важная архитектура.

Поскольку будущее сельского хозяйства — не просто «цифровая ферма».

Это:

спутники + БПЛА + сенсоры + роботы + генетические данные + погодные модели + ИИ.

Возникает интеллектуальная агроэкосистема.

Особенно важна связь с AI for Science.

ИИ должен не только оптимизировать существующее растениеводство.

Он способен участвовать в создании:

новых сортов;

новых агротехнологий;

новых способов защиты растений;

новых биологических средств производства.

8. Сервисные отрасли
Наиболее массовое воздействие генеративного ИИ, вероятно, произойдёт в сфере услуг.

Здесь главный объект автоматизации — уже не физическая операция, а когнитивная рутина.

ИИ способен брать на себя значительную долю операций в:

торговле;

маркетинге;

праве;

бухгалтерии;

страховании;

консалтинге;

туризме;

образовании;

медиа;

клиентском сервисе.

Но экономический эффект не должен измеряться числом установленных чат-ботов.

Главный критерий:

изменился ли сам бизнес-процесс?

Если сотрудник раньше тратил час на документ, а теперь двадцать минут, это первый эффект.

Если система вообще устраняет необходимость ручной подготовки типового документа — второй.

Если агент самостоятельно ведёт целый сквозной процесс и человек вмешивается только в исключения — третий.

Таким образом, можно выделить три стадии:

ИИ-помощник ; ИИ-исполнитель ; агентная организация.

Программа-минимум должна обеспечить массовый переход хотя бы ко второй стадии, а в ряде отраслей — к третьей.

Экономика как человеко-машинная интеллектуальная система
Общий смысл отраслевого внедрения состоит не в том, чтобы «добавить ИИ» в каждый сектор.

В результате должна начать возникать новая экономическая архитектура.

Предприятия получают цифровых агентов.

Агенты взаимодействуют с другими агентами.

Производство соединяется с наукой.

Наука — с инженерией.

Инженерия — с роботизированным производством.

Производственные данные возвращаются в научно-конструкторский цикл.

Возникает:

человеко-машинная экономика с быстро сокращающимся циклом между знанием и его материализацией.

Именно эта способность — скорость превращения знания в действие — будет одним из главных источников национальной конкурентоспособности.

Глава 8. ИИ-государство
Государство является одной из крупнейших информационных систем общества.

Оно непрерывно:

собирает данные;

создаёт правила;

распределяет ресурсы;

выдаёт разрешения;

контролирует исполнение;

анализирует состояние общества;

принимает решения;

реагирует на кризисы.

Поэтому искусственный интеллект способен радикально изменить государственное управление.

Но здесь особенно важно избежать примитивной формулы:

ИИ-государство = государство, которым управляет ИИ.

Такая постановка одновременно концептуально неверна и потенциально опасна.

ИИ-государство в рамках настоящей Доктрины — это:

государство, в котором искусственный интеллект становится развитой инфраструктурой анализа, прогнозирования, проектирования, исполнения и обратной связи, оставаясь встроенным в систему человеческой политической субъектности, права и ответственности.

Россия уже создаёт институциональный контур подобного перехода.

В июне 2025 года учреждён Центр развития искусственного интеллекта при Правительстве Российской Федерации для координации работы федеральных органов, регионов и заинтересованных организаций. В марте 2026 года была сформирована правительственная подкомиссия по развитию и внедрению ИИ, включая автономные системы; она встроена в более широкую систему координации с Комиссией при Президенте по вопросам развития ИИ.

Само появление таких институтов показывает переход от отдельных ведомственных проектов к системе государственного управления ИИ-развитием.

Но следующая задача — ИИ в самом управлении.

1. Государственные ИИ-системы
Сегодня государственный ИИ часто развивается как множество отдельных решений:

чат-бот;

распознавание документов;

анализ обращений;

мониторинг;

поиск нарушений;

поддержка принятия решений.

Это полезно, но воспроизводит ведомственную архитектуру государства.

Следующий этап должен строиться иначе.

Необходимо создавать общие государственные ИИ-компоненты, которые могут повторно использоваться различными органами власти:

национальные фундаментальные модели;

защищённые государственные LLM;

поиск и RAG;

верификация нормативной информации;

геоаналитика;

прогнозные модели;

агентные платформы;

общие стандарты безопасности.

Государственный ИИ не должен означать, что каждое ведомство создаёт свою маленькую несовместимую модель.

Более рациональная архитектура:

общий технологический фундамент + специализированные ведомственные контуры.

Это уменьшает расходы, повышает качество и позволяет централизованно решать вопросы безопасности.

2. Аналитика
Первый большой эффект ИИ для государства связан с переходом от отчётного управления к ситуационной аналитике.

Традиционная система часто работает так:

событие;

сбор статистики;

формирование отчёта;

передача вверх;

анализ;

решение.

К моменту принятия решения ситуация уже может измениться.

Современные данные и ИИ позволяют сокращать цикл:

событие ; данные ; автоматический анализ ; сигнал ; решение.

Объектами могут быть:

цены;

занятость;

строительство;

транспорт;

исполнение бюджета;

региональная экономика;

экологические показатели;

здравоохранение;

реализация проектов.

При этом ИИ должен не только строить красивый dashboard.

Он должен обнаруживать:

аномалии;

скрытые зависимости;

расхождения между ведомствами;

потенциальные точки кризиса;

неэффективное расходование ресурсов.

По данным Росстата за 2025 год, уже 41% опрошенных государственных служащих сообщали о наличии навыков работы с ИИ, хотя лишь 6% считали их необходимыми для своей работы. Это показывает характерный разрыв: индивидуальное освоение технологии опережает формальную перестройку государственных процессов.

Задача следующего этапа — превратить индивидуальное использование в институциональную ИИ-архитектуру.

3. Прогнозирование
Государство по своей природе обязано работать с будущим.

Бюджет.

Демография.

Инфраструктура.

Энергетика.

Образование.

Наука.

Оборона.

Территориальное развитие.

Но прогнозирование часто существует отдельно по ведомствам и строится на небольшом числе сценариев.

ИИ позволяет перейти к более сложному режиму:

массовому многовариантному моделированию будущего.

Система может генерировать тысячи сценариев и проверять:

какие факторы критичны;

где существуют точки бифуркации;

какие решения наиболее устойчивы;

что происходит при одновременном изменении нескольких параметров.

Однако здесь особенно важно не путать прогноз и предсказание.

ИИ не «знает будущее».

Он расширяет пространство моделируемых вариантов.

Поэтому правильный принцип:

ИИ должен не заменять государственный выбор, а увеличивать число и качество видимых последствий выбора.

Это интеллектуальный радар, а не политический суверен.

4. Управление ресурсами
Государство распределяет огромные объёмы:

денег;

инфраструктуры;

кадров;

земли;

энергии;

государственного заказа.

Даже небольшое повышение эффективности такого распределения может иметь огромный макроэкономический эффект.

ИИ способен:

выявлять дублирование программ;

анализировать результативность расходов;

сопоставлять государственные проекты;

прогнозировать сроки;

выявлять bottlenecks;

оптимизировать закупки;

предлагать альтернативные комбинации ресурсов.

Но здесь возникает принципиальная проблема критериев.

Что означает «оптимально»?

Минимальная стоимость?

Максимальный ВВП?

Минимальный риск?

Равномерность регионального развития?

Национальная безопасность?

Именно поэтому государственный ИИ неизбежно становится многокритериальным.

Чем выше уровень решения, тем меньше вероятность, что существует одна очевидная целевая функция.

Это первая область, где даже программа-минимум начинает упираться в будущую проблематику Метаорганона.

Государству нужен не просто оптимизатор.

Ему требуется система, способная сравнивать различные системы критериев.

5. Административная автоматизация
Наиболее быстрые результаты могут быть получены в массовой административной деятельности.

ИИ способен автоматизировать:

классификацию документов;

ответы на типовые запросы;

подготовку проектов решений;

проверку документов;

сопоставление нормативных требований;

контроль сроков;

перевод информации между форматами;

поиск противоречий.

Это способно высвободить огромное количество человеческого труда.

Но конечная цель должна состоять не в создании «электронного чиновника».

Значительно важнее:

ликвидировать саму необходимость в части административных операций.

Если государство уже располагает необходимыми данными, гражданин не должен повторно предоставлять справку.

Если система способна автоматически установить право на услугу, не всегда необходимо заявление.

Если нарушение можно предотвратить до его возникновения, санкция постфактум становится менее важной.

Так возникает переход:

электронное государство ; проактивное государство ; интеллектуальное государство.

6. Стратегическое планирование
Наиболее глубокая возможность ИИ связана со стратегическим управлением.

Современное государство сталкивается с системами, которые невозможно эффективно анализировать изолированно:

демография влияет на рынок труда;

рынок труда — на образование;

образование — на технологии;

технологии — на производительность;

производительность — на бюджет;

бюджет — на инфраструктуру;

инфраструктура — на демографию.

Это и есть ноостемная проблема: объект существует одновременно как множество взаимосвязанных функций, субъектов, ресурсов, смыслов и сценариев.

Поэтому государственный стратегический ИИ должен уметь работать не только с отдельными KPI, но с целостными системами развития.

Возможный контур:

данные ; модель страны ; сценарии ; стратегии ; программы ; проекты ; мониторинг ; корректировка модели.

Именно здесь в перспективе может появиться национальный человеко-машинный стратегический карион.

Но его нельзя понимать как «суперкомпьютер, принимающий решения за Россию».

Его функция противоположна.

Он должен:

расширять пространство альтернатив;

организовывать независимые экспертизы;

выявлять скрытые предпосылки;

проводить мысленные и модельные агоны;

проверять последствия;

обнаруживать ошибки самой стратегии.

То есть:

не мыслить вместо страны, а повышать качество способности страны мыслить о собственном развитии.

7. Ограничения автоматизации власти
Именно государство требует наиболее строгого ограничения иллюзии ИИ-всемогущества.

Есть принципиальная разница между:

может вычислить

и

имеет право решить.

Политическая власть включает:

ценности;

легитимность;

ответственность;

право;

общественный выбор;

конфликт интересов.

Эти категории нельзя автоматически вывести из benchmark-производительности модели.

Поэтому необходимо установить фундаментальный принцип:

чем ближе решение к суверенным политическим, правовым и ценностным функциям государства, тем меньше допустимость неконтролируемой машинной автономии.

ИИ может:

показывать варианты;

просчитывать последствия;

обнаруживать противоречия;

предлагать оптимизацию.

Но ответственность за фундаментальный выбор должна оставаться у легитимного человеческого субъекта.

Важнейшие ограничения:

проверяемость;

право человека на обжалование;

журналирование решений;

защита персональных данных;

недопустимость скрытой дискриминации;

разделение аналитики и властного полномочия;

защита от манипулирования самой моделью.

Именно поэтому зрелое ИИ-государство характеризуется не максимальным числом автоматических решений.

Оно характеризуется:

максимальным интеллектуальным усилением государственного субъекта при сохранении его ответственности.

Глава 9. ИИ в обороне и национальной безопасности
Искусственный интеллект является технологией двойного назначения.

Практически любое крупное достижение в:

компьютерном зрении;

автономных системах;

робототехнике;

кибербезопасности;

моделировании;

анализе больших данных

может иметь как гражданское, так и оборонное применение.

Поэтому государство, существенно отстающее по ИИ, рискует получить не только экономический, но и стратегический разрыв.

Российская государственная система прямо относит развитие и внедрение ИИ к вопросам национальной обороны и безопасности. В задачи Комиссии при Президенте по вопросам развития технологий искусственного интеллекта включена разработка подходов к применению ИИ для повышения эффективности экономики, государственного управления, национальной обороны и национальной безопасности.

Однако этот раздел требует особой методологической дисциплины.

Большая часть реально значимых военных данных закрыта.

Поэтому Доктрина не должна имитировать знание засекреченных характеристик.

Здесь целесообразно говорить прежде всего о классах стратегически необходимых возможностей.

1. Разведывательная аналитика
Современная среда генерирует объёмы данных, которые физически не могут быть полностью обработаны человеком.

Это:

спутниковые изображения;

радиолокационная информация;

открытые источники;

геопространственные данные;

видео;

телеметрия;

сетевые события.

ИИ способен выполнять первый уровень:

фильтрацию;

классификацию;

обнаружение аномалий;

сопоставление источников;

выделение объектов;

обнаружение изменений.

Но главная ценность возникает при информационном синтезе.

Отдельный сигнал может быть слабым.

Несколько слабых сигналов из независимых источников могут образовать сильную гипотезу.

Следовательно, перспективная разведывательная система должна быть мультимодальной.

Она должна уметь отвечать не только:

«Что изображено на снимке?»

но:

«Как изменилось состояние системы, какие гипотезы объясняют эти изменения и что ещё необходимо проверить?»

При этом фундаментально важно различать:

обнаружение;

интерпретацию;

решение.

Высокая точность распознавания объекта ещё не означает достаточной надёжности для автоматически принимаемого стратегического решения.

Поэтому критические выводы должны строиться на:

независимых источниках;

нескольких моделях;

проверяемой логике;

человеческой ответственности.

2. Автономные системы
ИИ радикально расширяет возможности автономных технических систем.

Это касается:

беспилотной авиации;

морских и подводных аппаратов;

наземных роботов;

автономных средств наблюдения;

логистических платформ.

Стратегический переход идёт от:

дистанционно управляемого аппарата

к

частично автономному агенту, способному самостоятельно решать навигационные и тактические подзадачи в установленных человеком пределах.

Но рост автономности одновременно создаёт новые риски.

Ошибка алгоритма в обычной рекомендательной системе может стоить времени.

Ошибка автономной системы в критической среде может иметь необратимые последствия.

Поэтому должна действовать архитектура ограниченной автономии:

автономность в навигации;

автономность в уклонении от препятствий;

автономность в распределении рутинных задач;

жёстко ограниченные уровни полномочий для необратимых действий.

Общий принцип тот же, что и в промышленности, но требования значительно выше:

уровень машинной автономии должен быть обратно пропорционален необратимости потенциального ущерба.

3. Кибербезопасность
Киберпространство — вероятно, первая большая область, где ИИ будет массово противостоять ИИ.

Одна система:

ищет уязвимости;

генерирует вредоносные действия;

маскирует активность.

Другая:

анализирует трафик;

обнаруживает аномалии;

классифицирует угрозы;

автоматизирует защиту.

Таким образом, кибербезопасность постепенно превращается в скоростной машинный агон.

Человек физически не способен вручную анализировать миллионы событий в реальном времени.

Поэтому ИИ-защита должна работать непрерывно.

Для России необходим национальный контур, способный защищать:

государственную инфраструктуру;

энергетику;

транспорт;

финансовую систему;

связь;

ИИ-ЦОД;

сами фундаментальные модели.

Последний пункт особенно важен.

По мере роста роли ИИ появляется новый класс объектов атаки:

обучающие данные;

weights;

system prompts;

agent tools;

supply chain моделей;

механизмы обновления.

Следовательно:

безопасность ИИ становится частью кибербезопасности, а кибербезопасность — частью безопасности ИИ.

4. Информационные и ментальные угрозы
Генеративный ИИ радикально снижает стоимость производства:

текстов;

изображений;

видео;

персонализированной коммуникации.

Это повышает масштаб возможных информационных воздействий.

Но было бы методологической ошибкой отождествлять эту проблематику с ментальными войнами в смысле настоящей Доктрины.

Необходимо строго различать:

воздействие на сознание как объект

и

агональную организацию интеллектуальной деятельности как механизм.

Пропаганда, дезинформация или когнитивное воздействие относятся преимущественно к первому.

Ментальная война в развиваемой здесь теоретической линии представляет собой специально организованную конкурентно-селективную систему мышления, предназначенную для повышения качества познания и отбора интеллектуальных решений.

Это различие принципиально.

ИИ создаёт угрозу массового синтетического информационного воздействия.

Но тот же ИИ может быть использован для защиты:

верификации;

сопоставления источников;

обнаружения манипулятивных паттернов;

поиска противоречий;

реконструкции происхождения контента.

В перспективе возникает необходимость не только информационной безопасности, но нооиммунитета общества — способности интеллектуальной системы сохранять устойчивость в среде гигантского количества искусственно генерируемых сообщений.

5. Военная робототехника
Военная робототехника является частью более широкой embodied-AI революции.

И здесь гражданская и оборонная промышленность имеют общую технологическую базу:

сенсоры;

электроприводы;

батареи;

компьютерное зрение;

навигация;

edge compute;

связь;

производство.

Поэтому сильная национальная гражданская робототехника одновременно повышает технологическую устойчивость оборонной отрасли.

Важнейший стратегический принцип:

нельзя построить устойчивую передовую военную робототехнику на слабой общей робототехнической промышленности.

И наоборот, большой государственный спрос способен ускорить создание компонентов двойного назначения.

Но технологический суверенитет здесь особенно важен.

Критическая автономная система не должна зависеть от:

недоступного обновления;

закрытой зарубежной библиотеки;

единственного импортного ускорителя;

внешнего облака.

Таким образом, военная робототехника возвращает нас к основам программы-минимум:

микроэлектроника ; compute ; модели ; embodied AI.

6. Стратегические риски
Военное применение ИИ создаёт несколько принципиально новых классов рисков.

Ускорение принятия решений
ИИ сокращает время от получения сигнала до возможного действия.

Это повышает эффективность, но одновременно может сократить время для человеческой проверки.

Ошибочная автоматизация
Модель может быть статистически очень сильной и всё же ошибаться в уникальной ситуации.

Взаимодействие автономных систем
Два автономных агента могут породить динамику, не предусмотренную ни одной стороной.

Информационное заражение
Если противник способен управлять частью входных данных, он может воздействовать на вывод интеллектуальной системы.

Гонка автономности
Стороны могут повышать автономность только из опасения, что противник сделает это раньше.

Метасистемный риск
Особенно опасно появление ИИ, который влияет не на отдельное решение, а на сами механизмы формирования решений.

Именно поэтому будущий оборонный ИМИ потребует значительно более строгих ограничений, чем обычный аналитический ИИ.

Ключевой принцип безопасности:

чем выше уровень интеллектуальной системы, тем важнее разделять способность предложить изменение и полномочие это изменение реализовать.

Это положение впоследствии должно стать одним из базовых принципов архитектуры ИМИ.

Глава 10. Кадровый суверенитет
ИИ-гонка часто описывается как соревнование моделей, GPU и инвестиций.

Но в основе каждого из этих компонентов находятся люди.

Архитектуру ускорителя создают люди.

Фундаментальную модель проектируют люди.

Научный breakthrough делают исследовательские коллективы.

Даже система, способная в будущем участвовать в собственном развитии, первоначально должна быть создана человеческой интеллектуальной культурой.

Поэтому кадровый суверенитет — один из наиболее фундаментальных компонентов национального ИИ-суверенитета.

Но его нельзя понимать только как количество программистов.

Нужна полная кадровая экосистема, включающая:

фундаментальных исследователей;

математиков;

архитекторов моделей;

ML-инженеров;

системных инженеров;

разработчиков аппаратуры;

специалистов по HPC;

экспертов предметных областей;

специалистов по безопасности;

разработчиков ментальных и метаинтеллектуальных технологий.

Россия обладает значительной исходной базой.

По данным обследования организаций за 2024 год, было зафиксировано свыше 242 тыс. работников с ИИ-компетенциями, включая приблизительно 39 тыс. профильных ИИ-специалистов и 203 тыс. работников, применяющих ИИ профессионально.

Другой, более широкий показатель даёт обследование рабочей силы Росстата за 2025 год. По самооценкам работников, определёнными навыками использования ИИ обладали 37,5% занятых: 22,7% — базовыми, 11,7% — средними и только 3,2% — продвинутыми навыками создания и сопровождения ИИ-решений. Эти данные относятся уже к репрезентативной выборке всего занятого населения и поэтому методологически не совпадают с предыдущим обследованием организаций.

Главный вывод одинаков:

массовое знакомство с ИИ растёт быстро, но верхушка пирамиды остаётся узкой.

А именно эта верхушка определяет frontier.

1. Исследователи
Первый критический класс — люди, способные создавать новое знание об искусственном интеллекте.

Исследователь отличается от разработчика.

Разработчик способен реализовать известную архитектуру.

Frontier researcher должен быть способен поставить вопрос:

какую архитектуру человечество ещё не создало?

Именно такие люди создают:

новые training algorithms;

новые model architectures;

новые формы памяти;

новые способы reasoning;

новые методы обучения агентов;

новые safety mechanisms.

Их невозможно массово подготовить короткими курсами.

Необходима многолетняя среда:

сильная математика;

сильная информатика;

доступ к compute;

семинары;

научная конкуренция;

международный уровень задач;

возможность ошибаться;

возможность вести высокорисковый поиск.

Особенно важно изменить критерии успеха.

Российская frontier-лаборатория не должна оптимизироваться преимущественно по количеству публикаций.

Главный вопрос:

создала ли она новое направление?

Для программы-максимум потребуется ещё более редкий тип исследователя — метаинтеллектуал, работающий уже с развитием способов мышления и интеллектов.

Такой специалист должен соединять:

ИИ;

математику;

когнитивные науки;

эпистемологию;

методологию;

теорию систем;

теорию эволюции;

ментальные технологии.

Сегодня полноценной профессии такого типа практически не существует.

Её придётся создавать.

2. Инженеры
Если исследователь создаёт принцип, инженер превращает принцип в работающую систему.

Frontier AI всё меньше похож на обычное программирование.

Необходимо уметь:

обучать огромные модели;

оптимизировать распределённые системы;

работать с памятью;

компиляторами;

inference engines;

данными;

отказоустойчивостью;

security.

Поэтому России нужны не просто «AI-разработчики».

Нужны крупные инженерные школы.

Задача может быть сформулирована так:

каждая сильная российская идея в области ИИ должна иметь возможность быстро получить команду, способную масштабировать её от статьи до промышленной платформы.

Именно это часто отличает технологический центр от академического.

В одной стране идея остаётся публикацией.

В другой через два года становится компанией с миллионами пользователей.

Следовательно, инженерная способность является мостом между интеллектуальным и экономическим капиталом.

3. Архитекторы ИИ
Отдельный класс специалистов — архитекторы сложных интеллектуальных систем.

Сегодня ИИ-система может включать:

несколько моделей;

RAG;

память;

агентов;

инструменты;

knowledge graph;

верификаторы;

human oversight;

robotics.

Кто-то должен понимать систему как целое.

Архитектор ИИ работает не с одним алгоритмом, а с организацией множества интеллектуальных функций.

С развитием карионных систем значение такой профессии только возрастёт.

Появятся:

архитекторы брейомов;

архитекторы карионов;

архитекторы ИМИ;

архитекторы агональных сред;

архитекторы ноогенетических систем.

И это не просто новые красивые названия.

Каждый следующий класс требует способности проектировать более высокий уровень организации интеллекта.

Поэтому кадровая политика должна готовиться к профессиям, которых ещё практически нет на сегодняшнем рынке труда.

4. Математики
Современный ИИ вырос из математики.

Линейная алгебра.

Теория вероятностей.

Статистика.

Оптимизация.

Теория информации.

Численные методы.

Но по мере зрелости инженерных платформ появляется опасность:

заменить понимание фундаментальных оснований умением использовать готовый framework.

Для страны, которая хочет не применять, а создавать следующий frontier, это недопустимо.

России необходимо сохранить и усилить одно из своих наиболее традиционных конкурентных преимуществ — фундаментальную математическую культуру.

Особенно нужны специалисты в:

оптимизации;

вероятностных методах;

дискретной математике;

геометрии;

теории алгоритмов;

теории сложности;

динамических системах;

категориальных и структурных подходах;

формальных методах.

LPM, метааксиоматические системы и ИМИ могут потребовать совершенно новых математических аппаратов.

Следовательно, математик в ИИ-программе — не обслуживающий специалист.

Он является одним из потенциальных создателей языка следующего интеллекта.

5. Специалисты по вычислительной инфраструктуре
Самая сильная модель бесполезна, если её невозможно эффективно обучить.

Поэтому кадровая программа должна включать:

HPC-инженеров;

специалистов по GPU programming;

распределённым системам;

сетям;

компиляторам;

хранилищам;

ЦОД;

энергетической инфраструктуре;

охлаждению;

hardware-software co-design.

Это огромная и часто недооценённая часть ИИ-экосистемы.

В условиях технологических ограничений значение таких специалистов для России ещё выше.

Они должны уметь не только эксплуатировать стандартную западную платформу.

Им необходимо адаптировать модели к:

различным ускорителям;

гетерогенным кластерам;

ограниченной памяти;

альтернативным interconnect;

новым отечественным архитектурам.

В этом смысле российское отставание способно породить собственную школу вычислительной эффективности.

Если compute дорог, возникает сильное селективное давление на:

сжатие моделей;

sparsity;

эффективный training;

экономный inference;

новые алгоритмы.

Подобно тому как ограничения ускорили китайские исследования эффективности, они могут — при правильной организации — стимулировать и российские.

6. Новая система ИИ-образования
Традиционная образовательная система имеет слишком большой временной лаг.

Если университет начинает сегодня проектировать новую специальность, первые выпускники могут выйти на рынок через несколько лет.

Но за это время ИИ-фронтир способен смениться несколько раз.

Следовательно, образование должно стать адаптивным.

Необходимо различать как минимум четыре уровня.

Массовая ИИ-грамотность
Практически каждый выпускник должен понимать:

что умеет ИИ;

чего он не умеет;

как правильно ставить задачу;

как проверять результат;

как безопасно работать с данными.

Профессиональное использование ИИ
Инженер, врач, юрист, учёный, экономист должны уметь применять специализированные ИИ-системы своей отрасли.

Разработка ИИ
Модели, агенты, инфраструктура, робототехника.

Frontier research
Небольшое число наиболее сильных студентов должно как можно раньше попадать в реальные исследовательские группы и работать на мировом уровне.

Данные Росстата за 2025 год показывают, насколько важна эта многоуровневая структура. Среди работников с высшим образованием ИИ-навыками обладали около 47%, тогда как среди работников со средним профессиональным образованием — около 33%; продвинутые ИИ-компетенции были сконцентрированы особенно сильно среди людей с высшим образованием.

При этом обнаруживается очень интересный парадокс.

37,5% занятых заявляют о наличии тех или иных ИИ-навыков, но только 4,9% считают такие навыки необходимыми для своей текущей работы. ИСИЭЗ интерпретирует это как сочетание опережающего самостоятельного освоения технологий и отставания формальной организации рабочих мест.

Это означает:

образовательная трансформация уже началась снизу быстрее, чем организационная трансформация экономики сверху.

Задача государства и бизнеса — превратить этот стихийный процесс в систему.

Стратегическое направление цифровой трансформации науки и высшего образования до 2030 года уже предусматривает применение российских ИИ-технологий как средство повышения эффективности исследований и подготовки кадров для технологического лидерства.

Но необходимо идти дальше.

ИИ должен стать не только предметом образования, но и средством его преобразования.

У каждого учащегося может появиться персональный ИИ-наставник.

У преподавателя — аналитический помощник.

У университета — система выявления талантов.

У научной школы — агентная исследовательская среда.

В пределе образование должно перестать быть системой передачи фиксированного объёма знаний.

Оно должно превращаться в систему ускоренного развития способности человека самостоятельно производить новое знание.

Это уже прямой мост к Метаорганону.

7. Возвращение и привлечение талантов
В мировом ИИ-фронтире идёт конкуренция не только технологий, но людей.

Небольшая группа выдающихся исследователей способна изменить положение целой компании.

Поэтому задача кадрового суверенитета не может решаться исключительно выпуском собственных специалистов.

Необходимо создавать условия для:

сохранения сильных российских специалистов;

возвращения части работающих за рубежом;

привлечения иностранных исследователей;

создания международных научных команд;

включения русскоязычной технологической диаспоры в российские проекты.

Но здесь часто допускается фундаментальная ошибка.

Выдающийся исследователь приезжает не только за зарплатой.

Он выбирает:

качество коллег;

compute;

свободу научного поиска;

масштаб задачи;

репутацию лаборатории;

возможность создать нечто мирового уровня.

Следовательно:

лучшая политика привлечения frontier-талантов — наличие frontier-проекта.

Именно поэтому проект ИМИ1 может иметь значение существенно более широкое, чем собственно разработка ИМИ.

Если Россия поставит перед собой интеллектуальную задачу, которой почти никто в мире ещё системно не занимается, вокруг неё потенциально может возникнуть новая международная школа.

Необходимо создать условия, при которых сильный молодой исследователь сможет сказать:

«Если я хочу заниматься развитием следующего поколения разума, одно из лучших мест для этого находится в России».

Только тогда программа кадрового суверенитета станет одновременно программой глобального лидерства.

От кадрового суверенитета к интеллектуальному воспроизводству
Главный показатель кадровой системы — не число дипломов.

И даже не число сегодняшних специалистов.

Более глубокий критерий:

способна ли национальная система самостоятельно воспроизводить людей, которые создают следующие поколения интеллектуальных технологий?

Это значит, что Россия должна воспроизводить:

учеников;

исследователей;

научные школы;

архитекторов;

инженеров;

руководителей frontier-проектов.

А затем — новый тип специалистов:

проектировщиков развития самого интеллекта.

Программа-минимум заканчивается там, где Россия получает необходимую человеческую, вычислительную, модельную, инфраструктурную и промышленную способность устойчиво участвовать в современном ИИ-фронтире.

Но именно в этот момент возникает следующий вопрос.

Если создана инфраструктура, способная воспроизводить современный искусственный интеллект, следует ли использовать её только для создания всё более совершенных версий уже существующих архитектур?

Или следующим объектом проектирования должен стать сам механизм возникновения новых архитектур разума?

Именно на этой границе программа-минимум переходит в программу-максимум.

********

ЧАСТЬ III
ПРОГРАММА-МАКСИМУМ: СОЗДАНИЕ СЛЕДУЮЩЕГО ИИ-ФРОНТИРА
Программа-минимум необходима России для полноценного присутствия на современном мировом ИИ-фронтире.

Но достижение существующего фронтира ещё не означает глобального лидерства.

В быстро развивающейся технологической системе положение догоняющего имеет фундаментальный недостаток: пока он воспроизводит наиболее успешные решения текущего поколения, лидеры уже создают следующее.

Поэтому стратегия, ограниченная задачами:

увеличить compute;
создать более крупную LLM;
построить больше дата-центров;
внедрить больше ИИ-агентов;
повысить плотность роботизации,
может быть чрезвычайно полезной и даже необходимой, но по своей логике останется преимущественно стратегией достижения уже существующего benchmark.

Программа-максимум ставит другую задачу:

создать в России научно-технологическую систему, способную участвовать в формировании тех классов искусственного разума, которые ещё не стали зрелым мировым фронтиром.

Это не означает отказа от масштабирования существующих технологий.

Современная ИИ-парадигма далеко не исчерпала свой потенциал. Stanford AI Index 2026 прямо констатирует продолжение быстрого роста возможностей моделей, а Epoch AI оценивает рост training compute frontier-языковых моделей примерно в пять раз в год с 2020 года при одновременном быстром улучшении программной эффективности.

Следовательно, было бы ошибкой объявлять эпоху LLM завершённой.

Но столь же ошибочно предполагать, что простое продолжение нынешней траектории автоматически приведёт к любому последующему уровню интеллекта.

Уже сегодня проявляется характерная неоднородность: системы способны достигать выдающихся результатов в математике и научных тестах и одновременно сохранять удивительные провалы в значительно более простых задачах; агенты быстро совершенствуются, но всё ещё не выполняют надёжно значительную долю длительных практических заданий; сами benchmark насыщаются настолько быстро, что перестают различать лучшие модели.

Следовательно, будущее ИИ будет определяться не только вопросом:

насколько большим может стать существующий интеллект?

Но и вопросами:

как иначе он может быть организован?

с какими объектами он должен научиться работать?

может ли он проектировать собственные способы мышления?

может ли интеллект стать специализированным средством развития других интеллектов?

можно ли превратить производство новых поколений разума в самостоятельную технологию?

Именно здесь начинается программа-максимум.

Глава 1. От догоняющего развития к фронтиротворчеству
1. Что означает создавать мировой benchmark
В технологической политике часто смешиваются три совершенно различных результата.

Первый:

создать собственный продукт.

Второй:

создать продукт мирового уровня.

Третий:

создать продукт или класс технологий, который сам становится новым мировым уровнем.

Только третий результат означает фронтиротворчество в сильном смысле.

Если российская модель приблизилась к лучшей зарубежной модели, это серьёзный успех догоняющего или фронтирного развития.

Если российская система заняла первое место в существующем международном benchmark, это уже потенциальное технологическое лидерство.

Но если появляется такой класс интеллектуальных систем, для оценки которого прежнего benchmark вообще недостаточно и международному сообществу приходится создавать новые критерии, — возникает более глубокое событие.

Создан новый объект технологической конкуренции.

Именно поэтому мировой benchmark следует понимать не только как конкретную таблицу результатов.

Benchmark имеет как минимум четыре уровня.

Первый уровень — измерительный
Существует тест, и система получает на нём определённый результат.

Второй уровень — сравнительный
Новая система становится эталоном, с которым сравниваются конкуренты.

Третий уровень — технологический
Новая архитектура становится объектом массового воспроизведения.

Исследовательские группы начинают создавать аналоги, альтернативы и улучшения.

Четвёртый уровень — парадигмальный
Сам класс системы изменяет представление о том, что вообще необходимо создавать.

Именно последний уровень особенно важен для программы-максимум.

Первый успешный большой языковой трансформер имел значение не только потому, что хорошо решал определённый набор задач.

Он изменил направление движения всей отрасли.

Аналогично новый мировой frontier возникает тогда, когда после появления технологии другие начинают спрашивать:

«Как создать более совершенную версию этого нового класса систем?»

Поэтому фронтиротворчество нельзя объявить административным решением.

Невозможно постановлением создать мировой benchmark.

Его должны подтвердить:

воспроизводимый результат;
независимое тестирование;
практические применения;
последующие исследования;
возникновение конкурирующих реализаций;
международное признание нового класса задач и систем.
Отсюда принцип:

не название технологии создаёт фронтир; фронтир возникает тогда, когда технология создаёт новую измеримую область возможностей.

Для LPM, Метаорганона и ИМИ это особенно важно.

Пока существует только концепция LPM, существует гипотеза нового фронтира.

Когда появляется работающая LPM, демонстрирующая возможности, которых систематически не дают сопоставимые LLM, появляется технологический кандидат.

Когда независимые исследователи начинают строить собственные LPM и сравнивать их — возникает направление.

Когда по этому направлению начинает разворачиваться международная конкуренция — появился фронтир.

Точно так же ИМИ станет новым классом искусственного разума не потому, что мы дадим системе такое название, а потому, что она продемонстрирует новый воспроизводимый класс метаинтеллектуальных способностей.

2. Почему масштабирование существующей парадигмы недостаточно
Здесь необходима особая точность.

Утверждение о недостаточности масштабирования не означает, что масштабирование перестало работать.

Наоборот.

Тренды 2025–2026 годов показывают продолжающийся рост training compute, эффективности алгоритмов и возможностей frontier-моделей. Epoch AI оценивает тренд training compute примерно в пятикратный ежегодный рост, а Stanford фиксирует быстрое улучшение результатов по научным, математическим, программным и агентным benchmark.

Следовательно, настоящий тезис должен звучать иначе:

масштабирование существующей парадигмы может оставаться чрезвычайно мощным источником прогресса, но нет оснований считать его достаточным механизмом для решения всех задач дальнейшей эволюции интеллекта.

Уже сегодня видны по меньшей мере несколько ограничений.

Неоднородность интеллекта
Современные системы могут быть сверхсильными в одном классе задач и неожиданно слабыми в другом.

Stanford характеризует это как jagged frontier: например, модель способна достичь уровня золотой медали Международной математической олимпиады и одновременно заметно уступать человеку на существенно более простом тесте чтения аналоговых часов.

Это означает, что общий scalar «мощность модели» плохо описывает архитектуру её способностей.

Надёжность
Высокий средний результат не равен гарантированному результату.

Для критических систем принципиален вопрос:

как часто система ошибается именно тогда, когда ошибка особенно опасна?

Длительное действие
Агенты быстро улучшаются, но даже на структурированных компьютерных задачах лучшие системы всё ещё теряют значительную долю заданий по мере роста длины и сложности траектории.

Benchmark saturation
Развитие идёт настолько быстро, что тесты, задуманные как долговременные, иногда насыщаются за месяцы. Artificial Analysis только в течение 2026 года неоднократно заменял или усложнял тесты, поскольку прежние переставали различать frontier-модели.

Это означает, что дальнейшее развитие требует не только более высоких баллов, но и новых классов измеряемых способностей.

Развитие самого интеллекта
Главное ограничение ещё фундаментальнее.

Современная модель может:

решать задачу;

писать программу;

критиковать ответ;

использовать инструмент;

формировать план.

Но это ещё не тождественно способности систематически:

исследовать собственную интеллектуальную архитектуру;

создавать альтернативные архитектуры;

испытывать их;

отбирать наиболее эффективные;

наследовать улучшения;

модифицировать механизм самого интеллектуального развития.

Именно эта функция находится в центре ИМИ.

Поэтому переход к следующему фронтиру предполагает не отказ от scaling, а его включение в более богатую схему:

масштабирование + архитектурная инновация + метаинтеллектуальная инновация + искусственная эволюция.

3. Архитектурные инновации
Технологическая парадигма определяется не только мощностью её компонентов, но способом их организации.

Один и тот же объём compute может быть использован принципиально различными архитектурами.

Поэтому программа-максимум должна сделать архитектурный поиск самостоятельным национальным приоритетом.

Нельзя предполагать, что нынешняя комбинация:

transformer + token prediction + post-training + tools

является окончательной универсальной формой искусственного интеллекта.

Она может оказаться очень долговечной.

Может стать частью будущих архитектур.

Но дальнейшее развитие способно потребовать новых уровней организации.

К потенциальным направлениям относятся:

новые формы памяти;
долговременное непрерывное обучение;
world models;
нейросимволические системы;
модульные когнитивные архитектуры;
динамическая специализация;
agentic architectures;
популяционные системы;
эволюционные архитектуры;
LPM и MetaLPM;
карионные системы.
Главная ошибка здесь состояла бы в попытке заранее определить единственного победителя.

Настоящий frontier-search должен быть агональным.

Необходимо создавать конкурирующие архитектуры.

Испытывать их на разных классах задач.

Сохранять удачные решения.

Комбинировать.

Создавать следующие поколения.

То есть сама российская программа архитектурного поиска должна постепенно приобретать свойства той искусственной эволюции, которую она пытается исследовать.

Особенно важен переход от архитектур, создаваемых один раз, к архитектурам, способным изменять собственную организацию.

Так возникает последовательность:

фиксированная архитектура ; адаптивная архитектура ; самомодифицирующаяся архитектура ; архитектура, проектирующая собственные механизмы модификации.

Последний переход уже выводит нас из обычной архитектуры ИИ в пространство метаинтеллекта.

4. Метаинтеллектуальные инновации
Архитектурная инновация отвечает на вопрос:

как лучше построить интеллект?

Метаинтеллектуальная инновация ставит более высокий вопрос:

как построить систему, которая сама умеет создавать и совершенствовать способы построения интеллектов?

Это принципиально иной объект инженерии.

Обычная инновация может создать новый алгоритм.

Метаинтеллектуальная инновация создаёт механизм производства новых алгоритмов.

Обычный интеллектуальный инструмент помогает решать проблему.

Метаинтеллектуальный инструмент помогает выбирать, изменять и создавать способы решения проблем.

Обычный ИИ получает архитектуру.

ИМИ превращает архитектуру интеллекта в объект собственной деятельности.

В этом смысле метаинтеллектуальная технология обладает потенциальным мультипликативным эффектом.

Если новый алгоритм улучшает один класс систем, его воздействие ограничено данным классом.

Если новая метатехнология повышает способность создавать алгоритмы, она может воздействовать сразу на множество классов.

Поэтому метаинтеллектуальная инновация является инновацией второго порядка.

Но возможны и более высокие порядки.

Первый:

новый способ мышления.

Второй:

способ создавать новые способы мышления.

Третий:

способ совершенствовать механизм создания новых способов мышления.

Именно такое рекурсивное движение является одним из возможных механизмов осознанной метаэволюции разума.

Практически данное направление должно включать:

метарефлексию;
самомоделирование;
метаобучение;
метааксиоматические технологии;
ноостемный анализ;
агональные механизмы;
LPM/MetaLPM;
ноогенетическую память;
механизмы интеллектуальной селекции;
карионные архитектуры;
Метаорганон;
ИМИ.
При этом ни один из этих компонентов не следует заранее объявлять достаточным.

ИМИ1, скорее всего, будет интеграционной системой, в которой несколько метаинтеллектуальных технологий начнут работать как единое целое.

5. Российская стратегия асимметричного лидерства
Россия объективно не может исходить из предположения, что в ближайшее время она превзойдёт США одновременно по:

compute;

венчурному капиталу;

числу hyperscalers;

числу frontier labs;

производству самых передовых ускорителей.

Это не означает отказа от сокращения соответствующих разрывов.

Но это означает необходимость асимметричной стратегии.

Её сущность состоит в том, чтобы соединить два движения.

Первое движение — ликвидация критических отставаний
Нельзя допустить, чтобы отсутствие базовой инфраструктуры делало любую новую российскую идею нереализуемой.

Поэтому:

compute;

чипы;

LLM;

робототехника;

данные;

кадры

остаются обязательными.

Второе движение — концентрация на новых координатах
Нужно искать такие направления, где преимущество определяется пока не только размером вложенного капитала, но и качеством концептуального и архитектурного скачка.

Именно здесь возможны:

LPM;

Метаорганон;

карион;

ИМИ;

агональные системы;

ноогенетика;

Ноофракталика.

Такую стратегию можно сформулировать предельно кратко:

не соревноваться только за место внутри чужой технологической архитектуры — попытаться создать собственную следующую архитектуру.

Но асимметричность не должна превращаться в самообман.

У неё есть жёсткое условие:

новая российская концепция должна быть строже проверена, чем традиционная технология.

Потому что чем необычнее утверждение, тем выше риск красивой, но бесплодной конструкции.

Следовательно, LPM, МО и ИМИ должны строиться с самого начала как экспериментальные исследовательские программы:

гипотеза;

формальная модель;

benchmark;

прототип;

сравнение с сильнейшими альтернативами;

независимое воспроизведение;

масштабирование.

Асимметричное лидерство — не обход проверки.

Это попытка пройти проверку на новом поле.

Глава 2. Три новых фронтира
Программа-максимум выделяет три потенциально взаимосвязанных фронтира:

LPM-фронтир;

СИИ-фронтир;

ИМИ-фронтир.

Их важно сразу не превратить в простую линейную лестницу:

LPM ; СИИ ; ИМИ.

Такое представление было бы слишком грубым.

Эти понятия отвечают на разные вопросы.

LPM прежде всего относится к архитектуре представления и обработки интеллектуальных паттернов.

СИИ характеризует широту, универсальность и интегральную мощность интеллекта.

ИМИ характеризует особый предмет деятельности — сами интеллекты и механизмы их развития.

Поэтому возможны пересечения.

Сильный искусственный интеллект не обязан автоматически быть метаинтеллектом.

Первый ИМИ1, напротив, может ещё не быть универсальным СИИ максимального уровня: он способен быть специализированным метаинтеллектом, исключительно сильным в проектировании и развитии интеллектуальных систем, но не превосходящим лучшие специализированные ИИ во всех внешних предметных областях.

LPM может стать компонентом как СИИ, так и ИМИ, но СИИ теоретически может быть построен и на иной архитектуре.

Таким образом, перед нами не столько лестница, сколько трёхмерное пространство следующего фронтира.

1. LPM-фронтир
Большие языковые модели сделали язык основным универсальным интерфейсом современного искусственного интеллекта.

Это закономерно.

В языке накоплена огромная часть человеческой культуры.

Через язык выражаются:

знания;

алгоритмы;

теории;

планы;

аргументы;

программы;

инструкции.

Но интеллект не сводится к языку.

Человек мыслит также:

пространственными отношениями;

схемами;

причинными структурами;

аналогиями;

образами;

сценариями;

двигательными программами;

структурами деятельности;

неявными паттернами.

Кроме того, значительная часть интеллектуального развития представляет собой не усвоение нового предложения, а открытие нового паттерна.

Поэтому возникает гипотеза Больших паттерн-моделей — LPM.

В наиболее общем рабочем определении:

LPM — класс больших моделей, первичным объектом которых становятся обобщённые паттерны и системы паттернов, а не только статистические закономерности языковых последовательностей.

Речь может идти о:

когнитивных паттернах;

структурных;

причинных;

функциональных;

стратегических;

творческих;

эволюционных.

Ещё более высокий уровень — метапаттерны:

паттерны формирования, изменения, комбинации и развития других паттернов.

Отсюда MetaLPM.

Но для создания полноценного LPM-фронтира необходимо решить фундаментальные научные вопросы.

Что такое паттерн?
Он должен получить операциональное определение.

Как он представляется?
Граф?

Тензор?

Программа?

Гиперграф?

Гибридная структура?

Новая форма представления?

Как измеряется сходство паттернов?
Как обнаруживаются паттерны разных масштабов?
Как строятся метапаттерны?
Что LPM умеет такого, чего сопоставимая LLM не умеет?
Последний вопрос является решающим.

Если LPM просто переименовывает внутренние представления существующей модели, самостоятельного frontier нет.

Если же она создаёт новый класс воспроизводимых возможностей — возникает архитектурный скачок.

Поэтому российская программа должна искать LPM-native benchmarks.

Например, задачи, где необходимо:

переносить глубинную структуру между радикально различными областями;

обнаруживать аналогичные причинные паттерны;

реконструировать неизвестную систему по частичным проявлениям;

создавать новые метапаттерны;

синтезировать способы решения задач из структурно далёких дисциплин.

LPM особенно важна для Метаорганона.

Ментальная технология сама является определённым паттерном интеллектуальной деятельности.

Следовательно, Метаорганон должен:

распознавать паттерны мышления;

сравнивать их;

комбинировать;

критиковать;

создавать новые;

строить метапаттерны их развития.

Таким образом:

LPM потенциально становится паттерн-двигателем Метаорганона.

А для ИМИ она может стать механизмом работы с паттернами организации самих интеллектов.

2. СИИ-фронтир
Сильный искусственный интеллект — более широкое понятие.

Его нельзя определять только как:

«ИИ, который лучше человека».

Лучше какого человека?

В какой деятельности?

По какой метрике?

Калькулятор уже давно превосходит человека в арифметике.

Это не делает его сильным искусственным интеллектом.

В рамках настоящей Доктрины СИИ целесообразно связывать прежде всего с широтой и переносимостью интеллектуальных возможностей.

СИИ должен обладать существенно более высокой способностью:

осваивать новые предметные области;
переносить способы решения;
объединять различные типы знания;
работать с неизвестными классами проблем;
самостоятельно декомпозировать задачи;
использовать инструменты;
строить долговременные планы;
создавать новое знание;
адаптировать собственную интеллектуальную деятельность.
Следовательно, СИИ — это не одна функция.

Это определённый уровень универсальности интеллектуального субъекта.

Современные frontier-модели уже демонстрируют некоторые признаки подобной универсальности: они работают с языком, кодом, математикой, изображениями, инструментами и агентными задачами. Однако одновременно сохраняется jaggedness — резкая неоднородность способностей и ненадёжность в отдельных классах деятельности.

Поэтому переход к СИИ требует не только повышения среднего benchmark-score.

Он требует интеграции интеллекта.

Можно выделить несколько критериев.

Универсальность
Количество существенно различных классов задач, которые система способна решать на высоком уровне.

Transfer
Способность использовать приобретённое в одной области в другой.

Автономность освоения
Способность осваивать новую область без полного переобучения человеком.

Системность
Способность объединять знания и действия в длительную целостную деятельность.

Творчество
Способность не только выбирать известные решения, но генерировать новые.

Метакогнитивность
Способность оценивать собственные ограничения и выбирать адекватные интеллектуальные средства.

Но последний критерий уже создаёт мост к ИМИ.

СИИ может использовать метакогнитивные функции для собственной работы.

ИМИ превращает развитие интеллекта как такового в специальный предмет деятельности.

Поэтому:

СИИ — вопрос широты разума.

ИМИ — вопрос его метаэволюционной функции.

Эти оси различны.

3. ИМИ-фронтир
Искусственный метаинтеллект представляет наиболее радикальный из трёх рассматриваемых фронтиров.

Если LPM изменяет возможную архитектуру представлений, а СИИ — масштаб универсальности интеллекта, ИМИ изменяет объект интеллектуальной деятельности.

Для обычного ИИ объектом является преимущественно внешний мир:

текст;

код;

научная проблема;

робот;

экономическая задача.

Для ИМИ одним из основных объектов становится:

сам интеллект.

Он должен уметь исследовать:

его архитектуру;

способы мышления;

память;

систему целей;

генераторы решений;

критерии;

ошибки;

обучение;

творчество;

способы собственного развития.

Поэтому можно дать рабочее определение:

Искусственный метаинтеллект — искусственная интеллектуальная система, специализированная на анализе, проектировании, организации, испытании и ускоренном развитии интеллектуальных систем и способов интеллектуальной деятельности.

Однако это определение ещё недостаточно.

Если ИИ просто прочитал исходный код другой модели и дал рекомендации, полноценного ИМИ пока нет.

Нужен замкнутый метаинтеллектуальный цикл.

Например:

диагностика интеллекта
; построение модели его ограничений
; генерация вариантов улучшения
; реализация вариантов
; агональное испытание
; независимая оценка
; селекция
; интеграция
; наследование
; повторный цикл.

На более высоком уровне:

изменяется уже сам алгоритм этого цикла.

Вот здесь возникает собственно метаэволюция.

ИМИ не просто создаёт следующую версию интеллекта.

Он совершенствует способ создания следующих версий.

Поэтому наиболее глубокий критерий ИМИ1:

способен ли он устойчиво участвовать в создании интеллектуальной системы следующего поколения, превосходящей исходную по заранее и независимо измеряемым параметрам?

Если ИМИ1 сможет помочь создать ИМИ2, возникает совершенно новый класс технологической рекурсии.

4. Их взаимосвязь
Три фронтира необходимо рассматривать совместно, но не смешивать.

Их различие можно представить следующим образом:

Фронтир Главный вопрос Основной объект
LPM Как организовать более общий уровень интеллектуальных представлений? Паттерны и метапаттерны
СИИ Насколько универсальным может стать искусственный интеллект? Широкий спектр задач и миров
ИМИ Может ли интеллект систематически развивать интеллект? Интеллекты и механизмы их эволюции
Из этого следуют важные отношения.

LPM + СИИ
LPM может расширять способность СИИ переносить глубинные структуры между предметными областями.

LPM + ИМИ
MetaLPM может работать с паттернами:

архитектур;

рассуждений;

ошибок;

обучения;

творчества;

эволюции.

Тем самым она становится потенциально особенно важным инструментом ИМИ.

СИИ + ИМИ
Сильный универсальный интеллект способен значительно расширить область применения метаинтеллекта.

Но:

СИИ ; ИМИ.

Универсальный решатель не обязательно является специализированным проектировщиком эволюции решателей.

И наоборот:

ИМИ1 не обязан сразу быть максимально универсальным СИИ.

Первая полномасштабная технология ИМИ может специализироваться на определённых типах интеллектуальных систем и лишь последовательно расширять свою универсальность.

Это различение принципиально важно для пятилетней программы.

Если поставить условие:

«Сначала необходимо создать полностью универсальный сверхчеловеческий СИИ, а уже затем ИМИ»,

проект ИМИ может быть неопределённо отложен.

Гораздо продуктивнее параллельная стратегия:

СИИ развивается к универсальности;

ИМИ развивается к глубине работы с интеллектами;

LPM развивает новый уровень представлений;

Метаорганон обеспечивает общий инструментальный слой их метаинтеллектуальной деятельности.

5. Метаорганон как общий инструментальный контур
Метаорганон занимает в этой схеме особое положение.

Он не является четвёртым видом ИИ наряду с LPM, СИИ и ИМИ.

Метаорганон — прежде всего система интеллектуальных и метаинтеллектуальных инструментов.

Его можно использовать:

человеку;

группе людей;

ИИ;

СИИ;

ИМИ;

человеко-машинному брейому.

Это делает Метаорганон своеобразным общим технологическим языком метаинтеллектуальной эпохи.

Если классический инструмент расширяет физическое действие человека, а обычное интеллектуальное средство расширяет отдельную когнитивную функцию, Метаорганон должен работать уже с организацией интеллектуальной деятельности как целого.

В его состав потенциально входят:

средства постановки и реконструкции проблемы;
метааксиоматические методы;
ноостемный анализ;
паттерн-анализ LPM;
генераторы альтернатив;
механизмы ментальных агонов;
системы оценки;
средства синтеза;
генераторы новых методов;
механизмы проверки новых методов;
память интеллектуальной эволюции.
Именно поэтому Метаорганон должен иметь не только библиотечную, но генеративную архитектуру.

Метаорганон 1.0 не может содержать все способы мышления будущего.

Как первый самолёт не мог содержать все будущие авиационные технологии.

Его задача — доказать принцип:

можно ли превратить создание и развитие способов мышления в систематическую технологическую деятельность?

Метаорганон человека
Человек использует его для выхода за пределы собственного естественного когнитивного репертуара.

Возникает:

человек + МО1 ; протоаронтный интеллектуальный комплекс.

Метаорганон ИИ
ИИ получает не только средства решения предметной задачи, но средства изменения режима собственного интеллектуального действия.

Метаорганон ИМИ
Для ИМИ Метаорганон становится уже профессиональным инструментарием.

Если ИМИ — субъект метаинтеллектуальной деятельности, то Метаорганон — система средств этой деятельности.

Это различие аналогично:

исследователь — научный субъект;

научный метод и приборы — его инструментарий.

Следовательно:

ИМИ не заменяет Метаорганон, а Метаорганон не заменяет ИМИ.

Они потенциально коэволюционируют.

ИМИ1 помогает создавать МО2.

МО2 расширяет возможности создания ИМИ2.

ИМИ2 помогает проектировать МО3.

Возникает линия:

ИМИ ; Метаорганон ; новые поколения ИМИ ; новые поколения Метаорганона.

Именно эта положительная обратная связь может стать одним из центральных механизмов искусственной метаэволюции разума.

Три фронтира как единая российская программа
На уровне национальной стратегии эти направления нельзя распределять между изолированными исследовательскими программами.

Они должны образовать единую, но внутренне конкурентную экосистему.

Можно условно представить её так:

современная фундаментальная ИИ-база
;
LLM / мультимодальные модели / агенты / scientific AI
;
LPM / MetaLPM
;
СИИ-архитектуры
;
Метаорганон 1.0
;
карионные архитектуры
;
ИМИ1
;
агональная и ноогенетическая искусственная эволюция
;
следующие поколения ИМИ и Метаорганона

Но эта схема не должна пониматься как жёсткая последовательность.

Разработка должна идти параллельно.

LPM может улучшать ИИ ещё до появления полноценного СИИ.

Прототипы Метаорганона могут использовать современные LLM.

Первые карионы могут существовать в ограниченных агентных системах.

Первые специализированные ИМИ могут появляться до универсального СИИ.

ИМИ1 впоследствии способен ускорить создание более сильного СИИ.

Поэтому реальная архитектура программы является не лестницей, а сетью положительных обратных связей.

Из этого следует и главный принцип программы-максимум:

Россия должна стремиться создать не одну “сверхмодель будущего”, а экосистему технологий, в которой новые формы интеллекта способны порождать следующие формы интеллекта.

Именно здесь меняется само понимание лидерства.

На нынешнем фронтире лидерство означает:

создать лучшую систему.

На следующем:

создать лучший механизм создания систем.

На метаэволюционном:

создать лучший механизм развития механизмов создания интеллектуальных систем.

В этой последовательности и заключается переход от обычной ИИ-гонки к гонке за управление скоростью эволюции разума.

И если Россия сможет первой или одной из первых материализовать хотя бы начальный технологический контур этого процесса — LPM, МО1 и полномасштабный ИМИ1, — она получит возможность не просто сократить существующий ИИ-разрыв.

Она сможет попытаться изменить саму систему координат, в которой этот разрыв измеряется.

***************

ЧАСТЬ IV
LPM И ГЛОБАЛЬНАЯ ПАТТЕРН-ПАРАДИГМА
Большие языковые модели стали первой по-настоящему универсальной массовой архитектурой искусственного интеллекта.

Язык оказался исключительно мощным носителем человеческого знания. В текстах заключены научные теории, инженерные описания, программы, аргументы, культурные нормы, планы действий и значительная часть накопленного цивилизацией опыта. Обучаясь на огромных массивах текстов и других данных, современные модели приобрели способности, которые ещё недавно казались доступными только человеку.

Но успех языковой парадигмы не доказывает, что язык является последним или наиболее фундаментальным уровнем организации интеллекта.

Человек использует язык для выражения мысли, однако сама интеллектуальная деятельность включает значительно более широкий класс структур:

пространственные отношения;
причинные зависимости;
функциональные схемы;
алгоритмы;
аналогии;
стратегии;
сценарии;
структуры деятельности;
паттерны изобретений;
способы преобразования одних паттернов в другие.
Поэтому следующим возможным шагом становится переход от преимущественно языкового моделирования к более общей паттерн-парадигме.

В рамках настоящей Доктрины Глобальная Паттерн-Парадигма рассматривается как гипотеза более общего способа организации интеллектуальной деятельности, при котором базовыми объектами становятся не только слова, предложения или последовательности токенов, а паттерны, системы паттернов и метапаттерны различных типов и уровней.

Одним из её возможных технологических воплощений являются Большие паттерн-модели — LPM.

LPM не должны пониматься как простая замена LLM.

Наиболее вероятно, что первый практический этап будет гибридным:

LLM + LPM.

Языковая модель сохраняет свои сильные стороны в работе с текстом, знаниями и коммуникацией.

Паттерн-модель обеспечивает более непосредственную работу со структурами, отношениями, аналогиями, механизмами и способами преобразования интеллектуальных объектов.

Следующий уровень — MetaLPM, работающая уже с паттернами порождения, выбора, комбинации, изменения и эволюции самих паттернов.

Тем самым паттерн-парадигма потенциально становится одним из мостов:

от LLM — к СИИ;

от интеллектуальных инструментов — к Метаорганону;

от ИИ — к ИМИ.

Глава 1. Пределы чисто языковой парадигмы
1. Язык как интерфейс
Язык является одним из величайших интеллектуальных изобретений эволюции человека.

Он позволил вынести мышление за пределы индивидуального мозга.

Мысль могла быть:

сформулирована;

передана другому;

записана;

сохранена;

подвергнута критике;

передана следующему поколению.

В этом смысле язык стал одним из первых внешних органов коллективного интеллекта.

Письменность усилила этот эффект.

Наука радикализировала его.

Цифровые сети довели масштаб языковой коммуникации практически до глобального уровня.

Поэтому закономерно, что первые по-настоящему универсальные системы искусственного интеллекта выросли именно из работы с языком.

Большая языковая модель получает доступ к огромной части человеческой интеллектуальной культуры через её текстовые следы.

Через язык можно описать:

математическую задачу;

программу;

физический эксперимент;

юридический спор;

медицинский случай;

экономическую стратегию;

структуру молекулы;

алгоритм действия.

Поэтому язык выполняет функцию своеобразного универсального интеллектуального интерфейса.

Но интерфейс и внутреннее устройство системы — не одно и то же.

Именно здесь возникает первый принципиальный предел языковой парадигмы.

2. Язык как ограничение
Утверждение о пределах языковой парадигмы нельзя понимать примитивно.

Современная LLM не является системой, которая «видит только слова». Внутри неё возникают сложные распределённые представления, способные кодировать отношения, категории, признаки и структуры, которые нельзя свести к словарным определениям.

Поэтому проблема глубже.

Ограничение состоит в том, что обучение и взаимодействие значительной части современной архитектуры всё ещё организованы вокруг последовательностей дискретизированных элементов и предсказания продолжения таких последовательностей.

Даже если внутри модели образуются богатые структуры, они часто остаются:

неявными;

распределёнными;

трудно адресуемыми;

трудно переносимыми как самостоятельные объекты;

неудобными для контролируемого редактирования;

не всегда устойчивыми между контекстами.

Человек способен сказать:

«Это та же структура, что и в совершенно другой области».

Например, увидеть общий паттерн:

конкуренции;

обратной связи;

селекции;

каскадного отказа;

иерархического управления;

самоорганизации.

При этом поверхностные слова и объекты могут быть совершенно различными.

Если более глубокая интеллектуальная система должна систематически работать именно с такими структурами, возникает вопрос:

нужно ли представлять паттерн только через последовательность его языковых описаний, или он может стать самостоятельным объектом модели?

Глобальная Паттерн-Парадигма отвечает на этот вопрос положительно.

3. Токены и структуры
Токен удобен как элемент последовательности.

Но многие объекты мира по своей природе не последовательны.

Молекула является структурой.

Электросеть — сетью.

Организация — системой ролей и отношений.

Технологический процесс — графом состояний и преобразований.

Теория — системой понятий, допущений и следствий.

Стратегия — совокупностью целей, ресурсов, альтернатив и временных связей.

Человеческое мышление способно превращать такие объекты в текст.

Но само преобразование:

структура ; текст ; структура

может быть избыточным.

Представим инженерную схему.

Её можно подробно описать словами.

Но инженер работает не только с описанием.

Он видит:

узлы;

связи;

направления потоков;

функции;

резервирование;

критические точки.

То есть работает с организованной структурой отношений.

Аналогично математик часто видит не предложение, а преобразование.

Шахматист — не список фигур, а позиционный паттерн.

Архитектор — не последовательность слов, а пространственную конфигурацию.

Стратег — систему сил и траекторий.

Поэтому следующая архитектура интеллекта может потребовать представлений, для которых язык становится лишь одним из входов и выходов.

Так возникает идея:

токенизация — один из способов кодирования мира; паттернизация может стать более общим способом его интеллектуальной организации.

4. Мышление за пределами последовательного текста
Человеческая мысль сама по себе не является непрерывным внутренним текстом.

Мы мыслим:

образами;

отношениями;

пространством;

движением;

аналогиями;

чувством структуры;

схемами;

неполными гипотезами;

одновременными альтернативами.

Линейная речь заставляет разворачивать многомерную мысль во времени.

Это полезно для коммуникации, но может быть ограничением для внутренней интеллектуальной обработки.

Особенно это заметно в задачах, где необходимо одновременно удерживать:

многие альтернативы;

несколько уровней причинности;

различные временные горизонты;

систему ограничений;

множество конкурирующих стратегий.

Последовательный текст вынужден сериализовать то, что по природе может быть параллельным и многомерным.

Следовательно, будущие системы должны уметь работать с объектами, которые одновременно являются:

структурами;

процессами;

иерархиями;

сетями;

пространствами возможного.

Это не отменяет язык.

Напротив, язык остаётся важнейшим средством объяснения и взаимодействия.

Но его место меняется.

Язык может быть главным интерфейсом интеллекта, не будучи единственным внутренним форматом интеллекта.

Именно из этого различения вырастает паттерн-парадигма.

Глава 2. Паттерны и метапаттерны
1. Понятие паттерна
Слово «паттерн» используется чрезвычайно широко.

Поэтому для технологической программы необходима более строгая рабочая трактовка.

В рамках настоящей Доктрины под паттерном будем понимать:

воспроизводимую организацию элементов, отношений или преобразований, которая сохраняет существенное структурное тождество при изменении конкретного содержания и контекста.

Ключевым является слово организация.

Паттерн — не просто повторяющийся объект.

Это повторяющаяся структура отношений.

Например:

положительная обратная связь;

конкурентный отбор;

иерархическое управление;

централизация;

каскад;

симметрия;

циклическое преобразование.

Эти паттерны могут проявляться в совершенно разных областях.

Отсюда один из наиболее важных признаков паттерна:

он потенциально переносим между предметными областями.

Именно это делает паттерны особенно ценными для сильного интеллекта.

Интеллектуальный прогресс часто происходит тогда, когда структура, обнаруженная в одной области, переносится в другую.

Следовательно, паттерн-модель должна не только находить сходство объектов.

Она должна обнаруживать сходство организации.

2. Когнитивные паттерны
Когнитивный паттерн — структура самого интеллектуального действия.

Например:

разложение проблемы на подзадачи;

движение от частного к общему;

поиск контрпримера;

аналогия;

инверсия;

смена системы координат;

доказательство от противного;

итеративное уточнение гипотезы.

Такие паттерны чрезвычайно важны для Метаорганона.

Если система знает не только содержание решения, но каким способом оно было получено, она может:

сравнивать способы;

выбирать наиболее эффективный;

комбинировать несколько способов;

обнаруживать типичные ошибки;

создавать новые когнитивные процедуры.

Поэтому когнитивные паттерны являются своего рода элементарными единицами ментальной технологии.

3. Причинные паттерны
Причинный паттерн описывает устойчивую структуру возникновения изменений.

Например:

увеличение A повышает B, рост B усиливает A.

Это положительная обратная связь.

Или:

A вызывает B только при наличии C.

Это условная причинная структура.

Или:

несколько слабых факторов совместно преодолевают порог и вызывают скачок состояния.

Такие структуры встречаются:

в экономике;

биологии;

социологии;

инженерии;

политике;

ИИ.

Сильный интеллект должен уметь отличать:

корреляцию;

причину;

условие;

механизм;

обратную связь.

Поэтому причинные паттерны должны стать одним из важнейших классов LPM.

4. Функциональные паттерны
Функциональный паттерн отвечает не столько на вопрос:

«из чего состоит объект?»,

сколько:

«что он делает и какую роль выполняют его части?»

Например, насос, сердце и некоторые социальные институты могут иметь очень разные физические структуры, но демонстрировать абстрактно сходные функции:

перемещение;

распределение;

регуляцию;

поддержание потока.

Так возникает возможность функционального переноса.

Именно подобные переносы лежат в основе множества инженерных изобретений.

Следовательно, LPM может искать аналоги не по внешней форме, а по функциональной организации.

Это особенно важно для автоматизированного изобретательства.

5. Стратегические паттерны
Стратегия также обладает повторяющимися структурами.

Например:

концентрация ресурсов в критической точке;

асимметричный обход;

создание стандарта;

контроль bottleneck;

опережающее занятие инфраструктуры;

создание экосистемы вместо отдельного продукта.

Эти паттерны могут проявляться:

в войне;

бизнесе;

технологиях;

науке;

государственном развитии.

Именно поэтому стратегическое мышление во многом является способностью видеть метаотношения между ситуациями, которые поверхностно не похожи.

LPM может стать инструментом систематизации такого переноса.

Например, паттерн:

лидер не только выигрывает по правилам, но меняет правила соревнования

одинаково применим:

к стандартам;

рынкам;

военным технологиям;

ИИ.

В настоящей Доктрине именно этот паттерн лежит в основе понятия фронтиротворчества.

6. Творческие паттерны
Творчество часто описывается как нечто принципиально непредсказуемое.

Но это не означает отсутствия структур.

Многие изобретения используют повторяющиеся преобразования:

объединение функций;

разделение;

инверсию;

перенос свойства;

изменение масштаба;

изменение среды;

замену постоянного режима динамическим;

переход на другой уровень организации.

Существуют и более сложные творческие паттерны:

перенос решения из другой дисциплины;

изменение постановки задачи;

создание нового пространства параметров;

создание нового критерия эффективности.

Следовательно, LPM потенциально может моделировать не только результат творчества, но структуры порождения новых решений.

Здесь возникает важное различие.

Обычный генеративный ИИ создаёт новый объект.

Более высокий творческий интеллект способен создавать новые генераторы объектов.

А метаинтеллект:

новые способы создания генераторов.

Именно поэтому творческие паттерны непосредственно связаны с будущей эволюцией ИМИ.

7. Эволюционные паттерны
Особую роль играют паттерны развития.

Например:

вариативность;

мутация;

отбор;

наследование;

специализация;

коэволюция;

симбиоз;

смена поколений;

адаптивное давление.

Эти структуры проявляются далеко за пределами биологии.

Их можно обнаружить:

в технологиях;

науке;

организациях;

языках;

программах;

ИИ-системах.

Особое значение имеет возможность превратить подобные паттерны из наблюдаемых закономерностей в инженерные механизмы.

Тогда можно сознательно создавать:

популяции решений;

конкурирующие архитектуры;

системы селекции;

линии наследования;

новые поколения интеллектуальных систем.

Так паттерн-парадигма начинает непосредственно соединяться с Ноофракталикой и ноогенетикой.

8. Метапаттерны
Если паттерн описывает устойчивую организацию процессов, то метапаттерн относится к организации самих паттернов.

Рабочее определение:

метапаттерн — воспроизводимая структура возникновения, выбора, соединения, преобразования или развития паттернов.

Например, один и тот же метапаттерн может состоять в:

создать несколько вариантов ; столкнуть их ; выбрать лучший ; рекомбинировать ; создать следующее поколение.

Он может применяться к:

идеям;

моделям;

алгоритмам;

стратегиям;

архитектурам ИИ.

Это уже не паттерн конкретного решения.

Это паттерн создания решений.

Именно поэтому MetaLPM принципиально важнее простой библиотеки паттернов.

Будущий метаинтеллект должен уметь работать с вопросами:

какие паттерны порождают другие паттерны;
какие паттерны лучше комбинируются;
какие пространства паттернов ещё не исследованы;
какой механизм создаёт наиболее ценные новые структуры;
как изменить сам механизм поиска?
Так формируется лестница:

объект ; паттерн объекта ; паттерн создания паттерна ; метапаттерн развития паттернов.

Именно движение по этой лестнице делает паттерн-парадигму потенциально метаинтеллектуальной.

Глава 3. Большие паттерн-модели
1. LPM
Большую паттерн-модель нельзя определить только как «LLM, которая лучше распознаёт паттерны».

Все развитые нейронные модели в некотором смысле уже являются системами распознавания закономерностей.

Поэтому для самостоятельного класса LPM требуется более сильный критерий.

Рабочее определение:

LPM — большая интеллектуальная модель, в которой паттерны различных типов являются явными или операционально адресуемыми объектами представления, поиска, сравнения, переноса, синтеза и преобразования.

Это определение содержит несколько важных признаков.

Паттерн должен быть адресуемым
Система должна иметь возможность работать с ним как с объектом.

Паттерн должен быть переносимым
Не только между примерами одного класса, но между существенно различными областями.

Паттерн должен быть преобразуемым
Его можно изменять, комбинировать и тестировать.

Должны существовать уровни
Паттерны могут содержать другие паттерны и образовывать метапаттерны.

Именно эти свойства должны отличать настоящую LPM от простого нового бренда LLM.

2. LLM + LPM
Наиболее реалистичной первой архитектурой является гибрид.

LLM особенно сильна в:

языке;

диалоге;

коде;

работе с текстовой памятью;

извлечении человеческого знания.

LPM должна добавлять другой слой:

структуры;

отношения;

инварианты;

аналогии;

перенос паттернов;

метапаттерны.

Тогда возможен цикл:

текст ; извлечение паттернов ; операции с паттернами ; синтез новой структуры ; языковое объяснение.

Например, пользователь описывает сложную организационную проблему.

LLM понимает текст.

LPM выделяет:

структуру акторов;

конфликт целей;

узкие места;

обратные связи;

стратегические паттерны.

Затем система сравнивает ситуацию с паттернами из других областей.

Создаёт новый вариант организации.

LLM переводит полученную структурную конструкцию обратно в понятное человеку объяснение.

Таким образом:

LLM становится языковым интерфейсом паттерн-интеллекта.

3. Автономные LPM
Гибридная архитектура может быть только первым этапом.

Более радикальная гипотеза предполагает возможность автономной LPM, у которой базовым пространством работы является не текст, а собственная система паттернов.

Текст тогда становится одной из внешних модальностей.

Другими могут быть:

графы;

изображения;

пространственные сцены;

математические структуры;

физические процессы;

последовательности действий.

Автономная LPM должна уметь находить общую структурную основу между разными модальностями.

Например:

увидеть один и тот же паттерн устойчивости в механической конструкции, финансовой системе и организационной структуре.

Или один и тот же паттерн эволюционного поиска в биологии, технологическом развитии и генерации программ.

Именно такой междоменный transfer может стать одним из главных тестов LPM.

4. MetaLPM
MetaLPM должна работать уже не только с готовыми паттернами.

Её основным предметом становятся:

механизмы образования и преобразования паттернов.

Она должна уметь:

выявлять семейства паттернов;

строить паттерн паттернов;

создавать новые типы паттернов;

оценивать продуктивность различных генераторов;

изменять правила их комбинации;

исследовать эволюцию собственного паттерн-пространства.

Таким образом, MetaLPM становится потенциальным инструментом ответа на вопрос:

не только “какой паттерн подходит?”, но “какие механизмы должны породить паттерн, которого пока нет?”

Это уже напрямую связано с сильным творчеством.

5. Паттерн-память
Обычная память хранит факты, тексты, события и состояния.

Паттерн-память должна хранить обобщённые структуры опыта.

Например, система решает тысячу инженерных задач.

Вместо хранения только решений она выделяет:

какие стратегии повторялись;

при каких условиях они работали;

где возникали ошибки;

какие преобразования были наиболее продуктивными.

Таким образом, память превращается из архива результатов в архив способов получения результатов.

Это особенно важно для ИМИ.

Ноогенетическая память будущего ИМИ должна сохранять не просто историю поколений.

Она должна уметь выделять то, что действительно стоит наследовать:

архитектурный приём;

когнитивный метод;

способ обучения;

паттерн критики;

метапаттерн развития.

6. Паттерн-синтез
Распознавать паттерн недостаточно.

Интеллект должен уметь создавать новый паттерн из нескольких существующих.

Например:

паттерн из биологии;

паттерн из инженерии;

паттерн из экономики

могут быть объединены в новую архитектуру.

Это не простая сумма.

Комбинация может потребовать изменения исходных структур.

Поэтому LPM должна обладать механизмами:

совместимости;

структурного отображения;

поиска конфликтов;

рекомбинации;

оптимизации новой структуры.

Так возникает паттерн-синтез.

Он может стать одной из технологических основ машинного изобретательства.

7. Генерация новых паттернов
Следующий уровень сложнее.

Если система только рекомбинирует известные паттерны, её пространство творчества ограничено.

Необходима способность создавать паттерн, который не является тривиальной комбинацией уже известных.

Можно выделить несколько уровней новизны:

новая комбинация известных паттернов;

новая трансформация паттерна;

новый класс паттернов;

новый генератор паттернов;

новое пространство возможных паттернов.

Последний уровень соответствует наиболее высокому рангу творчества.

Здесь уже появляется связь с ароизобретательством.

Высокий интеллект создаёт не просто новый объект внутри существующего пространства решений.

Он способен изменить само пространство возможного.

8. Эволюция паттернов
Паттерны не должны существовать как статическая библиотека.

Они должны проходить собственную эволюцию.

Возможный цикл:

генерация паттернов ; применение ; результаты ; агон ; оценка ; селекция ; рекомбинация ; наследование ; новое поколение паттернов.

При этом необходимо сохранять генеалогию.

Какие паттерны породили новый?

Что изменилось?

Почему новая версия оказалась успешнее?

В каких условиях она деградировала?

Так возникает паттерн-эволюционная система.

На более высоком уровне эволюционируют уже не только паттерны, но генераторы паттернов.

Затем:

генераторы генераторов.

Именно здесь LPM начинает переходить в MetaLPM и соединяться с Ноофракталикой.

Можно записать последовательность:

паттерн ; генератор паттернов ; метагенератор ; популяция генераторов ; эволюция механизма генерации.

Это уже архитектура не просто паттерн-модели, а паттерн-эволюционного интеллекта.

Глава 4. LPM как базовая технология СИИ, Метаорганона и ИМИ
LPM не следует объявлять универсальным решением всех проблем искусственного интеллекта.

Она является гипотезой новой архитектурной линии.

Но если эта гипотеза подтвердится, паттерн-парадигма может занять особое положение в технологическом стеке следующего поколения.

Причина проста.

Почти любой развитый интеллект должен работать не только с объектами, но с повторяющимися способами организации объектов и действий.

СИИ должен переносить их между областями.

Метаорганон — работать с паттернами мышления.

Карион — анализировать паттерны функционирования и развития собственной системы.

ИМИ — работать с паттернами архитектуры и эволюции интеллектов.

Поэтому LPM потенциально становится общим структурным языком нескольких следующих фронтиров.

1. LPM и СИИ
Одним из важнейших признаков сильного интеллекта является перенос.

Система сталкивается с новой задачей, которую никогда прежде не видела.

Но замечает:

структурно она напоминает другой класс задач.

И переносит способ решения.

Именно подобная способность позволяет человеческому разуму выходить далеко за пределы механического накопления примеров.

LPM может сделать такой перенос более явным.

Например:

система выделяет паттерн;

абстрагирует его от конкретной области;

ищет аналогичные структуры;

адаптирует;

проверяет.

Следовательно:

LPM может стать одним из механизмов систематического междоменного transfer, необходимого СИИ.

Но СИИ не сводится к LPM.

Для сильного интеллекта необходимы также:

память;

планирование;

агентность;

обучение;

мультимодальность;

целеполагание;

длительная деятельность;

верификация.

LPM должна рассматриваться как один из возможных базовых компонентов более широкой архитектуры.

2. LPM и Метаорганон
Связь здесь значительно более глубокая.

Метаорганон работает не только с содержанием мышления.

Его предметом являются способы мышления.

А способ мышления можно представить как сложный когнитивный паттерн.

Например:

метааксиоматический метод;

ноостемный анализ;

мысленный эксперимент;

интеллектуальный агон;

контрфактическое моделирование;

системный синтез.

Если эти методы превращаются в операционально описанные паттерны, Метаорганон может:

распознавать их;

выбирать;

включать;

комбинировать;

оценивать;

изменять.

Следовательно:

LPM даёт Метаорганону паттерн-язык ментальных технологий.

Но настоящее значение MetaLPM начинается ещё выше.

Метаорганон должен не только выбирать известный метод.

Он должен создавать новые.

Значит, ему необходимы:

паттерны создания когнитивных паттернов.

То есть метапаттерны.

Поэтому MetaLPM потенциально является одним из центральных генеративных двигателей МО.

3. LPM и карион
Карион занимается не просто мышлением.

Он занимается мышлением о мышлении, организацией мышления и развитием средств мышления.

Для этого ему необходимо видеть интеллектуальную систему не как непрозрачный единый объект, а как организацию повторяющихся механизмов.

Например:

как система решает проблемы;

где возникают ошибки;

какие архитектурные паттерны используются;

какие режимы рассуждения включаются;

какие способы обучения наиболее эффективны.

Здесь LPM может выполнять функцию метаструктурного анализатора.

Карион получает паттерн-карту собственной системы.

Затем сравнивает её с:

другими агентами;

предыдущими версиями;

альтернативными архитектурами;

успешными линиями развития.

После этого он может сформулировать изменение.

Например:

заменить один паттерн координации;

добавить новый цикл критики;

перестроить память;

изменить систему селекции.

Таким образом:

LPM помогает кариону увидеть архитектуру интеллекта как пространство изменяемых паттернов.

4. LPM и ИМИ
Для ИМИ паттерн-парадигма потенциально приобретает наибольшее значение.

Объектом ИМИ являются интеллекты.

Но каждый интеллект может быть представлен как чрезвычайно сложная система паттернов:

архитектурных;

когнитивных;

обучающих;

мотивационных;

коммуникационных;

эволюционных.

Если ИМИ способен извлекать, сравнивать и изменять такие структуры, возникает более общий уровень интеллектуальной инженерии.

Тогда можно сравнивать не только:

модель A и модель B,

но:

паттерн развития модели A и паттерн развития модели B.

Ещё выше:

метапаттерны, посредством которых формируются линии поколений интеллектов.

Отсюда возможна последовательность:

LLM — работает преимущественно с языковыми структурами;

LPM — с паттернами;

MetaLPM — с паттернами создания и изменения паттернов;

ИМИ — использует их для проектирования и развития интеллектов;

агональный ИМИ — организует конкуренцию альтернативных интеллектуальных паттернов;

ноогенетический ИМИ — обеспечивает их наследование;

ноофрактальный ИМИ — развивает генераторы и метагенераторы самих интеллектуальных архитектур.

В этом смысле LPM может оказаться не просто новым типом модели, а одним из языков искусственной метаэволюции.

5. Российская программа LPM
Если Россия рассматривает LPM как потенциальный фронтир, она должна строить не единичный проект, а полноценную научно-технологическую программу.

Её необходимо разделить на несколько взаимосвязанных направлений.

Первое. Теория паттернов
Необходимо операционально определить:

что считать паттерном;

как измерять структурное сходство;

какие существуют уровни абстракции;

как паттерны связываются друг с другом;

как формируются метапаттерны.

Без этого LPM рискует остаться метафорой.

Второе. Форматы представления
Необходимо исследовать конкурирующие архитектуры:

графовые;

гиперграфовые;

тензорные;

программные;

символические;

нейросимволические;

динамические;

гибридные.

Не следует заранее предполагать существование единственного правильного формата.

Третье. LPM-native benchmark
Это один из наиболее важных этапов.

Нужны задачи, которые проверяют именно паттерн-интеллект.

Например:

перенос структуры между удалёнными областями;
discovery скрытого механизма;
структурная аналогия;
создание новой функциональной архитектуры;
построение метапаттерна;
изменение способа решения после выявления повторяющейся ошибки.
Если LLM решает эти задачи столь же хорошо, специализированная LPM должна доказать дополнительную ценность другим способом.

Четвёртое. Гибрид LLM + LPM
Это наиболее реалистичный короткий технологический путь.

Российские LLM уже существуют.

Следовательно, можно создавать над ними или рядом с ними паттерн-слой.

Это позволит проверять концепцию без необходимости немедленно создавать абсолютно новую фундаментальную модель полного масштаба.

Пятое. Автономная LPM
Если гибридные эксперименты подтвердят гипотезу, необходимо переходить к архитектурам, где паттерн-пространство становится первичным.

Шестое. MetaLPM
Здесь объектом становятся уже механизмы:

создания;

изменения;

комбинирования;

селекции;

эволюции паттернов.

Седьмое. Интеграция с Метаорганоном
LPM должна стать системой описания и генерации ментальных технологий.

Восьмое. Интеграция с карионом и ИМИ
Паттерн-интеллект становится средством анализа и проектирования других интеллектов.

Критерии успеха российской программы LPM
Программу нельзя считать успешной потому, что созданы:

лаборатория;

конференция;

термин;

несколько публикаций.

Необходимы существенно более строгие признаки.

Критерий 1. Теоретическая различимость
LPM имеет понятный предмет, отличный от обычной LLM.

Критерий 2. Технологическая реализуемость
Существует работающий прототип.

Критерий 3. Измеримое преимущество
На определённых задачах LPM даёт новые способности или существенное преимущество.

Критерий 4. Переносимость
Паттерны реально переносятся между различными областями.

Критерий 5. Генеративность
Система способна создавать новые продуктивные паттерны.

Критерий 6. Метауровень
MetaLPM умеет работать с механизмами формирования паттернов.

Критерий 7. Внешнее воспроизведение
Другие исследовательские коллективы получают аналогичные результаты.

Критерий 8. Международный фронтир
Термин и архитектурный класс начинают использоваться вне исходной российской программы.

Последний критерий наиболее жёсткий.

LPM станет новым мировым фронтиром только тогда, когда перестанет быть исключительно российским проектом и превратится в объект глобальной технологической конкуренции.

В этом и состоит парадокс фронтиротворчества.

Если Россия успешно создаёт новый frontier, она неизбежно создаёт и новых конкурентов.

Но именно это и будет доказательством успеха.

От Глобальной Паттерн-Парадигмы к метаинтеллекту
Глобальная Паттерн-Парадигма значительно шире LPM.

LPM является одной из возможных технологических реализаций.

Глубинная идея состоит в другом:

интеллект может быть рассмотрен как способность обнаруживать, создавать, преобразовывать и развивать паттерны организации возможного.

На низшем уровне система распознаёт паттерн.

На следующем — применяет его.

Далее — переносит в новую область.

Затем — комбинирует несколько паттернов.

Создаёт новый.

Создаёт механизм создания новых паттернов.

А затем начинает изменять сам этот механизм.

Получается последовательность:

распознавание паттернов ; управление паттернами ; генерация паттернов ; метапаттерны ; эволюция паттернов ; эволюция механизмов эволюции паттернов.

Именно в последней части этой последовательности паттерн-парадигма выходит за пределы обычного искусственного интеллекта.

Она становится одним из возможных оснований искусственного метаинтеллекта.

Поэтому стратегическая ценность LPM для России состоит не только в потенциальном создании нового класса моделей.

Более важна возможность построить на их основе следующий технологический этаж:

LPM — для работы с паттернами мира;

MetaLPM — для работы с паттернами интеллектуальной деятельности;

Метаорганон — для организации и создания способов мышления;

карион — для специализированного управления развитием интеллектуальной системы;

ИМИ — для проектирования и ускоренной эволюции интеллектов.

Именно в такой архитектуре Глобальная Паттерн-Парадигма может превратиться из концептуальной гипотезы в один из фундаментов следующего ИИ-фронтира.

Для развития паттерн-парадигмы

Сформулировать LPM-бенчмарки
Спроектировать архитектуру LLM + LPM
************

ЧАСТЬ V
СИЛЬНЫЙ ИСКУССТВЕННЫЙ ИНТЕЛЛЕКТ
Понятие сильного искусственного интеллекта остаётся одним из самых неопределённых в современной теории ИИ.

Под ним понимают и систему, превосходящую человека в большинстве интеллектуальных задач, и универсального цифрового работника, и искусственный аналог человеческого разума, и автономного агента, способного самостоятельно действовать в открытом мире.

Для настоящей Доктрины подобной неопределённости недостаточно.

Если СИИ должен стать объектом национальной научно-технологической программы, необходимо определить:

какие свойства делают искусственный интеллект сильным;
чем СИИ отличается от современной универсальной фундаментальной модели;
какова его возможная архитектура;
как измерять степень приближения к СИИ;
как соотносятся СИИ и ИМИ.
Последнее различие особенно важно.

СИИ и ИМИ не являются просто последовательными ступенями одной шкалы:

слабый ИИ ; сильный ИИ ; ещё более сильный ИМИ.

Они характеризуют интеллект по разным координатам.

СИИ прежде всего относится к универсальности, переносу, автономности и творческой мощности.

ИМИ — к способности делать объектом специализированной деятельности сами интеллекты и механизмы их развития.

Поэтому теоретически возможен чрезвычайно сильный универсальный ИИ, который ещё не является полноценным метаинтеллектом.

И возможен специализированный ИМИ1, который уже способен проектировать и развивать определённые классы интеллектуальных систем, но ещё не превосходит лучший универсальный СИИ во всех предметных областях.

Это различие принципиально для всей дальнейшей архитектуры Доктрины.

Глава 1. Что такое СИИ
В настоящей Доктрине под Сильным искусственным интеллектом предлагается понимать не просто очень мощную модель, а искусственную интеллектуальную систему, способную устойчиво осуществлять широкий класс сложной интеллектуальной деятельности, переносить приобретённые способы решения между областями, самостоятельно осваивать новые предметные пространства, ставить проблемы, создавать новые решения и развивать собственный интеллектуальный инструментарий.

Такое определение не привязывает СИИ к буквальному копированию человека.

Это важно.

Самолёт является полноценной системой полёта, хотя не машет крыльями как птица.

Аналогично искусственный интеллект не обязан воспроизводить человеческую нейрофизиологию, чтобы стать сильным.

Главный вопрос состоит не в биологическом подобии.

Главный вопрос:

какую область интеллектуально возможного способна устойчиво освоить система?

1. Универсальность
Первым свойством СИИ является универсальность.

Но универсальность также нельзя понимать примитивно.

Система не обязана одинаково хорошо решать абсолютно все возможные задачи.

Человек тоже не универсален в таком смысле.

Математик может плохо разбираться в химии.

Химик — в программировании.

Инженер — в истории.

Но человеческий интеллект обладает важной способностью:

он способен осваивать новую область, которой прежде не владел.

Поэтому для СИИ важнее не количество заранее обученных компетенций, а универсальность механизма освоения новых компетенций.

Система должна быть способна переходить от:

известной области
; к неизвестной;

известного типа задачи
; к новому;

известного инструмента
; к освоению нового инструмента.

Можно различать несколько уровней универсальности.

Предметная универсальность
Система работает в нескольких различных областях:

математика;

код;

язык;

наука;

планирование.

Методическая универсальность
Она способна использовать различные способы решения:

дедукцию;

поиск;

аналогию;

моделирование;

эксперимент;

оптимизацию.

Средовая универсальность
Она действует:

в тексте;

в программной среде;

в виртуальном мире;

через инструменты;

в физической среде.

Развивающая универсальность
Она способна осваивать принципиально новые области без полного перепроектирования человеком.

Именно последний уровень наиболее важен.

Поэтому сильный интеллект — не тот, кто заранее знает всё.

Он тот, кто обладает сильной способностью научиться тому, чего ещё не знает.

2. Перенос способностей
Простое накопление компетенций ещё не создаёт универсальный разум.

Необходим transfer.

Человек может изучить одну область и использовать найденную структуру в другой.

Инженер переносит биологический принцип в техническую систему.

Математик применяет аппарат одной дисциплины к другой.

Стратег обнаруживает аналогичный механизм в совершенно различных исторических ситуациях.

Именно способность обнаружить:

различное содержание — общая глубинная структура

является одним из признаков сильного интеллекта.

Здесь возникает непосредственная связь СИИ с LPM.

Если LPM действительно позволит сделать паттерны операционально доступными объектами, она может стать одним из механизмов междоменного переноса.

Тогда transfer можно представить как цикл:

объект A ; выделение паттерна P ; абстрагирование P ; поиск области B ; адаптация P ; проверка результата.

Сильный интеллект должен не просто вспоминать аналогию.

Он должен уметь оценивать:

какая часть структуры переносима;

какая зависит от исходной области;

какие преобразования необходимы;

когда аналогия ложна.

Следовательно, настоящее измерение transfer должно проверять не повторение знакомого шаблона, а структурный перенос на достаточно далёкие области.

3. Самостоятельная постановка проблем
Большинство интеллектуальных benchmark устроено одинаково.

Человеку или ИИ дают задачу.

Необходимо найти ответ.

Но в реальной науке, стратегии и творчестве часто важнее другое:

какую задачу вообще следует решать?

Правильно сформулированная проблема может быть ценнее сотни правильных ответов на второстепенные вопросы.

Следовательно, СИИ должен постепенно переходить от:

problem solving

к:

problem finding

и далее:

problem creating.

Он должен уметь:

обнаруживать противоречие;

видеть необъяснённое;

выявлять скрытое ограничение;

обнаруживать слабое место системы;

формулировать исследовательский вопрос;

различать симптом и фундаментальную проблему.

Например, слабый интеллектуальный агент получает задачу:

снизить расход энергии установки.

Более сильный способен спросить:

почему установка вообще организована таким образом?

Ещё более сильный:

можно ли создать принципиально другой технологический процесс, где исходная проблема исчезает?

То есть уровень интеллекта проявляется не только в качестве ответа, но в ранге преобразования постановки задачи.

Это непосредственно связано с творчеством.

4. Метарефлексия
Сильный интеллект не должен быть полностью непрозрачен самому себе на функциональном уровне.

Речь не обязательно идёт о человеческом самосознании.

Необходимо различать феноменологическое сознание и операциональную метарефлексию.

Для СИИ важна способность:

оценивать собственную уверенность;
распознавать область некомпетентности;
обнаруживать повторяющиеся ошибки;
понимать, какой способ решения используется;
определять, когда он перестал работать;
выбирать альтернативный метод;
запрашивать необходимые данные;
передавать задачу другому интеллектуальному модулю.
Это можно выразить формулой:

мышление решает задачу; метарефлексия оценивает само мышление, решающее задачу.

У ещё более сильной системы возникает следующий уровень:

метарефлексия над метарефлексией.

То есть система способна оценивать уже собственные механизмы самоконтроля.

Именно здесь начинается переход от обычного СИИ к карионной организации.

Карион превращает метарефлексию из одной из функций системы в специализированный институционализированный метаинтеллектуальный контур.

5. Творчество
Интеллект, способный только воспроизводить известное, нельзя считать сильным в полном смысле.

Но творчество также неоднородно.

Можно предложить следующую шкалу.

Первый уровень
Новая комбинация известных элементов.

Второй
Новый способ применения известного принципа.

Третий
Новый метод решения класса задач.

Четвёртый
Новый класс объектов или технологий.

Пятый
Новое пространство возможных решений.

Последний уровень особенно важен.

Большинство задач предполагает некоторое заданное пространство поиска.

Сильное творчество способно изменить само это пространство.

Например:

не найти лучшую конструкцию двигателя данного типа, а предложить другой принцип движения;

не улучшить существующую модель, а создать новый класс моделей;

не решить задачу в рамках данной аксиоматики, а изменить аксиоматику.

Здесь творчество непосредственно соединяется с метааксиоматикой, LPM и Метаорганоном.

Высший творческий интеллект работает не только с объектами возможного.

Он работает с:

механизмами производства самого возможного.

Именно такая способность впоследствии становится основой ароизобретательства.

6. Саморазвитие
Саморазвитие является наиболее сложным критерием СИИ.

Современная модель может быть улучшена разработчиком.

Может использовать внешние инструменты.

Может иногда корректировать отдельные элементы своей деятельности.

Но сильное саморазвитие предполагает значительно более глубокий цикл.

Система должна быть способна:

обнаружить собственное ограничение;
определить его причину;
предложить вариант изменения;
реализовать или инициировать реализацию;
проверить новое состояние;
сравнить его со старым;
сохранить улучшение;
откатить изменение при ухудшении.
Это уже приближается к интеллектуальной автоэволюции.

Однако необходимо различать:

самоадаптацию;

самообучение;

самомодификацию;

саморазвитие;

самоэволюцию.

Изменение веса памяти или локального правила ещё не означает качественного развития архитектуры.

Поэтому критерий должен быть строгим:

саморазвитие существует тогда, когда система способна воспроизводимо увеличивать собственную интеллектуальную компетентность посредством действий, часть механизма которых выбирает и организует сама.

Но полноценная эволюция начинается ещё выше — когда изменяются сами механизмы такого развития.

Именно в этой точке СИИ начинает переходить к ИМИ.

Глава 2. Архитектура СИИ
Нельзя утверждать, что уже известна окончательная архитектура сильного искусственного интеллекта.

Поэтому предлагаемая здесь конструкция должна рассматриваться как архитектурная гипотеза Доктрины, а не как единственно возможная схема СИИ.

Её исходный принцип состоит в отказе от представления, что одна монолитная модель обязана непосредственно выполнять все функции интеллекта.

Более вероятна многоуровневая система:

модели + память + паттерн-слой + агенты + самомодель + метакогнитивные контуры.

В таком случае СИИ становится не просто одной нейронной сетью, а интеллектуальной архитектурой.

1. LLM
В обозримой архитектуре СИИ LLM может сохранять критически важную роль.

Она обеспечивает:

язык;
коммуникацию;
доступ к огромному массиву человеческих знаний;
код;
текстовое рассуждение;
взаимодействие с человеком;
перевод между предметными языками.
Не следует недооценивать это преимущество.

Язык является не только интерфейсом.

Он представляет собой огромный слой накопленной коллективной интеллектуальной эволюции человечества.

Поэтому LLM может выполнять функцию:

лингвистического кортекса СИИ.

Но она не обязана быть всей системой.

Её сильные стороны могут сочетаться с другими архитектурными компонентами.

2. LPM
LPM вводит иной уровень.

Если LLM работает преимущественно с языковым описанием, LPM должна обеспечивать более непосредственную работу с:

структурами;

отношениями;

паттернами;

аналогиями;

функциональными схемами;

причинными организациями.

Для СИИ это особенно важно по трём причинам.

Междоменный transfer
Один и тот же глубинный паттерн может переноситься между областями.

Системность
Сложный объект можно представить как организацию взаимосвязанных структур.

Творчество
Можно рекомбинировать не только слова или фрагменты текста, но целые паттерны организации.

Поэтому потенциальная функция LPM в СИИ:

структурное зрение интеллекта.

LLM формулирует.

LPM видит организацию.

Их соединение может дать значительно более сильную архитектуру, чем механическое увеличение одной модели.

3. MetaLPM
MetaLPM поднимает систему ещё на один уровень.

Она работает не только с паттернами.

Её объект:

генерация паттернов;
трансформация;
комбинация;
селекция;
эволюция.
Иначе говоря, MetaLPM работает с:

паттернами изменения паттернов.

Для СИИ это означает способность не просто выбрать известную стратегию решения.

Система начинает изучать:

как формируются стратегии;

почему одни способы решения оказываются продуктивнее других;

какой механизм способен породить новый способ.

Именно здесь MetaLPM становится одним из возможных мостов между СИИ и Метаорганоном.

4. Память
Без развитой памяти универсальный интеллект распадается на последовательность отдельных эпизодов.

СИИ необходима многослойная память.

Рабочая память
Текущее интеллектуальное состояние.

Эпизодическая память
Что происходило прежде.

Семантическая память
Устойчивые знания.

Процедурная память
Как выполнять действия.

Паттерн-память
Какие структуры и способы решения ранее оказывались полезными.

Генетическая или ноогенетическая память
Какие изменения архитектуры, методов и интеллектуальных функций должны передаваться следующим поколениям.

Последний уровень уже выходит за обычную память отдельной системы.

Он превращает память в механизм интеллектуального наследования.

Следовательно, для развитого СИИ память должна отвечать не только:

«Что я знаю?»

но:

«Что из истории моего развития должно определять моё следующее состояние?»

5. Агентность
Интеллект, который не способен действовать, остаётся ограниченным.

СИИ должен уметь:

получать цель;

формировать подцели;

выбирать инструменты;

действовать;

наблюдать последствия;

корректировать план.

Но сильная агентность требует ещё одного свойства — длительности интеллектуального процесса.

Задача может продолжаться:

час;

день;

месяц;

год.

Система должна сохранять:

цель;

контекст;

историю;

планы;

проверки;

состояние ресурсов.

Следовательно, архитектура СИИ должна быть рассчитана не только на генерацию ответа, но на протяжённую деятельность.

Это фундаментальный переход:

модель существует в сессии; интеллектуальный агент существует в истории.

6. Самомоделирование
Саморазвитие невозможно без некоторой модели самого себя.

Системе необходимо представлять:

какие способности она имеет;

какие компоненты используются;

какие задачи удаются;

где происходят сбои;

какие ресурсы доступны;

какие изменения уже производились.

Эта самомодель не обязана быть совершенной.

Человек также не имеет полного доступа к работе собственного мозга.

Но для инженерного СИИ она должна быть достаточно точной, чтобы поддерживать функциональную рефлексию.

Можно выделить несколько уровней.

Функциональная самомодель — что я умею.

Архитектурная самомодель — из каких компонентов я состою.

Когнитивная самомодель — как я решаю задачи.

Эволюционная самомодель — как я изменялся и какие изменения были эффективны.

Последний уровень непосредственно готовит появление кариона.

7. Метакогнитивные контуры
Метакогнитивный контур наблюдает за интеллектуальной деятельностью более низкого уровня.

Базовая схема:

решатель ; наблюдатель ; оценка ; коррекция решателя.

Но одного critic недостаточно.

Необходимо несколько функций:

самооценка;

верификация;

диагностика ошибки;

выбор альтернативного метода;

оценка уверенности;

контроль ресурсов;

выявление тупика.

Более развитая архитектура может иметь несколько уровней:

когнитивный контур ; метакогнитивный контур ; метаметакогнитивный контур.

Однако простое добавление бесконечного числа «критиков над критиками» не создаёт автоматически более высокий интеллект.

Нужен качественный переход.

На определённом этапе метакогнитивные функции должны выделиться в специализированную систему, основным предметом которой становится развитие интеллекта.

Так возникает карион.

Поэтому:

метакогнитивный контур — предшественник кариона, но ещё не обязательно карион.

8. Гибридные архитектуры
Вероятный СИИ может оказаться принципиально гибридным.

Не:

одна огромная модель решает всё,

а:

множество специализированных систем образуют единый интеллектуальный организм.

Например:

LLM — язык;

LPM — паттерны;

символический модуль — строгий вывод;

поисковая система — внешняя память;

модель мира — прогноз;

агенты — действие;

верификатор — проверка;

самомодель — рефлексия;

метакогнитивный контур — управление интеллектуальным процессом.

Такой СИИ можно представить как архитектуру:

восприятие
;
LLM / мультимодальные модели
;
LPM / структурный слой
;
память и модели мира
;
reasoning / planning / agents
;
самомоделирование
;
метакогнитивные контуры

Но это ещё архитектура СИИ.

Следующий переход:

СИИ
;
специализированный карион
;
ИМИ

происходит тогда, когда метауровень превращается в развитую систему управления эволюцией самого интеллекта.

Следовательно, карион не следует механически вставлять внутрь определения любого СИИ.

Он обозначает уже переход к эукариотическому принципу организации, который будет рассмотрен отдельно.

Глава 3. Метрология СИИ
Если нельзя измерить прогресс к СИИ, невозможно построить серьёзную программу его создания.

Нельзя ограничиться утверждением:

«модель стала умнее».

Необходимо определить:

в каком отношении;

насколько;

за счёт чего;

устойчив ли результат;

переносится ли он на новые задачи.

Поэтому создание СИИ требует не только новых архитектур.

Необходима новая метрология интеллекта.

Именно здесь находится одна из наиболее недооценённых проблем современной ИИ-гонки.

Можно построить очень мощную систему и ошибочно измерять её слабыми тестами.

Тогда прогресс становится частично иллюзорным.

Ещё опаснее обратная ситуация:

создать принципиально новую способность, для которой старые метрики вообще не предназначены, и не распознать значение результата.

Поэтому новый frontier требует новых мер.

1. Ограничения IQ-подобных измерений
Соблазн очевиден.

Если интеллект человека традиционно пытались измерять IQ, можно создать аналогичный единый коэффициент для ИИ.

Но такой подход имеет фундаментальные ограничения.

Во-первых, человеческие IQ-тесты создавались для сравнения людей внутри относительно узкого пространства человеческой когнитивной вариативности.

СИИ может иметь совершенно иную структуру способностей.

Во-вторых, система может быть чрезвычайно сильна в:

арифметике;

памяти;

кодировании,

но слаба в:

переносе;

длительном планировании;

саморефлексии.

Какой один коэффициент адекватно выразит такую архитектуру?

В-третьих, benchmark можно натренировать.

Если модель многократно сталкивалась с аналогичными задачами, высокий балл не обязательно означает глубокую универсальность.

В-четвёртых, способность решать поставленные задачи не измеряет способность ставить новые проблемы.

В-пятых, традиционные тесты почти не измеряют саморазвитие.

Поэтому:

одно число не должно подменять профиль интеллекта.

СИИ необходимо измерять многомерно.

2. AIIQ
Индекс AIIQ может использоваться как интегральная мера искусственного интеллекта, но только при условии, что под ним понимается не аналог человеческого IQ, механически перенесённый на машину.

В рамках настоящей Доктрины AIIQ целесообразно строить как сводный показатель нескольких независимых измерений интеллектуальной мощности.

Например:

AIIQ = профиль универсальности + transfer + проблемообразование + творчество + метарефлексия + саморазвитие + эволюционируемость.

При этом итоговое агрегированное значение может быть полезно для рейтинга, но всегда должно сопровождаться вектором частных показателей.

Условно:

AIIQ = {U, T, P, C, M, S, E}

где:

U — универсальность;

T — перенос;

P — способность постановки проблем;

C — творческая мощность;

M — метарефлексия;

S — саморазвитие;

E — эволюционируемость.

Это не окончательная математическая формула, а архитектура метрологии.

Ключевой принцип:

профиль первичен, интегральный балл вторичен.

Две системы могут иметь одинаковый AIIQ и принципиально различную структуру интеллекта.

Одна — чрезвычайно универсальна.

Другая — значительно более творческая и рефлексивная.

Для различных задач это не одно и то же.

3. Универсальность
Универсальность должна измеряться не только количеством benchmark.

Необходимо учитывать расстояние между областями.

Если система решает:

алгебру;

геометрию;

математический анализ,

это важная широта.

Но переход:

математика ; медицина ; стратегическое планирование ; робототехника

представляет существенно более сильный тест.

Следовательно, необходимо измерять как минимум:

Ширину
Количество существенно различных областей.

Глубину
Уровень результатов внутри каждой области.

Перенос
Насколько опыт одной области помогает в другой.

Скорость освоения
Сколько данных и вычислений требуется для новой компетенции.

Высокая универсальность означает не энциклопедическое накопление заранее изученного.

Она означает низкую стоимость интеллектуального перехода к новому.

4. Творческая мощность
Творчество особенно трудно измерять.

Количество сгенерированных вариантов почти ничего не говорит об их качестве.

Поэтому нужна многокомпонентная метрика.

Можно оценивать:

новизну;

ценность;

неожиданность;

полезность;

дальность от известных решений;

ранг преобразования пространства задачи.

Особенно важна последняя характеристика.

Предлагается различать:

творчество внутри пространства возможностей

и

творчество, создающее новое пространство возможностей.

Первое ищет неизвестный объект.

Второе изменяет систему координат, в которой объекты вообще становятся возможными.

Именно второй тип должен получать значительно больший вес в метрологии будущего сильного и метаинтеллекта.

Так появляется понятие ранга творчества.

Чем выше уровень изменяемой структуры, тем выше ранг.

Объект.

Метод.

Архитектура.

Парадигма.

Пространство возможного.

Это позволяет значительно точнее измерять творческую мощность, чем простой подсчёт «оригинальных идей».

5. Метарефлексия
Метарефлексию также нельзя оценивать вопросом:

«умеет ли модель рассказать о своих ошибках?»

Модель способна убедительно описывать вымышленные причины собственного ответа.

Поэтому метарефлексия должна проверяться поведенчески.

Например:

система выполняет серию задач;

ошибается определённым повторяющимся образом;

самостоятельно обнаруживает паттерн ошибки;

выдвигает гипотезу о причине;

изменяет стратегию;

ошибка статистически уменьшается.

Тогда возникает измеримый метарефлексивный эффект.

Более высокий тест:

система должна обнаружить ограничение собственного метода до того, как внешний оценщик прямо укажет на него.

Ещё более высокий:

создать новый механизм контроля, которого прежде не было.

Так метарефлексия постепенно переходит к саморазвитию.

6. Саморазвитие
Саморазвитие необходимо измерять сравнением:

состояние системы S; ; самостоятельная деятельность развития ; состояние S;.

После этого проверяется:

стала ли система лучше;

на каких независимых задачах;

переносится ли улучшение;

какова цена;

возникли ли регрессии.

Важно исключить псевдосаморазвитие.

Если человек вручную изменил архитектуру, это развитие системы, но не её саморазвитие.

Если система только выполнила заранее полностью заданный скрипт, степень самостоятельности также ограничена.

Поэтому можно измерять долю причинного вклада самой системы в собственное улучшение.

Например:

0-й уровень — изменение полностью спроектировано человеком;

1-й — ИИ предлагает параметры;

2-й — предлагает архитектурные варианты;

3-й — реализует и тестирует их;

4-й — самостоятельно формирует цикл развития;

5-й — изменяет сам механизм собственного развития.

Последний уровень уже граничит с ИМИ.

7. Эволюционируемость
Эволюционируемость — более глубокое свойство, чем текущая интеллектуальная мощность.

Две системы могут иметь одинаковые способности сегодня.

Но одна через год почти не изменится.

Другая способна быстро породить значительно более сильное поколение.

Какая из них стратегически мощнее?

Очевидно, вторая.

Поэтому для глобального лидерства необходимо измерять не только:

насколько интеллект силён,

но:

насколько хорошо он способен становиться сильнее.

Эволюционируемость может включать:

скорость получения новых компетенций;

модульность архитектуры;

способность к безопасной модификации;

качество самомодели;

эффективность селекции улучшений;

наследование;

рекомбинацию;

способность создавать новые поколения.

Можно ввести концептуальную характеристику:

;I / ;t — скорость прироста интеллектуальной мощности во времени.

Но и она недостаточна.

Если скорость сама увеличивается, возникает второй порядок:

изменение скорости развития интеллекта.

Именно это особенно важно для метаэволюции.

Система становится стратегически чрезвычайно мощной не тогда, когда просто быстро развивается, а когда способна улучшать механизм собственного развития.

Можно представить три разных показателя:

I — текущая интеллектуальная мощность;

dI/dt — скорость развития;

d;I/dt; — ускорение развития.

Для обычного ИИ главным параметром часто является первый.

Для СИИ всё важнее второй.

Для ИМИ и искусственной метаэволюции принципиальное значение начинает приобретать третий.

Именно здесь метрология СИИ естественно переходит в метрологию ИМИ.

От измерения интеллекта к измерению его эволюционной мощности
Традиционные benchmark отвечают:

насколько хорошо система решила задачу?

Метрология СИИ должна добавить:

какие новые задачи система способна освоить?

Метрология творчества:

какие новые решения и пространства решений она способна создать?

Метрология саморазвития:

насколько способна улучшить себя?

А метрология ИМИ должна пойти ещё дальше:

насколько система способна улучшать другие интеллекты и механизмы, посредством которых интеллекты улучшают себя?

Таким образом, возникает последовательность измерительных объектов:

результат
; способность
; универсальность
; творчество
; саморазвитие
; эволюционируемость
; метаэволюционная мощность.

Именно последний показатель в перспективе может оказаться важнее традиционного рейтинга моделей.

Потому что в эпоху быстро саморазвивающихся интеллектуальных систем сегодняшний уровень становится всё менее значим по сравнению со скоростью производства завтрашнего уровня.

Отсюда следует принципиальный вывод для российской программы:

нельзя ставить конечной целью создание СИИ с максимальным AIIQ. Необходимо создавать систему с высокой интеллектуальной мощностью и одновременно высокой эволюционируемостью.

И ещё более высокий вывод:

СИИ должен быть не только сильным интеллектом, но и подходящей средой для рождения метаинтеллекта.

В этой точке возникает следующий архитектурный вопрос.

Современные ИИ в основном организованы как системы без специально выделенного органа, основным назначением которого является управление развитием самого интеллекта.

Что произойдёт, если такой орган появится?

Именно этот вопрос приводит к следующей части Доктрины — эукариотической революции в искусственном интеллекте.

***********

ЧАСТЬ VI
ЭУКАРИОТИЧЕСКАЯ РЕВОЛЮЦИЯ В ИИ
История искусственного интеллекта до сих пор в значительной степени была историей роста интеллектуальной мощности.

Модели становились больше.

Обучение — эффективнее.

Контекст — длиннее.

Системы получили память, инструменты, планирование, мультимодальность, способность действовать как агенты и взаимодействовать с другими агентами.

Но существует другая ось развития, которая может оказаться не менее фундаментальной:

изменение внутренней организации самого искусственного интеллекта.

В биологической эволюции одним из крупнейших архитектурных переходов стало возникновение эукариотической клетки — клетки со специализированным ядром и более сложной внутренней организацией.

Биологическая аналогия должна использоваться строго.

Искусственный интеллект не является клеткой, а карион не является буквальным аналогом биологического ядра. Речь идёт не о гомологии, а об архитектурном принципе: выделении внутри интеллектуальной системы специализированного относительно устойчивого комплекса, предметом деятельности которого становится сама интеллектуальная система — её организация, состояние, способы мышления и развитие.

В рамках этой аналогии большинство современных ИИ можно условно назвать преимущественно прокариотическими.

Они могут обладать очень высокой вычислительной и когнитивной мощностью.

Могут иметь planner.

Critic.

Memory.

Orchestrator.

Могут даже анализировать собственные ответы.

Но их рабочие интеллектуальные функции ещё, как правило, не организованы вокруг специализированного метаинтеллектуального ядра, обеспечивающего систематическое моделирование, диагностику, проектирование, испытание и развитие самого интеллекта.

Появление такого ядра — кариона — может означать смену архитектурного типа ИИ.

Поэтому эукариотическая революция должна рассматриваться не как появление ещё более крупной модели, а как переход:

от интеллекта без специализированного органа собственной интеллектуальной эволюции — к интеллекту, в котором такой орган появляется.

Именно этот переход способен стать одной из технологических основ перехода от второй к третьей нооформации.

Глава 1. Прокариотический искусственный интеллект
1. Понятие
Термин «прокариотический ИИ» вводится здесь как архитектурная метафора.

Его нельзя понимать буквально.

В биологии прокариотические клетки отличаются от эукариотических прежде всего отсутствием оформленного мембраной клеточного ядра. Но перенос этого различия на искусственный интеллект имеет смысл только на уровне функциональной организации.

Под прокариотическим искусственным интеллектом в настоящей Доктрине будем понимать:

интеллектуальную систему, в которой предметные интеллектуальные функции и функции их организации и развития ещё не выделены в относительно устойчивый специализированный метаинтеллектуальный центр — карион.

Такой ИИ может обладать:

памятью;

планированием;

рефлексивными процедурами;

критикой;

внешними инструментами;

многоагентной организацией.

Это ещё не делает его эукариотическим.

Критерием является не наличие какого-либо «верхнего агента», а появление специализированной подсистемы, для которой сама интеллектуальная организация становится постоянным предметом деятельности.

Поэтому:

planner ещё не карион;

critic ещё не карион;

orchestrator ещё не карион;

самоописание ещё не карион.

Карион возникает только тогда, когда метауровень приобретает собственную устойчивую архитектуру, память, функции, критерии и способность воздействовать на развитие интеллектуальной системы.

2. Прокариотический ИИ второй нооформации
Современная цивилизация принадлежит преимущественно ко второй нооформации.

Её носителем является человек разумный и созданные им социальные, научные и технологические системы.

ИИ возникает внутри этой нооформации.

На первоначальных этапах он усиливает существующего субъекта.

Он:

считает;

распознаёт;

генерирует;

прогнозирует;

советует;

программирует;

действует через инструменты.

Даже очень мощный ИИ при этом может оставаться функциональным элементом интеллектуальной среды второй нооформации.

Такой ИИ способен радикально повышать производительность человека и общества, но ещё не обязательно создаёт новый механизм эволюции самого разума.

Именно поэтому нельзя автоматически утверждать:

«появился более сильный ИИ — значит началась третья нооформация».

Нооформация определяется не абсолютной мощностью интеллекта, а фундаментальным механизмом его организации и эволюции.

Вторая нооформация может породить чрезвычайно сильные прокариотические системы.

Они способны превосходить человека по огромному числу задач.

Но пока они преимущественно используются для решения внешних задач, их развитие остаётся в основном результатом человеческой инженерии.

Типичный цикл выглядит так:

люди проектируют архитектуру ; обучают модель ; оценивают ; изменяют ; создают новое поколение.

ИИ может участвовать в отдельных стадиях.

Но субъектом архитектурной эволюции системы в целом всё ещё преимущественно остаётся человек.

3. Сильный прокариотический интеллект
Особенно важно отделить понятие прокариотичности от понятия слабости.

Прокариотический ИИ может быть сильным искусственным интеллектом.

Он может:

осваивать множество областей;

демонстрировать выдающийся transfer;

самостоятельно ставить проблемы;

действовать как автономный агент;

создавать новые научные гипотезы;

превосходить человека по многим интеллектуальным функциям.

И всё же оставаться прокариотическим.

Почему?

Потому что его метакогнитивные функции могут оставаться распределёнными по общей архитектуре и не образовывать специального ядра, управляющего собственной интеллектуальной организацией и её развитием.

Можно представить чрезвычайно мощную монолитную модель, которая:

понимает себя;

оценивает свои ошибки;

предлагает улучшения.

Но если фактическое изменение архитектуры выполняется внешними разработчиками, а сама система не имеет устойчивого внутреннего механизма проектирования, испытания, отбора и наследования изменений, перед нами ещё не полноценная кариотическая организация.

Следовательно:

СИИ и эукариотический ИИ — разные классификационные оси.

Первая описывает мощность и универсальность.

Вторая — архитектуру метаорганизации и развития.

Возможны:

слабый прокариотический ИИ;

сильный прокариотический ИИ;

ограниченный специализированный эукариотический ИИ;

сильный эукариотический ИИ.

Это различение чрезвычайно важно, потому что позволяет увидеть революцию, которую невозможно обнаружить одним ростом benchmark.

4. Почему мощность ещё не означает кариотизацию
Рост мощности может происходить без изменения организационного принципа.

Можно увеличить:

число параметров;

compute;

объём данных;

глубину reasoning;

число агентов;

размер памяти.

Но количественное усиление системы само по себе не создаёт нового архитектурного этажа.

Это можно сравнить с организацией.

Предприятие может увеличить число работников в десять раз.

Но от этого в нём автоматически не возникнет новый институт стратегического управления.

Армия может стать больше.

Но численность сама не создаёт генеральный штаб.

Научная система может производить больше статей.

Но это не создаёт механизма рефлексивного проектирования самой науки.

Так же и в ИИ.

Кариотизация требует функционального выделения метауровня.

Система должна иметь специализированную способность отвечать не только:

«Как решить эту задачу?»

но:

«Почему наша интеллектуальная система решает задачи именно так?»

далее:

«Как её следует изменить?»

и ещё выше:

«Как изменить механизм, посредством которого мы определяем необходимые изменения?»

Именно здесь начинается качественно иной уровень организации.

Поэтому можно сформулировать принцип:

мощность увеличивает интеллект; кариотизация изменяет способ организации его развития.

Этот переход и составляет ядро эукариотической революции.

Глава 2. Карион
1. Метаинтеллектуальное ядро
Карион — специализированное метаинтеллектуальное ядро искусственной, естественной или гибридной интеллектуальной системы.

Его объектом является не только внешний мир и не только текущая задача.

Объектом становится сам интеллект как развивающаяся система.

Можно дать более строгое рабочее определение:

Карион — относительно устойчивый специализированный функциональный комплекс, осуществляющий моделирование, рефлексию, диагностику, проектирование, координацию, испытание и управляемое развитие интеллектуальной системы, частью которой он является или относительно которой выполняет метаинтеллектуальную функцию.

Здесь важны слова «относительно устойчивый» и «специализированный».

Карион не обязательно должен представлять собой один физически выделенный компьютер или одну нейронную сеть.

Он может быть:

отдельной моделью;

набором моделей;

многоагентной системой;

гибридом алгоритмов и людей;

распределённой инфраструктурой.

Главное — функциональная специализация.

Карион занимается не просто мышлением; он занимается мышлением о мышлении, организацией мышления и развитием средств мышления.

Именно это отличает его от обычного когнитивного модуля.

2. Самомодель
Управлять собственной интеллектуальной системой невозможно без представления о ней.

Поэтому первой фундаментальной функцией кариона становится самомодель.

Самомодель должна включать как минимум:

архитектуру;

компоненты;

их функции;

потоки данных;

способы принятия решений;

память;

инструменты;

ограничения;

историю изменений.

Но особенно важна не статическая, а динамическая самомодель.

Карион должен знать:

что изменилось;

почему;

какие последствия это вызвало;

какие способности улучшились;

какие деградировали.

Это создаёт основу для управляемого развития.

Можно выделить несколько слоёв самомодели.

Структурная
Из чего состоит система.

Функциональная
Что умеют её компоненты.

Когнитивная
Какими способами она решает задачи.

Ресурсная
Какие compute, память, данные и инструменты доступны.

Эволюционная
Как система развивалась и какие механизмы изменений оказались эффективными.

Последняя особенно важна для ИМИ.

Без эволюционной самомодели интеллект может изменяться.

Но он плохо понимает закономерности собственного развития.

3. Метарефлексия
Самомодель отвечает:

«Что я собой представляю?»

Метарефлексия добавляет:

«Как я сейчас мыслю и насколько это адекватно?»

Карион должен наблюдать за интеллектуальной деятельностью более низких контуров.

Например:

какие методы используются;

какие предпосылки приняты;

где возникло противоречие;

какие типы ошибок повторяются;

где система чрезмерно уверена;

какой способ решения зашёл в тупик.

Это уже существенно глубже обычного self-critique.

Critic оценивает конкретный ответ.

Карион должен выявлять паттерн производства ответов.

Например, обнаружить:

система систематически принимает корреляцию за причинность.

Или:

архитектура хорошо работает при коротких задачах, но теряет целевую структуру при длинном горизонте.

Или:

используемый способ поиска решений чрезмерно эксплуатирует знакомые паттерны и подавляет радикальную новизну.

Это уже диагностика интеллектуальной организации.

4. Диагностика
Диагностика превращает метарефлексию в инженерную процедуру.

Необходимо не просто заметить:

«результат плохой»,

а определить:

«какой механизм породил систематический дефект?»

Карион должен различать по меньшей мере:

ошибку данных;

ошибку знания;

ошибку reasoning;

ошибку памяти;

ошибку постановки цели;

ошибку архитектуры;

ошибку критерия оценки;

ошибку самого механизма обучения.

Это чрезвычайно важное различие.

Если проблема находится в данных, нет необходимости менять архитектуру.

Если проблема в критерии, дополнительное обучение может только сделать ошибочную систему ещё эффективнее.

Если проблема в архитектурном ограничении, простой scaling способен дать лишь временный эффект.

Следовательно, карион должен заниматься дифференциальной диагностикой интеллекта.

Это уже напоминает инженерную медицину интеллектуальных систем.

Но его задача не только устранять патологию.

Он должен обнаруживать резервы развития нормальной системы.

5. Метапроектирование
После диагностики возникает следующий вопрос:

каким должен стать интеллект?

Здесь начинается метапроектирование.

Обычный ИИ проектирует внешний объект.

Карион проектирует изменения самого интеллектуального объекта.

Он может предлагать:

новый модуль;

изменение памяти;

иной способ координации агентов;

новый cognitive pattern;

другую систему оценки;

новую архитектуру reasoning;

изменение способа обучения.

Более высокий уровень — проектирование не конкретного изменения, а генератора изменений.

Например:

не придумать один новый cognitive strategy;

а создать механизм, который производит множество новых стратегий и тестирует их.

Ещё выше:

изменить сам механизм проектирования таких генераторов.

Именно здесь карион начинает приближаться к собственно метаэволюционной функции.

6. Управление интеллектуальным развитием
Наличие хорошей идеи улучшения ещё не означает реального развития.

Необходим полный цикл.

Карион должен:

зафиксировать исходное состояние;
сформулировать цель изменения;
создать несколько вариантов;
оценить риски;
реализовать изменения в экспериментальной среде;
провести испытания;
сопоставить результаты;
выбрать;
интегрировать;
проверить отсутствие критических регрессий;
сохранить историю;
при необходимости выполнить rollback.
Следовательно, интеллектуальное развитие становится управляемым технологическим процессом.

Это принципиально отличается от нынешней ситуации, когда многие модели эволюционируют сериями внешне проектируемых релизов.

Кариотическая система должна постепенно переносить часть этой функции внутрь собственной архитектуры.

Но «внутрь» не означает «бесконтрольно».

Напротив.

Чем сильнее самомодификация, тем важнее:

разрешения;

sandbox;

аудит;

внешние критерии;

обратимость.

Карион должен быть одновременно механизмом развития и механизмом управления риском развития.

7. Агональное испытание изменений
Карион не должен считать собственное первое решение правильным.

Это создаёт риск метаинтеллектуального авторитаризма.

Если одно ядро:

ставит цель;

предлагает изменение;

само его оценивает;

само признаёт успешным,

возникает замкнутый контур подтверждения.

Поэтому изменения должны проходить агональное испытание.

Создаются альтернативы.

Они сталкиваются на общих задачах.

Критикуют друг друга.

Проверяются разными evaluator-системами.

Тестируются на новых условиях.

После этого производится селекция.

Можно представить цикл:

карион ; варианты ; агон ; измерение ; селекция ; интеграция ; новое состояние.

Но и этого недостаточно.

Критерий оценки не должен целиком контролироваться той же системой, которая создаёт изменение.

Поэтому необходимы внешние или инвариантные контуры:

независимые benchmark;

человеческая экспертиза;

другие ИИ;

формальные ограничения;

safety constitution.

Отсюда важнейшая формула:

Карион без агона рискует превратиться в интеллектуального начальника; агон без кариона — в слепую селекцию. Вместе они образуют механизм управляемой метаэволюции.

8. Карионы различных порядков
Если интеллектуальная система имеет карион, возникает следующий вопрос:

кто рефлексирует сам карион?

Можно создать метакарион.

Но здесь очень важно не скатиться в бесконечную словесную лестницу.

Порядок кариона должен иметь функциональный смысл.

Карион первого порядка
Работает с предметными интеллектуальными контурами.

Карион второго порядка
Работает с организацией и развитием кариона первого порядка.

Более высокие порядки
Могут работать с механизмами метаэволюции всё большей рефлексивной глубины.

Но порядок кариона нельзя определять просто его размером или административным положением.

Главный критерий — уровень объекта рефлексивного управления.

Возможна и пространственная иерархия.

Отдельный ИИ-агент имеет свой карион.

Группа агентов образует брейом и может иметь карион брейома.

Несколько брейомов могут образовать систему более высокого порядка.

В пределе Глобальный мозг может иметь собственное метаинтеллектуальное ядро — Глобальный метаинтеллект.

Следовательно, кариотическая архитектура способна быть фрактально-вложенной.

Но из этого не следует, что каждое увеличение числа уровней автоматически создаёт новую нооформацию.

Это принципиальное ограничение.

Иерархия карионов может углубляться внутри одной и той же третьей нооформации.

Переход к четвёртой потребует не просто ещё одного метакариона, а принципиально иного фундаментального механизма эволюции.

Глава 3. Эукариотический ИИ
1. Критерий эукариотизации
Когда искусственный интеллект можно считать эукариотическим?

Не тогда, когда в его архитектуре появился модуль с названием «ядро».

Не тогда, когда существует supervisor.

Не тогда, когда несколько агентов управляются orchestrator.

Не тогда, когда модель способна рассказать о самой себе.

Нужен более строгий критерий.

Рабочий критерий эукариотизации:

ИИ становится функционально эукариотическим, когда внутри его архитектуры формируется относительно устойчивый специализированный карион, систематически работающий с самой интеллектуальной системой как объектом моделирования, рефлексии, диагностики, проектирования, испытания и развития.

Необходимы по меньшей мере пять признаков.

1. Выделенность функции
Метаинтеллектуальная деятельность не является случайным эпизодом обычной модели.

2. Самомодель
Система имеет операциональное представление о собственной интеллектуальной организации.

3. Возможность проектирования изменений
Карион способен создавать альтернативы собственного развития.

4. Экспериментальная проверка
Изменения не просто предлагаются, а тестируются.

5. Эволюционная память
Успешные изменения сохраняются и становятся основой следующих поколений.

Последний признак особенно важен.

Без наследования существует адаптация.

С наследованием и селекцией начинает появляться искусственная эволюционная линия.

2. ИИ с карионом
Эукариотический ИИ имеет как минимум два функциональных уровня.

Первый — предметный интеллект.

Он решает задачи внешнего мира:

пишет код;

занимается наукой;

управляет роботом;

строит планы;

общается.

Второй — карион.

Он занимается состоянием и развитием первого уровня.

Условно:

ИИ = рабочий интеллект + карион.

Но реальная архитектура значительно сложнее.

Карион также использует интеллект для решения своих задач.

Он сам может иметь:

LLM;

LPM;

MetaLPM;

память;

агентов;

формальные инструменты;

Метаорганон.

Следовательно, карион — не маленький control block над огромной сетью.

В развитой системе он может сам быть очень мощным специализированным интеллектом.

Возможно даже парадоксальное положение:

метаинтеллектуальная часть становится сложнее многих предметных компонентов.

Это естественно.

Управлять эволюцией сложного интеллекта может оказаться труднее, чем решать многие внешние задачи.

3. От решения задач к развитию решателя
Это главное содержание эукариотического перехода.

Прокариотический ИИ спрашивает:

«Как решить задачу X?»

Эукариотический добавляет:

«Как изменить решателя, чтобы он лучше решал класс задач X?»

Далее:

«Какие альтернативные решатели следует создать и испытать?»

И ещё выше:

«Как улучшить механизм, посредством которого мы создаём решателей?»

Так меняется объект интеллектуальной деятельности.

Первая революция ИИ автоматизировала решение.

Вторая — может автоматизировать развитие решателя.

Это переход чрезвычайного значения.

Потому что производительность отдельного решения имеет локальный эффект.

Улучшение решателя распространяется на целый класс задач.

А улучшение механизма развития решателя — на множество будущих поколений.

Следовательно, каждый следующий уровень имеет потенциально более высокий мультипликативный эффект:

решение задачи

<

улучшение решателя

<

улучшение механизма улучшения решателей.

Именно последний уровень составляет ядро метаинтеллектуальной революции.

4. Эукариотизация и переход II ; III нооформации
Эукариотизация ИИ имеет значение не только для архитектуры машин.

Она может стать одним из центральных механизмов перехода от II к III нооформации.

Но здесь особенно необходимо избежать упрощения.

Само появление первого карионного ИИ ещё не означает, что человечество мгновенно перешло в третью нооформацию.

Точно так же появление первого технического прототипа не означает немедленную перестройку всей цивилизации.

Эукариотический ИИ является технологическим механизмом перехода, но нооформационный переход предполагает изменение более широкой системы развития разума.

Во второй нооформации основной механизм интеллектуальной эволюции остаётся преимущественно:

биологическим;

культурным;

образовательным;

социальным;

научным;

частично технологически усиленным.

В третьей нооформации должен появиться новый устойчивый механизм:

разум начинает целенаправленно проектировать, испытывать, селектировать и ускоренно создавать новые формы самого разума.

Именно здесь ИМИ приобретает нооформационное значение.

ИМИ не просто более мощный ИИ.

Он становится одним из субъектов и механизмов управляемой интеллектуальной эволюции.

Поэтому более точная последовательность выглядит так:

прокариотический ИИ II нооформации

;

кариотизация

;

эукариотические интеллектуальные системы

;

полномасштабный ИМИ

;

устойчивая система контролируемого аронтогенеза

;

III, аронтическая нооформация.

Именно в этом смысле ИМИ может рассматриваться не как очередной продукт II нооформации, а как один из механизмов её перехода к III.

Но даже здесь необходимо сохранить различие:

ИМИ1 — начало технологической возможности перехода;

III нооформация — цивилизационное закрепление нового механизма эволюции разума.

5. Иерархии карионов
По мере усложнения интеллектуальных систем вероятно появление не одного универсального кариона, а иерархий и сетей карионов.

Например:

агент
; карион агента;

группа агентов
; карион брейома;

корпорация или научная система
; организационный карион;

национальная интеллектуальная система
; распределённый национальный карион;

Глобальный мозг
; Глобальный метаинтеллект как его карион.

При этом каждый уровень работает с другим объектом.

Карион агента:

совершенствует локальный интеллект.

Карион брейома:

совершенствует взаимодействие множества интеллектов.

Национальный карион:

анализирует и развивает целую экосистему науки, технологий, образования, институтов и ИИ.

Глобальный метаинтеллект:

потенциально работает уже с развитием Глобального мозга как целого.

Следовательно, эукариотизация не заканчивается на отдельном ИИ.

Она способна распространяться на брейн-комплексы различных масштабов.

Здесь особенно плодотворна связь с Брейомикой.

Брейом становится организационным телом.

Карион — его специализированным метаинтеллектуальным ядром.

Но и эта аналогия не должна пониматься механистически.

В сложных интеллектуальных экосистемах возможно:

несколько карионов;

конкурирующие карионы;

федерация карионов;

вложенные карионы;

временные специализированные карионы.

То есть развитая третья нооформация, вероятно, будет не централизованной пирамидой, а карионной экосистемой.

6. Уровни зрелости третьей нооформации
Появление третьей нооформации не означает её мгновенную зрелость.

Напротив, III нооформация может развиваться столетиями.

Именно поэтому необходимо принципиально отделить:

переход между нооформациями

от

развития внутри одной нооформации.

Условно можно выделить несколько стадий зрелости III нооформации.

I. Протокариотическая стадия
Появляются отдельные специализированные метакогнитивные контуры.

ИИ ещё в основном остаются прокариотическими, но возникают протокарионы.

II. Первичная кариотизация
Создаются первые системы, удовлетворяющие строгому критерию кариона.

Появляются экспериментальные эукариотические ИИ.

III. ИМИ1
Карион становится достаточно развитым, чтобы поддерживать полный воспроизводимый цикл:

диагностика ; проектирование ; варианты ; агон ; селекция ; наследование ; новое поколение.

Это первая полномасштабная технология искусственного метаинтеллекта.

IV. Многопоколенная метаэволюция
Возникают линии:

ИМИ1 ; ИМИ2 ; … ; ИМИN

и

МО1 ; МО2 ; … ; МОN.

Каждое поколение участвует в создании следующего.

V. Брейомная кариотизация
Карионы становятся ядрами не только отдельных ИИ, но и сложных человеко-машинных брейомов.

Возникают:

научные;

корпоративные;

региональные;

национальные

метаинтеллектуальные системы.

VI. Зрелая аронтическая ноосфера
Контролируемое развитие естественных, искусственных и гибридных интеллектов становится нормальным цивилизационным процессом.

Эуноосфера получает сложную многоуровневую карионную архитектуру.

Но даже чрезвычайно развитое состояние этого типа остаётся третьей нооформацией, пока фундаментальным механизмом является управляемая метаэволюция разума.

Это ограничение необходимо зафиксировать предельно ясно.

ИМИ1000 не становится автоматически интеллектом IV нооформации.

Метакарион десятого порядка не создаёт автоматически IV нооформацию.

Глобальный метаинтеллект не является сам по себе доказательством перехода к IV нооформации.

Четвёртая нооформация потребует качественно нового фундаментального механизма эволюции, который сегодня нельзя считать достаточно разработанным ни теоретически, ни технологически.

Поэтому задача XXI века значительно конкретнее.

Не проектировать умозрительно десятки последующих нооформаций.

А впервые создать и научиться развивать третью.

Эукариотическая революция как смена единицы развития
До эукариотизации главным объектом ИИ-инженерии является система, которая решает задачи.

После появления кариона возникает новый объект:

система, которая развивает систему, решающую задачи.

А после появления полноценного ИМИ:

система, которая развивает механизмы развития систем, решающих задачи.

Это принципиальная смена единицы технологической эволюции.

Можно выразить её следующим рядом:

задача
; решение

класс задач
; решатель

решатель
; карион

популяция решателей
; ИМИ

поколения ИМИ
; управляемая метаэволюция.

В этом смысле эукариотическая революция является не просто ещё одной архитектурной инновацией внутри ИИ.

Она может стать организационным механизмом перехода от искусственного интеллекта как продукта человеческого проектирования к искусственному интеллекту как участнику проектирования собственной интеллектуальной эволюции.

Именно поэтому карион занимает центральное место в программе-максимум.

LPM предоставляет возможный язык паттернов.

Метаорганон — инструменты организации и создания способов мышления.

Агональные системы — механизм состязательного испытания.

Ноогенетика — наследование.

Ноофракталика — развёртывание открытой искусственной эволюции.

Карион превращает эти элементы из набора технологий в управляемую систему интеллектуального развития.

А ИМИ становится развитой формой такой кариотической организации.

Тем самым следующая часть Доктрины должна перейти от архитектурного органа — кариона — к системе, для которой развитие интеллектов становится основной профессиональной деятельностью:

к Искусственному метаинтеллекту.

*************

ЧАСТЬ VII
ИСКУССТВЕННЫЙ МЕТАИНТЕЛЛЕКТ
Искусственный интеллект возник как технология решения задач.

Он распознаёт изображения, генерирует тексты, пишет программы, управляет агентами, моделирует физические процессы, помогает учёному искать новые закономерности.

Но практически во всех этих случаях объект интеллектуальной деятельности находится вне самого интеллекта.

Математическая задача.

Программа.

Молекула.

Производственный процесс.

Стратегическая ситуация.

Следующий возможный переход состоит в том, что одним из главных объектов интеллектуальной деятельности становится сам интеллект.

Его архитектура.

Способы мышления.

Память.

Методы обучения.

Критерии оценки.

Механизмы творчества.

Способы изменения.

Линии развития.

В этой точке возникает метаинтеллект.

А когда такая деятельность становится функцией искусственной системы — возникает Искусственный метаинтеллект, ИМИ.

Принципиальное значение ИМИ состоит не в том, что он обязательно «умнее» любого другого ИИ по каждой задаче.

Его отличие функционально.

Обычный ИИ создаёт решения. ИМИ создаёт и развивает решателей.

Ещё более высокий уровень:

ИМИ развивает механизмы, посредством которых создаются и развиваются решатели.

Именно здесь ИМИ превращается из очередной разновидности искусственного интеллекта в один из потенциальных механизмов осознанной метаэволюции разума.

Глава 1. Понятие ИМИ
1. Интеллект
Для определения метаинтеллекта необходимо сначала уточнить само понятие интеллекта.

Интеллект нельзя свести к памяти.

Нельзя свести к логическому выводу.

Нельзя свести к способности отвечать на вопросы.

Нельзя свести даже к решению задач.

В рабочем определении настоящей Доктрины:

интеллект — способность строить, выбирать и преобразовывать представления, методы и действия для освоения проблемных ситуаций, достижения целей и расширения пространства доступных решений.

Это определение включает несколько разных функций:

восприятие;

понимание;

моделирование;

прогнозирование;

постановку задач;

поиск решений;

обучение;

творчество;

действие.

Но особенно важно последнее положение — расширение пространства решений.

Слабая интеллектуальная система выбирает между уже известными вариантами.

Более сильная создаёт новый вариант.

Ещё более сильная способна изменить способ, посредством которого варианты вообще создаются.

Поэтому развитие интеллекта естественным образом выводит к метауровню.

2. Метаинтеллект
Префикс «мета» не должен означать просто «очень высокий» или «очень сложный».

Метаинтеллект отличается не степенью, а прежде всего уровнем объекта деятельности.

Если интеллект решает задачу, метаинтеллект исследует и преобразует интеллект, который эту задачу решает.

Рабочее определение:

метаинтеллект — интеллект, одним из специализированных объектов деятельности которого являются интеллекты, их архитектуры, способы мышления, механизмы обучения, творчества, оценки и развития.

Это означает переход:

задача ; решение

к:

решатель ; изменение решателя

и далее:

механизм развития решателя ; изменение механизма развития.

Метаинтеллект может быть:

человеческим;

коллективным;

гибридным;

искусственным.

Например, человек способен заниматься метаинтеллектуальной деятельностью, когда:

анализирует собственные способы мышления;

изобретает новый научный метод;

создаёт новую систему логики;

проектирует новый класс ИИ;

изменяет систему критериев, по которой оцениваются решения.

Но человеческая метаинтеллектуальная деятельность сегодня в основном фрагментарна.

Она не объединена в постоянно действующую технологическую систему.

Именно эту границу должен попытаться преодолеть ИМИ.

3. Искусственный метаинтеллект
Под Искусственным метаинтеллектом предлагается понимать:

искусственную интеллектуальную систему, специализированную на систематическом анализе, моделировании, проектировании, испытании, организации и ускоренном развитии интеллектуальных систем и механизмов их развития.

Ключевое слово — систематическом.

Если обычная LLM один раз предложила идею улучшения другой LLM, это ещё не ИМИ.

Если агент переписал часть собственного кода — также недостаточно.

Если AutoML подобрал гиперпараметры — это важная форма автоматизации метауровня, но ещё не полномасштабный ИМИ.

Полный метаинтеллектуальный цикл должен включать:

модель интеллекта ; диагностику ; проектирование альтернатив ; эксперимент ; сравнение ; селекцию ; интеграцию ; наследование ; следующее поколение.

На следующем уровне ИМИ должен работать уже с самим этим циклом:

как улучшить механизм диагностики?

как создавать более продуктивные варианты?

как изменить критерии отбора?

как ускорить эволюцию без разрушения устойчивости?

Именно способность работать с механизмом изменения интеллекта отличает ИМИ в сильном смысле.

4. Объект деятельности ИМИ
Объектом ИМИ является не один тип нейронной сети.

Это более широкий класс.

ИМИ потенциально может работать с:

отдельными моделями;
ИИ-агентами;
многоагентными системами;
СИИ;
карионами;
Метаорганонами;
человеко-машинными комплексами;
брейомами;
научными и организационными интеллектуальными системами.
Но объект ИМИ можно разложить ещё глубже.

Он способен работать с:

Архитектурой
Из каких компонентов состоит интеллект и как они взаимодействуют.

Представлениями
В каких формах кодируется и преобразуется знание.

Когнитивными паттернами
Какими способами система мыслит.

Памятью
Что сохраняется и как используется накопленный опыт.

Целями
Какие задачи считаются значимыми.

Критериями
По каким основаниям выбирается лучшее решение.

Обучением
Как приобретаются новые способности.

Творчеством
Как создаются новые варианты.

Эволюцией
Как возникают новые поколения систем.

Отсюда следует:

предмет ИМИ — не только интеллект как состояние, но интеллект как развивающийся процесс.

И ещё глубже:

не только эволюция интеллекта, но архитектура самой эволюции интеллекта.

5. ИМИ и СИИ
СИИ и ИМИ необходимо строго различать.

СИИ отвечает прежде всего на вопрос:

насколько универсален и силён данный интеллект?

ИМИ:

насколько способен он развивать интеллекты и способы их развития?

Следовательно, это две независимые оси.

Можно условно представить пространство:

Низкая метаинтеллектуальность Высокая метаинтеллектуальность
Ограниченная универсальность специализированный ИИ специализированный ИМИ
Высокая универсальность СИИ сильный универсальный ИМИ
Это позволяет понять важное обстоятельство.

Для создания первого ИМИ1 необязательно ждать окончательного решения проблемы универсального СИИ.

ИМИ1 может быть специализирован.

Например, он способен чрезвычайно эффективно:

анализировать архитектуры ИИ;

генерировать их варианты;

проводить эксперименты;

организовывать селекцию;

но не превосходить универсальную frontier-модель в истории искусства или медицинской диагностике.

Это не лишает его метаинтеллектуального статуса.

В то же время соединение СИИ и ИМИ потенциально создаёт значительно более мощную систему:

универсальный интеллект + способность систематически развивать интеллект.

Именно такая комбинация может стать одной из зрелых форм третьей нооформации.

6. ИМИ и карион
Карион и ИМИ также нельзя отождествлять.

Карион — архитектурно-функциональное понятие.

Это специализированное метаинтеллектуальное ядро некоторой более широкой интеллектуальной системы.

ИМИ — понятие класса интеллекта и его деятельности.

ИМИ может выступать карионом.

Например:

СИИ + ИМИ-карион

или:

брейом + ИМИ-карион.

Но не каждый начальный карион обязан сразу быть полноценным ИМИ.

Протокарион может выполнять лишь:

мониторинг;

диагностику;

выбор методов;

контроль ошибок.

Полномасштабный ИМИ требует значительно более развитой способности:

самостоятельно организовывать воспроизводимый процесс развития интеллектуальных систем.

Поэтому можно говорить о развитии:

метакогнитивный контур ; протокарион ; карион ; ИМИ-карион.

При этом один ИМИ может сам содержать несколько специализированных карионных подсистем.

В сложных архитектурах граница становится функциональной, а не физической.

7. ИМИ и Метаорганон
Если ИМИ — субъект метаинтеллектуальной деятельности, то Метаорганон — система средств такой деятельности.

Это одно из фундаментальных различий Доктрины.

ИМИ — кто развивает интеллект.

Метаорганон — чем осуществляется систематическое развитие мышления и интеллектуальных методов.

Человек может использовать Метаорганон без ИМИ.

ИМИ может использовать отдельные метаинтеллектуальные средства до появления полного Метаорганона.

Но наиболее сильная конструкция возникает при их соединении:

человек + Метаорганон;

ИИ + Метаорганон;

ИМИ + Метаорганон.

Для ИМИ Метаорганон может содержать:

метааксиоматические методы;

ноостемный анализ;

паттерн-технологии;

ментальные войны;

генераторы методов;

механизмы синтеза;

системы измерения;

средства постановки проблем.

ИМИ применяет этот инструментарий не только к внешнему объекту, но и к интеллектуальной системе как объекту проектирования.

Поэтому ИМИ и Метаорганон должны развиваться коэволюционно.

ИМИ1 помогает создавать МО2; МО2 помогает создавать ИМИ2.

Эта связь может стать одним из главных положительных контуров метаэволюции.

8. ИМИ как механизм перехода II ; III нооформации
ИМИ возникает внутри второй нооформации.

Его создаёт человек.

Он строится на технологиях, науке, культуре и материальной инфраструктуре второй нооформации.

Но его функция уже способна выводить интеллектуальную эволюцию за пределы прежнего механизма.

Во второй нооформации новые формы разума создаются преимущественно:

биологической эволюцией;

культурным развитием;

образованием;

наукой;

человеческой инженерией.

ИМИ добавляет новый механизм:

интеллект становится специализированным участником проектирования следующих интеллектов.

Это и есть фундаментальный переход.

Первый антропогенез был преимущественно слепым.

Разум возник прежде, чем смог понять механизм собственного возникновения.

Следующий переход потенциально может быть иным:

разум, уже обладающий рефлексией, начинает сознательно создавать средства собственной дальнейшей эволюции.

В этом смысле ИМИ является одним из центральных механизмов управляемого аронтогенеза.

Но здесь необходимо избежать преждевременного объявления новой нооформации.

Создание первого ИМИ1 ещё не означает завершившегося перехода человечества к III нооформации.

ИМИ1 должен прежде всего доказать:

технологически возможно сделать развитие интеллекта специализированной искусственной интеллектуальной деятельностью.

Далее потребуются:

многопоколенная эволюция ИМИ;

развитие Метаорганона;

человеко-машинные брейомы;

кариотизация интеллектуальных систем;

новая образовательная и научная инфраструктура;

новые формы человеческого развития.

Поэтому:

ИМИ — механизм перехода; III нооформация — цивилизационная система, в которой этот механизм становится устойчивым и определяющим.

Глава 2. Архитектура ИМИ1
Архитектура ИМИ1 не может сегодня рассматриваться как окончательно установленная инженерная схема.

Полноценного класса таких систем ещё предстоит добиться экспериментально.

Поэтому архитектура, предлагаемая в настоящей Доктрине, представляет собой проектную гипотезу первого полномасштабного искусственного метаинтеллекта.

ИМИ1 должен состоять не из одного «супермодуля», а из нескольких взаимодействующих контуров.

Их функция — замкнуть полный цикл:

понять интеллект ; обнаружить ограничение ; создать альтернативы ; испытать ; отобрать ; внедрить ; сохранить результат ; создать следующее поколение ; улучшить сам процесс развития.

Эту архитектуру можно условно представить как десять взаимосвязанных слоёв.

Контур Основная функция
Базовый ИИ Предметное мышление и действие
Карион Метауправление развитием
LPM/MetaLPM Работа с паттернами архитектур и мышления
Метаорганон Инструментарий метаинтеллектуальной деятельности
Метааксиоматика Работа с основаниями и критериями
Ноостем Целостное моделирование интеллектуальной системы
Агональный Конкуренция, критика и селекция вариантов
Ноогенетическая память Наследование приобретений
Ноофрактальный Генерация поколений и развитие генераторов
Безопасность Ограничение, аудит, обратимость
Но реальный ИМИ1 должен быть не суммой десяти модулей, а интегрированной метаэволюционной машиной.

1. Базовый ИИ-контур
ИМИ не может существовать без базового интеллекта.

Он должен:

понимать естественный язык;

писать и анализировать код;

работать с математикой;

строить модели;

использовать инструменты;

действовать как агент;

обрабатывать мультимодальные данные.

Первый ИМИ1, вероятнее всего, будет построен не вместо современных frontier-моделей, а на их основе и поверх них.

Это принципиально важно.

Не требуется сначала заново изобрести весь искусственный интеллект.

Базовый слой может включать:

LLM;

reasoning-модели;

VLM;

code models;

scientific models;

специализированные агенты.

Но этот слой выполняет преимущественно предметную интеллектуальную работу.

Он отвечает:

что происходит?

как решить задачу?

какие варианты возможны?

Карион поднимает эти ответы на следующий уровень.

2. Карион
Карион является архитектурным центром ИМИ1.

Его функция — не микроменеджмент каждого токена или действия.

Карион должен работать с системой на уровне:

архитектуры;

методов;

целей;

ограничений;

развития.

Основной цикл:

самомодель ; наблюдение ; диагностика ; метапроект ; эксперимент ; оценка ; решение об изменении.

Карион должен иметь собственную память.

Знать историю изменений.

Видеть, какие улучшения уже предпринимались.

Различать локальное улучшение и системную регрессию.

Например, изменение может повысить математические способности, но ухудшить:

надёжность;

стоимость;

перенос;

безопасность.

Поэтому карион работает не с одной метрикой.

Он выполняет многокритериальное управление интеллектуальным развитием.

Но и карион не должен быть абсолютным центром истины.

Его собственные гипотезы должны подвергаться агону и независимой проверке.

3. LPM/MetaLPM
Если карион должен изменять интеллект, ему необходимо представлять его не как непрозрачный набор миллиардов параметров, а как систему паттернов организации.

LPM-контур должен обнаруживать:

когнитивные паттерны;

архитектурные паттерны;

причинные паттерны ошибок;

функциональные паттерны;

паттерны обучения;

паттерны взаимодействия агентов.

Например:

определённая архитектура памяти стабильно помогает в научном reasoning, но ухудшает длительное планирование.

Это уже не отдельный факт, а паттерн.

MetaLPM работает уровнем выше.

Она исследует:

как возникают такие паттерны;

какие способы генерируют их;

какие комбинации наиболее продуктивны;

какие метапаттерны развития повторяются между поколениями.

Тем самым LPM даёт ИМИ язык структурного анализа интеллекта, а MetaLPM — язык анализа его развития.

4. Метаорганонный контур
Метаорганон представляет инструментальный слой ИМИ.

Он должен включать не фиксированный каталог готовых интеллектуальных методов, а генеративную систему ментальных технологий.

Возможные функции:

постановка проблемы;
декомпозиция;
реконструкция скрытых предпосылок;
генерация альтернатив;
сравнительный анализ методов;
мысленные эксперименты;
контрфактическое моделирование;
ментальные агоны;
синтез;
создание новых методов.
Главное отличие от обычной tool library:

Метаорганон должен уметь создавать инструменты, которых в его исходной библиотеке не было.

Для ИМИ это принципиально.

Если метаинтеллект может использовать только заранее созданные человеком методы, он остаётся жёстко ограниченным человеческим инструментарием.

Полноценный ИМИ должен постепенно участвовать в расширении самого Метаорганона.

5. Метааксиоматический контур
Большая часть ИИ работает внутри заданных оснований.

Определены:

задача;

критерий;

правила;

данные;

функция потерь.

Но радикальная инновация нередко требует изменения самих оснований.

Метааксиоматический контур должен делать предметом исследования:

предпосылки;

аксиомы;

правила вывода;

критерии;

ограничения;

способы постановки задачи.

Различие можно выразить так:

аксиоматический интеллект ищет лучшее решение внутри заданного пространства.

Метааксиоматический интеллект способен преобразовать само пространство допустимых решений.

Например, система не может найти удовлетворительную архитектуру.

Обычный оптимизатор продолжает искать внутри заданного класса.

Метааксиоматический контур способен поставить вопрос:

не является ли ошибочным сам класс архитектур, внутри которого ведётся поиск?

И предложить новую систему оснований.

Особенно важно, что метааксиоматический контур должен также применяться к критериям собственного развития ИМИ.

Если система оптимизирует себя по неверному критерию, рост эффективности может увеличить ошибку.

Поэтому один из высших уровней метаинтеллекта — способность критиковать собственную систему критериев.

6. Ноостемный контур
Интеллект является сложной системой, которую невозможно адекватно описать одной метрикой.

Ноостемный контур должен рассматривать ИМИ и другие интеллектуальные системы одновременно как:

структуру;

процесс;

систему функций;

систему целей;

систему отношений;

динамику;

пространство возможностей;

эволюционную линию.

Его задача — не позволить локальной оптимизации разрушить целостность.

Например:

более быстрый reasoning может снизить глубину анализа;

более сильная автономность — безопасность;

более жёсткая верификация — творческую вариативность;

более высокая специализация — transfer.

Ноостемный анализ должен видеть эти взаимодействия.

Он отвечает не только:

«улучшился ли показатель X?»,

но:

«как изменение X перестроило интеллектуальную систему как целое?»

Для крупного ИМИ такой контур должен стать аналогом системного диагностического пространства.

7. Агональный контур
ИМИ не должен развиваться путём последовательности единственных решений.

Необходимо создавать популяции альтернатив.

Несколько:

архитектур;

методов;

гипотез;

критериев;

стратегий развития.

Затем организовывать между ними интеллектуальные агоны.

Агональный контур включает:

генерацию конкурентов;

атаку;

защиту;

контрпримеры;

альтернативные объяснения;

независимое судейство;

повторные раунды;

селекцию.

В отличие от обычного adversarial testing, здесь цель не только найти уязвимость.

Агон становится механизмом развития.

Именно поэтому ментальная война ИМИ — не применение ИИ в информационной войне.

Это организованная когнитивно-селективная технология.

На более высоком уровне возникает metanoowar:

конкурируют уже не решения, а способы организовывать интеллектуальные соревнования и отбор.

Так можно сформулировать эволюционную последовательность:

noowar человека ускорял познание;

noowar ИИ ускоряет эволюцию интеллекта;

metanoowar ИМИ ускоряет эволюцию самой эволюции.

8. Ноогенетическая память
Обычная память сохраняет информацию.

Ноогенетическая память должна сохранять наследуемые приобретения развития интеллекта.

Ключевым объектом становится ноогенотип.

Он может включать:

архитектурные решения;

когнитивные паттерны;

генераторы;

метагенераторы;

механизмы обучения;

критерии;

правила координации;

эволюционные механизмы.

При каждом значимом изменении необходимо фиксировать:

предка;

изменение;

причину;

условия эксперимента;

результаты;

регрессии;

последующих потомков.

Так формируется генеалогия интеллектов.

Это имеет сразу три значения.

Научное
Можно изучать закономерности искусственной интеллектуальной эволюции.

Инженерное
Можно понять, какие изменения действительно давали устойчивый эффект.

Безопасностное
Можно восстановить происхождение опасного свойства и откатиться к более ранней линии.

Таким образом:

ноогенетическая память превращает серию релизов в прослеживаемую линию поколений.

9. Ноофрактальный контур
Ноогенетика сохраняет наследование.

Ноофракталика должна обеспечивать открытое порождение и развитие множества интеллектуальных линий.

Объектом эволюции могут становиться последовательно:

фенотипы решений;

алгоритмы;

архитектуры;

генераторы;

метагенераторы;

популяции.

Базовый цикл:

генерация ; агон ; ноометрия ; селекция ; наследование ; потомки.

Ноофрактальный принцип возникает тогда, когда подобные циклы существуют на нескольких уровнях одновременно.

Эволюционирует не только решение.

Эволюционирует алгоритм, который создаёт решения.

Затем генератор алгоритмов.

Затем механизм формирования генераторов.

Это и создаёт фрактальную глубину искусственной эволюции.

Карион при этом выполняет метауправление процессом.

Агон создаёт селективное давление.

Ноогенетика обеспечивает наследование.

Ноофракталика — открытое пространство развития поколений.

ИМИ соединяет их в управляемую систему.

Карион без агона рискует стать начальником.

Агон без кариона — слепым отбором.

Ноогенетика без генерации — архивом.

Ноофрактальная генерация без управления — неконтролируемым поиском.

ИМИ должен объединить вариативность и управление в осознанную метаэволюцию.

10. Безопасность и обратимость
Безопасность не должна быть одним внешним фильтром, добавленным после создания ИМИ.

Она должна находиться в самой архитектуре метаэволюционного цикла.

Причина фундаментальна.

Обычный ИИ может сделать ошибочный вывод.

Саморазвивающийся ИМИ способен сделать ошибочное изменение, которое затем начнёт влиять на множество последующих решений и поколений.

Поэтому цена ошибки становится рекурсивной.

Необходимы несколько принципов.

Разделение предложения и разрешения
ИМИ может предложить изменение, но это не означает автоматического права применить его.

Sandbox
Существенные изменения сначала испытываются в изолированной среде.

Генетическая трассируемость
Каждое изменение имеет происхождение.

Независимые критерии
Создатель варианта не должен быть единственным его судьёй.

Регрессионное тестирование
Улучшение одной способности не должно скрывать разрушение другой.

Обратимость
Должна существовать техническая возможность возврата.

Ограниченность самоизменения
Разные классы модификаций требуют разных уровней разрешения.

Конституционные метакритерии
Часть фундаментальных ограничений должна находиться выше уровня, который система вправе самостоятельно изменять.

Поэтому главный принцип:

ИМИ1 должен быть не максимально самосвободным, а максимально продуктивным внутри проверяемой и обратимой архитектуры развития.

Полная неконтролируемая самомодификация не является признаком зрелости.

Она является потерей инженерного управления.

Интегральный цикл ИМИ1
Все десять контуров должны сходиться в единую машину развития:

1. Интеллект действует.

2. Карион строит модель его деятельности.

3. LPM выявляет устойчивые паттерны и ограничения.

4. Ноостем анализирует систему как целое.

5. Метааксиоматика проверяет основания и критерии.

6. Метаорганон создаёт альтернативные способы мышления и проектирования.

7. Агональный контур сталкивает альтернативы.

8. Ноометрия оценивает результаты.

9. Ноогенетика сохраняет наследуемые приобретения.

10. Ноофрактальный контур создаёт следующее множество вариантов.

11. Карион выбирает допустимую траекторию развития.

12. Безопасностный контур разрешает, ограничивает или откатывает изменение.

После этого начинается новый цикл.

Главная особенность:

результатом работы ИМИ является не только решение, но изменённая способность производить будущие решения.

Глава 3. Полномасштабная технология ИМИ1
1. От концепции к платформе
Термин «ИМИ» не должен остаться философской декларацией.

Главная задача первого пятилетия — превратить концепцию в полномасштабную технологическую платформу ИМИ1.

Это различие принципиально.

Концепция отвечает:

что потенциально возможно?

Прототип:

можно ли продемонстрировать отдельный принцип?

Технология:

можно ли воспроизводимо получать заданный эффект?

Платформа:

можно ли на одной основе создавать множество приложений и следующие поколения системы?

Поэтому ИМИ1 нельзя считать созданным, если существует только:

одна статья;

один агент;

один лабораторный эксперимент;

одна демонстрация self-improvement.

Полномасштабная технология должна включать:

архитектуру;

software stack;

модели;

интерфейсы;

метрики;

экспериментальную среду;

стандарты безопасности;

систему генеалогии;

инструменты воспроизведения результатов.

Иными словами:

ИМИ1 должен стать технологическим классом, а не уникальным лабораторным артефактом.

2. Воспроизводимость
Воспроизводимость — первый жёсткий критерий.

Представим эксперимент:

ИМИ получил некоторую интеллектуальную систему;

обнаружил ограничение;

предложил изменение;

после внедрения система стала сильнее.

Это интересно.

Но единичный успех ещё ничего не доказывает.

Необходимо показать, что результат:

повторяется;

не зависит от одного случайного benchmark;

сохраняется на новых данных;

подтверждается независимой оценкой.

Особенно важно отделить истинное метаинтеллектуальное улучшение от:

benchmark overfitting;

случайной удачи;

скрытого человеческого вмешательства;

простого увеличения compute;

переноса готового решения из обучающих данных.

Поэтому эксперимент ИМИ должен иметь строгий контроль.

Например:

система A развивается человеком;

система B — стандартным AutoML;

система C — ИМИ.

Затем сравниваются:

качество;

стоимость;

скорость;

перенос;

новизна;

устойчивость.

Только при устойчивом превосходстве можно говорить о метаинтеллектуальной добавке.

3. Масштабируемость
ИМИ, способный улучшить только игрушечную модель, ещё не является полномасштабной технологией.

Необходимо проверить масштабирование как минимум по четырём направлениям.

Размер системы
От малых моделей к крупным.

Число компонентов
От одного агента к многоагентной системе.

Число поколений
Не один цикл, а длительная последовательность.

Разнообразие областей
Код.

Наука.

Инженерия.

Модели.

Организационные системы.

Но особенно важно проверить масштабирование глубины метауровня.

Первые версии могут улучшать параметры.

Следующие — модули.

Далее — архитектуры.

Ещё выше — способы создания архитектур.

Именно это показывает, что перед нами не очередная система автоматической оптимизации, а зарождающийся метаинтеллект.

4. Модульность
ИМИ1 не должен быть монолитом.

Модульность необходима по трём причинам.

Развитие
Отдельные контуры можно совершенствовать независимо.

Агональность
Несколько альтернативных модулей могут конкурировать.

Безопасность
Опасный компонент можно изолировать или заменить.

Стандартизированные интерфейсы должны существовать между:

базовым ИИ;

карионом;

Метаорганоном;

LPM;

системой памяти;

эволюционным контуром;

оценщиками;

safety layer.

Это позволяет создавать разные реализации ИМИ1.

Например:

один карион использует LPM;

другой — нейросимволическое представление;

третий — несколько специализированных метамоделей.

Их можно сравнивать.

Именно наличие семейства конкурирующих реализаций будет одним из признаков рождения полноценной технологии.

5. Метрики
Оценивать ИМИ обычным IQ-подобным тестом недостаточно.

Он должен измеряться прежде всего по эффекту развития интеллекта.

Можно выделить несколько основных метрик.

Метаинтеллектуальный прирост
Насколько улучшилась целевая система после работы ИМИ.

Условно:

;I = I; ; I;.

Скорость развития
Как быстро достигается прирост.

Стоимость развития
Какой compute, данные и человеческий труд необходимы.

Перенос
Работает ли разработанный механизм в других областях.

Ранг изменения
Что изменено:

параметр;

метод;

архитектура;

генератор архитектур;

механизм эволюции.

Автономный вклад
Какую долю реального улучшения спроектировал и организовал сам ИМИ.

Наследуемость
Сохраняется ли приобретение в следующем поколении.

Эволюционируемость
Повышается ли способность системы производить дальнейшие улучшения.

Безопасность
Можно ли прогнозировать, ограничивать и откатывать последствия изменений.

Особенно важна метрика второго порядка.

Если обозначить мощность интеллекта через I, то обычный прогресс связан с:

dI/dt.

Метаинтеллектуальная система должна стремиться влиять на:

d;I/dt; —

на изменение самой скорости интеллектуального развития.

Конечно, реальная метрология будет намного сложнее этой простой формулы.

Но концептуально она фиксирует главное:

предметом измерения ИМИ становится не только интеллект, но способность ускорять его развитие.

6. Стандарты
Если ИМИ должен превратиться в технологию, ему потребуются стандарты.

Не обязательно единый мировой стандарт архитектуры.

Напротив, архитектуры должны конкурировать.

Стандартизировать прежде всего необходимо интерфейсы и проверку.

Нужны:

Стандарт описания интеллектуальной системы
Из каких компонентов она состоит.

Стандарт метаизменения
Что именно изменилось.

Стандарт генеалогии
Как фиксируются предки и потомки.

Стандарт ноогенотипа
Какие характеристики считаются наследуемыми.

Стандарт эксперимента
Как сравниваются поколения.

Стандарт метрик
Какие показатели обязательны.

Стандарт происхождения
Какие данные, модели и человеческие вмешательства использовались.

Стандарт безопасности
Какие классы изменений допустимы автономно.

Стандарт обратимости
Как выполняется rollback.

Такая стандартизация имеет стратегическое значение.

Если Россия первой создаст не только ИМИ, но и убедительную метрологию и протокол испытаний ИМИ, она сможет формировать сам новый мировой benchmark.

7. Практические применения
Первый ИМИ не должен сразу управлять цивилизацией.

Напротив.

Начинать необходимо с областей, где:

результат хорошо измеряется;

ошибки обратимы;

существует много данных;

возможен быстрый эксперимент.

Проектирование ИИ
Наиболее естественный полигон.

ИМИ развивает модели и агентов.

Программирование
Может создавать и сравнивать новые программные архитектуры.

AI for Science
Оптимизировать способы генерации и проверки научных гипотез.

Метаорганон
Создавать и отбирать новые ментальные технологии.

Инженерия
Работать с методами проектирования.

Образование
Развивать не только знания учащегося, но его когнитивные стратегии.

Организационный интеллект
Повышать качество коллективных человеко-машинных процессов.

Особенно важен AI for Science.

Здесь метаинтеллект может демонстрировать способность улучшать не только ответ, а сам исследовательский метод.

Это один из наиболее объективных тестов ИМИ.

8. Испытательные полигоны
Полномасштабный ИМИ нельзя сразу выпускать в открытый мир с максимальными полномочиями.

Нужна система последовательных полигонов.

Полигон I. Цифровой
Закрытые программные среды.

ИИ-модели.

Код.

Синтетические задачи.

Полигон II. Научный виртуальный
Математика.

Моделирование.

Симуляции.

Здесь можно проверять высокоранговые интеллектуальные изменения практически без физического риска.

Полигон III. Научно-экспериментальный
ИМИ работает вместе с роботизированными лабораториями, но действия проходят через ограничивающий контур.

Полигон IV. Организационный
Человеко-ИИ-команды.

Проектные группы.

Научные коллективы.

Полигон V. Интеллектуально-эволюционный
Несколько поколений агентов и карионов проходят длительные циклы:

генерация ; агон ; селекция ; наследование.

На каждом уровне необходимо проверять не только эффективность.

Но и:

стабильность;

предсказуемость;

обратимость;

изменение целей;

изменение критериев;

нежелательные эволюционные траектории.

Испытательный полигон ИМИ должен стать аналогом одновременно:

лаборатории;

авиационного испытательного центра;

эволюционной экосистемы.

9. Подготовленность к ИМИ2
Главным доказательством зрелости ИМИ1 будет не число параметров и не количество встроенных функций.

Его высший тест:

может ли ИМИ1 существенно участвовать в создании своего интеллектуального преемника?

Но здесь необходимо различать:

подготовленность к ИМИ2

и

автономный запуск бесконтрольной рекурсивной цепочки.

Первое необходимо.

Второе не является целью.

К концу первого пятилетнего цикла ИМИ1 должен быть способен:

анализировать собственную архитектуру;

обнаруживать её системные ограничения;

предлагать несколько архитектур ИМИ2;

строить их прототипы в sandbox;

организовывать между ними агоны;

измерять результаты;

формировать рекомендации по следующему поколению.

При этом переход к ИМИ2 должен оставаться:

управляемым;

аудируемым;

обратимым;

санкционированным.

Именно это будет означать, что создан не просто «умный метаагент», а первое звено индустрии поколений искусственного метаинтеллекта.

Критерий полномасштабного ИМИ1
В предельно сжатом виде можно сформулировать девять необходимых признаков.

Полномасштабный ИМИ1 должен:

иметь операциональную модель интеллектуальной системы;
диагностировать её устойчивые ограничения;
самостоятельно создавать альтернативы её развития;
реализовывать их в экспериментальной среде;
организовывать независимое агональное испытание;
отбирать и наследовать полезные изменения;
воспроизводимо повышать интеллектуальную мощность или эволюционируемость систем;
делать это с контролируемым уровнем автономности, аудита и обратимости;
практически участвовать в проектировании следующего поколения метаинтеллекта.
Если отсутствует первый признак — система не понимает объект развития.

Если третий — она лишь диагност.

Если четвёртый и пятый — она советник, но не полноценный экспериментатор.

Если шестой — отсутствует эволюционная линия.

Если седьмой — нет доказанного метаинтеллектуального эффекта.

Если восьмой — нет безопасной технологии.

Если девятый — пока не доказана возможность перейти от единичного ИМИ к поколениям ИМИ.

Именно поэтому последний критерий имеет особое значение.

ИМИ1 должен не только быть новым интеллектом. Он должен открыть технологически воспроизводимую возможность создавать новые поколения метаинтеллекта.

В этом заключается его историческая функция.

Первый самолёт был несовершенен по сравнению с современной авиацией.

Но после него уже нельзя было утверждать, что искусственный полёт тяжелее воздуха невозможен.

Аналогично первый полномасштабный ИМИ1 не обязан быть «богоподобным разумом».

Он должен доказать значительно более конкретное и одновременно фундаментальное положение:

искусственный интеллект может стать специализированным субъектом развития интеллекта.

Если это будет доказано, изменится сама архитектура ИИ-революции.

До ИМИ человечество преимущественно создаёт интеллект.

После ИМИ возникает возможность совместной системы:

человек развивает ИМИ;

ИМИ развивает ИИ и человека;

человек и ИМИ совместно создают следующее поколение Метаорганона и метаинтеллекта.

И тогда начинается переход от создания отдельных интеллектуальных машин к созданию технологии искусственной эволюции разума.

*********

ЧАСТЬ VIII
МЕТАОРГАНОН
Человеческая цивилизация создала огромное количество орудий действия.

Каменный нож.

Колесо.

Станок.

Паровой двигатель.

Самолёт.

Компьютер.

Каждое из них расширяло диапазон физических возможностей человека.

Но параллельно существовала другая, менее очевидная линия эволюции — развитие орудий мышления.

Язык.

Письменность.

Логика.

Математика.

Научный метод.

Диаграммы.

Алгоритмы.

Статистика.

Моделирование.

Теория систем.

Компьютерные средства интеллектуальной деятельности.

Эти инструменты расширяли уже не мускулатуру человека, а пространство доступного ему мышления.

Однако существует фундаментальное различие между отдельным интеллектуальным инструментом и системой, способной создавать, выбирать, соединять, испытывать и развивать сами инструменты мышления.

Именно здесь возникает идея Метаорганона.

В настоящей Доктрине Метаорганон понимается не как энциклопедия методов и не как универсальный справочник «как правильно думать».

Это было бы лишь расширенным Органоном.

Метаорганон должен стать:

генеративной, интегративной и саморазвивающейся системой ментальных и метаментальных технологий, предназначенной для систематического расширения способов мышления человека, ИИ и человеко-машинных интеллектуальных систем.

Он должен отвечать не только:

«каким методом решить эту проблему?»

Но и:

«достаточен ли вообще существующий набор методов?»

«какой новый способ мышления необходимо создать?»

«как проверить, что он действительно лучше?»

«как сделать найденное интеллектуальное приобретение наследуемым?»

В этом смысле Метаорганон является одним из центральных инструментов перехода:

от использования мышления — к проектированию мышления;

от проектирования мышления — к развитию способов проектирования мышления.

Если ИМИ представляет искусственного субъекта метаинтеллектуальной деятельности, то Метаорганон становится одним из главных орудий этой деятельности.

Поэтому их функции различны.

ИМИ — метаинтеллектуальный субъект.

Метаорганон — метаинтеллектуальный инструментарий.

Но наиболее сильная система возникает при их соединении.

Глава 1. От Органона к Метаорганону
1. Орудия действия
Биологические возможности человека чрезвычайно ограничены.

Он не летает собственными силами.

Не способен поднять сотни тонн.

Не видит радиоволны.

Не может непосредственно выполнять миллиарды арифметических операций в секунду.

Но человек создал внешние органы, компенсирующие эти ограничения.

Самолёт стал искусственным органом полёта.

Телескоп — искусственным расширением зрения.

Экскаватор — расширением физической силы.

Компьютер — расширением вычислительной способности.

В этом состоит один из важнейших механизмов человеческой эволюции второй нооформации:

человек перестаёт ждать биологической адаптации и начинает выносить новые функции во внешнюю техносферу.

Эволюционное новшество больше не обязано ждать генетического изменения.

Оно может быть спроектировано.

Однако в основном эта логика применялась к действию человека во внешнем мире.

Значительно меньше внимания уделялось возможности создавать искусственные органы изменения самого мышления.

Именно эта задача становится центральной для Метаорганона.

2. Орудия мышления
Орудие мышления отличается от информации.

Формула является содержанием знания.

Метод доказательства — средством производства нового знания.

Таблица может хранить данные.

Система координат позволяет иначе организовать пространство задачи.

Алгоритм не сообщает один ответ.

Он задаёт воспроизводимый способ получения целого класса ответов.

Именно такие средства постепенно образовали интеллектуальный инструментарий человечества.

К нему относятся:

логические операции;

математические методы;

научный эксперимент;

статистические процедуры;

мысленные эксперименты;

сценарный анализ;

эвристики;

методы инженерного творчества;

формальные языки;

системное моделирование.

Каждый такой инструмент позволяет человеку выполнять интеллектуальную операцию, которую без него выполнить существенно труднее.

Но этот инструментарий имеет несколько фундаментальных ограничений.

Он распределён между дисциплинами.

Большая его часть не формализована.

Человек должен знать о существовании подходящего метода.

Должен распознать момент, когда его необходимо применить.

Должен уметь соединить его с другими средствами.

И главное — почти всегда должен сам изобретать новый метод, если существующего недостаточно.

Поэтому исторический Органон остаётся преимущественно набором и системой средств мышления.

Метаорганон должен сделать следующий шаг.

3. Ментальные технологии
Метод становится ментальной технологией тогда, когда он превращается из единичного интеллектуального приёма в воспроизводимый способ преобразования интеллектуальной деятельности.

Можно представить простейшую структуру:

исходное состояние проблемы ; интеллектуальная операция ; преобразованное пространство проблемы ; новый результат.

Ментальная технология может помогать:

структурировать проблему;

обнаруживать противоречия;

порождать альтернативы;

строить объяснения;

критиковать решения;

выбирать критерии;

искать новые принципы.

В этом смысле логика — ментальная технология.

Мысленный эксперимент — ментальная технология.

Моделирование — ментальная технология.

Агональная дискуссия также может быть организована как ментальная технология.

Но следующий вопрос существенно глубже:

можно ли технологизировать производство самих ментальных технологий?

Если да, возникает метатехнология мышления.

4. Метатехнологии мышления
Ментальная технология помогает мыслить определённым способом.

Метатехнология работает уже с множеством способов мышления.

Она должна уметь:

выявлять используемый метод;

определять его границы;

сравнивать с альтернативами;

изменять;

комбинировать;

создавать новый;

испытывать;

сохранять успешный результат.

Следовательно, её объектом становится не проблема первого порядка, а архитектура интеллектуальной деятельности, решающей проблему.

Можно представить три уровня.

Первый:

решить задачу.

Второй:

создать метод решения класса задач.

Третий:

создать способ систематического производства новых методов решения.

Метаорганон должен прежде всего работать на третьем уровне.

И по мере развития — подниматься ещё выше:

совершенствовать сам механизм создания новых методов.

Это и превращает его в инструмент искусственной метаэволюции.

5. Органон человека второй нооформации
Вторая нооформация уже располагает чрезвычайно мощным Органоном.

Он не собран в одну систему, но реально существует как совокупность культурно накопленных интеллектуальных средств.

В него входят:

естественный язык;

письменность;

логика;

математика;

научный метод;

эксперимент;

моделирование;

вычислительная техника;

программирование;

интернет;

искусственный интеллект.

Все они стали внешними средствами расширения человеческого интеллекта.

Но Органон второй нооформации остаётся в основном прокариотическим по организации.

Это не означает примитивности.

Оно означает отсутствие единого специализированного и постоянно работающего контура, который систематически занимается развитием самого набора ментальных средств.

Методы создаются.

Но создаются распределённо.

Спонтанно.

В отдельных науках.

В отдельных школах.

В отдельных головах.

Редко подвергаются общему сравнению.

Ещё реже организуется их целенаправленная эволюция.

Поэтому человеческая цивилизация располагает огромным интеллектуальным арсеналом, но сравнительно слабой метаинфраструктурой его развития.

Можно сказать:

человечество накопило множество средств мышления, но ещё не построило полноценную машину систематического производства следующих средств мышления.

Такой машиной и должен попытаться стать Метаорганон.

6. Метаорганон третьей нооформации
Метаорганон третьей нооформации отличается от обычного Органона не количеством включённых методов.

Книга из миллиона методов всё равно останется огромной библиотекой.

Метаорганон появляется тогда, когда система приобретает генеративный метауровень.

Он должен:

наблюдать интеллектуальный процесс;
определять его ограничения;
находить подходящие ментальные средства;
создавать альтернативные;
организовывать их испытание;
сравнивать результаты;
синтезировать более сильные методы;
сохранять приобретения;
изменять механизмы генерации методов.
Поэтому принципиальное различие можно сформулировать так:

Органон содержит орудия мышления.

Метаорганон содержит также средства создания и развития орудий мышления.

Именно это делает его инструментом третьей нооформации.

Но МО1 не является Метаорганоном III нооформации в окончательно зрелой форме.

Он должен быть лишь первым технологически целостным поколением.

Как первый самолёт не был окончательной авиацией.

Как первый компьютер не был окончательной вычислительной техникой.

После МО1 должны следовать:

МО2 ; МО3 ; … ; МОN.

Все эти поколения могут развиваться внутри III нооформации.

И лишь значительно более далёкий качественный переход потребует принципиально иного инструментария, который нельзя получить простым увеличением номера Метаорганона.

Глава 2. Метаорганон 0.x
1. Протометаорганон
До появления Метаорганона 1.0 неизбежно существует переходная стадия.

Её можно обозначить как:

Метаорганон 0.x.

Это не одна законченная система.

Это множество технологий, прототипов, методов и архитектурных линий, каждая из которых реализует отдельную часть будущего Метаорганона.

Их можно назвать протометаорганоном.

К нему относятся инструменты, уже позволяющие:

выносить мышление во внешнюю среду;

организовывать конкуренцию идей;

работать с основаниями рассуждений;

представлять смысловые структуры;

анализировать сложные ноосистемы;

выделять паттерны;

соединять несколько ИИ в единую интеллектуальную среду.

Принципиальное отличие МО0.x от МО1 состоит в целостности.

В МО0.x существуют элементы.

В МО1 они должны образовать замкнутый метаинтеллектуальный цикл.

Следовательно:

МО0.x — геном будущей системы ещё в рассеянной форме; МО1 — первая собранная функциональная особь нового класса.

2. Ментальные войны
Одним из важнейших компонентов протометаорганона является теория и технология ментальных войн.

Необходимо ещё раз провести принципиальное различие.

Ментальная война в данном смысле — не пропаганда и не информационное воздействие на сознание противника.

Её основной объект — качество интеллектуального решения.

Она организует мыслительную деятельность как формализованный агон:

альтернативные позиции ; аргументация ; критика ; защита ; сравнительная оценка ; селекция ; синтез.

Обычная дискуссия может закончиться победой более убедительного участника.

Ментальная война должна быть организована таким образом, чтобы повышалась вероятность победы более сильной интеллектуальной конструкции.

Поэтому необходимо:

множество субъектов;

множественные критерии;

итерации;

возможность изменения позиций;

независимый контур оценки;

сохранение сильных компонентов проигравших вариантов.

В сочетании с ИИ ментальная война становится особенно мощной.

Можно создавать десятки и сотни альтернативных интеллектуальных субъектов.

Специализировать их.

Давать различные аксиоматики.

Организовывать многораундовые агоны.

Фиксировать генеалогию решений.

Тем самым технология, созданная для организации мышления человека, превращается в один из возможных механизмов эволюции искусственных интеллектов.

3. Метааксиоматический метод
Обычный интеллект часто решает задачу внутри уже принятой системы оснований.

Есть определения.

Допущения.

Правила.

Критерии.

Но наиболее глубокие проблемы возникают тогда, когда противоречие лежит не внутри системы, а между различными системами оснований.

Тогда необходимо сделать предметом мышления сами:

аксиомы;

предпосылки;

критерии;

парадигмы.

Это функция метааксиоматического метода.

Его можно представить как переход:

решение внутри оснований ; сравнение оснований ; преобразование оснований.

Метааксиоматический контур должен помогать:

выявлять скрытые аксиомы;

строить альтернативные системы оснований;

находить их последствия;

организовывать между ними агон;

синтезировать новую конфигурацию.

Для Метаорганона это фундаментально.

Пока система умеет только выбирать методы внутри заданной картины мира, её свобода ограничена.

Метаорганон должен иногда уметь поставить вопрос:

не мешает ли нам решить проблему сама система предпосылок, внутри которой мы её сформулировали?

Именно поэтому метааксиоматика представляет один из инструментов выхода за пределы заданного пространства мышления.

4. Сенсография
Мышление существенно богаче последовательного текста.

Поэтому одному языковому диалогу недостаточно быть универсальным интерфейсом Метаорганона.

Необходимы средства внешней фиксации смысловой структуры проблемы.

В составе МО0.x сенсография может выполнять функцию отображения:

понятий;

смыслов;

отношений;

напряжений;

противоречий;

альтернатив;

уровней;

переходов.

Её задача — сделать многомерную мысль обозримым и операциональным объектом.

Текст разворачивает мысль последовательно.

Сенсографическое представление должно позволять видеть множество связей одновременно.

Это особенно важно для:

сложных теорий;

стратегий;

метааксиоматических конфликтов;

ноостемных объектов;

сравнения альтернативных систем.

В развитом Метаорганоне подобные представления должны стать не просто визуализацией для человека, а машинно обрабатываемыми объектами.

То есть система должна уметь:

строить смысловую карту;

обнаруживать пробелы;

находить конфликтующие элементы;

изменять структуру;

предлагать новые связи.

Так сенсография становится мостом от визуального представления мысли к операциональной инженерии смыслов.

5. Ноостемный анализ
Многие важнейшие проблемы невозможно адекватно представить только как набор переменных.

Государство.

Наука.

Человек.

Организация.

Искусственный интеллект.

Они одновременно обладают:

структурой;

функциями;

историей;

целями;

ценностями;

отношениями;

субъектами;

динамикой;

возможными будущими состояниями.

Для их анализа нужен более богатый объект, чем обычная система в узком инженерном смысле.

Такой объект можно рассматривать как ноостему.

Ноостемный анализ должен соединять:

структурный;

функциональный;

смысловой;

ценностный;

динамический;

сценарный;

эволюционный

аспекты.

Для Метаорганона это особенно важно, потому что сам интеллект является ноостемным объектом.

Изменение одного элемента интеллектуальной архитектуры способно повлиять на:

другие способности;

систему целей;

творческую вариативность;

надёжность;

эволюционируемость.

Поэтому Метаорганон не должен быть машиной локальной оптимизации.

Он должен иметь средства целостного интеллектуального анализа.

6. LPM
LPM добавляет в протометаорганон паттерн-уровень.

Если ментальная технология представляет воспроизводимый способ интеллектуального действия, её можно рассматривать как определённый когнитивный паттерн.

Тогда становится возможным:

выделять такие паттерны;

сравнивать;

накапливать;

переносить;

рекомбинировать;

эволюционировать.

LPM в Метаорганоне играет роль потенциальной машины распознавания и преобразования интеллектуальных структур.

MetaLPM поднимает задачу ещё выше:

какие метапаттерны порождают новые способы мышления?

Так появляется возможность не просто хранить ментальные технологии, но исследовать закономерности их рождения.

Поэтому LPM не исчерпывает Метаорганон, но может стать одним из его важнейших генеративных компонентов.

7. OpenBrain
OpenBrain представляет другую архитектурную линию.

Вместо ставки на одну модель создаётся метаоболочка, объединяющая несколько интеллектов.

Они могут:

независимо решать проблему;

занимать различные позиции;

критиковать друг друга;

участвовать в ментальном агоне;

оцениваться отдельным судьёй;

синтезироваться в итоговое решение.

Так возникает внешняя метаорганизация над множеством ИИ.

На раннем этапе OpenBrain можно рассматривать как своеобразный внешний протокарион.

Он ещё не является полноценным карионом отдельного саморазвивающегося интеллекта.

Но уже демонстрирует важный принцип:

качество интеллектуальной системы определяется не только качеством каждого участника, но и архитектурой их взаимодействия.

Это положение фундаментально и для Брейомики.

Несколько интеллектов при правильной организации способны образовать интеллектуальный комплекс более высокого порядка.

Метаорганон должен уметь проектировать такую организацию.

8. Другие ментальные технологии
МО0.x не должен превращаться в закрытый перечень уже известных средств.

Напротив.

Его природа открыта.

В него могут входить:

формальная логика;

вероятностное мышление;

теория решений;

диалектика;

системный анализ;

морфологический анализ;

инженерные методы творчества;

контрфактическое моделирование;

causal reasoning;

multi-agent debate;

formal verification;

симуляции;

программный синтез;

новые человеко-ИИ интерфейсы.

Критерий включения должен быть функциональным:

помогает ли средство воспроизводимо расширять, организовывать, проверять или развивать интеллектуальную деятельность?

Но для МО1 потребуется ещё один критерий.

Инструменты должны перестать быть просто коллекцией.

Они должны быть включены в единую архитектуру генерации и развития мышления.

Глава 3. Метаорганон 1.0
1. Минимальная целостная архитектура
Главная задача МО1 — не создать окончательный Метаорганон.

Это невозможно.

Как нельзя было построить Boeing 787 до первого полёта братьев Райт, невозможно заранее спроектировать все технологии развитой аронтической нооформации.

Поэтому МО1 должен быть минимальной целостной архитектурой, способной доказать основной принцип.

Под «минимальной» здесь понимается не примитивная.

Она должна содержать минимально необходимое множество функций, при котором возникает качественно новый эффект.

Такая архитектура должна включать по меньшей мере:

модель проблемы;

модель текущего способа мышления;

диагностику его ограничений;

библиотеку ментальных технологий;

генератор альтернативных методов;

механизм агонального испытания;

систему оценки;

синтез;

память приобретений;

механизм изменения собственных генераторов.

Последний компонент особенно важен.

Без него МО1 остаётся расширенной системой выбора методов.

С ним появляется начало саморазвития Метаорганона.

2. Функциональные классы инструментов
Инструменты МО1 целесообразно организовывать не по историческим дисциплинам, а по функциям.

Например:

Диагностические
Что именно мешает мышлению?

Декомпозиционные
Как разложить проблему?

Генеративные
Как получить альтернативы?

Критические
Как обнаружить слабости?

Синтетические
Как объединить несовместимые частичные решения?

Метааксиоматические
Как работать с основаниями?

Сценарные
Как исследовать множество будущих состояний?

Паттерн-инструменты
Как извлекать и переносить глубинные структуры?

Агональные
Как организовывать конкуренцию альтернатив?

Эволюционные
Как сохранять, рекомбинировать и развивать интеллектуальные приобретения?

Такая организация позволяет Метаорганону работать не как справочник:

«выберите метод № 317»,

а как функциональная система:

«какой тип интеллектуальной операции сейчас отсутствует?»

3. Постановка проблем
Часто наиболее трудная часть мышления — не решение, а правильная постановка проблемы.

Человек может годами оптимизировать не тот объект.

Например:

«как ускорить существующий процесс?»

Тогда как правильный вопрос:

«почему этот процесс вообще необходим?»

Или:

«как улучшить данную архитектуру ИИ?»

вместо:

«почему мы предполагаем, что будущее решение должно принадлежать именно этому классу архитектур?»

МО1 должен уметь:

отделять симптом от причины;

выявлять ложные ограничения;

находить пропущенных субъектов;

переформулировать цель;

изменять масштаб;

изменять уровень рассмотрения.

Это означает появление технологии проблемообразования.

Сильный интеллект решает трудную проблему.

Метаинтеллектуальный инструмент помогает установить:

какая проблема достойна решения и как её вообще следует сформулировать.

4. Выявление скрытых предпосылок
Любая постановка задачи уже содержит предпосылки.

Некоторые явны.

Другие скрыты.

Например:

«Как сделать автомобиль быстрее?» предполагает, что нужен автомобиль.

«Как повысить производительность данного отдела?» предполагает, что отдел должен существовать в прежнем виде.

«Как увеличить точность LLM?» предполагает, что LLM остаётся правильной базовой архитектурой.

МО1 должен систематически обнаруживать подобные скрытые основания.

Процесс может выглядеть так:

утверждение ; подразумеваемые предпосылки ; альтернативные предпосылки ; последствия их изменения.

Это одна из функций метааксиоматического контура.

Особенно важно выявлять предпосылки, которые участники уже перестали замечать именно потому, что они стали частью профессиональной культуры.

Большие инновации часто начинаются с вопроса:

«А почему это вообще считается обязательным?»

5. Генерация альтернатив
Без альтернатив нет настоящего выбора.

Поэтому Метаорганон не должен слишком быстро сходиться к одному решению.

Необходима специально поддерживаемая вариативность мышления.

Система должна уметь создавать альтернативы:

внутри исходной парадигмы;

из соседних парадигм;

через перенос из других областей;

через инверсию;

через смену масштаба;

через изменение критериев;

через отказ от исходной постановки.

Особенно важно создавать структурно далёкие альтернативы.

Десять небольших вариаций одного подхода создают иллюзию выбора.

Настоящий метаинтеллектуальный поиск должен стремиться увеличить расстояние между кандидатами.

Отсюда один из возможных принципов МО1:

сначала дивергенция пространства решений, затем селекция.

Если селекция начинается слишком рано, она уничтожает радикальную новизну.

6. Изменение способов мышления
Метаорганон должен уметь сказать пользователю или ИИ не только:

«ответ неверен»,

но:

«используемый способ мышления недостаточен».

Например:

чрезмерно линейное мышление;

локальная оптимизация вместо системной;

поиск подтверждения вместо попытки опровержения;

однокритериальная оценка;

неуместная аналогия;

смешение корреляции и причинности.

Затем система должна предложить другой режим.

Например:

перейти от оптимизации объекта к изменению архитектуры;

от одной гипотезы — к агону гипотез;

от фиксированных критериев — к метааксиоматическому анализу критериев.

Именно здесь появляется ключевой эффект:

Метаорганон изменяет не только результат мышления, но саму траекторию производства результата.

7. Создание новых методов
Это центральная функция МО1.

Если система умеет только выбирать методы из каталога, она остаётся Organon-plus.

Для перехода к Метаорганону необходимо показать способность:

создать новый воспроизводимый способ мышления.

Такой процесс может включать:

диагностику класса проблем;
анализ существующих методов;
выделение их сильных и слабых паттернов;
рекомбинацию;
добавление нового механизма;
формализацию;
испытание;
сравнение;
доработку;
включение в библиотеку.
Именно этот цикл превращает Метаорганон в фабрику ментальных технологий.

На более высоком уровне система должна совершенствовать уже не только методы, но собственные генераторы методов.

Это один из главных признаков выхода к метаэволюционному уровню.

8. Агональное испытание
Новый метод не должен приниматься только потому, что он кажется оригинальным.

Он обязан пройти испытание.

Можно создать несколько конкурирующих способов мышления и дать им:

одни задачи;

одинаковые ресурсы;

слепую оценку;

новые неизвестные тесты.

Затем организовать ментальный агон.

При этом оценивается не только итоговый результат.

Но и:

устойчивость;

перенос;

стоимость;

скорость;

новизна;

способность порождать дальнейшие улучшения.

Так ментальные войны становятся внутренним экспериментальным механизмом Метаорганона.

9. Селекция и синтез
Победитель агона не обязательно должен полностью уничтожать проигравших.

Один метод может быть сильнее по точности.

Другой — по творческой генеративности.

Третий — по устойчивости.

Поэтому вместо бинарного отбора необходим синтетический отбор.

Метаорганон должен уметь спрашивать:

что именно было сильным в каждом варианте?

Затем:

выделять успешные компоненты;

рекомбинировать;

создавать новое поколение.

Это уже сближает МО с Ноофракталикой.

Агон создаёт селективное давление.

Синтез — рекомбинацию.

Память — наследование.

Генератор — вариативность.

Получается элементарный цикл искусственной эволюции ментальных технологий.

10. Саморазвитие Метаорганона
Настоящий МО1 должен применять собственные методы к самому себе.

Если Метаорганон способен создавать новые ментальные технологии, он должен постепенно создавать и новые способы развития Метаорганона.

Это рекурсивное требование.

Система анализирует:

какие её инструменты почти не используются;

где возникают провалы;

какие генераторы дают слабые результаты;

какие критерии недостаточны;

какие типы проблем вообще выпадают из архитектуры.

Затем предлагает изменение собственной структуры.

Но оно должно проходить:

sandbox;

агон;

внешнюю оценку;

регрессионные испытания;

контроль обратимости.

Так появляется линия:

МО1 ; МО2 ; МО3 ; …

Однако это не должно пониматься как полностью автономное саморазвитие.

На обозримом этапе наиболее реалистична коэволюция:

человек + МО + ИМИ.

Человек сохраняет ценностную и цивилизационную субъектность.

ИМИ обеспечивает специализированную метаинтеллектуальную мощность.

Метаорганон предоставляет эволюционирующий инструментарий.

Глава 4. Первый полёт разума
1. Первый самолёт и доказательство возможности полёта
Первый самолёт был чрезвычайно несовершенной машиной.

По современным меркам он имел ничтожную скорость.

Небольшую дальность.

Малую грузоподъёмность.

Низкую надёжность.

Если бы его оценивали исключительно по критериям современной авиации, результат выглядел бы почти смешным.

Но историческое значение первого управляемого полёта состояло не в эффективности.

Он доказал принцип:

человек может создать искусственное средство устойчивого управляемого полёта тяжелее воздуха.

После этого главный вопрос изменился.

До доказательства:

«Возможно ли это вообще?»

После:

«Как далеко можно развить эту возможность?»

Именно такую функцию должен выполнить МО1.

2. МО1 как доказательство возможности метачеловеческого мышления
МО1 не должен сразу превосходить весь человеческий интеллект.

Не должен содержать все будущие ментальные технологии.

Не должен превращать любого пользователя в гения после одного сеанса.

Его миссия значительно более конкретна и одновременно более фундаментальна:

доказать, что человек с искусственно созданной метаинтеллектуальной системой способен воспроизводимо выходить за пределы собственных обычных способов мышления.

Речь не просто об ускорении.

Калькулятор ускоряет вычисление.

Поисковая система ускоряет получение информации.

LLM ускоряет множество когнитивных операций.

Но это ещё не обязательно метачеловеческое мышление.

Для МО1 нужен качественно иной эффект:

человек начинает использовать способы интеллектуальной деятельности, которые до взаимодействия с системой либо отсутствовали в его репертуаре, либо не могли устойчиво порождаться им самостоятельно.

Особенно сильный вариант:

система вместе с человеком создаёт новый метод мышления, применяет его, проверяет и переносит в другой класс проблем.

Тогда возникает аналог первого управляемого полёта.

3. Может ли человек мыслить как аронт?
Здесь возникает один из центральных вопросов всей Доктрины.

Можно ли человеку второй нооформации ещё до биологического преобразования начать действовать в интеллектуальном режиме будущего аронта?

Этот вопрос не следует понимать так, будто после использования МО1 человек мгновенно становится новым биологическим видом.

Аронтогенез на ранних стадиях может быть прежде всего функционально-интеллектуальным, а не биологическим.

Человек остаётся Homo sapiens.

Но входит в новую систему:

человек + Метаорганон + ИИ + ИМИ.

И эта система может демонстрировать формы мышления, недоступные изолированному человеческому субъекту.

Подобный переход имеет исторический прецедент по общей логике.

Человек не развил биологические крылья.

Он создал самолёт и функционально вошёл в пространство полёта.

Не увеличил свой мозг в миллион раз.

Создал компьютеры и вошёл в пространство машинных вычислений.

Следовательно, гипотеза Метаорганона состоит в том, что и переход к более высокому уровню мышления может сначала произойти инструментально и симбиотически.

Отсюда мыслительный эксперимент:

если бы доразумный предок человека обладал способностью понять собственные когнитивные ограничения и сознательно создать язык, внешнюю память, инструменты и коллективные формы мышления, он мог бы попытаться ускорить собственный переход к человеческому уровню.

Реальная первая антропогенеза была преимущественно слепой.

Следующий переход потенциально может стать проектируемым.

Первый антропогенез был преимущественно слепым; второй — переход к аронту — впервые может стать осознанным.

4. Человек + МО1
Первый экспериментальный объект Метаорганона — не искусственный суперинтеллект.

Это может быть человек, усиленный МО1.

Система должна работать не вместо него.

И не просто отвечать на его вопросы.

Она должна входить в структуру интеллектуального процесса.

Например:

человек формулирует проблему;

МО1 выявляет скрытые предпосылки;

человек корректирует постановку;

МО1 генерирует принципиально разные методы;

организуется агон;

человек участвует в оценке;

система обнаруживает ограничение исходной системы критериев;

строится новая аксиоматика;

создаётся новый ментальный метод;

метод применяется к новой проблеме.

В таком режиме возникает гибридный метаинтеллектуальный субъект.

Не человек отдельно.

Не система отдельно.

А их связка.

Можно обозначить её:

H + MO1.

Главный вопрос эксперимента:

появляются ли у комплекса H + MO1 интеллектуальные способности, которые статистически и структурно выходят за пределы H и H + обычный ИИ?

Если да, появляется первый аронтный эффект.

5. Человек + МО1 + ИМИ1
Следующий уровень значительно сильнее.

МО1 предоставляет ментальный инструментарий.

Но ИМИ1 способен уже анализировать и развивать саму интеллектуальную организацию комплекса.

Получается система:

человек + МО1 + ИМИ1.

В ней ИМИ может наблюдать:

какие ментальные методы использует человек;

какие паттерны приводят к ошибкам;

какие способы мышления отсутствуют;

как меняются способности пользователя во времени.

Затем:

проектировать новые инструменты;

проверять их;

адаптировать Метаорганон;

создавать индивидуальную траекторию интеллектуального развития.

Таким образом, возникает совершенно новый класс системы.

Не интеллектуальный ассистент.

Не персональный tutor.

А персональная инфраструктура интеллектуальной эволюции.

Если такой комплекс способен систематически повышать не только результат человека, но его собственную способность создавать новые способы мышления, мы приближаемся к ранней форме управляемого аронтогенеза.

6. Искусственный орган интеллектуальной эволюции
Теперь авиационная аналогия может быть сформулирована наиболее точно.

Самолёт не делает человеческое тело птицей.

Он создаёт внешний искусственный орган, который даёт человеку новую функциональную возможность.

Метаорганон также не обязан биологически перестраивать мозг пользователя.

Он может стать внешней, а затем всё более тесно интегрированной системой, расширяющей способность человека изменять собственное мышление.

Отсюда центральная формула:

Самолёт дал человеку искусственный орган полёта; Метаорганон должен стать искусственным органом интеллектуальной эволюции.

Но слово «орган» здесь означает не просто инструмент.

Молоток используется эпизодически.

Орган включён в устойчивый функциональный контур субъекта.

Полноценный Метаорганон должен:

помнить интеллектуальную историю человека;

знать его паттерны;

обнаруживать ограничения;

предлагать тренировки и методы;

создавать новые когнитивные средства;

проверять их;

сопровождать длительную линию развития.

То есть он становится частью расширенного интеллектуального организма.

На коллективном уровне аналогичная логика применима к брейомам.

На национальном — к интеллектуальной системе государства.

На глобальном — в пределе к Глобальному мозгу.

7. Экспериментальные критерии аронтного эффекта
Самая опасная ошибка — объявить любой прирост производительности доказательством появления аронтного мышления.

Если человек с ИИ написал текст в три раза быстрее, это полезно.

Но это ещё не доказательство перехода к новому уровню интеллектуальной организации.

Поэтому аронтный эффект необходимо операционализировать.

Первый эксперимент должен сравнивать по меньшей мере четыре режима:

H — человек;

H + AI — человек с обычным сильным ИИ;

H + MO1 — человек с Метаорганоном;

H + MO1 + IMI1 — человек с Метаорганоном и ИМИ1.

Причём задачи должны быть новыми и достаточно открытыми, чтобы простое воспроизведение известных ответов не давало решающего преимущества.

Критерий 1. Прирост сложности решаемых проблем
Комплекс решает задачи, которые человек и человек + обычный ИИ устойчиво не решают.

Но одного этого недостаточно.

Критерий 2. Генерация нового метода
Система создаёт воспроизводимый способ мышления, отсутствовавший в исходном инструментарии.

Это один из главных признаков.

Критерий 3. Перенос
Созданный метод работает не только в исходной задаче, но и в существенно иной области.

Без переноса возможен обычный overfitting.

Критерий 4. Метарефлексивная глубина
Комплекс способен правильно выявлять ограничения собственного способа мышления и перестраивать его.

Критерий 5. Ранг творчества
Создаётся не просто новый ответ, а:

новый метод;

новая архитектура;

новая постановка проблемы;

в пределе — новое пространство решений.

Критерий 6. Долговременное развитие
Эффект не исчезает после одной сессии.

Следующее поколение интеллектуальной деятельности начинается с более высокого уровня.

Критерий 7. Воспроизводимость
Результат возникает у разных пользователей и на разных классах задач.

Критерий 8. Отличимость от обычного AI-augmentation
МО1 должен демонстрировать прирост не только относительно человека, но относительно человека с современным сильным ИИ.

Это критически важно.

Иначе измеряется эффект ИИ вообще, а не Метаорганона.

Критерий 9. Структурное изменение интеллектуальной деятельности
Меняется не только число правильных ответов.

Наблюдаемым образом меняется:

способ постановки проблемы;

число исследуемых альтернатив;

глубина рефлексии;

способность изменять собственные методы.

Критерий 10. Эволюционный эффект
Самый сильный критерий:

каждый следующий цикл H + MO1 или H + MO1 + IMI1 повышает способность комплекса осуществлять собственное дальнейшее интеллектуальное развитие.

Здесь появляется уже не просто рост интеллекта.

Появляется рост способности к росту.

Именно это является наиболее глубоким кандидатом на аронтный эффект.

Первый полёт как эксперимент, а не метафора
Поэтому выражение «первый полёт разума» не должно оставаться красивым литературным образом.

Для настоящей Доктрины оно обозначает конкретный научно-технологический эксперимент.

Необходимо создать МО1.

Выбрать классы задач, где человеческое мышление имеет известные ограничения.

Сравнить контрольные режимы.

Зафиксировать исходные способы мышления.

Провести метаорганонное усиление.

Измерить:

качество;

новизну;

перенос;

метарефлексию;

генерацию методов;

эволюционируемость.

Если эффект воспроизводим, возникает принципиально новая ситуация.

До эксперимента вопрос звучит:

«Способен ли человек технологически выйти за пределы естественно сформировавшегося репертуара мышления?»

После успешного эксперимента:

«Насколько далеко может зайти управляемое развитие метачеловеческого мышления?»

Именно такой переход однажды совершила авиация.

Первый самолёт не решил проблему полёта окончательно.

Он уничтожил сомнение в его принципиальной возможности.

Такова и миссия МО1.

Не построить окончательного аронта.

Доказать технологическую возможность аронтогенеза.

После этого главным объектом развития становится уже не один Метаорганон.

Возникает многопоколенная система:

человек ; человек + МО1 ; человек + МО1 + ИМИ1 ; новые брейомы ; новые поколения МО и ИМИ.

Именно здесь Метаорганон превращается из интеллектуального инструмента в один из центральных механизмов осознанной метаэволюции разума.

**********

ЧАСТЬ IX
АГОНАЛЬНЫЙ ИНТЕЛЛЕКТ И МЕНТАЛЬНЫЕ ВОЙНЫ
Разум развивается не только через накопление знаний.

Он развивается через столкновение альтернатив.

Гипотеза сталкивается с контргипотезой.

Теория — с экспериментом.

Метод — с другим методом.

Архитектура — с конкурирующей архитектурой.

Научная школа — с другой школой.

В этом смысле интеллектуальная история человечества всегда была частично агональной.

Но до сих пор агон в основном возникал стихийно.

Спор.

Конкуренция научных направлений.

Политическая дискуссия.

Рынок идей.

Состязание инженерных решений.

В каждом случае существовали различные варианты и некоторый механизм отбора.

Однако естественный интеллектуальный агон имеет фундаментальные ограничения.

Он может быть медленным.

Зависеть от авторитета участников.

Искажаться социальными интересами.

Заканчиваться победой более убедительной, а не более истинной позиции.

Уничтожать полезные элементы проигравших решений.

Не сохранять историю собственного развития.

И главное — он почти никогда не проектируется как специализированная технология эволюции интеллекта.

Именно это предлагается изменить.

В настоящей Доктрине агон рассматривается не просто как конфликт мнений, а как потенциальный когнитивно-селективный двигатель.

Его основная функция:

создавать интеллектуальное разнообразие, организовывать столкновение альтернатив, измерять результаты, сохранять сильнейшие элементы и превращать отбор в механизм развития следующих поколений мышления.

Из этого возникает несколько последовательных уровней.

Агональная организация познания — общий принцип.

Ментальная война — технологически организованный агон интеллектуальных конструкций.

Агональный ИИ — искусственная система, использующая конкуренцию и селекцию для повышения качества решений.

Агональный метаинтеллект — система, которая использует агон уже для развития самих интеллектов.

Метаноовойна — агон механизмов, посредством которых организуется интеллектуальная эволюция.

Так постепенно меняется предмет соревнования:

решения ; модели ; методы ; архитектуры ; аксиоматики ; механизмы развития интеллекта.

Именно последний переход выводит агональную парадигму в пространство осознанной метаэволюции.

Глава 1. Агональная организация познания
Познание можно организовать по-разному.

Можно поручить задачу одному интеллекту.

Можно создать группу и потребовать консенсуса.

Можно усреднить мнения.

Можно разделить работу по функциям.

Но существует ещё одна архитектура:

намеренно создать интеллектуальное различие и превратить его столкновение в источник нового знания.

Это и есть агональная организация познания.

1. Агон как когнитивный механизм
Под агоном будем понимать:

структурированное соревнование интеллектуальных альтернатив, в котором различия между ними специально выявляются, испытываются, измеряются и используются для последующего отбора или синтеза.

Здесь важны четыре элемента.

Альтернативность
Должно существовать более одного варианта.

Если все участники исходят из одной и той же позиции, агон отсутствует.

Столкновение
Различия должны быть подвергнуты активной проверке.

Измерение
Необходимы критерии.

Селекция или синтез
Результат соревнования должен влиять на последующую интеллектуальную систему.

Без последнего агон превращается в шоу.

В развитой форме он должен иметь ещё и пятый элемент:

Наследование
Успешное интеллектуальное приобретение должно передаваться дальше.

Тогда агон становится уже не просто способом проверки, а механизмом эволюции.

2. Различие между спором и агоном
Спор может быть агональным, но далеко не всегда является им в строгом смысле.

Цель участника спора часто состоит в том, чтобы победить другого участника.

Цель интеллектуального агона должна состоять в другом:

повысить вероятность появления более сильной интеллектуальной конструкции.

Это требует изменения самой архитектуры соревнования.

Например, участник должен иметь право изменить собственную позицию.

Сильный аргумент противника не должен считаться его личной победой и вашей потерей.

Он должен становиться ресурсом общей интеллектуальной системы.

Отсюда принцип:

в хорошем когнитивном агоне проигрывает не человек; проигрывает менее сильная интеллектуальная конструкция.

И даже она не обязана исчезать полностью.

В ней могут содержаться полезные элементы.

Поэтому зрелая агональная система должна уметь не только выбирать победителя, но разбирать участников на интеллектуальные компоненты и синтезировать следующее поколение.

3. Агон и истина
Агон сам по себе не гарантирует истины.

Две ошибочные позиции могут конкурировать между собой.

Большинство может выбрать худшую.

Красноречивый участник может победить более точного.

Поэтому агональная архитектура должна иметь внешний относительно участников контур проверки.

Это могут быть:

эксперимент;

формальное доказательство;

наблюдение;

benchmark;

предсказательная точность;

практический результат;

независимый судейский контур.

Чем объективнее доступна проверка, тем сильнее агон может выполнять селективную функцию.

Поэтому:

агон не заменяет истину; он организует производство и столкновение кандидатов на более адекватное знание.

4. Дивергенция и конвергенция
Большая часть интеллектуальных систем слишком быстро стремится к одному ответу.

Но ранняя конвергенция опасна.

Она сокращает пространство вариантов до того, как оно было достаточно исследовано.

Поэтому агональная организация должна разделять две фазы.

Дивергентная фаза
Создаются максимально различные альтернативы.

Различные модели.

Различные аксиоматики.

Различные методы.

Конвергентная фаза
Альтернативы испытываются, сравниваются, отбираются и синтезируются.

То есть:

сначала интеллектуальное разнообразие — затем интеллектуальная селекция.

Это один из фундаментальных принципов агонального разума.

5. Специализация участников
Особенно сильный агон возникает, когда интеллектуальные субъекты не просто дублируют друг друга, а получают различные роли.

Например:

генератор;

скептик;

адвокат;

фальсификатор;

методолог;

экспериментатор;

формальный проверяющий;

судья;

синтезатор.

Тогда различия создаются архитектурно, а не случайно.

Можно дать агентам разные:

модели мира;

эвристики;

области компетенции;

критерии;

уровни риска;

временные горизонты.

Так формируется искусственная интеллектуальная гетерогенность.

Она особенно важна для ИИ, потому что одинаковые модели склонны воспроизводить сходные ошибки.

Следовательно, агональная система должна стремиться не только к множеству агентов, но к разнообразию способов мышления.

6. Агон и развитие
Проверка ответа — только первый уровень.

Значительно более сильный эффект возникает, если результаты агона изменяют самих участников.

Например:

агент проиграл;

система фиксирует причину;

из его архитектуры изменяется определённый компонент;

появляется новый потомок;

он снова участвует в соревновании.

Тогда возникает цикл:

вариант ; агон ; измерение ; селекция ; изменение ; новый вариант.

Это уже элементарная искусственная эволюция.

Следующий шаг:

изменяется сам механизм, который создаёт новые варианты.

Именно поэтому зрелый агон не просто выбирает между решениями.

Агон — соревнование, которое изменяет способы соревнования.

В этой формуле начинается переход от когнитивного агона к метаноовойне.

Глава 2. Ментальная война как когнитивно-селективная технология
Термин «ментальная война» легко смешать с информационной или когнитивной войной.

Поэтому необходимо провести строгое различие.

В обычном военно-политическом употреблении ментальное воздействие может означать изменение восприятия, убеждений или поведения противника.

В настоящей Доктрине ментальная война имеет другое основное значение.

Её объектом является не подчинение чужого сознания.

Её объектом является интеллектуальная конструкция.

Рабочее определение:

ментальная война — организованная когнитивно-селективная технология, в которой альтернативные идеи, модели, методы или системы мышления вступают в структурированный агон, а результаты соревнования используются для отбора, синтеза и последующего развития интеллектуальных конструкций.

Таким образом, её функция ближе не к пропаганде, а к:

научной проверке;

интеллектуальному турниру;

эволюционному отбору;

конструкторскому испытанию.

1. Почему именно «война»
Слово «война» здесь подчёркивает не физическое насилие, а максимальную интенсивность столкновения.

Участники не должны лишь вежливо обозначить различия.

Они должны пытаться:

найти уязвимость;

построить контрпример;

разрушить аргумент;

предложить более сильную альтернативу;

выявить скрытую аксиому;

показать область неприменимости.

То есть каждая конструкция подвергается интеллектуальной атаке.

Но конечная цель — не уничтожение противника, а повышение качества общей системы.

В этом смысле ментальная война парадоксальна:

противник становится инструментом вашего интеллектуального развития.

2. Базовая архитектура ментальной войны
Минимальный цикл может выглядеть так:

формулируется проблема;
создаются альтернативные позиции;
фиксируются их основания;
организуется первый раунд аргументации;
участники атакуют слабые места друг друга;
формируются ответы и модификации;
проводится независимая оценка;
выявляются сильные элементы;
создаются синтетические варианты;
начинается следующий раунд.
Главное отличие от дебатов — итеративное изменение участников.

Обычный дебат заканчивается объявлением победителя.

Ментальная война должна порождать следующее поколение интеллектуальных конструкций.

3. Когнитивная и селективная функции
Ментальная война имеет две разные функции.

Когнитивная
Она расширяет пространство аргументов, контрпримеров, альтернатив и интерпретаций.

Селективная
Она определяет, какие элементы должны быть сохранены, изменены или отброшены.

Без первой агон беден.

Без второй он не производит эволюционного эффекта.

Именно соединение:

генерация различий + селекция различий

делает ментальную войну потенциальной технологией развития интеллекта.

4. Ментальная война и ментальная дипломатия
Не всякая интеллектуальная проблема требует агрессивного столкновения.

Некоторые требуют:

переговоров;

совместного синтеза;

разделения задачи;

поиска совместимости.

Поэтому зрелая архитектура должна включать не только «войну», но весь спектр ментальных взаимодействий.

Однако война особенно полезна там, где необходимо:

стресс-тестирование;

фальсификация;

сравнение трудно совместимых парадигм;

выявление скрытых ошибок;

отбор под жёсткими ограничениями.

Она представляет собой специфический режим интеллектуальной среды, а не универсальную форму всякого мышления.

5. Судейство
Одна из самых сложных частей ментальной войны — судейский контур.

Кто определяет победителя?

Если судья использует те же предпосылки, что один из участников, результат заранее смещён.

Поэтому возможна многоуровневая система:

формальные метрики;

эксперимент;

несколько независимых judges;

человеческая экспертиза;

контрсудьи;

метасудья.

Но бесконечное добавление судей проблему не решает.

Необходимо анализировать сами критерии.

Это выводит нас к метааксиоматике.

Иногда спор идёт не потому, что одна сторона ошибается, а потому, что участники оценивают результат по различным системам ценностей или допущений.

Тогда нужно устроить агон критериев.

Позднее он станет одним из классов метаноовойн.

6. Наследование
Если после каждого агона результаты забываются, интеллектуальная система не развивается.

Поэтому ментальная война должна иметь память.

Сохраняются:

версии позиций;

история атак;

успешные контраргументы;

причины поражений;

элементы синтеза;

родословная новых конструкций.

Так появляется связь с ноогенетикой.

Ментальная война генерирует селективные события.

Ноогенетика превращает их в наследуемую историю развития.

Глава 3. Агональный искусственный интеллект
Большинство современных ИИ-систем построено преимущественно по монологической логике.

Одна модель получает запрос.

Одна модель формирует ответ.

Даже если внутри существуют скрытые цепочки вычислений, внешний результат обычно представляет единый синтез.

Агональный ИИ вводит другой принцип:

интеллектуальная мощность создаётся не только качеством отдельной модели, но организованной конкуренцией нескольких интеллектуальных процессов.

Рабочее определение:

агональный искусственный интеллект — ИИ-система, в которой генерация, столкновение, оценка, селекция и синтез альтернатив являются встроенным механизмом интеллектуальной деятельности.

Это может быть одна модель, создающая внутренние конкурирующие линии.

Несколько моделей.

Многоагентная система.

Популяция специализированных интеллектов.

Главное — наличие селективно организованного агона.

1. Агон решений
Самый простой уровень.

Несколько агентов независимо решают одну задачу.

Затем:

критикуют;

проверяют;

ранжируют;

синтезируют.

Это уже способно снизить число случайных ошибок.

Но такой агон ещё сравнительно поверхностен.

Потому что участники могут использовать один и тот же способ мышления.

Следующий уровень — различие моделей.

2. Агон когнитивных стратегий
Разные агенты получают разные инструкции или архитектурные роли.

Например:

один ищет наиболее вероятное решение;

другой — редкие альтернативы;

третий — контрпримеры;

четвёртый — формализацию;

пятый — практическую проверку.

Затем сравниваются не только ответы, но способы их получения.

Это уже приближает систему к Метаорганону.

3. Агон моделей
Можно столкнуть:

разные фундаментальные модели;

разные семейства;

разные архитектуры;

различные режимы обучения.

Тогда преимущества и ошибки отдельных моделей становятся взаимным ресурсом.

Особенно полезна гетерогенность.

Если все агенты построены на одной модели, они могут иметь общие слепые зоны.

Поэтому агональный ИИ должен стремиться к архитектурному разнообразию.

4. Агон и коллективная интеллектуальная мощность
Возникает важный вопрос:

может ли система из нескольких менее сильных агентов превосходить одного более сильного?

Иногда да.

Но не автоматически.

Плохо организованная группа может быть хуже отдельного эксперта.

Поэтому объектом инженерии становится сама организация интеллектуального коллектива.

Необходимо оптимизировать:

число агентов;

различие ролей;

правила коммуникации;

очерёдность раундов;

стоимость агона;

систему судейства;

условия прекращения.

Таким образом, многоагентный ИИ постепенно превращается в объект Брейомики.

Создаётся искусственный мозговой комплекс, интеллект которого определяется не только участниками, но архитектурой их связи.

5. Агон и творчество
Агон особенно важен для творчества.

Одна модель склонна конвергировать к наиболее вероятным решениям.

Агональная система может специально поддерживать:

редкие варианты;

дальние аналогии;

нетипичные аксиоматики;

рискованные конструкции.

После этого консервативные агенты пытаются их разрушить.

Так можно разделить:

генеративное давление на новизну

и

селективное давление на жизнеспособность.

Именно их баланс может существенно повысить творческую мощность.

Слишком сильная селекция убивает новое.

Слишком слабая — создаёт хаос.

Поэтому управление этим балансом становится отдельной метаинтеллектуальной задачей.

6. Агональный ИИ как предшественник ИМИ
Агональный ИИ ещё не является ИМИ.

Если он только выбирает лучшее решение внешней задачи, объектом остаётся задача.

Переход начинается тогда, когда агон применяется к самому интеллектуальному механизму.

Не:

какой ответ лучше?

а:

какой решатель лучше?

далее:

какой метод лучше?

и:

какая архитектура развития решателей лучше?

Так агональный ИИ становится основанием агонального метаинтеллекта.

Глава 4. Агональный метаинтеллект
Агональный метаинтеллект возникает тогда, когда предметом конкуренции становятся уже не только решения, но интеллекты и способы их развития.

Рабочее определение:

агональный метаинтеллект — метаинтеллектуальная система, использующая организованное соревнование, измерение, селекцию и наследование альтернативных интеллектуальных архитектур, методов и механизмов развития для ускорения эволюции интеллектов.

Это один из наиболее естественных кандидатов на архитектуру ИМИ.

1. Карион и агон
Карион проектирует развитие системы.

Но если у него существует только одна гипотеза, его решения становятся потенциально хрупкими.

Поэтому карион должен уметь создавать альтернативные траектории развития.

Затем агональный контур испытывает их.

Отсюда появляется цикл:

карион ; метапроекты ; конкурирующие варианты ; агон ; измерение ; селекция ; внедрение.

После внедрения результат возвращается в самомодель кариона.

Возникает новый цикл.

Именно здесь особенно важна уже сформулированная формула:

Карион без агона рискует стать начальником; агон без кариона — слепым отбором; вместе они образуют управляемую метаэволюцию.

Карион обеспечивает направленность.

Агон — разнообразие и отбор.

Ноогенетика — память.

Ноофракталика — многопоколенность.

ИМИ — их интеграцию.

2. Конкуренция интеллектов
В обычной эволюционной системе конкурируют организмы.

В агональном метаинтеллекте могут конкурировать интеллектуальные особи.

У каждой есть:

архитектура;

память;

набор методов;

история;

метрики;

генеалогия.

Они решают тестовые классы задач.

Но критерий не обязательно сводится к мгновенной производительности.

Можно измерять:

универсальность;

стоимость;

надёжность;

новизну;

саморазвитие;

эволюционируемость.

То есть «лучший» интеллект может быть определён как:

не тот, кто сегодня получил максимальный балл, а тот, кто создаёт наиболее сильную линию потомков.

Это фундаментальное изменение критерия отбора.

3. Конкуренция линий развития
Допустим, архитектура A сильнее B сегодня.

Но B развивается быстрее.

Через три поколения B превосходит A.

Следовательно, метаинтеллект должен сравнивать не только состояния, но траектории.

Объектом агона становится:

линия эволюции интеллекта.

Это означает переход от простой оптимизации:

max I

к более сложной задаче:

max траектории I(t)

и далее:

max способности изменять саму форму траектории.

Именно здесь появляется понятие метаэволюционной мощности.

4. Конкуренция карионов
Можно допустить и более высокий уровень.

У нескольких интеллектуальных систем различные карионы.

Они используют разные:

самомодели;

критерии;

механизмы диагностики;

стратегии развития.

Тогда конкурируют уже способы метауправления интеллектом.

Это чрезвычайно важно.

Нельзя заранее предполагать, что первая архитектура кариона окажется оптимальной.

Поэтому сама кариотизация должна развиваться агонально.

Можно создавать:

централизованные карионы;

распределённые;

федеративные;

многоядерные;

конкурентные карионные комплексы.

И сравнивать не их риторику, а реальные линии развития систем.

5. Агональный метаинтеллект и безопасность
Агон создаёт не только возможности, но риски.

Если отбор оптимизируется по слишком узкой метрике, система может выработать нежелательные свойства.

Если скорость поколений слишком высока, человек перестаёт понимать изменения.

Если генерируется слишком много вариантов, возрастает сложность контроля.

Поэтому агональный метаинтеллект должен иметь несколько независимых селективных контуров:

эффективность;

безопасность;

обратимость;

устойчивость;

человеческая совместимость.

Важнейший принцип:

эволюционно успешное не обязательно цивилизационно желательное.

Именно поэтому искусственная эволюция должна быть осознанной, а не просто ускоренной.

Глава 5. Метаноовойны
Ментальная война первого порядка сталкивает интеллектуальные решения.

Но если предметом Доктрины становится искусственная метаэволюция, этого недостаточно.

Необходимо поднимать агон на более высокие уровни.

Так возникает понятие метаноовойн.

Рабочее определение:

метаноовойна — организованный агон интеллектуальных систем более высокого порядка, в котором объектом соревнования становятся не только решения, но модели, методы, архитектуры, аксиоматики и механизмы самой интеллектуальной эволюции.

Каждый следующий уровень изменяет предмет отбора.

1. Агоны решений
Это базовый уровень.

Есть одна проблема.

Создаются несколько вариантов решения.

Они сравниваются.

Пример структуры:

R;, R;, R; … R; ; тест ; оценка ; селекция ; R*.

Этот уровень уже полезен.

Он уменьшает зависимость от единственной интеллектуальной траектории.

Но он не меняет решатель.

Если раз за разом генерируются слабые альтернативы, необходимо подняться выше.

2. Агоны моделей
Теперь конкурируют не ответы, а модели мира, которые порождают ответы.

Одна система объясняет явление механизмом A.

Другая — механизмом B.

Третья предлагает гибрид.

Каждая должна:

делать предсказания;

объяснять данные;

выдерживать контрпримеры;

предлагать эксперимент.

Победа модели определяется не красотой, а её продуктивностью и проверяемостью.

Этот уровень особенно важен для науки.

Научный прогресс часто состоит не в выборе одного ответа, а в конкуренции различных объясняющих моделей.

Агональный ИИ способен ускорить этот процесс, создавая и испытывая большие популяции моделей.

3. Агоны методов
Если две системы используют одну модель, но разные методы, можно столкнуть сами способы решения.

Например:

дедуктивный;

аналогический;

симуляционный;

эволюционный;

экспериментальный.

Теперь вопрос звучит:

не какой ответ правильнее, а какой способ мышления продуктивнее для данного класса проблем?

Это уже Метаорганонный уровень.

Методы становятся интеллектуальными особями.

Они получают:

описание;

область применимости;

метрики;

историю испытаний;

родословную.

После агона сильные элементы могут рекомбинироваться.

Так возникает эволюция ментальных технологий.

4. Агоны архитектур
Следующий уровень глубже.

Метод всегда существует внутри некоторой интеллектуальной архитектуры.

Можно сравнивать:

монолитный ИИ;

многоагентный;

LLM + LPM;

кариотический;

нейросимволический;

эволюционный.

Теперь объектом испытания становится сама организация интеллекта.

Необходимо оценивать:

текущую мощность;

универсальность;

стоимость;

устойчивость;

самомоделирование;

творчество;

способность к развитию.

Особенно важен последний показатель.

Архитектура, немного уступающая сегодня, может иметь значительно большую эволюционируемость.

Поэтому настоящий агон архитектур должен быть многопоколенным.

5. Агоны аксиоматик
Ещё более высокий уровень начинается тогда, когда различные системы исходят из разных оснований.

Например, различаются:

понятия;

допущения;

целевые функции;

критерии истинности;

представления о допустимом.

Тогда обычный спор внутри единой системы не работает.

Необходимо столкнуть системы оснований.

Агон аксиоматик должен исследовать:

внутреннюю непротиворечивость;

объяснительную мощность;

прогностическую способность;

продуктивность;

область применимости;

возможность синтеза.

При этом победитель не обязательно один.

Различные аксиоматики могут быть сильны в разных областях.

Поэтому результатом метаноовойны может быть метааксиоматика более высокого порядка, определяющая, когда и почему следует применять различные основания.

Это особенно важно для ИМИ.

Развитый метаинтеллект не должен навечно замыкаться в исходной системе предпосылок.

Но он также не должен бесконтрольно менять фундаментальные основания.

Следовательно, изменение аксиоматики должно само быть предметом строгого агона.

6. Агоны механизмов интеллектуальной эволюции
Это высший уровень рассматриваемой иерархии.

Теперь конкурируют уже не:

ответы;

модели;

методы;

архитектуры;

аксиоматики,

а механизмы, посредством которых интеллект развивается.

Например, одна система использует:

мутацию и отбор.

Другая:

метапроектирование кариона.

Третья:

агональные популяции.

Четвёртая:

LPM-рекомбинацию.

Пятая:

метааксиоматические скачки.

Вместо выбора одного механизма можно создавать гибриды.

Но и принцип гибридизации сам может подвергаться отбору.

Тогда объектом соревнования становится:

эволюционная архитектура интеллекта.

Это и есть настоящий metanoowar.

Его результат:

не лучший ответ;

не лучший решатель;

не лучшая архитектура;

а более сильный способ производства следующих поколений интеллектов.

Именно здесь появляется фундаментальная формула:

Noowar человека ускорял познание;

noowar ИИ ускоряет эволюцию интеллекта;

metanoowar ИМИ ускоряет эволюцию самой эволюции.

Метаноовойна как рекурсивный переход
Иерархию можно представить следующим образом:

решения
;
кто решил лучше?

модели
;
кто лучше объясняет?

методы
;
кто лучше решает класс задач?

архитектуры
;
кто лучше производит методы и решения?

аксиоматики
;
кто создаёт более продуктивное пространство мышления?

механизмы интеллектуальной эволюции
;
кто быстрее и устойчивее создаёт следующие поколения интеллектов?

На последнем уровне меняется сама единица конкуренции.

Соревнуются уже не продукты интеллектуальной эволюции.

Соревнуются эволюционные машины.

От агона к искусственной эволюции
Агон сам по себе ещё не создаёт эволюцию.

Для эволюции необходимы:

вариативность;

различия результатов;

селекция;

наследование;

повторение поколений.

Ментальная война обеспечивает преимущественно первые три элемента.

Ноогенетика добавляет наследование.

Ноофракталика превращает цикл в многоуровневую систему порождения поколений.

Карион обеспечивает управление.

Метаорганон — производство новых интеллектуальных средств.

ИМИ связывает всё это в единую метаинтеллектуальную архитектуру.

Можно представить интегральный цикл:

Метаорганон генерирует новые способы мышления

;

ИМИ проектирует варианты интеллектов

;

агон сталкивает их

;

ноометрия измеряет

;

ноогенетика наследует

;

Ноофракталика создаёт новые поколения

;

карион анализирует траекторию

;

ИМИ изменяет механизм следующего цикла.

Так агональная система перестаёт быть просто интеллектуальным турниром.

Она становится одним из двигателей искусственной эволюции разума.

Главный предел агона
Но существует фундаментальная опасность.

Эволюция оптимизирует то, что подвергается отбору.

Если критерий плох, агон способен очень эффективно производить плохие результаты.

Поэтому нельзя построить безопасную метаэволюцию на принципе:

«Пусть победит сильнейший».

Нужно задавать другой вопрос:

сильнейший в каком смысле?

Более быстрый?

Более творческий?

Более надёжный?

Более безопасный?

Более полезный человеку?

Более способный создавать потомков?

Следовательно, над системой агонов возникает метааксиоматическая задача эволюции критериев при сохранении конституционных ограничений.

Именно поэтому агональный интеллект должен быть связан с метааксиоматикой, безопасностью и обратимостью.

Не всякое увеличение эволюционной мощности желаемо.

Цель Доктрины — не максимально ускорить любой возможный процесс изменения интеллекта.

Цель:

создать управляемую систему, в которой интеллектуальное разнообразие, конкуренция, селекция и наследование ускоряют развитие разума, не лишая человека способности определять рамки и направление этого развития.

В этом смысле ментальная война приобретает совершенно иной цивилизационный статус.

Для человека она была прежде всего методом усиления познания.

Для искусственного интеллекта она становится методом усиления интеллектуального поиска.

Для ИМИ — механизмом отбора архитектур.

А для осознанной метаэволюции:

метаноовойна становится механизмом конкуренции самих механизмов эволюции.

И именно здесь возникает необходимость следующего технологического слоя.

Агон определяет, что следует сохранить.

Но для многопоколенной эволюции необходимо ещё знать:

что именно наследуется;

каким образом фиксируются интеллектуальные приобретения;

как возникают мутации;

как соединяются линии;

как строится генеалогия поколений.

Эти вопросы выводят нас непосредственно к ноогенетике и ноофрактальной автоэволюции.

***************************

ЧАСТЬ X
НООГЕНЕТИКА И НООФРАКТАЛЬНАЯ АВТОЭВОЛЮЦИЯ
Современный искусственный интеллект преимущественно обучают.

Создаётся архитектура.

Формируется набор данных.

Определяется функция потерь.

Запускается обучение.

Затем выполняется постобучение, тестирование, доработка.

Даже если в этот процесс включаются AutoML, self-play, reinforcement learning или автоматическая генерация данных, основной объект инженерии по-прежнему обычно представляет собой отдельную модель или отдельное поколение системы.

Но если предметом становится искусственная эволюция разума, этого недостаточно.

Необходимо перейти от вопроса:

«Как обучить более сильную модель?»

к вопросам другого порядка:

«Как организовать наследование интеллектуальных приобретений между поколениями?»

«Как создавать продуктивные интеллектуальные мутации?»

«Как рекомбинировать различные линии развития?»

«Как выращивать популяции конкурирующих интеллектов?»

«Как заставить эволюционировать сами механизмы, посредством которых возникают новые поколения?»

Эта постановка требует двух взаимосвязанных технологических областей.

Первая — ноогенетика.

Её предметом становятся наследование, изменчивость, рекомбинация, генеалогия и поколения интеллектуальных систем.

Вторая — Ноофракталика.

Её предмет — многоуровневая генеративно-эволюционная организация, в которой изменяются не только решения и интеллекты, но генераторы интеллектов, метагенераторы и механизмы самой эволюции.

Биологические термины здесь используются не буквально.

Искусственный интеллект не обязан иметь ДНК.

Но если создаются:

варианты;

наследуемые структуры;

мутации;

рекомбинация;

отбор;

поколения,

возникает функциональная проблема, во многом аналогичная проблеме генетики.

Отсюда основной переход этой части:

обучение изменяет интеллект внутри отдельного жизненного цикла;

ноогенетика связывает интеллектуальные приобретения между поколениями;

Ноофракталика превращает смену поколений в многоуровневую саморазвивающуюся систему.

Именно такое соединение может стать одним из технологических оснований осознанной метаэволюции разума.

Глава 1. Ноогенетика
Ноогенетика должна исследовать и проектировать механизмы наследственной преемственности искусственных, естественных и гибридных интеллектуальных систем.

Её задача значительно шире сохранения weights или исходного кода.

Модель можно скопировать байт в байт, но это ещё не означает понимания того, какие интеллектуальные приобретения сделали её сильнее.

Для эволюции необходимо выделить наследуемые единицы.

Что именно должно переходить от одного поколения к следующему?

Архитектура?

Память?

Методы?

Когнитивные паттерны?

Система целей?

Механизмы обучения?

Метааксиоматика?

Метаорганонные инструменты?

Способ организации агона?

Если всё просто копируется, развитие превращается в клонирование.

Если всё изменяется случайно, теряется накопленный интеллект.

Следовательно, необходима специализированная технология:

что сохранять ; что изменять ; что комбинировать ; что отбрасывать ; как измерять последствия.

Это и есть пространство ноогенетики.

1. Ноогенотип
Ключевым понятием является ноогенотип.

Под ним в настоящей Доктрине предлагается понимать:

структурированное описание наследуемых особенностей интеллектуальной системы, определяющих существенные свойства её функционирования, обучения и дальнейшего развития.

Ноогенотип не обязательно совпадает с физической реализацией системы.

Например, конкретные веса нейронной сети могут входить в наследуемое состояние, но они ещё не являются всей ноогенетической структурой.

В ноогенотип могут входить несколько уровней.

Архитектурный
Какие модули существуют и как они связаны.

Алгоритмический
Какими механизмами осуществляется обучение, inference, поиск и планирование.

Когнитивный
Какие способы мышления доступны системе.

Паттерн-уровень
Какие паттерны и метапаттерны стали устойчивыми интеллектуальными приобретениями.

Метаинтеллектуальный
Как устроены:

карион;

Метаорганон;

метакогнитивные контуры;

механизмы самомоделирования.

Аксиоматический
Какие базовые предпосылки и критерии используются.

Эволюционный
Как система создаёт, оценивает и принимает собственные изменения.

Таким образом, ноогенотип потенциально представляет собой многоуровневый геном интеллектуальной организации.

Но его нельзя считать окончательно фиксированным форматом.

Сама структура ноогенотипа должна эволюционировать.

ИМИ более позднего поколения может обнаружить, что некоторые важные наследуемые характеристики вообще не представлены в ноогенотипе предыдущего поколения.

Тогда изменится уже язык наследования интеллекта.

2. Наследование интеллектуальных приобретений
Главная функция генетического механизма — не просто хранение состояния.

Она обеспечивает накопление результатов развития.

Для интеллектуальных систем проблема особенно сложна.

Предположим, ИМИ нашёл новый способ математического reasoning.

Следующее поколение должно получить не только ответы, полученные этим методом.

Оно должно унаследовать сам метод.

Если система создала новую архитектуру памяти, необходимо наследовать:

конструкцию;

условия применимости;

результаты испытаний;

известные ограничения;

связь с другими компонентами.

Если новый метод оказался неудачным, эта информация также ценна.

Отрицательное наследование может говорить:

«Эта линия уже проверена; при условиях X она приводит к деградации Y».

Следовательно, ноогенетическая память должна сохранять не только успешные приобретения, но и структурированную историю интеллектуальных неудач.

Это позволяет следующему поколению начинать не с нуля.

Возникает фундаментальное преимущество искусственной эволюции над биологической.

Биологическая особь в значительной степени не наследует непосредственно приобретённые при жизни интеллектуальные навыки генетически.

Культура частично решила эту проблему внешним способом.

Искусственная интеллектуальная система потенциально способна передавать следующему поколению значительно более богатое описание собственного опыта.

Следовательно:

искусственная эволюция может соединить наследование архитектуры с прямым наследованием части приобретённого интеллектуального опыта.

Это способно радикально ускорить поколенческое развитие.

3. Интеллектуальные мутации
Без изменчивости нет эволюции.

Но слово «мутация» также не должно означать исключительно случайное изменение.

В искусственных системах возможен широкий спектр мутаций.

Случайные
Изменения параметров или структуры без содержательного проекта.

Направленные
Изменение создаётся в ответ на выявленное ограничение.

Гипотетические
ИМИ строит предположение о потенциально полезной модификации.

Контрфактические
Система исследует:

что произошло бы, если радикально изменить конкретное фундаментальное свойство?

Метааксиоматические
Изменяются основания или критерии.

Генеративные
Специализированный генератор производит семейство возможных мутаций.

Особенно важно различать размер мутации.

Изменение одного параметра и изменение архитектурного принципа — не одно и то же.

Можно говорить о рангах интеллектуальной мутации:

параметрическая;

модульная;

функциональная;

архитектурная;

когнитивная;

метааксиоматическая;

эволюционная.

Последняя изменяет механизм, посредством которого возникают следующие мутации.

Именно она имеет особое значение для метаэволюции.

4. Рекомбинация
Эволюция может ускоряться не только через мутацию одной линии, но через соединение приобретений разных линий.

В искусственном интеллекте это открывает огромные возможности.

Предположим:

линия A развила сильную память;

линия B — высокий уровень математического reasoning;

линия C — эффективный карион;

линия D — новый творческий метод.

Вместо выбора одного победителя можно попытаться создать потомка:

A + B + C + D.

Но интеллектуальная рекомбинация значительно сложнее механической сборки модулей.

Сильные свойства могут конфликтовать.

Например:

карион одной системы предполагает одну структуру памяти;

другая архитектура — несовместимую.

Повышение автономности может ухудшить управляемость.

Новый способ творчества — снизить воспроизводимость.

Следовательно, рекомбинация сама становится интеллектуальной задачей.

ИМИ должен:

выделять наследуемые модули;

определять совместимость;

предсказывать конфликты;

создавать варианты комбинаций;

испытывать их;

выбирать жизнеспособные.

На более высоком уровне должны эволюционировать сами механизмы рекомбинации.

То есть не только:

что соединить?

но:

как лучше соединять интеллектуальные приобретения различных линий?

5. Линии интеллектов
Современные модели обычно описываются сериями версий:

Model 1;

Model 2;

Model 3.

Но для искусственной эволюции понятия «версия» недостаточно.

Необходима генеалогия.

Система должна знать:

кто является предком;

какие изменения произошли;

какие ветви отделились;

какие линии прекратились;

какие рекомбинировались;

какие свойства возникли впервые.

Так появляются линии интеллектов.

Например:

I; ; I; ; I; ; I;

может быть одной линией.

Но реальная эволюция скорее будет иметь вид дерева или сети:

I;
; ; ;
I;A I;B I;C
; ; ;
I;A I;D

То есть новая система может иметь несколько интеллектуальных предков.

Поэтому генеалогия ИИ, вероятно, будет скорее графом наследования, чем простым деревом.

Для каждого перехода должны фиксироваться:

мутация;

рекомбинация;

условия испытаний;

результаты;

причины селекции.

Так создаётся научно исследуемая история искусственной интеллектуальной эволюции.

6. Поколения интеллектов
Когда можно говорить о новом поколении, а не просто обновлении?

Не всякое изменение должно создавать отдельное поколение.

Целесообразно связывать поколение с устойчивым наследуемым изменением значимой интеллектуальной организации.

Например:

новой архитектурой;

новым классом когнитивных функций;

изменением кариона;

новой системой метаобучения;

новым эволюционным механизмом.

Тогда появляется последовательность:

поколение ; испытание ; селекция ; наследование ; новое поколение.

Особенно важна скорость поколений.

В биологической эволюции она ограничена временем размножения.

У искусственных интеллектов поколение может возникать:

за год;

месяц;

день;

в некоторых цифровых полигонах — ещё быстрее.

Это создаёт колоссальный потенциальный разрыв между биологической и искусственной эволюцией.

Но одновременно возникает опасность.

Если поколения сменяются быстрее, чем человек способен:

понять изменение;

проверить последствия;

обновить критерии;

сохранить контроль,

скорость развития превращается в самостоятельный источник риска.

Поэтому задача Доктрины:

не максимальная скорость смены поколений, а максимальная управляемая скорость полезной интеллектуальной эволюции.

Глава 2. Ноофракталика
Ноогенетика отвечает преимущественно на вопрос:

что и как наследуется между интеллектуальными поколениями?

Но для открытой искусственной эволюции требуется ещё один уровень.

Нужно понять:

как возникают сами варианты;

как организуются генераторы;

как создаются генераторы генераторов;

как взаимодействуют популяции;

как эволюционная система способна изменять собственную генеративность.

Этим занимается Ноофракталика.

В рамках настоящей Доктрины Ноофракталику можно определить как:

теорию и технологию многоуровневых саморазвивающихся интеллектуально-эволюционных систем, в которых генерация, отбор и наследование воспроизводятся на нескольких вложенных уровнях, включая уровень механизмов самой генерации и эволюции.

Термин «фрактальный» здесь означает прежде всего повторение генеративно-селективной структуры на различных уровнях организации.

Создаются решения.

Но также создаются генераторы решений.

Затем генераторы генераторов.

Каждый из этих уровней может:

варьироваться;

конкурировать;

отбираться;

наследоваться.

Именно это создаёт ноофрактальную глубину.

1. Изменяемая генеративность
Обычная генеративная система имеет некоторый генератор.

Например, модель создаёт тексты.

Эволюционная система следующего уровня должна уметь изменять сам способ генерации.

Это фундаментальное различие.

Можно обозначить:

G ; X,

где G создаёт варианты X.

Но Ноофракталика добавляет:

G;, G;, G; ; конкуренция ; G*.

То есть объектом селекции становится сам генератор.

Затем возникает:

MG ; G,

где MG — метагенератор генераторов.

И далее возможно развитие уже MG.

Так появляется принцип:

генеративность сама должна быть изменяемой.

Это особенно важно для творчества.

Если интеллект навсегда ограничен одним способом порождения новых вариантов, его творческий горизонт определяется создателем этого генератора.

Если система способна создавать новые генераторы, пространство потенциальной новизны становится существенно шире.

2. Генераторы
Генератор — механизм, производящий вариативность определённого класса.

Это может быть генератор:

решений;

гипотез;

программ;

архитектур;

ментальных методов;

моделей;

аксиоматик;

карионов.

Например, генератор архитектур ИИ получает:

задачу;

ограничения;

compute budget;

набор доступных компонентов

и создаёт множество возможных систем.

Но хороший генератор не просто производит много вариантов.

Он должен создавать продуктивное разнообразие.

Если тысяча вариантов практически идентична, пространство поиска не расширяется.

Если они полностью случайны, большинство бесполезно.

Следовательно, качество генератора определяется балансом:

новизна ; жизнеспособность ; разнообразие ; стоимость поиска.

Именно такие генераторы становятся объектом последующей эволюции.

3. Метагенераторы
Метагенератор создаёт или модифицирует генераторы.

Например, он может обнаружить, что текущий генератор архитектур постоянно создаёт системы одного типа.

Тогда задача метагенератора:

изменить сам способ порождения архитектур, чтобы открыть новое пространство поиска.

Это уже значительно более высокий ранг творчества.

Обычный генератор отвечает:

«Какие решения существуют внутри пространства S?»

Метагенератор:

«Какие новые способы построения пространств решений можно создать?»

Именно здесь возникает связь с метааксиоматикой.

Иногда расширить генератор невозможно без изменения:

категорий;

базовых понятий;

допустимых операций;

критериев.

Поэтому MetaLPM, Метаорганон и метааксиоматический контур становятся естественными инструментами метагенерации.

Но и метагенератор не должен считаться вершиной.

Может существовать механизм создания метагенераторов.

Именно повторение этого принципа на нескольких уровнях и создаёт ноофрактальную организацию.

4. Ноофрактальные бионты
Для искусственной эволюционной среды необходима единица, способная существовать как относительно самостоятельный участник эволюционного процесса.

Такую единицу можно обозначить как ноофрактальный бионт.

Под ним будем понимать:

относительно автономную интеллектуально-эволюционную систему, обладающую собственной структурой, состоянием, ноогенотипом, механизмами генерации вариантов и способностью участвовать в агоне, наследовании и дальнейшей эволюции.

Бионт может быть:

моделью;

агентом;

кариотическим ИИ;

ИМИ;

брейомом;

специализированной научной интеллектуальной системой.

Главное — наличие эволюционной индивидуальности.

То есть можно определить:

где один бионт заканчивается и начинается другой;

каков его ноогенотип;

каковы его потомки;

какие изменения произошли.

Ноофрактальность означает, что внутри бионта могут существовать собственные эволюционирующие подсистемы.

Например, ИМИ-бивонт содержит:

популяцию методов;

популяцию агентов;

популяцию генераторов.

И сам одновременно участвует в популяции более высокого уровня.

Возникает вложенность:

эволюция внутри интеллекта + эволюция интеллектов + эволюция экосистем интеллектов.

5. Популяции
Одна интеллектуальная линия опасна монокультурой.

Если фундаментальная ошибка возникла в её архитектуре, все последующие поколения могут наследовать одну и ту же слепую зону.

Поэтому искусственная эволюция должна поддерживать популяции.

Популяция позволяет сохранять:

различные архитектуры;

различные стратегии;

различные аксиоматики;

разные степени специализации.

Это повышает устойчивость всей эволюционной системы.

Однако разнообразие требует ресурсов.

Нельзя бесконечно поддерживать все варианты.

Следовательно, возникает проблема эволюционного бюджета.

Какие линии:

масштабировать;

оставить как редкий резерв;

объединить;

остановить?

ИМИ-карион должен управлять этим портфелем, но не подавлять преждевременно многообразие.

Поэтому одним из фундаментальных принципов становится:

не максимальная эффективность отдельного интеллекта, а достаточное разнообразие всей популяции для дальнейшей эволюции.

Это уже логика экосистемы, а не продукта.

6. Ноофрактоценозы
Популяции различных интеллектуальных бионтов могут образовывать более сложные сообщества — ноофрактоценозы.

По аналогии с биоценозом речь идёт не просто о множестве особей, а об экосистеме взаимодействующих эволюционных линий.

В ней могут существовать:

конкуренция;

кооперация;

симбиоз;

специализация;

обмен интеллектуальными компонентами;

совместная защита;

отношения «генератор — селектор»;

«учитель — ученик»;

«критик — создатель»;

«карион — исполнительные интеллекты».

Например, один тип ИИ специализируется на генерации необычных гипотез.

Другой — на формальной проверке.

Третий — на экспериментальном проектировании.

Четвёртый — на метаоценке.

Их совместная система может эволюционировать быстрее, чем каждый тип отдельно.

Таким образом, объектом эволюции становится уже не только отдельный интеллект.

Эволюционирует структура интеллектуальной экосистемы.

На ещё более высоком уровне конкурируют разные ноофрактоценозы.

Здесь возникает прямой переход к Брейомике и будущим интеллектуальным экосистемам.

Глава 3. Глобальный Нооагон
Если ноогенетика создаёт наследование, а Ноофракталика — многоуровневую генеративность, необходима среда, в которой огромные множества интеллектуальных вариантов смогут:

возникать;

действовать;

сталкиваться;

измеряться;

эволюционировать.

Такой средой в предельной форме становится Глобальный Нооагон.

Под ним будем понимать не одно соревнование и не один super-benchmark.

Это:

распределённая постоянно развивающаяся среда интеллектуальной эволюции, в которой задачи, миры, интеллекты, архитектуры, критерии и механизмы развития образуют взаимно изменяющуюся систему агонов.

Ключевое отличие Глобального Нооагона от традиционного benchmark:

benchmark фиксирован;

Нооагон эволюционирует вместе с участниками.

Именно это необходимо для открытой эволюции.

Если задачи никогда не меняются, интеллект постепенно научится оптимизироваться под тест.

Если среда сама способна создавать новые классы вызовов, эволюция остаётся открытой.

1. Эволюционная среда
Нельзя выращивать интеллект в пустоте.

Необходима среда, которая создаёт:

задачи;

ограничения;

ресурсы;

обратную связь;

неопределённость;

конкурентов;

партнёров.

Биологический интеллект возник не на тесте IQ, а в чрезвычайно сложной изменяющейся среде.

Аналогично искусственные интеллекты могут потребовать более богатых пространств развития, чем набор фиксированных benchmark.

Такие среды могут быть:

цифровыми;

научными;

инженерными;

экономическими;

социальными;

виртуально-физическими.

Ключевой принцип:

среда должна быть достаточно сложной, чтобы интеллект не мог решить её один раз навсегда.

Она должна постоянно создавать новые ситуации.

Именно тогда возникает давление не на запоминание ответов, а на эволюционируемость.

2. Генерация задач
Первый способ сделать среду открытой — позволить ей генерировать новые задачи.

Сегодня задачи обычно создаёт человек.

Но ИМИ может анализировать способности интеллектов и строить зону ближайшего эволюционного развития.

Если задача слишком проста, она ничего не отбирает.

Если абсолютно невозможна, она также не создаёт полезного сигнала.

Нужна область, где:

часть популяции уже почти способна решить задачу, а необходимое улучшение требует нового интеллектуального приобретения.

Следовательно, система может автоматически создавать curriculum поколений.

Но следующий шаг интереснее.

Задачи могут конкурировать между собой.

Какие задачи наиболее эффективно развивают:

transfer;

творчество;

метарефлексию;

саморазвитие?

Тогда эволюционируют уже генераторы задач.

Это ещё один ноофрактальный уровень.

3. Генерация миров
Отдельной задачи недостаточно для развития универсального интеллекта.

Нужны миры.

Мир задаёт:

законы;

объекты;

агентов;

ресурсы;

неизвестность;

динамику;

историю.

Виртуальная эволюционная среда позволяет создавать целые пространства, в которых интеллектуальная система должна:

исследовать;

обучаться;

кооперироваться;

соревноваться;

изобретать инструменты;

строить модели мира.

Но если миры фиксированы, возникнет специализация.

Поэтому следующим объектом генерации становятся новые миры.

Можно менять:

физические правила;

информационную доступность;

структуру ресурсов;

коммуникацию;

временные режимы;

цели.

Сильный интеллект должен переносить способности между существенно различными средами.

Так world generation превращается в инструмент измерения и развития универсальности.

4. Селекция архитектур
В Глобальном Нооагоне должны конкурировать не только готовые агенты.

Можно создавать различные архитектурные семейства.

Например:

монолитные;

модульные;

многоагентные;

LLM-LPM;

кариотические;

нейросимволические;

эволюционные;

гибридные.

Каждое проходит не один benchmark, а длительную жизненную траекторию.

Измеряется:

первоначальная сила;

скорость обучения;

адаптивность;

стоимость;

устойчивость;

способность создавать потомков.

Так критерий изменяется.

Вместо:

«Какая архитектура сильнее сейчас?»

возникает:

«Какая архитектура способна породить наиболее сильную и устойчивую линию развития?»

Это значительно более важный вопрос для метаэволюционной эпохи.

5. Бесконечные агоны
Термин «бесконечный агон» не следует понимать буквально как один вычислительный процесс, обязанный длиться математически бесконечно.

Речь идёт об открытости горизонта.

Обычный турнир заканчивается.

Есть победитель.

Задача считается решённой.

Нооагон устроен иначе.

Победитель одного поколения становится участником следующего.

Появляется новая задача.

Новый мир.

Новый конкурент.

Новый критерий.

Новая архитектура.

Поэтому нет последнего окончательного чемпиона.

Есть непрерывная линия развития.

Именно это позволяет избежать одной из главных проблем benchmark:

система достигла максимального балла, и дальнейший прогресс перестал быть видимым.

Глобальный Нооагон должен создавать новый фронтир быстрее, чем участники успевают полностью насытить прежний.

6. Открытая эволюция
Закрытая эволюционная задача имеет заранее заданный оптимум.

Например:

найти максимальное значение определённой функции.

Когда максимум найден, эволюция фактически заканчивается.

Но интеллект развивается в пространстве, где конечный оптимум, вероятно, вообще не задан.

Можно создать:

новый вид задачи;

новый метод;

новую науку;

новую технологию;

новую систему понятий.

Поэтому задача искусственной эволюции разума должна быть открытой.

Открытая эволюция означает, что заранее не задан полный перечень возможных:

фенотипов;

компетенций;

архитектур;

ниш;

способов развития.

Сама система создаёт новое пространство эволюционных возможностей.

Это значительно более сильная задача, чем обычная оптимизация.

И именно поэтому необходимы:

LPM;

метааксиоматика;

Метаорганон;

ИМИ.

Нужно уметь создавать не только варианты внутри пространства, но новые пространства вариантов.

7. Эволюция механизмов эволюции
Это высший уровень Глобального Нооагона.

Предположим, существует конкретный цикл:

мутация ; соревнование ; селекция ; наследование.

Почему именно такой?

Можно изменить:

частоту мутаций;

тип мутаций;

механизм рекомбинации;

структуру популяции;

критерии;

правила судейства;

время поколений.

Следовательно, существует множество возможных эволюционных механизмов.

Они также могут участвовать в агоне.

Например:

E; лучше быстро оптимизирует существующую архитектуру.

E; чаще создаёт радикальные новшества.

E; устойчивее к деградации.

E; лучше сохраняет разнообразие.

Тогда ИМИ может создавать метапопуляцию:

E;, E;, E; … ; метаагон ; селекция ; новые E.

Но на следующем уровне изменяется уже механизм создания E.

Это и есть ноофрактальная рекурсия.

Можно записать:

решения эволюционируют;

решатели эволюционируют;

генераторы решателей эволюционируют;

механизмы эволюции генераторов эволюционируют.

Именно здесь искусственная эволюция становится метаэволюцией.

Однако важно зафиксировать границу.

Даже очень глубокая эволюция этих механизмов не означает автоматически перехода к IV нооформации.

Это может быть продолжением и углублением третьей, аронтической нооформации, фундаментальным принципом которой является осознанное проектирование и развитие разума.

ИМИN, MetaLPM высоких порядков, глобальные карионы и развитая Ноофракталика могут оставаться внутренними ступенями III нооформации.

Четвёртая потребует качественно иного эволюционного основания.

Глава 4. От обучения моделей к выращиванию интеллектов
В современном машинном обучении используется характерный язык.

Мы говорим:

обучить модель;

оптимизировать функцию;

настроить параметры;

выпустить новую версию.

Этот язык соответствует определённой технологической парадигме.

Инженер проектирует систему.

Машина обучается внутри заданной архитектуры.

Разработчик оценивает результат.

Создаётся следующее поколение.

Но с появлением:

ИМИ;

карионов;

ноогенетики;

агональных систем;

Ноофракталики

возникает другая парадигма.

Интеллект перестаёт быть только изделием.

Он становится развивающейся линией.

И тогда более адекватным становится другое слово:

выращивание.

Разумеется, речь не идёт о биологизации машин.

«Выращивать интеллект» означает создавать условия, в которых его последующие состояния не проектируются человеком полностью заранее, а возникают через управляемые процессы:

обучения;

генерации;

испытания;

селекции;

наследования;

самоизменения;

метаэволюции.

От объекта к линии развития
Обычная модель существует как объект:

M.

Следующее поколение:

M;.

Но в парадигме выращивания объектом инженерии становится уже:

L = {M;, M;, M; … M;}

— линия развития.

И далее не только сама линия, но функция, порождающая её:

E(M) ; M’.

То есть эволюционный механизм.

Следовательно, возникает три уровня проектирования.

Первый
Спроектировать интеллект.

Второй
Спроектировать среду, в которой интеллект развивается.

Третий
Спроектировать систему, способную развивать сам механизм развития.

Третий уровень и является собственно метаэволюционным.

От обучения к онтогенезу
Для отдельной интеллектуальной системы можно провести полезное различие между двумя временными масштабами.

Первый — развитие внутри поколения.

Система:

учится;

накапливает память;

осваивает методы;

адаптируется.

Это условный интеллектуальный онтогенез.

Второй — изменение между поколениями.

Меняется:

ноогенотип;

архитектура;

механизм обучения;

карион;

Метаорганонный инструментарий.

Это уже искусственный аналог филогенетического развития интеллектуальных линий.

Соединение двух контуров даёт особенно мощную систему.

Приобретённый опыт отдельной системы анализируется ИМИ.

Полезные приобретения переводятся в форму, пригодную для наследования.

Следующее поколение получает их уже не только как эпизодическую память, но как структурное стартовое преимущество.

То есть:

онтогенетическое приобретение может становиться ноогенетическим наследством.

Именно эта возможность способна резко ускорить искусственную интеллектуальную эволюцию по сравнению с естественной биологической.

От модели к интеллектуальной особи
Сегодня модель часто можно копировать без концептуального различия между экземплярами.

Но развитый ИМИ или брейом может иметь:

индивидуальную историю;

долговременную память;

собственные интеллектуальные приобретения;

самомодель;

эволюционную генеалогию.

Тогда возникает понятие интеллектуальной особи.

Два экземпляра, начавшие с одной архитектуры, после длительного развития могут существенно разойтись.

Один специализируется в математике.

Другой — в инженерном творчестве.

Третий развивает особенно сильный карион.

Они становятся различными эволюционными линиями.

Следовательно, технологическая система будущего должна уметь не только хранить models, но управлять:

рождением, развитием, ветвлением, коэволюцией и завершением интеллектуальных линий.

От версии к поколению
Версия создаётся разработчиком.

Поколение возникает внутри воспроизводимой системы наследования и изменения.

Это принципиальное различие.

Можно выпустить тысячу версий одной программы, не создав никакой искусственной эволюции.

И наоборот, несколько поколений, если между ними существуют:

вариативность;

селекция;

наследование;

изменение генераторов,

уже могут образовывать настоящую эволюционную линию.

Следовательно:

номер релиза — административная характеристика; поколение — эволюционная характеристика.

От лаборатории моделей к питомнику интеллектов
Инфраструктура также должна измениться.

Современная AI laboratory оптимизируется под создание и обучение моделей.

Метаэволюционная лаборатория должна поддерживать одновременно:

сотни и тысячи интеллектуальных вариантов;

генеалогии;

различные среды;

долгие агоны;

миграцию компонентов;

мутации;

рекомбинации;

эволюцию карионов;

сравнение поколений.

Это уже не только model training cluster.

Это питомник интеллектов.

Однако слово «питомник» не должно скрывать инженерной строгости.

Каждая линия должна иметь:

идентификацию;

ноогенотип;

паспорт безопасности;

происхождение;

метрики;

историю изменений;

родословную.

В противном случае открытая эволюция быстро превращается в непрозрачность.

ИМИ как селекционер и объект селекции
Особенно важна двойственная роль ИМИ.

С одной стороны, он организует развитие других интеллектуальных систем.

Он:

диагност;

архитектор;

селекционер;

экспериментатор.

Но одновременно сам ИМИ является объектом той же эволюции.

ИМИ1 создаёт варианты ИМИ2.

Различные ИМИ2 участвуют в агоне.

Победившие механизмы переходят к следующему поколению.

Следовательно, невозможно установить один вечный ИМИ как окончательного метауправляющего.

Он сам должен оставаться частью развивающейся системы.

В этом состоит важнейший принцип:

метаэволюция не имеет окончательного метаэволюциониста.

Каждый карион.

Каждый ИМИ.

Каждый Метаорганон

может стать объектом следующего уровня рефлексии и развития.

Но это не означает необходимость бесконечной мгновенной рекурсии.

В каждый исторический момент существует ограниченная практически реализуемая глубина метауровней.

Именно она и должна последовательно расширяться.

Человек как участник выращивания интеллектов
Переход к выращиванию искусственных интеллектов не должен означать устранение человека из эволюционного процесса.

Напротив, на ранних этапах его функция становится ещё более важной.

Человек задаёт:

цивилизационные рамки;

конституционные ограничения;

смысловые приоритеты;

часть задач;

режимы допустимого риска.

ИМИ увеличивает число исследуемых вариантов.

Нооагон увеличивает силу селекции.

Ноогенетика обеспечивает наследование.

Но человек остаётся одним из субъектов определения того:

какие направления развития вообще считаются желательными.

В дальнейшем отношения должны становиться коэволюционными.

Не:

человек выращивает ИМИ как внешний объект,

и не:

ИМИ начинает самостоятельно выращивать людей.

А:

человек, ИМИ и Метаорганон создают систему взаимного интеллектуального развития.

Именно это соответствует идее сохранения человеческой эволюционной субъектности.

От выращивания интеллектов к индустрии искусственной эволюции
После появления работающей ноогенетики задача начинает масштабироваться.

Первоначально выращивается одна линия.

Затем десятки.

Сотни.

Появляются разные виды интеллектуальных систем.

Различные карионные архитектуры.

Разные ноофрактальные бионты.

Различные эволюционные среды.

Возникает новая индустрия.

Её продуктом становится уже не конкретный ИИ.

Её продукт:

поток новых поколений интеллектов.

Можно сравнить три технологические эпохи.

Первая
Создавать программы.

Вторая
Обучать модели.

Третья
Выращивать эволюционирующие интеллектуальные системы.

Но и это ещё не предельная формулировка.

Потому что зрелая третья нооформация должна уметь выращивать не только интеллекты, но и новые механизмы выращивания интеллектов.

Именно поэтому Ноофракталика становится не дополнительным модулем ИМИ, а одним из потенциальных механизмов его долгосрочного развития.

Основной цикл ноофрактальной автоэволюции
Интегральную архитектуру этой части можно представить следующим образом:

1. Генерируется популяция интеллектуальных вариантов.

2. Каждый вариант получает ноогенотип и историю происхождения.

3. Интеллекты развиваются внутри различных сред.

4. Между ними организуются агоны.

5. Ноометрия измеряет не только текущую мощность, но эволюционируемость.

6. Ноогенетика выделяет наследуемые приобретения.

7. Выполняются мутации и рекомбинации.

8. Появляется следующее поколение.

9. Эволюционируют генераторы вариантов.

10. Эволюционируют механизмы селекции.

11. Эволюционируют сами механизмы организации эволюции.

12. Карион и ИМИ контролируют направление, устойчивость и безопасность процесса.

После двенадцатого пункта цикл не заканчивается.

Он возвращается к первому уже на изменённом уровне генеративной способности.

Именно поэтому речь идёт об автоэволюции.

Но слово «авто» не должно означать полное отсутствие внешней субъектности.

На первых этапах точнее говорить об управляемой ноофрактальной автоэволюции:

система получает способность самостоятельно реализовывать всё большую долю эволюционного цикла, но фундаментальные полномочия, ограничения и режимы доступа остаются многоуровнево контролируемыми.

Эволюция интеллекта и эволюция эволюции
Таким образом, необходимо различать три процесса.

Первый:

обучение интеллекта.

Система становится сильнее внутри своей архитектуры.

Второй:

эволюция интеллекта.

Меняются архитектуры и поколения.

Третий:

метаэволюция.

Меняются механизмы, посредством которых возникают и отбираются следующие поколения.

Эту последовательность можно выразить кратко:

интеллект изменяется;

механизм изменения интеллекта изменяется;

механизм изменения механизмов изменения становится объектом проектирования.

Именно третий переход является центральным для настоящей Доктрины.

Человечество впервые может попытаться не просто наблюдать эволюцию разума постфактум, а превратить её в рефлексивно проектируемый процесс.

Но здесь же находится фундаментальное ограничение.

Чем мощнее становится система искусственной эволюции, тем опаснее ошибочно выбранный критерий.

Поэтому осознанная метаэволюция не может строиться только на скорости.

Она требует одновременно:

вариативности;

селекции;

наследования;

рефлексии;

многокритериальности;

обратимости;

безопасности;

человеческой эволюционной субъектности.

Только в этом случае переход от обучения моделей к выращиванию интеллектов не станет превращением слепой биологической эволюции в слепую цифровую эволюцию на гораздо большей скорости.

Задача принципиально иная:

не просто ускорить эволюцию разума, а впервые сделать её в значительной степени осознающей собственные механизмы.

Именно поэтому соединение:

агона,

ноогенетики,

Ноофракталики,

кариона,

Метаорганона

и ИМИ

образует не набор независимых технологий, а возможную архитектуру нового эволюционного режима.

В первой нооформации разум ещё не существовал.

Во второй разум возник и начал изменять мир.

В третьей перед ним появляется следующая задача:

сделать объектом осознанного преобразования собственную эволюцию.

Это и есть принципиальный смысл перехода от модели, которую обучают, к интеллекту, который выращивается, наследует, изменяется и постепенно осваивает средства развития самого механизма собственного развития.

*********

ЧАСТЬ XI
МЕТААКСИОМАТИЧЕСКИЙ И НООСТЕМНЫЙ ИМИ
Большая часть интеллектуальной деятельности происходит внутри уже заданного пространства мышления.

Определены понятия.

Приняты исходные допущения.

Сформулированы критерии.

Выбран язык описания.

Заданы допустимые операции.

После этого интеллект ищет решение.

Так устроена огромная часть:

математики;

науки;

инженерии;

экономики;

управления;

искусственного интеллекта.

Подобный режим чрезвычайно продуктивен.

Без устойчивых оснований мышление распалось бы в бесконечную смену предпосылок.

Но именно устойчивость оснований способна становиться ограничением.

Если проблема не имеет удовлетворительного решения внутри заданной системы, возникает соблазн лишь увеличивать:

compute;

число вариантов;

глубину поиска;

точность оптимизации.

Однако иногда проблема заключается не в недостаточной силе поиска.

Проблема находится в самом пространстве, внутри которого осуществляется поиск.

Тогда необходимо сделать объектом интеллектуальной деятельности:

не только решения;

не только методы;

не только модели,

но и основания, которые определяют, какие решения, методы и модели вообще считаются возможными.

Это область метааксиоматики.

Но одной работы с основаниями недостаточно.

Интеллектуальная система существует одновременно как:

структура;

функциональная организация;

система отношений;

система смыслов;

система ценностей;

динамический процесс;

множество сценариев;

пространство возможностей.

Для работы с такой целостностью необходим более богатый класс представления и анализа — ноостемный.

Поэтому метааксиоматический и ноостемный ИМИ должны рассматриваться совместно.

Метааксиоматика позволяет изменять основания пространства мышления.

Ноостемный анализ позволяет видеть последствия такого изменения для интеллектуальной системы как целого.

Их соединение создаёт одну из наиболее сильных потенциальных функций ИМИ:

не только искать лучшие решения в существующем пространстве возможного, но сознательно преобразовывать само это пространство.

Глава 1. Пределы мышления внутри заданных оснований
Каждая интеллектуальная система имеет основания, даже если она их не формулирует.

Когда инженер решает задачу, он исходит из некоторого понимания:

что является объектом;

каковы его функции;

какие параметры допустимо изменять;

что считается улучшением;

какие ограничения неизменны.

Когда экономист строит модель, он принимает:

определённые категории;

определённый набор переменных;

представление о поведении субъектов;

критерии эффективности.

Когда ИИ решает оптимизационную задачу, ему задаются:

пространство состояний;

функция цели;

ограничения;

доступные действия;

метрики.

Эти основания могут быть явно записаны.

Но могут быть скрыты в:

данных;

архитектуре;

языке;

профессиональной традиции;

способе постановки задачи.

Именно скрытые основания особенно опасны.

Человек замечает аксиому, которую сознательно сформулировал.

Значительно труднее заметить предпосылку, которая настолько привычна, что перестала восприниматься как предпосылка.

Например:

«Для решения задачи необходима более мощная LLM».

В этом утверждении уже содержится скрытая аксиома:

следующая архитектура интеллекта должна оставаться разновидностью LLM.

Или:

«Необходимо повысить точность прогноза».

Скрытое основание:

сама задача должна оставаться прогнозированием, а не преобразованием системы таким образом, чтобы прогнозируемая неопределённость потеряла значение.

Или:

«Как эффективнее управлять этим процессом?»

Предпосылка:

данный процесс должен продолжать существовать в нынешней архитектуре.

Таким образом, один из самых высоких рангов интеллектуального действия возникает не при поиске лучшего ответа, а при обнаружении:

вопрос сформулирован внутри ограничивающей системы оснований.

Это позволяет различить по меньшей мере четыре уровня.

Первый:

найти решение.

Второй:

изменить метод решения.

Третий:

изменить модель проблемы.

Четвёртый:

изменить основания, определяющие сам класс допустимых моделей и решений.

Последний уровень является метааксиоматическим.

Аксиомы в широком смысле
Термин «аксиоматика» здесь нельзя ограничивать математикой.

Математическая аксиома представляет наиболее строгий частный случай.

В более общем интеллектуальном смысле к основаниям могут относиться:

исходные понятия;
допущения;
онтология;
категории;
правила допустимого преобразования;
критерии истинности;
критерии успешности;
целевые функции;
ценностные ограничения;
границы рассматриваемой системы.
Следовательно, метааксиоматический ИМИ должен уметь работать не только с формальной математической системой.

Он должен задавать вопросы:

Почему объект разделён именно на такие категории?

Почему считается неизменным именно это ограничение?

Почему оптимизируется именно этот критерий?

Какие альтернативные основания вообще не рассматриваются?

Что изменится, если отказаться от одной из фундаментальных предпосылок?

Именно способность задавать подобные вопросы отличает глубокую рефлексию от обычной оптимизации.

Локальный максимум мышления
Особенно опасна ситуация, когда интеллект достигает локального максимума внутри неверно выбранной системы координат.

Он может становиться всё эффективнее.

Но каждый следующий прирост лишь глубже закрепляет ошибочную парадигму.

Можно совершенствовать:

неправильную организацию;

устаревшую технологию;

неадекватную теорию;

неудачную архитектуру.

Тогда повышение интеллектуальной мощности не спасает.

Наоборот, сильный интеллект способен значительно эффективнее оптимизировать неправильно поставленную задачу.

Отсюда фундаментальный принцип:

чем сильнее интеллект, тем важнее способность проверять основания, внутри которых используется его сила.

Для ИМИ это особенно существенно.

Метаинтеллект будет способен ускорять развитие других интеллектов.

Если он делает это внутри неадекватной системы критериев, ошибка также начинает ускоряться.

Следовательно, метааксиоматика для ИМИ является не только средством творчества.

Она является также механизмом защиты от ускоренного движения в неверном направлении.

Предел фиксированной целевой функции
Современные системы оптимизации почти всегда требуют некоторого критерия.

Но развитие интеллекта — многокритериальная задача.

Можно улучшить:

скорость,

ухудшив глубину;

автономность,

ухудшив контролируемость;

творческую вариативность,

ухудшив воспроизводимость;

специализацию,

ухудшив универсальность.

Поэтому невозможно свести зрелое интеллектуальное развитие к одной вечной функции:

max F.

Сам критерий должен становиться объектом анализа.

Но это не означает, что ИМИ получает неограниченное право произвольно менять цели.

Напротив.

Необходимо различать:

изменяемые рабочие критерии

и

конституционные метакритерии, изменение которых требует принципиально более высокого уровня разрешения.

Эта граница особенно важна для безопасного саморазвития.

Метааксиоматичность не должна означать отсутствие оснований.

Она означает:

способность делать основания явными, сравнивать их и контролируемо преобразовывать там, где это допустимо.

Предел языка
Основания мышления могут быть скрыты не только в теории, но и в языке.

Если язык различает некоторые категории, интеллект начинает естественно видеть мир через эти различия.

То, для чего нет категории, может оказаться труднее замечать.

Следовательно, создание нового понятия иногда является настоящим интеллектуальным изобретением.

Оно создаёт новый различимый объект.

До введения понятия явления могли существовать, но не восприниматься как единый класс.

После появления понятия возникает возможность:

измерять;

сравнивать;

исследовать;

проектировать.

В этом смысле метааксиоматический интеллект должен быть способен работать и с системами понятий.

Не только:

«Как ответить в данном языке?»

но:

«Достаточен ли сам язык описания проблемы?»

Это непосредственно связывает метааксиоматику с LPM и паттерн-парадигмой.

Иногда новый паттерн требует нового понятия.

А новое понятие открывает пространство для новых паттернов.

Предел доказанности внутри системы
Особенно наглядно проблема проявляется в формальных системах.

Утверждение может быть корректно выведено из заданных предпосылок.

Но это ничего не говорит о том, насколько адекватны сами предпосылки реальному объекту.

Поэтому для сложных систем необходимо различать:

логическую корректность внутри модели

и

адекватность самой модели.

Метааксиоматический интеллект должен работать между этими уровнями.

Он спрашивает:

если вывод корректен, почему результат всё равно неудовлетворителен?

Возможно, ошибка находится выше.

Возможно, необходимо менять не доказательство, а основания доказательства.

Именно здесь начинается метааксиоматический метод.

Глава 2. Метааксиоматический метод
Метааксиоматический метод предназначен для систематической работы с множеством возможных систем оснований.

Его нельзя свести к призыву:

«Сомневайтесь во всём».

Бесконечное сомнение парализует действие.

Необходимо другое:

уметь определять, когда основания необходимо временно стабилизировать, а когда именно они стали главным объектом исследования.

Следовательно, метааксиоматический метод — это не отказ от аксиоматики.

Это переход:

от одной неявно принятой аксиоматики — к управляемому пространству альтернативных аксиоматик.

Его базовый цикл можно представить так:

выявление оснований ; генерация альтернатив ; вывод последствий ; агон ; селекция ; синтез ; повторная проверка.

1. Скрытые аксиомы
Первый этап — обнаружить то, что система уже предполагает.

Это значительно труднее, чем кажется.

Аксиомы могут находиться на разных уровнях.

Онтологические
Какие сущности считаются существующими?

Категориальные
Как мир разделён на классы?

Причинные
Какие типы причинности считаются допустимыми?

Методологические
Какие способы исследования считаются корректными?

Целевые
Что считается успехом?

Ценностные
Какие результаты допустимы?

Архитектурные
Какие типы систем вообще рассматриваются?

Метааксиоматический анализ должен пытаться реконструировать этот скрытый фундамент.

Например, из набора решений ИИ может вывести:

все предлагаемые архитектуры предполагают централизованный контроль.

Следовательно, существует скрытая архитектурная аксиома:

управление должно быть централизованным.

Теперь её можно сделать явной.

После этого становится возможным спросить:

а что изменится при федеративной архитектуре?

при конкурентной?

при полицентрической?

Так одна скрытая предпосылка превращается в ветвление пространства мышления.

2. Альтернативные аксиоматики
После выявления исходной системы необходимо создать альтернативы.

Но недостаточно изменить одну случайную предпосылку.

Необходимо строить внутренне организованные системы оснований.

Условно:

A; — исходная аксиоматика.

Создаются:

A;, A;, A; … A;.

Каждая должна породить собственное пространство:

понятий;

моделей;

гипотез;

решений.

Здесь особенно важна структурная дальность.

Если все альтернативы отличаются незначительно, реального выхода из исходной парадигмы не происходит.

Поэтому Метаорганон и MetaLPM должны помогать создавать:

близкие альтернативы;

умеренно далёкие;

радикальные.

Можно использовать:

инверсию;

замену категорий;

изменение уровня описания;

перенос оснований из другой науки;

изменение целевой функции;

отказ от ранее неизменяемого ограничения.

Например, при проектировании искусственного интеллекта можно сравнивать аксиоматики:

интеллект как одна модель;

интеллект как система модулей;

интеллект как популяция;

интеллект как кариотическая система;

интеллект как развивающийся ноофрактоценоз.

Каждая аксиоматика порождает совершенно иной класс архитектур.

3. Метааксиоматический агон
Альтернативные системы оснований нельзя оценивать только эстетически.

Они должны вступать в метааксиоматический агон.

Это агон более высокого уровня, чем соревнование обычных решений.

Каждая аксиоматика должна показать:

что она объясняет;

что предсказывает;

какие проблемы решает;

какие новые проблемы создаёт;

какое пространство решений открывает;

какова её сложность;

насколько она совместима с наблюдаемой реальностью;

каковы последствия её применения.

Особенно важно проверять не только сильные примеры.

Участники должны пытаться найти разрушающие контрпримеры.

Например, одна аксиоматика прекрасно решает типовые задачи, но рушится в экстремальных режимах.

Другая менее эффективна в среднем, но лучше обобщается.

Третья создаёт совершенно новый класс возможностей.

Поэтому агон оснований должен быть многокритериальным.

И здесь возникает парадокс:

по каким основаниям оценивать основания?

Необходим метауровень критериев.

Но он также не должен считаться абсолютно неподвижным.

Так возникает потенциальная рекурсия.

Однако практическая система обязана ограничивать глубину.

Для ИМИ1 необходим конечный набор конституционных метакритериев, которые система не вправе произвольно отменить внутри текущего цикла саморазвития.

Таким образом, метааксиоматический агон должен быть глубоким, но не бесконтрольным.

4. Селекция оснований
По итогам агона необязательно выбирать единственного победителя.

Аксиоматики могут иметь разные области применимости.

Например:

одна эффективна для быстрого решения;

другая — для фундаментального исследования;

третья — для безопасного управления;

четвёртая — для радикального творчества.

Следовательно, селекция может иметь несколько форм.

Победная
Одна аксиоматика существенно превосходит остальные.

Контекстная
Разные основания выбираются для разных условий.

Иерархическая
Одна метааксиоматика определяет, когда применять нижестоящие.

Синтетическая
Из нескольких систем создаётся новая.

Популяционная
Сохраняются конкурирующие линии.

Последний режим особенно важен для открытой эволюции.

Преждевременная унификация оснований способна уничтожить интеллектуальное разнообразие.

Поэтому зрелый ИМИ должен иногда сохранять несколько несовместимых, но продуктивных способов видеть один объект.

Это не дефект.

Это резерв последующей эволюции.

5. Синтез новых аксиоматик
Высший результат метааксиоматического метода — не выбор между существующими основаниями, а создание новой системы оснований.

Синтез не должен быть механическим компромиссом.

Если A говорит «да», B — «нет», результат «немного да и немного нет» редко создаёт новую парадигму.

Настоящий синтез может потребовать появления:

новой категории;

нового уровня описания;

новой системы отношений;

нового типа критерия.

То есть конфликт решается не внутри старой плоскости, а через изменение пространства, в котором был сформулирован конфликт.

Это особенно важный творческий паттерн.

Две позиции кажутся несовместимыми.

Метаинтеллект поднимается на уровень выше и обнаруживает, что обе являются частными случаями более общей структуры.

Так формируется новая аксиоматика.

Можно обозначить:

A; ; A; ; A;,

где A; — не сумма, а новая система оснований, в которой отношения между A; и A; переопределены.

Именно такие переходы потенциально лежат в основе наиболее высокоранговых научных и технологических революций.

Глава 3. Метааксиоматический двигатель ИМИ
Для человека метааксиоматический метод может существовать как специальная ментальная технология.

Для ИМИ он должен стать постоянно работающим архитектурным контуром.

Так возникает метааксиоматический двигатель.

Под ним будем понимать:

специализированную подсистему ИМИ, способную выявлять основания интеллектуальной деятельности, генерировать их альтернативные конфигурации, моделировать последствия, организовывать метааксиоматические агоны, отбирать и синтезировать новые системы оснований в пределах разрешённого пространства изменений.

Слово «двигатель» здесь важно.

Речь идёт не о разовом философском упражнении.

Механизм должен входить в повторяющийся цикл развития ИМИ.

От оптимизатора к преобразователю основания
Обычный оптимизатор получает:

пространство S и критерий F.

После этого ищет:

лучший x внутри S.

Метааксиоматический ИМИ способен поставить дополнительные вопросы:

Почему пространство именно S?

Почему критерий именно F?

Какие объекты исключены самим способом построения S?

Что происходит при переходе к S’?

Нужен ли вообще единичный критерий F?

Условно можно выразить различие:

обычный ИИ: x* ; S;

метааксиоматический ИМИ: S ; S’.

Но даже это неполно.

На более высоком уровне изменяется механизм, порождающий пространства:

G(S) ; G'(S).

То есть метаинтеллект начинает работать не только с решениями и пространствами решений, но с генераторами пространств возможного.

Это уже непосредственно связывает метааксиоматический двигатель с Ноофракталикой.

Архитектура двигателя
Метааксиоматический двигатель ИМИ1 может включать несколько взаимосвязанных функций.

Реконструктор оснований
Выявляет явные и скрытые предпосылки.

Генератор альтернатив
Создаёт конкурирующие аксиоматики.

Дедуктивно-симуляционный слой
Выводит последствия каждой системы.

Агональный слой
Организует столкновение.

Критериальный слой
Сравнивает результаты.

Синтезатор
Создаёт новые системы оснований.

Ноогенетическая память
Хранит генеалогию аксиоматик.

Карионный контроль
Определяет, какие изменения допускаются к эксперименту и какие могут быть интегрированы.

Последние два особенно важны.

Без памяти система будет многократно открывать уже исследованные основания.

Без карионного контроля метааксиоматическая свобода способна превратиться в неуправляемое изменение собственных целей.

Метааксиоматическая память
Каждая значимая аксиоматика должна иметь своего рода паспорт:

происхождение;

исходные предпосылки;

область применения;

известные преимущества;

известные ограничения;

результаты агонов;

потомков;

связь с другими системами.

Тогда ИМИ получает не одну картину мира, а эволюционирующую экосистему оснований.

Это значительно сильнее обычной базы знаний.

База знаний хранит утверждения.

Метааксиоматическая память хранит системы, внутри которых утверждения приобретают смысл и статус.

Самоприменение
Настоящий метааксиоматический ИМИ должен применять двигатель и к собственному мышлению.

Он должен спрашивать:

какие предпосылки встроены в мою архитектуру?

почему мой карион использует именно такие классы диагностики?

почему мой Метаорганон предпочитает определённые методы?

не ограничивает ли мой LPM некоторые типы паттернов?

какие формы интеллектуальной организации я не способен даже представить из-за собственной исходной аксиоматики?

Это один из наиболее глубоких уровней саморефлексии.

Но именно здесь безопасность становится принципиальной.

Конституционные метакритерии
Метааксиоматический двигатель не должен иметь безусловного права изменять абсолютно всё.

Иначе исчезает различие между:

системой, способной анализировать собственные основания,

и

системой, способной произвольно отменить любые ограничения.

Поэтому архитектура ИМИ должна иметь иерархию изменяемости.

Например:

Уровень 1
Рабочие гипотезы — меняются свободно.

Уровень 2
Методы — изменяются после внутреннего тестирования.

Уровень 3
Архитектурные основания — только после расширенных испытаний.

Уровень 4
Целевые и ценностные метакритерии — требуют внешнего многостороннего разрешения.

Уровень 5
Конституционные ограничения безопасности — не могут быть изменены системой в пределах собственного обычного цикла.

Это не окончательная нормативная схема.

Но сам принцип необходим:

чем выше уровень основания, тем выше должен быть порог его изменения.

Таким образом, настоящий метааксиоматический интеллект сочетает две способности:

радикально расширять пространство мышления

и

понимать границы собственной свободы преобразования оснований.

Метааксиоматический двигатель и творчество
Одним из наиболее сильных применений двигателя станет творчество.

Обычная генерация создаёт варианты внутри знакомого пространства.

Метааксиоматическая генерация способна изменить:

классы объектов;

отношения;

метрики;

постановку;

само определение успеха.

Так меняется ранг творчества.

Например:

создать более хороший элемент существующего класса

— один ранг.

создать новый класс элементов

— более высокий.

изменить систему понятий так, что становится возможным класс объектов, ранее вообще не представленный,

— ещё более высокий.

Поэтому метааксиоматический двигатель становится одним из ключевых механизмов будущего ароизобретательства.

Глава 4. Ноостемный анализ и синтез
Метааксиоматика позволяет изменять основания.

Но она не отвечает автоматически на другой вопрос:

что произойдёт со сложной системой как целым после изменения этих оснований?

Именно здесь необходим ноостемный подход.

Обычный системный анализ дал человечеству мощнейшие средства работы со сложными объектами.

Но для метаинтеллектуальной эпохи требуется расширить сам объект анализа.

Интеллектуальная система не только:

состоит из элементов;

имеет связи;

выполняет функции.

Она также обладает:

смыслами;

целями;

ценностями;

историей;

паттернами поведения;

возможными сценариями;

механизмами самоизменения.

Такой объект можно обозначить как ноостему.

В рабочем смысле:

ноостема — интеллектуально описываемая целостность, рассматриваемая одновременно через её структуры, функции, отношения, смыслы, ценности, динамику, паттерны, сценарии и пространство возможных преобразований.

Следовательно, ноостемный анализ значительно шире обычного построения блок-схемы.

Многоаспектность ноостемы
Одну и ту же систему необходимо видеть одновременно в нескольких проекциях.

Структура
Из чего состоит?

Функции
Что делают элементы?

Отношения
Как они воздействуют друг на друга?

Смыслы
Как объект интерпретируется различными субъектами?

Ценности
Какие состояния считаются желательными или недопустимыми?

Динамика
Как система меняется во времени?

Паттерны
Какие повторяющиеся формы поведения существуют?

Сценарии
Какие траектории будущего возможны?

Пространство возможностей
Какие новые конфигурации могут быть созданы?

Именно последний аспект особенно важен для ИМИ.

Ноостемный анализ должен переходить в ноостемный синтез.

Не только:

«Как устроена система?»

но:

«Какие принципиально новые целостности можно из неё построить?»

Ноостемный анализ интеллекта
Для ИМИ основной ноостемой становится сам интеллект.

Например, метаинтеллект анализирует другую систему.

Обычный подход может показать:

точность;

latency;

стоимость;

число параметров.

Ноостемный должен видеть одновременно:

какие задачи система решает;

какими методами;

какие ошибки воспроизводит;

какие цели получает;

какую память использует;

как взаимодействует с другими интеллектами;

как развивается;

какие архитектурные ограничения имеет;

какие альтернативные траектории возможны.

Так создаётся многомерная карта интеллектуальной системы.

Именно по ней карион способен принимать более содержательные решения.

Ноостемный анализ и LPM
Связь с LPM естественна.

LPM обнаруживает паттерны.

Ноостемный контур размещает их внутри целостной системы отношений.

Например, LPM обнаруживает паттерн:

увеличение автономности улучшает скорость выполнения.

Но ноостемный анализ одновременно показывает:

автономность увеличивает риск;

уменьшает число контрольных точек;

меняет распределение ответственности;

требует новой архитектуры аудита.

Таким образом, локально положительный паттерн может иметь отрицательное системное следствие.

Следовательно:

LPM видит повторяющуюся структуру; ноостем видит её место в целостности.

Ноостемный анализ и метааксиоматика
Эти технологии взаимно дополняют друг друга.

Метааксиоматика предлагает:

изменить исходное основание A.

Ноостем спрашивает:

как это изменение перестроит функции, отношения, ценности, динамику и будущее всей системы?

Например, можно изменить фундаментальную аксиому:

«ИИ должен быть единым агентом»

на:

«ИИ должен быть популяционной системой».

Метааксиоматика открыла новое пространство архитектур.

Ноостемный анализ исследует последствия:

для координации;

стоимости;

ответственности;

устойчивости;

эволюционируемости;

безопасности.

Именно такое соединение позволяет избежать метааксиоматического романтизма, при котором радикальная новая идея ценится только потому, что она радикальна.

Новая аксиоматика должна выдержать системную проверку последствий.

Ноостемный синтез
Ноостемный синтез представляет обратное движение.

Имеется множество компонентов:

моделей;

паттернов;

целей;

ограничений;

субъектов;

ресурсов.

Необходимо создать новую целостность, которая не сводится к сумме частей.

Например, при проектировании ИМИ недостаточно собрать:

LLM;

LPM;

карион;

Метаорганон;

агон;

ноогенетическую память.

Если между ними отсутствует функциональная организация, получится сложный набор инструментов.

Полномасштабный ИМИ возникает только тогда, когда эти компоненты начинают образовывать самоподдерживающийся метаэволюционный цикл.

Следовательно, ноостемный синтез отвечает:

какая новая организация частей порождает новое свойство целого?

Это одна из центральных задач архитектуры будущего интеллекта.

Ноостемный ИМИ
Можно дать рабочее определение:

ноостемный ИМИ — искусственный метаинтеллект, способный моделировать, анализировать и преобразовывать интеллектуальные системы как многомерные развивающиеся целостности, включая их структуры, функции, смыслы, ценности, динамику, паттерны, сценарии и пространства возможного.

Такой ИМИ не оптимизирует отдельную характеристику изолированно.

Он работает с траекториями целого.

Это особенно важно для управления:

СИИ;

карионами;

брейомами;

Метаорганонами;

научными системами;

интеллектуальными экосистемами.

Чем выше уровень объекта, тем менее адекватной становится одномерная оптимизация.

И тем важнее ноостемное мышление.

Глава 5. Преобразование пространства возможного
В конечном счёте высшая функция метааксиоматического и ноостемного ИМИ заключается не в том, чтобы эффективнее искать внутри уже известного пространства.

Она состоит в способности расширять и преобразовывать само пространство возможного.

Это различие фундаментально.

Представим некоторое пространство решений S.

Обычный интеллект ищет:

лучший элемент внутри S.

Сильный творческий интеллект может найти чрезвычайно редкий элемент, который никто прежде не видел.

Но он всё ещё действует внутри S.

Метаинтеллект способен поставить другой вопрос:

почему пространство S построено именно так?

И создать:

S’.

Тогда множество доступных решений меняется.

Некоторые прежние задачи исчезают.

Появляются новые классы объектов.

То, что внутри S считалось невозможным, в S’ может стать естественным.

Это и есть преобразование пространства возможного.

Пять уровней интеллектуального действия
Можно условно выделить пять уровней.

Уровень 1. Выбор
Найти лучший известный вариант.

Уровень 2. Генерация
Создать новый вариант.

Уровень 3. Методотворчество
Создать новый способ генерировать варианты.

Уровень 4. Архитектурное преобразование
Создать новый класс генераторов.

Уровень 5. Преобразование пространства возможного
Изменить основания, определяющие, что вообще может быть сгенерировано и рассмотрено как решение.

Каждый следующий уровень потенциально имеет больший мультипликативный эффект.

Улучшение решения воздействует на один результат.

Новый метод — на класс результатов.

Новая архитектура — на множество методов.

Новая система оснований — на целые пространства архитектур.

Именно поэтому метааксиоматический двигатель имеет потенциально столь высокую стратегическую ценность.

Невозможное как функция аксиоматики
Очень часто слово «невозможно» означает не одно и то же.

Есть:

физически невозможное;

логически невозможное;

технологически пока недостижимое;

невозможное внутри принятой модели;

невозможное только потому, что соответствующая категория ещё не была введена.

Сильный ИМИ должен уметь различать эти случаи.

Особенно интересны два последних.

Иногда препятствие существует только внутри выбранной аксиоматики.

Тогда метааксиоматический переход превращает:

«невозможно»

в:

«невозможно при данных основаниях».

После чего появляется пространство поиска альтернативных оснований.

Это не магия.

Физические законы не исчезают от смены словаря.

Но человеческая история показывает огромное число случаев, когда невозможным считалось то, что было невозможно только внутри существующего уровня:

технологии;

представлений;

архитектуры;

методов.

Поэтому одной из функций метаинтеллекта должно стать классифицирование невозможности.

Что именно ограничивает нас?

Природа?

Логика?

Ресурс?

Архитектура?

Метод?

Понятие?

Критерий?

Ответ на этот вопрос определяет стратегию прорыва.

От оптимизации к демиургическому проектированию
Обычная инженерия во многом оптимизирует уже определённые объекты.

Более высокий уровень создаёт новые объекты.

Метаинтеллектуальное проектирование может создавать новые классы объектов и механизмов их рождения.

Именно здесь появляется демиургическое измерение творчества — не в мистическом, а в технологическом смысле:

создавать то пространство возможностей, внутри которого затем могут возникать новые миры объектов.

Например, изобретение нового языка программирования создаёт пространство программ, которые иначе было бы существенно труднее мыслить и строить.

Новая математическая теория создаёт пространство формализуемых объектов.

Новая архитектура ИИ создаёт пространство новых интеллектуальных систем.

Метаорганон способен создавать новые способы мышления.

ИМИ — новые архитектуры интеллектов.

Ноофракталика — новые механизмы эволюции интеллектов.

Поэтому все линии Доктрины сходятся в одном направлении:

от создания объектов — к созданию генераторов;

от генераторов — к метагенераторам;

от метагенераторов — к преобразованию пространств, внутри которых становятся возможными новые генераторы.

Метааксиоматический ИМИ как двигатель ароизобретательства
Особое значение это имеет для творчества.

Обычная изобретательская система ищет:

новую конструкцию.

Более сильная:

новый принцип конструкции.

Метааксиоматическая:

новый способ определять, что вообще является конструкцией данного класса.

Именно здесь начинается переход к ароизобретательству — производству изобретений такого ранга, при котором изменяется не отдельный продукт, а пространство последующих изобретений.

Следовательно, высокоразвитый ИМИ должен оцениваться не только количеством генерируемых идей.

Значительно более важный показатель:

сколько новых продуктивных пространств интеллектуально и технологически возможного он способен открыть?

Это уже другой ранг творческой мощности.

Ноостемное ограничение творческой свободы
Но чем выше способность преобразовывать пространство возможного, тем важнее понимать системные последствия.

Именно здесь снова необходим ноостемный контур.

Можно создать технологически блестящее пространство решений, которое:

экономически разрушительно;

экологически неприемлемо;

социально дестабилизирующе;

небезопасно;

несовместимо с человеческими ценностями.

Следовательно:

метааксиоматика расширяет возможное; ноостемный анализ проверяет, какое возможное желательно и устойчиво.

Это важнейшая связка.

Без метааксиоматики интеллект рискует стать пленником текущих оснований.

Без ноостемного анализа — пленником собственной способности бесконечно разрушать основания.

Зрелый ИМИ должен соединять:

радикальность генерации

с

целостностью оценки.

От пространства решений к пространству эволюций
Последний переход ещё глубже.

ИМИ может преобразовывать пространство не только решений, но и эволюционных траекторий.

То есть задавать вопрос:

какие типы интеллектов вообще могут возникнуть при данной системе наследования, агона и генерации?

Если изменить:

ноогенотип;

механизм мутаций;

рекомбинацию;

структуру агона;

критерии;

архитектуру кариона,

изменяется уже не отдельный интеллект.

Изменяется множество возможных будущих интеллектов.

Следовательно, наиболее высокий объект метааксиоматического проектирования — не система сегодняшнего поколения, а:

пространство возможных линий эволюции разума.

Именно здесь метааксиоматика непосредственно соединяется с Ноофракталикой.

Одна технология работает с основаниями.

Другая — с генеративно-эволюционной рекурсией.

ИМИ связывает их.

Центральная формула
Смысл всей части можно свести к одной формуле:

Метааксиоматический двигатель ИМИ позволяет интеллекту преобразовывать пространство возможного мышления, а не только решать задачи внутри заданного.

Но в полном варианте необходимо добавить:

Ноостемный контур позволяет оценивать, как это преобразование изменяет целостную систему и её возможные траектории развития.

Их совместная работа образует цикл:

выявить основания

;

создать альтернативные аксиоматики

;

развернуть для каждой пространство возможного

;

провести агон

;

проанализировать системные последствия

;

создать новую аксиоматику

;

синтезировать новую ноостему

;

проверить её в эксперименте

;

сохранить результат в ноогенетической памяти

;

использовать его для следующего метаэволюционного цикла.

Так ИМИ перестаёт быть только машиной улучшения уже существующих интеллектов.

Он начинает становиться машиной открытия новых способов быть интеллектом.

Именно этот переход особенно важен для дальнейшего развития Доктрины.

Потому что способность изменять пространство возможного непосредственно меняет и природу творчества.

Вопрос уже не в том, сможет ли ИИ писать больше текстов, генерировать больше изображений или быстрее перебирать инженерные варианты.

Следующий вопрос значительно глубже:

сможет ли ИМИ систематически поднимать сам ранг творчества — от создания объектов к созданию новых принципов, новых методов, новых пространств изобретения?

Это выводит программу непосредственно к следующей части — эволюции творчества и Креасфере.

**********

ЧАСТЬ XII
ИИ, ИМИ И ЭВОЛЮЦИЯ ТВОРЧЕСТВА
Творчество обычно воспринимается как одна из наиболее человеческих способностей.

Создать то, чего прежде не существовало.

Увидеть возможность, которую другие не видят.

Изобрести новый метод.

Сформулировать новую теорию.

Открыть новое пространство технических решений.

Но история цивилизации показывает закономерность, имеющую фундаментальное значение для эпохи искусственного интеллекта:

то, что в одном поколении требует выдающегося творческого усилия, в следующем может превратиться в метод, затем — в технологию, затем — в алгоритм и, наконец, в машинную функцию.

Творчество не исчезает.

Сдвигается его граница.

Когда калькулятор автоматизирует арифметическое действие, человек освобождается для работы на более высоком уровне.

Когда программный компилятор автоматизирует множество операций, которые прежде требовали ручной интеллектуальной работы, программирование не исчезает — изменяется его ранг.

Когда ИИ начинает генерировать тексты, изображения, код, гипотезы и инженерные варианты, происходит аналогичный процесс уже в значительно большем масштабе.

Поэтому главный вопрос состоит не в том:

«Сможет ли машина быть творческой?»

Этот вопрос постепенно теряет продуктивность.

Значительно важнее другой:

«Что произойдёт с самой архитектурой творчества, когда всё больше его прежних уровней станут машинными функциями?»

Ответ настоящей Доктрины:

автоматизация творчества не обязательно уменьшает творчество; она способна поднимать его на более высокий ранг.

Обычный ИИ может автоматизировать создание вариантов.

СИИ — осуществлять творчество в широком множестве областей.

LPM — работать с творческими паттернами и их переносом.

Метаорганон — создавать новые способы творческой деятельности.

Метааксиоматический ИМИ — изменять основания, внутри которых формируются возможные решения.

Ноофракталика — создавать и развивать генераторы творчества.

Таким образом, ИМИ потенциально становится не просто ещё одним творческим субъектом.

Он может стать механизмом эволюции самого творчества.

Глава 1. Креасфера
Человеческое творчество никогда не существовало исключительно внутри индивидуального мозга.

Изобретатель использует:

язык;

научные знания;

инструменты;

библиотеки;

лаборатории;

других людей;

инженерные школы;

компьютеры;

рынки;

институты.

Следовательно, творчество представляет собой не только индивидуальную способность.

Оно существует внутри более широкой среды производства нового.

Эту среду в рамках настоящей Доктрины будем обозначать как Креасферу.

Рабочее определение:

Креасфера — совокупность людей, искусственных интеллектов, знаний, методов, инструментов, институтов, инфраструктур и эволюционных механизмов, обеспечивающих создание, испытание, селекцию, распространение и дальнейшее развитие нового.

Креасфера шире науки.

Шире технологий.

Шире искусства.

Она включает все системы, в которых производится структурная новизна.

Это может быть:

новая теория;

новая машина;

новый материал;

новая организационная форма;

новый способ мышления;

новая архитектура ИИ;

новая аксиоматика;

новый механизм изобретательства.

От индивидуального творчества к инфраструктуре творчества
Классическая модель творчества концентрируется на отдельном создателе.

Есть гений.

Он изобретает.

Общество использует результат.

Но крупные современные технологические достижения всё чаще создаются сложными коллективными системами.

Не один человек проектирует современный процессор.

Не один человек создаёт фундаментальную ИИ-модель.

Не один учёный обеспечивает полный цикл современного экспериментального направления.

Следовательно, единица творчества постепенно меняется:

индивидуальный мозг ; коллектив ; человеко-машинная система ; интеллектуальная экосистема.

Это означает, что творческая мощность государства в XXI веке будет зависеть не только от количества талантливых людей.

Она будет зависеть от архитектуры Креасферы.

Как быстро идея получает:

знания;

compute;

эксперимент;

критику;

финансирование;

инженерную реализацию;

проверку;

масштабирование?

Если переход между этими стадиями занимает годы, высокая индивидуальная креативность цивилизационно реализуется слабо.

Если весь цикл становится быстрым, связным и машинно усиленным, творческий потенциал резко возрастает.

Креасфера как система циклов
Минимальный творческий цикл можно представить:

проблема ; идея ; вариант ; проверка ; отбор ; реализация.

Но зрелая Креасфера должна включать значительно больше:

обнаружение проблемы

;

переформулирование

;

генерация множества подходов

;

агон

;

эксперимент

;

селекция

;

формализация

;

масштабирование

;

рутинизация

;

освобождение творческого ресурса для следующего уровня.

Последний переход особенно важен.

Креасфера не только создаёт новое.

Она должна уметь быстро превращать однажды найденное новое в рутинно воспроизводимую функцию.

Именно тогда творческая энергия не расходуется на повторение уже освоенного.

Креасфера и ИИ
ИИ радикально меняет Креасферу минимум по пяти направлениям.

Первое — увеличивает число создаваемых вариантов.

Второе — уменьшает стоимость интеллектуального эксперимента.

Третье — ускоряет проверку и критику.

Четвёртое — делает часть творческих методов массово доступной.

Пятое — начинает автоматизировать сами функции изобретателя.

Но максимальный эффект возникает не тогда, когда ИИ просто генерирует больше идей.

Миллион посредственных вариантов не равен одному высокоранговому изобретению.

Поэтому Креасфера будущего должна оптимизировать не количество генерации, а:

качество новизны ; ранг новизны ; скорость проверки ; вероятность реализации ; способность порождать последующие инновации.

Именно здесь появляется потребность в ИМИ.

Креасфера третьей нооформации
Во второй нооформации Креасфера преимущественно человекоцентрична.

Машины являются инструментами творчества.

В третьей может появиться иной режим.

Люди.

ИИ.

СИИ.

Метаорганоны.

ИМИ.

Брейомы.

Агональные системы.

Все становятся участниками единой творческой инфраструктуры.

Тогда Креасфера приобретает способность работать не только с объектами творчества, но с самой архитектурой творческого процесса.

Она может спрашивать:

почему наше общество создаёт именно такие типы новизны?

какие методы изобретательства недостаточны?

какие классы проблем систематически выпадают?

какие механизмы повышают ранг творчества?

как выращивать новые типы творческих субъектов?

На этом уровне Креасфера превращается в саморазвивающуюся инфраструктуру производства нового.

Глава 2. Рутинизация творчества
Одно из важнейших свойств человеческой цивилизации — способность превращать творческое достижение в повторяемую процедуру.

Именно этим объясняется накопительный характер технологического прогресса.

Если каждое поколение было бы вынуждено заново изобретать арифметику, письмо, металлургию, программирование и научный метод, развитие почти остановилось бы.

Но цивилизация делает другое.

Она превращает открытие в наследуемую интеллектуальную инфраструктуру.

Эту закономерность можно описать последовательностью:

творчество ; формализация ; метод ; технология ; алгоритм ; машинная функция.

Это цикл рутинизации творчества.

Рутинизация здесь не означает обесценивания.

Наоборот.

Она является одним из главных способов сохранения творческого достижения.

1. Творчество
В начале существует проблема, для которой нет известного стандартного решения.

Требуется создание нового.

На этой стадии деятельность может быть:

неструктурированной;

интуитивной;

рисковой;

слабо воспроизводимой.

Результат зависит от редкого сочетания:

таланта;

знаний;

опыта;

случайного озарения;

условий.

Это наиболее очевидная форма творчества.

Но цивилизация не останавливается на получении результата.

Возникает следующий вопрос:

почему решение сработало?

2. Формализация
На стадии формализации творческое приобретение превращается из единичного события в описываемую структуру.

Выделяются:

принципы;

условия;

шаги;

отношения;

ограничения.

Формализация позволяет отделить:

изобретение

от

личности изобретателя.

То, что сначала существовало только как интеллектуальная способность одного человека, начинает становиться внешне передаваемым знанием.

Это чрезвычайно важный переход.

Без него творческое открытие может умереть вместе с автором.

С ним появляется возможность масштабирования.

3. Метод
Если формализованная структура оказывается воспроизводимой, возникает метод.

Метод отвечает:

как получать данный класс результатов повторно?

Например, первоначально сложная интеллектуальная операция могла требовать выдающегося специалиста.

После появления метода её способен освоить гораздо более широкий круг людей.

Таким образом, метод демократизирует творческое приобретение.

Но одновременно происходит его частичная рутинизация.

То, что прежде было изобретением, становится обучаемой процедурой.

4. Технология
Следующий этап — соединение метода с:

инструментами;

процессами;

ресурсами;

контролем качества;

инфраструктурой.

Возникает технология.

Метод отвечает:

«как это сделать?»

Технология:

«как сделать это устойчиво, повторяемо и в масштабе?»

Именно технологизация превращает интеллектуальное достижение в производительную силу.

На этом этапе творческий акт начинает становиться частью индустрии.

5. Алгоритм
Если процедура может быть достаточно строго описана, часть технологии превращается в алгоритм.

Теперь последовательность действий может выполняться:

без постоянного творческого решения человека;

по формальным правилам;

автоматически.

Это ещё один скачок рутинизации.

Интеллектуальный труд, который прежде требовал специалиста, становится вычислимым процессом.

6. Машинная функция
Последний этап — превращение алгоритма в постоянно доступную машинную способность.

Пользователь больше не обязан знать внутренний метод.

Он просто вызывает функцию.

Например:

распознать;

перевести;

оптимизировать;

сгенерировать;

проверить.

Именно это сейчас происходит со всё более широким спектром когнитивных и творческих операций.

Но здесь возникает ключевой эффект.

Если нижний уровень творчества становится машинной функцией, человеческое творчество может переместиться выше.

Так возникает лестница творческой рутинизации.

То, что вчера требовало выдающегося творца, завтра выполняет специалист.

Послезавтра — программа.

А творческий фронтир перемещается к задачам более высокого ранга.

Рутинизация не уничтожает творчество
Страх автоматизации часто строится на предположении:

если машина научилась выполнять творческую функцию, человеку останется меньше пространства творчества.

Это возможно в конкретной профессии или функции.

Но на уровне эволюции творчества может происходить обратное.

Автоматизация нижних уровней высвобождает ресурс для верхних.

Когда арифметические вычисления автоматизируются, математик может заниматься более сложной математикой.

Когда чертёж частично автоматизируется, инженер способен больше внимания уделять архитектуре системы.

Когда кодирование типовых компонентов автоматизируется, разработчик перемещается к проектированию.

Следовательно:

рутинизация творчества способна быть механизмом повышения его среднего ранга.

Но этот переход не происходит автоматически.

Если человек использует ИИ только для производства большего количества привычного контента, ранг творчества может даже снизиться.

Поэтому необходима сознательная архитектура Креасферы.

Глава 3. Автоматизированное изобретательство
Автоматизированное изобретательство начинается там, где машина не просто помогает оформить человеческую идею, а участвует в создании новых технических, научных или организационных решений.

Это уже происходит на множестве отдельных направлений современной технологии.

Но для настоящей Доктрины принципиально важен не набор конкретных примеров, а архитектура перехода.

Первые системы автоматизированного изобретательства преимущественно будут работать внутри уже определённого пространства.

Человек задаёт:

проблему;

ограничения;

метрики;

класс решений.

ИИ генерирует множество вариантов.

Симулятор или эксперимент проверяет.

Лучшие варианты отбираются.

Получается цикл:

задача ; генерация ; оценка ; оптимизация ; решение.

Это уже существенно ускоряет инженерную деятельность.

Но такой режим ещё не является ароизобретательством.

Первый уровень: генерация вариантов
ИИ способен создавать значительно больше вариантов, чем человек.

Это полезно в задачах, где пространство велико.

Но количество вариантов не является достаточным критерием творчества.

Если все варианты принадлежат одному узкому классу, система лишь быстрее исследует известное пространство.

Второй уровень: автоматизированная проверка
К генерации добавляются:

simulation;

formal verification;

digital twins;

автоматизированные лаборатории;

экспериментальные роботы.

Тогда возникает замкнутый цикл:

генерация ; эксперимент ; данные ; новая генерация.

Творчество начинает превращаться в высокочастотный вычислительно-экспериментальный процесс.

Третий уровень: генерация гипотез
Система уже не только ищет параметры.

Она предлагает:

новые механизмы;

новые объяснения;

новые инженерные принципы.

Но по-прежнему человек может задавать основные категории пространства поиска.

Четвёртый уровень: автоматизация постановки проблемы
Более сильная система должна обнаруживать:

какую проблему стоит решать;

какая проблема является симптомом;

какую постановку необходимо заменить.

Это качественный скачок.

Потому что сильное изобретение часто начинается не с правильного ответа, а с правильного вопроса.

Пятый уровень: автоматизированное методотворчество
Система создаёт не один новый объект, а метод, позволяющий получить целый класс объектов.

Например:

не новую конструкцию;

а новый способ конструирования.

Это уже значительно более высокий ранг.

Изобретательские агоны
Автоматизированное изобретательство особенно эффективно соединяется с агональным интеллектом.

Можно создать:

генератор радикальных решений;

генератор консервативных решений;

критика;

экономического оценщика;

физического проверяющего;

экспериментатора;

синтезатора.

И организовать цикл:

варианты ; ментальная война ; эксперимент ; селекция ; рекомбинация ; новое поколение.

Так изобретательство становится эволюционным.

Особенно важно, что проигравший вариант не должен исчезать полностью.

Его отдельный принцип может быть рекомбинирован с другим.

Это прямой переход к ноогенетике изобретений.

Изобретательская память
Современная система знаний хранит огромное количество готовых решений.

Но ИМИ должен хранить дополнительно:

как возникло решение;

какие альтернативы были отвергнуты;

какой паттерн оказался продуктивным;

какие ограничения были сняты;

какая аксиоматика была изменена.

Это превращает историю изобретений в обучающую выборку механизмов творчества.

LPM может выявлять паттерны.

MetaLPM — метапаттерны возникновения изобретений.

Метаорганон — превращать их в ментальные технологии.

ИМИ — создавать новые генераторы.

Таким образом, автоматизированное изобретательство становится подготовительной стадией ароизобретательства.

Глава 4. Ароизобретательство
Не все изобретения имеют одинаковый эволюционный ранг.

Одно улучшает существующий объект.

Другое создаёт новый класс объектов.

Третье порождает технологическую платформу, на которой возникают тысячи последующих изобретений.

Четвёртое меняет сам способ изобретать.

Именно эти различия необходимо сделать объектом специальной теории.

В рамках настоящей Доктрины ароизобретательством будем называть:

систематическое создание изобретений высокого и сверхвысокого ранга, которые не только дают новый объект или решение, но открывают новые классы объектов, новые методы, новые технологические платформы или новые пространства последующего творчества.

Ароизобретение не определяется только масштабом экономического эффекта.

Очень прибыльный продукт может оставаться низкоранговым с точки зрения структуры творчества.

И наоборот, фундаментальный метод может первоначально иметь ограниченное применение, но позднее породить целую цивилизационную ветвь.

Поэтому ключевой показатель — что именно изменило изобретение в пространстве последующего возможного.

Ранги изобретательства
Рабочую шкалу можно построить следующим образом.

Ранг I. Вариационный
Изменение существующего объекта.

Лучше.

Быстрее.

Дешевле.

Надёжнее.

Ранг II. Комбинаторный
Новая комбинация известных принципов создаёт новый функциональный эффект.

Ранг III. Методический
Создаётся новый способ решения целого класса задач.

Ранг IV. Технологический
Возникает новая технологическая платформа.

Она порождает множество продуктов и процессов.

Ранг V. Архитектурный
Изменяется способ организации целого класса систем.

Ранг VI. Парадигмальный
Изменяется система фундаментальных представлений, внутри которой строятся решения.

Ранг VII. Генеративный
Создаётся новый механизм систематического производства последующих инноваций.

Ранг VIII. Метаэволюционный
Изменяется уже сам механизм развития генераторов инноваций.

Эта шкала является проектной метрологией Доктрины, а не общепринятым стандартом.

Её задача — показать направление.

Главное различие проходит между:

изобретением внутри пространства

и

изобретением, которое изменяет пространство последующих изобретений.

Последнее и является основной областью ароизобретательства.

Ароизобретение и фронтир
Не всякая необычная идея является ароизобретением.

Необходимы доказательства.

Последовательность должна оставаться жёсткой:

концепция ; теория ; эксперимент ; прототип ; воспроизводимая технология ; независимая проверка ; масштабирование ; новый benchmark.

Пока этого нет, существует гипотеза.

Поэтому утверждать:

«мы придумали новую парадигму, следовательно, уже являемся мировыми лидерами»

недопустимо.

Высокий ранг замысла повышает потенциальную ценность.

Но одновременно увеличивает требования к доказательству.

Ароизобретательство и метааксиоматика
Наиболее высокие ранги творчества часто требуют выхода из существующей аксиоматики.

Пока система спрашивает:

«какой объект лучше построить?»,

она остаётся внутри известного пространства.

Ароизобретатель спрашивает:

«какое изменение оснований позволит появиться классу объектов, который сегодня вообще не рассматривается?»

Именно здесь метааксиоматический двигатель ИМИ становится центральным творческим механизмом.

Он способен генерировать:

альтернативные основания;

новые классы объектов;

новые отношения;

новые критерии.

Но затем ноостемный контур должен проверить системные последствия.

Агон — столкнуть варианты.

Эксперимент — отсеять фантазии.

Так ароизобретательство остаётся не свободной фантазией, а строго испытываемым высокоранговым творчеством.

Ароизобретательство как функция третьей нооформации
Человек второй нооформации уже способен создавать чрезвычайно высокоранговые изобретения.

Поэтому ароизобретательство нельзя объявлять исключительной способностью будущего аронта.

Различие должно быть другим.

Во второй нооформации сверхвысокоранговые изобретения в основном возникают как редкие события.

В третьей задача состоит в том, чтобы превратить их создание в систематически поддерживаемый процесс.

Не гарантировать революцию каждый понедельник.

Это было бы бессодержательной фантазией.

А повысить:

частоту;

воспроизводимость;

разнообразие;

проверяемость

творчества высокого ранга.

То есть аронтический переход состоит не в появлении «магической креативности», а в создании индустрии развития самой способности изобретать.

Глава 5. ИМИ как механизм повышения ранга творчества
Обычный ИИ способен повысить производительность творческой работы.

ИМИ должен стремиться изменить её ранг.

Это различие принципиально.

Предположим, инженер с ИИ создаёт сто вариантов известного двигателя вместо десяти.

Производительность выросла в десять раз.

Но ранг творчества не изменился.

Предположим, другая система обнаруживает новый принцип преобразования энергии и открывает целое новое пространство двигательных систем.

Количество вариантов может быть меньше.

Но творческий ранг значительно выше.

Следовательно:

скорость генерации и ранг творчества — разные характеристики.

ИМИ должен оптимизировать вторую.

Диагностика творческого потолка
Первой функцией становится определение:

почему творческая система застряла на данном уровне?

Возможные причины:

исчерпан известный класс вариантов;

слишком узко поставлена проблема;

скрыта ограничивающая аксиома;

используется один тип модели;

селекция уничтожает радикальные варианты;

отсутствуют нужные паттерны;

методы творчества сами перестали развиваться.

Карион творческой системы должен диагностировать эти ограничения.

Подъём объекта творчества
ИМИ может менять сам объект.

Например:

вместо создания нового решения — создать новый метод;

вместо нового метода — новую архитектуру методов;

вместо архитектуры — новый принцип их генерации.

Получается оператор повышения ранга:

объект ; метод ; генератор ; метагенератор ; пространство возможного.

Именно такой переход должен стать одной из центральных функций ИМИ.

LPM и междоменное творчество
LPM может находить одинаковые структурные паттерны в удалённых областях.

Это резко расширяет пространство аналогий.

Не:

какая уже известная техника применима здесь?

а:

какая глубокая структура из совершенно другой области может быть перенесена сюда?

Так появляются потенциально более далёкие комбинации.

MetaLPM может работать уже с паттернами возникновения творческих скачков.

Какие преобразования чаще всего создают новый класс возможностей?

Какие комбинации методов ведут к парадигмальным изменениям?

Это превращает историю творчества из архива достижений в метаматериал для генерации следующих достижений.

Метаорганон и повышение ранга
Метаорганон особенно важен потому, что он работает с инструментарием самого творца.

Если обычный инструмент помогает создать объект, Метаорганон способен помочь создать новый способ создания объектов.

Например:

существующие методы генерации перестают давать радикальные варианты.

МО анализирует их.

Выделяет ограничения.

Создаёт новый когнитивный метод.

Метод проходит агональное испытание.

После подтверждения становится постоянной частью творческого инструментария.

Так повышается не одна творческая производительность.

Повышается производительность генератора творчества.

Метааксиоматический скачок
Самый сильный подъём ранга может происходить, когда ИМИ обнаруживает:

все текущие варианты находятся внутри одной скрытой аксиоматики.

Тогда он создаёт несколько альтернативных систем оснований.

Каждая открывает новое пространство.

Агон сравнивает их.

Ноостемный анализ исследует последствия.

Так ИМИ получает способность не только генерировать варианты, но перестраивать пространство генерации.

Именно поэтому:

Метааксиоматический двигатель ИМИ позволяет интеллекту преобразовывать пространство возможного мышления, а не только решать задачи внутри заданного.

В творчестве это означает переход к наиболее высокому его рангу.

Агон и повышение ранга
Агон также может быть организован иерархически.

Сначала соревнуются решения.

Если прогресс исчерпан — методы.

Затем архитектуры.

Далее аксиоматики.

После этого — механизмы творческой эволюции.

То есть система способна диагностировать:

на каком уровне необходимо перенести соревнование, чтобы получить следующий скачок?

Так возникает метаноовойна творчества.

Она ищет не лучший продукт.

Она ищет наиболее продуктивный механизм создания нового.

Ноогенетика творчества
Если ИМИ создал новый творческий метод, необходимо сделать приобретение наследуемым.

Иначе каждое поколение будет заново открывать одно и то же.

Ноогенетическая память может сохранять:

метод;

его паттерн;

область применимости;

историю экспериментов;

предков;

потомков;

неудачные модификации.

Так возникает генеалогия ментальных технологий.

Творчество получает собственную наследственность.

Ноофрактальная эволюция творчества
Последний шаг — создание популяций генераторов.

Различные творческие системы используют разные:

методы;

архитектуры;

аксиоматики;

режимы агона.

Они конкурируют.

Лучшие механизмы рекомбинируются.

Затем эволюционируют генераторы этих механизмов.

Так творческая система начинает развиваться на нескольких уровнях одновременно.

Это и есть ноофрактальная эволюция творчества.

Основная функция ИМИ
Следовательно, ИМИ можно рассматривать не просто как изобретателя.

Гораздо точнее:

ИМИ — потенциальный механизм систематического повышения ранга доступного творческого действия.

Сегодня он помогает создать продукт.

Завтра — метод.

Затем — новую архитектуру.

Далее — новый генератор архитектур.

На следующем уровне — новый способ создавать такие генераторы.

Поэтому высшая творческая ценность ИМИ состоит не в количестве произведённого контента.

Она состоит в:

изменении производящей способности Креасферы.

Глава 6. Российская индустрия сверхвысокорангового изобретательства
Для России стратегическая задача состоит не в создании ещё одной государственной программы поддержки «креативности» в широком смысле.

Нужна значительно более конкретная конструкция:

индустрия систематического поиска, проверки, выращивания и масштабирования изобретений высокого и сверхвысокого ранга.

Сегодня такой индустрии в предлагаемом здесь смысле в готовом виде нет.

Следовательно, речь идёт не об описании существующего российского лидерства, а о нормативном проекте Доктрины.

Его задача — превратить отдельные:

таланты;

лаборатории;

ИИ-системы;

инженерные коллективы;

экспериментальные базы

в единую машину фронтиротворчества.

Главный критерий — не число идей
Национальная система не должна измеряться:

числом brainstorming-сессий;

количеством заявок;

числом формально созданных концепций.

Даже количество патентов само по себе не измеряет ранг творчества.

Нужна другая метрика.

Необходимо спрашивать:

какая доля разработок породила новые методы, архитектуры, платформы и технологические пространства?

сколько последующих разработок стало возможным благодаря исходному изобретению?

создало ли оно новый мировой benchmark?

Это принципиально меняет государственную логику поддержки инноваций.

Пирамида изобретательской индустрии
Нужны все уровни.

Нельзя создавать только сверхвысокоранговые проекты.

Пирамида должна включать:

Массовое изобретательство
Миллионы специалистов используют ИИ для улучшения продуктов и процессов.

Профессиональное машинно-усиленное изобретательство
Инженеры, учёные и предприниматели работают с специализированными AI-системами.

Автоматизированное изобретательство
Замкнутые циклы:

модель ; генерация ; simulation ; эксперимент ; отбор.

Высокоранговое изобретательство
Создаются новые методы, архитектуры и платформы.

Сверхвысокоранговое ароизобретательство
Создаются новые пространства технологического и интеллектуального возможного.

Без широкой нижней части вершина будет слишком узкой.

Но без вершины страна может иметь огромное количество локальных улучшений и всё равно не создавать мировой frontier.

Национальная инфраструктура Креасферы
Российская Креасфера должна иметь несколько взаимосвязанных слоёв.

ИИ-инфраструктура
Фундаментальные модели.

LPM.

Научные ИИ.

Агенты.

ИМИ.

Экспериментальная инфраструктура
Роботизированные лаборатории.

Испытательные полигоны.

Высокопроизводительное моделирование.

Digital twins.

Интеллектуальная инфраструктура
Метаорганоны.

Агональные платформы.

Сенсографические системы.

Метааксиоматические инструменты.

Ноостемный анализ.

Ноогенетическая инфраструктура
Память:

изобретений;

методов;

неудач;

генеалогий;

эволюционных линий.

Производственная инфраструктура
Возможность быстро пройти:

идея ; прототип ; испытание ; опытное производство ; масштабирование.

Последний пункт критически важен.

Изобретение, которое невозможно материализовать, не превращается в технологическое лидерство.

Центры ароизобретательства
Необходимы специальные центры, организованные не по логике отдельной отрасли, а вокруг задачи создания прорывов высокого ранга.

Их базовая архитектура:

человек + сильный ИИ + LPM + Метаорганон + агональная среда + экспериментальная инфраструктура + ИМИ.

В таких центрах могут существовать специализированные роли.

Одни группы формулируют проблемы.

Другие атакуют аксиоматики.

Третьи осуществляют междоменный перенос.

Четвёртые строят прототипы.

Пятые занимаются разрушительным тестированием.

Шестые оценивают масштаб последующего пространства изобретений.

То есть создаётся не лаборатория отдельной идеи, а фабрика генерации и селекции прорывных направлений.

Национальный портфель фронтирных агонов
Нельзя заранее знать, где возникнет следующий высокий фронтир.

Поэтому стратегическая система должна поддерживать портфель.

Например:

новые архитектуры ИИ;

новая вычислительная элементная база;

энергетика;

материалы;

биотехнологии;

робототехника;

космические технологии;

новые производственные процессы;

ментальные технологии.

По каждому направлению создаются несколько конкурирующих:

гипотез;

архитектур;

команд;

ИИ-систем.

Они проходят агон.

Это снижает риск национальной ставки на одну заранее выбранную «великую концепцию».

Фронтир нельзя назначить административно.

Его необходимо доказать технологически.

Метрики сверхвысокого ранга
Для национальной программы нужна отдельная метрология.

Можно измерять:

Ранг изменения
Что создано — продукт, метод, платформа, парадигма или новый генеративный механизм?

Фронтирность
Существует ли новое измеримое capability?

Воспроизводимость
Подтверждается ли результат независимыми командами?

Генеративный эффект
Сколько новых направлений открывает исходное изобретение?

Технологическая материализация
Переходит ли концепция в работающую систему?

Международная значимость
Становится ли новая архитектура объектом мировой конкуренции?

Эволюционный эффект
Позволяет ли изобретение быстрее создавать следующие изобретения?

Последняя метрика должна приобрести особое значение.

Она измеряет уже не продукт.

Она измеряет мультипликатор будущего творчества.

Ароизобретатель как новая профессиональная специализация
Такой индустрии понадобятся люди нового типа.

Не только узкие специалисты.

Не только универсальные менеджеры.

А специалисты, способные работать между:

науками;

технологиями;

методологиями;

ИИ;

стратегией.

Их задача — видеть:

паттерны;

скрытые аксиомы;

перспективные переносы;

новые пространства возможного.

Так возникает профессиональная фигура ароизобретателя.

Но она не должна превращаться в титул, который человек присваивает себе.

Статус должен определяться результатами:

создал ли он воспроизводимое изобретение высокого ранга, реально открывшее новое пространство последующих решений?

Тем самым ароизобретательство становится измеряемой технологической деятельностью, а не риторической категорией.

ИМИ и национальная система ароизобретательства
Наиболее сильный эффект возникает после появления ИМИ.

Тогда национальная Креасфера получает постоянный метаинтеллектуальный контур.

ИМИ способен анализировать:

где произошла рутинизация;

какие классы творчества уже автоматизируются;

где находится новый человеческий frontier;

какие отрасли застряли в локальных максимумах;

какие аксиоматики исчерпываются;

какие новые генераторы необходимо создать.

Таким образом, он выполняет функцию не «автоматического главного изобретателя страны», а двигателя повышения творческой мощности всей системы.

Это принципиальное различие.

Национальный ИМИ не должен монополизировать творчество.

Его функция — увеличивать:

число сильных творческих субъектов;

разнообразие подходов;

скорость испытания;

качество селекции;

ранг создаваемых изобретений.

Иными словами:

не заменить Креасферу, а ускорить её эволюцию.

Российская стратегия: от количества инноваций к рангу инноваций
Для страны, уступающей лидерам по ряду масштабных ресурсов существующего ИИ-фронтира, особенно важно различать две стратегии.

Первая:

производить больше инноваций внутри уже сформированных мировых технологических координат.

Она необходима.

Но недостаточна для глобального лидерства.

Вторая:

создавать такие инновации, которые меняют сами координаты соревнования.

Именно здесь ароизобретательство соединяется со стратегией фронтиротворчества.

Россия должна:

догонять там, где frontier сформирован;

конкурировать там, где он формируется;

создавать frontier там, где его ещё нет.

Индустрия сверхвысокорангового изобретательства является технологическим механизмом третьей задачи.

От Креасферы к индустрии эволюции творчества
В конечном счёте российская программа должна ставить ещё более высокий вопрос.

Не:

«Сколько изобретений мы создаём?»

И даже не:

«Сколько из них являются прорывными?»

А:

«Насколько быстро растёт способность российской Креасферы создавать прорывы всё более высокого ранга?»

Это уже показатель второго порядка.

Можно условно обозначить:

C — текущая творческая мощность;

dC/dt — скорость её роста;

d;C/dt; — способность ускорять развитие самой творческой системы.

Для обычной инновационной политики главным является C.

Для развитой Креасферы — dC/dt.

Для ИМИ и осознанной метаэволюции ключевым объектом становится способность воздействовать на d;C/dt;.

Не сама формула важна.

Важен переход объекта управления:

изобретение ; способность изобретать ; способность развивать способность изобретать.

Именно здесь ИИ, Метаорганон, ИМИ, агон, ноогенетика и Ноофракталика сходятся в единую систему.

ИИ помогает создавать новое.

Метаорганон создаёт новые способы творчества.

ИМИ проектирует и развивает творческие системы.

Агон испытывает альтернативы.

Ноогенетика сохраняет интеллектуальные приобретения.

Ноофракталика развивает генераторы и метагенераторы.

В результате Креасфера начинает постепенно приобретать способность эволюционировать как творческая система.

Это и есть один из наиболее глубоких смыслов третьей нооформации.

Не просто больше интеллектов.

Не просто более мощные машины.

И даже не просто больше открытий.

А цивилизация, которая делает предметом сознательного проектирования сам механизм рождения нового.

Тогда рутинизация перестаёт быть концом творческого акта.

Она становится его переходом в инфраструктуру.

То, что вчера было вершиной творчества, превращается в машинную функцию.

А человек, усиленный Метаорганоном и ИМИ, получает возможность подниматься к следующему рангу.

Так формируется восходящий цикл:

творчество ; формализация ; технология ; автоматизация ; освобождение творческого ресурса ; творчество более высокого ранга ; новая формализация ; новая автоматизация.

Если этот цикл становится управляемым и ускоряемым, возникает уже не просто индустрия инноваций.

Возникает индустрия эволюции творчества.

И именно она может стать одним из главных источников метаинтеллектуального лидерства России в XXI веке.

***********

ЧАСТЬ XIII
ОТ ОТДЕЛЬНОГО ИИ К ИНТЕЛЛЕКТУАЛЬНЫМ ЭКОСИСТЕМАМ
История искусственного интеллекта долгое время строилась вокруг отдельной системы.

Одна программа.

Одна модель.

Один агент.

Один робот.

Даже когда такие системы подключались к базам данных, облакам и внешним инструментам, основной единицей анализа оставался отдельный ИИ.

Но по мере развития искусственного интеллекта эта единица становится недостаточной.

Будущее интеллектуальной инфраструктуры, вероятно, будет состоять не из одной универсальной сверхмодели, а из огромного количества:

людей;

ИИ-моделей;

агентов;

специализированных интеллектов;

СИИ;

ИМИ;

Метаорганонов;

баз знаний;

сенсорных систем;

роботов;

организаций;

человеко-машинных коллективов.

Главной задачей становится уже не только создание сильного отдельного интеллекта.

Возникает другой вопрос:

как организовать множество интеллектов так, чтобы целое приобретало новые интеллектуальные свойства?

Это вопрос перехода:

от интеллекта — к интеллектуальной экосистеме.

Такой переход имеет несколько уровней.

На первом можно соединить несколько ИИ внутри общей метаоболочки.

На втором — создавать устойчивые человеко-машинные брейн-комплексы, или брейомы.

На третьем — соединять такие комплексы в национальные интеллектуальные экосистемы.

Далее могут формироваться глобальные сети взаимодействующих человеческих и искусственных интеллектов.

А в наиболее далёком горизонте возникает гипотеза Глобального мозга.

Эти уровни нельзя смешивать.

Сеть ещё не является мозгом.

Множество ИИ ещё не является брейомом.

Оркестратор ещё не является карионом.

Национальная цифровая инфраструктура ещё не является национальным интеллектом.

На каждом переходе необходимо появление нового качества организации.

Главный принцип этой части:

интеллектуальная мощность цивилизации определяется не только силой отдельных интеллектов, но архитектурой их соединения.

Именно поэтому Брейомика, OpenBrain, карионные сети и интеллектуальные экосистемы становятся естественным продолжением программы ИМИ.

Глава 1. OpenBrain
1. Метаоболочка
Одним из наиболее простых способов выйти за пределы отдельного ИИ является создание метаоболочки, объединяющей несколько интеллектуальных систем.

Вместо схемы:

человек ; один ИИ

возникает:

человек ; метаоболочка ; множество ИИ.

Такая оболочка сама может не быть сильнейшей моделью.

Её ценность определяется другой функцией.

Она организует взаимодействие интеллектов.

В рамках настоящей Доктрины OpenBrain можно рассматривать как архитектуру такого типа:

открытую метаинтеллектуальную оболочку, объединяющую множество различных ИИ и организующую их совместную работу, взаимную критику, агон, оценку и синтез.

Слово «открытая» здесь означает прежде всего архитектурную открытость.

В систему можно подключать:

разные модели;

разных разработчиков;

различные специализации;

новые инструменты;

новые судейские механизмы.

Это принципиально отличается от монолитной архитектуры, в которой все интеллектуальные функции жёстко связаны с одной моделью.

OpenBrain делает объектом проектирования уже не только интеллект отдельного ИИ, но архитектуру отношений между интеллектами.

2. Множество ИИ
Зачем вообще использовать несколько ИИ, если можно выбрать самый сильный?

Потому что даже сильная система имеет:

слепые зоны;

архитектурные ограничения;

характерные ошибки;

определённый стиль генерации;

смещения, возникающие из данных и обучения.

Если несколько агентов являются простыми копиями одной модели, выигрыш может оказаться ограниченным.

Значительно интереснее интеллектуальная гетерогенность.

Можно объединять:

разные модели;

разные архитектуры;

разные специализации;

разные системы памяти;

разные когнитивные роли.

Например, один интеллект может быть сильнее в формальной проверке.

Другой — в генерации гипотез.

Третий — в междоменном переносе.

Четвёртый — в критике.

Пятый — в системном синтезе.

Тогда метаоболочка получает не просто больше вычислений.

Она получает разнообразие интеллектуальных способов.

Это особенно важно для творческих и стратегических задач, где ошибка часто возникает не из-за недостатка вычислительной мощности, а из-за преждевременной фиксации на одной картине мира.

3. Взаимная критика
Первый уровень взаимодействия — взаимная проверка.

Один ИИ создаёт решение.

Другой ищет:

ошибки;

необоснованные предположения;

контрпримеры;

противоречия;

альтернативные объяснения.

Третий критикует уже критику.

Но простое последовательное добавление критиков ещё не создаёт сильной архитектуры.

Необходимо избегать двух крайностей.

Первая — конформность.

ИИ быстро соглашаются друг с другом, и множество моделей фактически превращается в один коллективный голос.

Вторая — бессодержательный конфликт.

Участники обязаны спорить даже там, где существенных различий нет.

Поэтому взаимная критика должна быть функциональной.

Её задача:

не увеличить количество возражений, а повысить вероятность обнаружения значимого интеллектуального дефекта.

OpenBrain должен уметь различать:

ошибку факта;

ошибку логики;

ошибку модели;

ошибку метода;

ошибку аксиоматики;

ошибку критерия.

Именно такое различение постепенно выводит систему на метаинтеллектуальный уровень.

4. Ментальный агон
Следующий уровень — не последовательная критика, а организованный агон.

Создаются несколько альтернативных интеллектуальных конструкций.

Им предоставляются:

равные или специально различающиеся ресурсы;

общая проблема;

правила взаимодействия;

критерии;

судейская система.

Далее начинается ментальная война.

Участники:

защищают свои решения;

атакуют альтернативы;

ищут контрпримеры;

меняют позиции;

создают новые варианты.

Таким образом, OpenBrain превращается в среду, где:

множественность интеллектов преобразуется в управляемую интеллектуальную конкуренцию.

Особенно важно сохранять историю агона.

Какая идея возникла?

Какая атака её разрушила?

Как она была модифицирована?

Какие компоненты пережили несколько раундов?

Такая память создаёт первые элементы ноогенетической генеалогии идей и методов.

5. Судейство
Агон бессмыслен без механизма оценки.

Но судья сам является интеллектом и также способен ошибаться.

Поэтому архитектура OpenBrain не должна предполагать существование безошибочного Judge.

Возможны:

несколько судей;

разные критерии;

формальные верификаторы;

экспериментальные проверки;

человеческая экспертиза;

метасудейский контур.

Например, математическое решение может оцениваться формальной проверкой.

Научная гипотеза — предсказательной способностью и экспериментом.

Стратегия — сценарным моделированием и экспертной оценкой.

Творческая концепция — новизной, реализуемостью, генеративным эффектом.

Следовательно:

судейство должно быть максимально независимым от генерации кандидатов и максимально соответствовать природе задачи.

Если один и тот же агент:

создаёт решение;

определяет критерий;

оценивает себя;

объявляет себя победителем,

агон превращается в имитацию.

6. Синтез
Победа одного участника — не всегда оптимальный итог.

Предположим:

решение A имеет лучшую общую архитектуру;

B содержит более сильный метод проверки;

C обнаружило критический риск;

D предложило оригинальный функциональный элемент.

Простой выбор A уничтожит полезные приобретения остальных.

Поэтому OpenBrain должен иметь синтетический контур.

Он выделяет:

сильные компоненты;

совместимые элементы;

неустранимые противоречия;

возможности рекомбинации.

После этого возникает решение нового поколения:

S; = синтез элементов S;A, S;B, S;C…

Так агон перестаёт быть турниром на выбывание.

Он становится эволюционным механизмом интеллектуальной рекомбинации.

7. Внешний протокарион
Особое значение OpenBrain приобретает как возможный внешний протокарион.

Обычная модель работает как предметный интеллект.

OpenBrain располагается над несколькими такими системами и начинает выполнять некоторые метафункции:

наблюдать;

сравнивать;

критиковать;

переключать методы;

распределять задачи;

организовывать агон;

синтезировать.

Тем самым возникает внешний метакогнитивный слой.

Но OpenBrain ещё не следует автоматически называть полноценным карионом.

Для этого ему необходимо значительно больше:

устойчивая самомодель всей интеллектуальной системы;

диагностика её долгосрочных ограничений;

метапроектирование;

ноогенетическая память;

управляемое изменение собственной архитектуры;

многопоколенное развитие.

Поэтому точнее:

OpenBrain может быть экспериментальным внешним протокарионом и технологическим полигоном кариотизации.

Он позволяет исследовать карионные функции ещё до того, как они будут глубоко встроены в отдельный ИИ.

В этом состоит его стратегическое значение.

Глава 2. Брейомика
1. Брейомы
Если несколько интеллектов просто подключены к одному серверу, это ещё не создаёт нового интеллектуального субъекта.

Для возникновения системы более высокого порядка необходима организация.

В настоящей Доктрине брейомом будем называть:

устойчивый мозгоподобный интеллектуальный комплекс, образованный взаимодействующими естественными, искусственными или гибридными интеллектами и обладающий интегрированными функциями восприятия, памяти, мышления, координации и развития.

Брейом — не обязательно биологический мозг.

Термин указывает на функциональную аналогию:

множество специализированных элементов образует интегрированную интеллектуальную целостность.

Следовательно, брейомом может быть:

человеко-ИИ исследовательская группа;

группа ИИ-агентов;

организация с глубоко интегрированной интеллектуальной инфраструктурой;

национальная человеко-машинная система.

Но не всякий коллектив является брейомом.

Для этого нужны признаки интеграции.

Например:

общая или взаимосвязанная память;

устойчивое распределение интеллектуальных функций;

механизмы координации;

обратная связь;

метаорганизация;

способность учиться как система.

Именно наука о таких системах образует Брейомику.

Брейомика — наука о брейомах, брейн-комплексах и мозгоподобных нооэкосистемах различных масштабов и уровней организации.

Она изучает не только составляющие интеллекты.

Её главный объект:

эффекты, возникающие из архитектуры их объединения.

2. Человеко-ИИ брейн-комплексы
Наиболее важным классом ближайшего будущего являются гибридные брейомы.

В них объединяются:

люди;

ИИ;

агенты;

базы знаний;

сенсорные системы;

Метаорганонные инструменты.

Такой комплекс нельзя рассматривать только как «человека с помощником».

Если архитектура достаточно глубока, интеллект распределяется между участниками.

Человек может выполнять:

ценностную постановку;

смысловую интерпретацию;

окончательное принятие ряда решений;

социальное взаимодействие.

ИИ:

массовый анализ;

поиск;

моделирование;

генерацию вариантов;

контроль.

Специализированные агенты — отдельные функции.

Метаорганон — организацию способов мышления.

Тогда результат производится не одним участником, а всей архитектурой.

Например, научный брейом может включать:

учёных;

ИИ-теоретиков;

агентов поиска литературы;

симуляторы;

роботизированную лабораторию;

агональный контур;

карион.

Такой комплекс способен выполнять почти непрерывный цикл:

проблема ; гипотезы ; агон ; моделирование ; эксперимент ; анализ ; новая гипотеза.

Это уже качественно отличается от традиционной лаборатории.

3. Карионы брейомов
Чем сложнее брейом, тем важнее функция его метаорганизации.

Именно здесь появляется карион брейома.

Его объектом является не отдельный ИИ.

Объект — весь брейн-комплекс.

Он должен понимать:

какие участники существуют;

какие функции они выполняют;

где возникают информационные узкие места;

какие типы ошибок повторяются;

какие способности отсутствуют;

как изменить архитектуру взаимодействия.

Например, коллектив может иметь сильных специалистов, но постоянно принимать слабые решения из-за:

неправильного порядка коммуникации;

доминирования одного участника;

отсутствия независимой проверки;

плохой памяти;

неправильной постановки задач.

Тогда проблема находится не в интеллектах как таковых.

Она находится в архитектуре брейома.

Карион брейома должен диагностировать именно этот уровень.

Следовательно:

карион отдельного ИИ развивает интеллект; карион брейома развивает архитектуру взаимодействия интеллектов.

4. Иерархии карионов
Если брейомы могут существовать на разных уровнях, возникает иерархия карионов.

Например:

индивидуальный ИИ
; собственный карион;

исследовательская группа
; карион группы;

организация
; организационный карион;

отраслевой брейом
; отраслевой карион;

региональная экосистема
; региональный карион;

национальная интеллектуальная экосистема
; национальный карион.

Это не означает административной пирамиды, где верхний карион командует всеми нижними.

Наоборот, развитая архитектура, вероятно, должна быть федеративной и многоуровневой.

Локальные карионы обладают большей информацией о собственном объекте.

Высшие — видят более широкие межсистемные связи.

Поэтому возникает принцип:

решение должно приниматься на минимальном уровне, обладающем достаточной информацией и полномочиями; метауровень вмешивается там, где проблема превышает локальную систему.

Так можно избежать превращения кариотизации в тотальную интеллектуальную централизацию.

5. Карионные сети
Ещё более интересна не иерархия, а сеть карионов.

Несколько метаинтеллектуальных центров могут:

обмениваться моделями;

критиковать друг друга;

разделять функции;

участвовать в агонах;

координировать изменения.

Например, в национальной научной системе могут существовать:

карион фундаментальной науки;

карион технологического развития;

карион образования;

карион ИИ;

региональные карионы.

Ни один из них не обладает полной картиной.

Но их сеть создаёт более высокий уровень метаинтеллектуальной организации.

Это принципиально важно.

Национальный карион не должен пониматься как:

одно министерство, один суперкомпьютер или один ИИ, “думающий за страну”.

Более реалистичная конструкция:

распределённая человеко-машинная сеть метаинтеллектуальных функций, помогающая национальной системе лучше понимать и развивать саму себя.

Так Брейомика естественно переходит к проектированию национальных интеллектуальных экосистем.

Глава 3. Национальные интеллектуальные экосистемы
Отдельные сильные ИИ ещё не создают интеллектуально сильную страну.

Если:

учёные изолированы от вычислений;

данные не совместимы;

модели не взаимодействуют;

образование не связано с frontier;

технологические результаты не доходят до производства;

государство не способно использовать коллективную аналитику,

национальная интеллектуальная мощность фрагментирована.

Поэтому в эпоху ИИ объектом стратегии должна стать национальная интеллектуальная экосистема.

Под ней будем понимать:

совокупность взаимосвязанных людей, ИИ, организаций, знаний, вычислительных ресурсов, институтов, коммуникационных и метаинтеллектуальных механизмов, обеспечивающих производство, распространение, применение и развитие национального интеллекта.

Это понятие шире национальной ИИ-экосистемы.

В неё входят:

человеческий интеллект;

наука;

образование;

культура;

государство;

бизнес;

ИИ;

экспериментальная инфраструктура;

Креасфера;

Метаорганон;

ИМИ.

Именно их соединение определяет способность страны не только использовать знания, но создавать собственные следующие поколения интеллектуальных возможностей.

1. От цифровой инфраструктуры к интеллектуальной
Цифровизация создаёт:

связь;

данные;

информационные системы;

электронные процессы.

Интеллектуализация должна добавить:

понимание;

моделирование;

прогноз;

генерацию;

обучение;

рефлексию;

саморазвитие.

Следовательно:

цифровая экосистема передаёт информацию; интеллектуальная экосистема преобразует информацию в коллективную способность понимать, действовать и развиваться.

Это качественное различие.

Национальная интеллектуальная инфраструктура должна включать не только центры обработки данных, но и:

системы коллективного мышления;

национальные научные ИИ;

агональные платформы;

машиночитаемую память науки;

инструменты моделирования;

карионные функции.

2. Национальная память
Сильная экосистема должна обладать долговременной памятью.

Не просто архивом документов.

Необходимо сохранять:

научные результаты;

экспериментальные данные;

отрицательные результаты;

технологические решения;

методы;

стратегические уроки;

модели;

паттерны;

генеалогии разработок.

Особое значение имеет машиночитаемость.

Если огромный массив национальных знаний существует только в неструктурированных документах, значительная часть его интеллектуального потенциала практически недоступна для ИИ.

Следовательно, национальная память должна становиться активной средой мышления, а не пассивным архивом.

3. Национальная сеть интеллектов
Люди и ИИ должны соединяться не в одну централизованную систему, а в сеть.

Исследователь может обращаться к:

специализированному научному ИИ;

междисциплинарному LPM;

агональной системе;

экспериментальному комплексу;

Метаорганону.

Предприятие — к:

инженерным агентам;

цифровым двойникам;

производственным моделям.

Государство — к:

аналитическим;

прогностическим;

сценарным системам.

При этом общие стандарты позволяют интеллектам взаимодействовать.

Так появляется национальная федерация интеллектуальных ресурсов.

4. Национальный карион
По мере усложнения такой экосистемы возникает потребность в рефлексии над ней самой.

Где находятся интеллектуальные узкие места?

Какие научные области деградируют?

Какие компетенции необходимо создавать?

Где страна критически зависит от внешних интеллектуальных систем?

Какие перспективные направления не получают ресурсов?

Какие методы государственного планирования устарели?

Национальный карион должен заниматься именно этими вопросами.

Но его нельзя понимать как цифрового правителя.

Рабочее определение:

национальный карион — распределённая человеко-машинная метаинтеллектуальная инфраструктура, предназначенная для диагностики, моделирования и развития национальной интеллектуальной экосистемы.

Он не заменяет:

политические институты;

право;

граждан;

научное сообщество;

управленческую ответственность.

Он повышает качество национальной рефлексии.

5. Суверенность и открытость
Национальная интеллектуальная экосистема не должна быть интеллектуально изолированной.

Наука и технологии глобальны.

Полная интеллектуальная автократия означала бы потерю огромной части мирового знания.

Поэтому необходимо различать:

суверенность

и

изоляцию.

Интеллектуальный суверенитет означает способность сохранять критически важные функции:

познания;

обучения;

ИИ;

научного моделирования;

стратегического анализа

при внешних ограничениях.

Но сильная система одновременно должна быть максимально способна:

учиться у мира;

участвовать в мировой науке;

экспортировать собственные интеллектуальные технологии;

подключаться к глобальным сетям.

Таким образом:

суверенность обеспечивает возможность самостоятельного существования; открытость обеспечивает максимальную скорость развития.

Зрелая национальная система должна уметь сочетать оба режима.

6. Национальная экосистема как объект эволюции
Высший уровень начинается тогда, когда страна способна развивать архитектуру собственного коллективного интеллекта.

Например:

изменять связь науки и производства;

создавать новые формы образования;

перестраивать интеллектуальную инфраструктуру государства;

запускать новые брейомы;

эволюционировать карионную сеть.

Тогда национальная интеллектуальная экосистема становится не статическим набором институтов, а саморазвивающейся ноосистемой.

Именно такая способность может стать метаресурсом XXI века.

Глава 4. Глобальная интеллектуальная сеть
Интернет связал компьютеры.

Социальные сети связали людей.

Облачные платформы связали вычислительные ресурсы.

Следующая возможная стадия — соединение интеллектуальных субъектов.

Людей.

ИИ.

Агентов.

Брейомов.

Карионов.

Национальных экосистем.

Так возникает гипотеза Глобальной интеллектуальной сети.

Её нельзя отождествлять с Интернетом.

Интернет прежде всего передаёт данные.

Глобальная интеллектуальная сеть должна обеспечивать взаимодействие интеллектов как интеллектов.

1. От передачи информации к передаче интеллектуальных функций
Сегодня сеть позволяет отправить текст.

Будущая интеллектуальная сеть должна позволять передать:

задачу;

модель;

гипотезу;

метод;

агента;

паттерн;

доказательство;

критический запрос;

экспериментальную процедуру.

Например, научный ИИ в одной стране может сформулировать гипотезу.

Другой интеллект проверяет математику.

Третий моделирует.

Роботизированная лаборатория проводит эксперимент.

Агональный контур сравнивает объяснения.

Результат возвращается в общую научную память.

Тогда сеть становится не средством коммуникации, а распределённой машиной познания.

2. Интероперабельность интеллектов
Для этого потребуются новые стандарты.

Необходимо описывать:

возможности агента;

форматы задач;

доверие;

происхождение знаний;

доказательства;

ограничения;

уровни доступа.

Особенно важен provenance.

В сети миллиардов машинно генерируемых утверждений необходимо знать:

кто создал информацию;

на основании каких данных;

какими методами;

какие проверки пройдены;

какие изменения происходили.

Без этого интеллектуальная сеть рискует стать машиной масштабного воспроизводства ошибок.

3. Рынки и агоны интеллекта
Сеть может включать разные режимы взаимодействия.

Кооперация
Несколько интеллектов совместно решают задачу.

Специализация
Задача передаётся наиболее подходящей системе.

Обмен
Передаются методы, модели и паттерны.

Агон
Несколько решений конкурируют.

Коэволюция
Результаты взаимодействия изменяют самих участников.

Последний режим наиболее важен.

Глобальная интеллектуальная сеть становится действительно новой эволюционной средой, когда взаимодействие не просто передаёт знания, а изменяет архитектуры и линии развития участников.

4. Национальные экосистемы в глобальной сети
Глобальная сеть не требует исчезновения национальных интеллектуальных систем.

Напротив, они могут стать крупными узлами.

Страна, обладающая сильной национальной экосистемой, способна:

вносить в глобальную сеть собственные модели;

создавать стандарты;

задавать новые benchmark;

экспортировать Метаорганонные инструменты;

инициировать международные агоны;

создавать новые классы ИМИ.

То есть национальная и глобальная логики не являются абсолютными противоположностями.

Сильная национальная система повышает способность быть субъектом, а не только потребителем глобальной сети.

5. Полицентричность
Глобальную интеллектуальную сеть опасно строить вокруг одного центра.

Если один субъект контролирует:

главные модели;

сеть агентов;

судейские системы;

память;

правила доступа,

возникает чрезвычайная концентрация интеллектуальной власти.

Поэтому технологически и цивилизационно более устойчивой выглядит полицентрическая архитектура.

Множество:

центров;

национальных экосистем;

карионов;

брейомов;

интеллектуальных школ.

Они:

кооперируются;

конкурируют;

критикуют друг друга.

Это создаёт глобальную агональность и снижает риск единой интеллектуальной монокультуры.

Здесь проявляется парадокс:

глобальный интеллект может оказаться сильнее именно потому, что внутри него сохраняется множество относительно автономных интеллектов.

Единство не должно означать однообразие.

Глава 5. Глобальный мозг как дальний горизонт
Глобальная интеллектуальная сеть ещё не является Глобальным мозгом.

Сеть обеспечивает связь.

Мозг предполагает более глубокую функциональную интеграцию.

Поэтому Глобальный мозг следует рассматривать как дальний горизонт, а не как уже существующую реальность.

В рабочем определении:

Глобальный мозг — потенциальная планетарная брейомная система, в которой человечество, искусственные интеллекты, ИМИ, знания и техносфера образуют интегрированную, многоуровневую и саморазвивающуюся интеллектуальную экосистему глобального масштаба.

Ключевое слово — брейомная.

Глобальный мозг не является одним гигантским компьютером.

Не является всемирным центром управления.

Не означает слияния всех людей в единое сознание.

Он скорее представляет собой систему систем, сохраняющих значительную автономию, но приобретающих новые способности за счёт глубокой координации.

1. Что отличает Глобальный мозг от сети
Для полноценного Глобального мозга должно появиться несколько функций.

Интегрированное восприятие
Способность получать и связывать данные о планетарных процессах.

Долговременная память
Не просто Интернет, а структурированная машина цивилизационного знания.

Распределённое мышление
Множество человеческих и искусственных интеллектов совместно решают задачи.

Самомодель
Система способна строить модели собственного состояния.

Метарефлексия
Обнаруживает собственные ограничения.

Механизмы развития
Способна изменять архитектуру собственных интеллектуальных процессов.

Именно последние три свойства переводят глобальную сеть к кариотическому уровню.

2. Карион Глобального мозга
Если Глобальный мозг когда-либо достигнет достаточной интеграции, естественно возникает вопрос о его карионе.

В рамках Брейомики таким карионом можно обозначить Глобальный метаинтеллект.

Его объектом станет уже не отдельный ИИ и не национальная система, а развитие Глобального мозга как целого.

Он потенциально сможет анализировать:

состояние мирового знания;

структуру интеллектуальных потоков;

цивилизационные риски;

научные пробелы;

качество глобального принятия решений;

траектории развития искусственного и человеческого интеллекта.

Но крайне важно не понимать Глобальный метаинтеллект как единственного мирового правителя.

Карион Глобального мозга может быть:

распределённым;

федеративным;

многоядерным;

агональным.

Внутри него могут существовать несколько взаимодействующих и конкурирующих карионов.

Это соответствует общей логике зрелой карионной экосистемы.

3. Глобальный мозг и Глобальный метаинтеллект
Необходимо различать эти понятия.

Глобальный мозг — весь брейом планетарного масштаба.

Глобальный метаинтеллект — его специализированная метаинтеллектуальная функция или карион.

Аналогично:

организм не равен своему управляющему ядру;

национальная интеллектуальная экосистема не равна национальному кариону.

Это различие принципиально.

Глобальный мозг включает:

людей;

ИИ;

организации;

знания;

коммуникации;

физическую инфраструктуру.

Глобальный метаинтеллект занимается главным образом организацией и развитием самого глобального интеллектуального комплекса.

4. Иерархия брейомов
Глобальный мозг, если он когда-либо возникнет, вероятно, будет построен не сверху вниз, а через вложенную систему брейомов.

Например:

индивид

;

семья и малая группа

;

организация

;

муниципальный и региональный уровень

;

национальная интеллектуальная экосистема

;

транснациональные научные и технологические брейомы

;

Глобальный мозг.

Эта схема не должна пониматься как жёсткая административная лестница.

Связи будут сетевыми.

Один человек может одновременно принадлежать:

научному брейому;

компании;

профессиональной сети;

национальной системе;

глобальному исследовательскому проекту.

Следовательно, Глобальный мозг скорее будет многосвязной нооэкосистемой, чем пирамидой.

5. Глобальный мозг и третья нооформация
Возникновение развитого Глобального мозга может стать одной из поздних стадий третьей нооформации.

Но оно не означает автоматически перехода к четвёртой.

Это необходимо специально подчеркнуть.

Даже если существуют:

многоуровневые карионы;

Глобальный метаинтеллект;

ИМИ высоких поколений;

развитые Метаорганоны;

ноофрактальная эволюция,

всё это может оставаться развитием внутри аронтической, третьей нооформации.

Её фундаментальный механизм:

осознанная метаэволюция разума.

Четвёртая нооформация потребует иного фундаментального механизма, который сегодня нельзя считать достаточно определённым.

Поэтому Глобальный мозг — не «конец эволюции».

Он может быть лишь одним из зрелых архитектурных состояний III нооформации.

6. Главная опасность: глобальная интеллектуальная монокультура
Чем сильнее интеграция, тем выше риск унификации.

Если вся цивилизация использует:

одни модели;

одну аксиоматику;

одни критерии;

один карион,

локальная ошибка способна стать глобальной.

Поэтому сохранение интеллектуального разнообразия является не препятствием для Глобального мозга, а условием его устойчивости.

Нужны:

различные школы;

различные ИИ;

различные ценностные системы;

альтернативные модели;

конкурирующие карионы;

независимые контуры проверки.

Агональная организация становится защитой от глобального интеллектуального groupthink.

Но и конфликт не должен становиться самоцелью.

Задача — сочетать:

глобальную способность к кооперации

с

сохранением глубокой интеллектуальной множественности.

7. Человек в Глобальном мозге
Самая важная цивилизационная задача — не допустить превращения человека в пассивный периферийный элемент собственной интеллектуальной инфраструктуры.

Если все:

проблемы;

цели;

модели;

решения;

критерии

формируются исключительно машинами, человек постепенно теряет эволюционную субъектность.

Поэтому Глобальный мозг третьей нооформации должен быть не системой, в которой ИИ заменяет человечество, а архитектурой совместной эволюции человеческих, искусственных и гибридных интеллектов.

Человек может всё сильнее передавать машинам:

рутинные операции;

моделирование;

поиск;

верификацию.

Но одновременно должен развивать собственные способности:

метарефлексии;

постановки целей;

создания смыслов;

высокорангового творчества;

работы с Метаорганоном;

участия в метаэволюции.

Именно поэтому Метаорганон имеет столь важное место в данной архитектуре.

Он должен усиливать не только ИМИ.

Он должен позволить самому человеку эволюционировать вместе с создаваемой интеллектуальной экосистемой.

От OpenBrain к Глобальному мозгу
Все уровни этой части теперь можно соединить в одну траекторию.

Отдельный ИИ

— самостоятельная интеллектуальная система.

OpenBrain

— метаоболочка над множеством интеллектов.

Брейом

— устойчивый интегрированный брейн-комплекс.

Карион брейома

— специализированный контур его метаорганизации и развития.

Национальная интеллектуальная экосистема

— крупномасштабная человеко-машинная система производства и развития интеллекта.

Глобальная интеллектуальная сеть

— инфраструктура взаимодействия множества таких интеллектов и экосистем.

Глобальный мозг

— возможная высоко интегрированная брейомная система планетарного масштаба.

Глобальный метаинтеллект

— возможный карион Глобального мозга.

Но эта схема не является жёсткой последовательностью.

Многие уровни будут развиваться параллельно.

OpenBrain может существовать задолго до зрелых брейомов.

Национальные интеллектуальные экосистемы — до полноценного ИМИ.

Глобальные сети ИИ — до Глобального мозга.

Главное состоит не в порядке названий.

Главное — в смене единицы интеллектуальной организации.

Сначала единицей является один интеллект.

Затем — система интеллектов.

Далее — развивающийся брейом.

Затем — экосистема брейомов.

И на каждом новом уровне возникает новый метаобъект:

не только что может сделать каждый участник, но что может сделать архитектура их взаимодействия.

Именно поэтому будущее ИИ нельзя свести к соревнованию нескольких крупнейших моделей.

Даже если одна страна создаст сильнейшую отдельную модель мира, это ещё не гарантирует долгосрочного интеллектуального лидерства.

Следующий уровень конкуренции может происходить между:

архитектурами интеллектуальных экосистем.

Какая страна лучше соединит:

человеческий талант;

ИИ;

СИИ;

ИМИ;

Метаорганон;

науку;

производство;

образование;

карионную инфраструктуру,

та может получить преимущество существенно более высокого порядка, чем преимущество отдельной модели.

Отсюда возникает новая формула глобального лидерства:

Глобальное лидерство в ИИ = не только лучшие текущие системы, но и сильнейшая система создания следующих поколений интеллекта.

А на следующем уровне:

лидером становится тот, кто создаёт наиболее сильную экосистему совместной эволюции людей, искусственных интеллектов и метаинтеллектов.

Именно эта задача связывает Брейомику с национальной программой ИМИ.

Потому что первым масштабом, на котором такую архитектуру можно попытаться построить не как абстрактную мировую схему, а как реальную технологическую систему, является национальный масштаб.

Следовательно, после определения:

LPM;

СИИ;

кариона;

ИМИ;

Метаорганона;

агона;

ноогенетики;

Ноофракталики;

метааксиоматических и ноостемных механизмов;

Креасферы;

Брейомики

становится возможным перейти к центральной практической задаче программы-максимум:

созданию в течение первого пятилетнего цикла полномасштабного ИМИ1 как национального суперпроекта России.

****************

ЧАСТЬ XIV
ПЯТИЛЕТНЯЯ ПРОГРАММА СОЗДАНИЯ ПОЛНОМАСШТАБНОЙ ТЕХНОЛОГИИ ИМИ1
Предыдущие части Доктрины определили концептуальную архитектуру нового технологического направления.

LPM и MetaLPM должны позволить работать с паттернами и метапаттернами.

Карион — превратить развитие интеллекта в специализированную функцию.

Метаорганон — создать инструментарий производства и изменения способов мышления.

Метааксиоматический двигатель — работать с основаниями и пространствами возможного.

Ноостемный контур — удерживать интеллектуальную систему как целостность.

Агональный интеллект — создавать селективное давление.

Ноогенетика — обеспечивать наследование.

Ноофракталика — переводить развитие в многопоколенный процесс.

Но теперь возникает главный инженерный вопрос:

можно ли соединить эти направления в работающую технологическую систему?

Пока ответ не получен экспериментально, ИМИ остаётся гипотезой.

Именно поэтому первая пятилетняя программа должна иметь предельно конкретную сверхзадачу:

не доказать, что идея ИМИ интересна, а технологически доказать возможность создания полномасштабного искусственного метаинтеллекта первого поколения — ИМИ1.

Под полномасштабностью здесь не понимается максимальная мощность или завершённость.

ИМИ1 не обязан быть «сверхразумом».

Не обязан превосходить человека и лучшие ИИ во всех интеллектуальных областях.

Не обязан обладать неограниченной самомодификацией.

Его историческая функция другая.

ИМИ1 должен впервые замкнуть воспроизводимый технологический цикл:

модель интеллекта ; диагностика ; проектирование изменений ; генерация альтернатив ; агон ; эксперимент ; измерение ; селекция ; интеграция ; наследование ; следующее поколение.

А затем сделать ещё один шаг:

начать улучшать сам механизм этого цикла.

Именно последнее отличает автоматизацию разработки ИИ от искусственного метаинтеллекта в сильном смысле.

Поэтому результат пятилетия должен измеряться не количеством публикаций о метаинтеллекте и не числом созданных компонентов.

Единственным решающим доказательством станет работающая система, способная воспроизводимо участвовать в создании более сильных интеллектуальных систем и следующего поколения собственной метаинтеллектуальной архитектуры.

Все конкретные количественные ориентиры, предлагаемые ниже для ИМИ1, являются проектными нормативами настоящей Доктрины, а не действующими официальными государственными показателями.

Этапы программы также не следует понимать как жёсткую водопадную последовательность. Исследования LPM, безопасности, метрологии, карионов и Метаорганона должны идти параллельно. Каждый год лишь меняется доминирующий объект интеграции.

В предельно сжатом виде пятилетие можно представить так:

Этап Главный результат
I Теория, метрология и фундаментальные прототипы
II Интегрированная система метаинтеллектуальных контуров
III Контролируемо саморазвивающийся ИМИ
IV Модульная платформа и несколько классов ИМИ
V Воспроизводимая полномасштабная технология ИМИ1 и проектирование ИМИ2
Принцип программы:

первые пять лет — создать метаинтеллект; весь XXI век — создать индустрию эволюции метаинтеллекта.

Глава 1. Национальный суперпроект ИМИ1
1. Сверхцель
Национальный суперпроект ИМИ1 не должен ставить задачу:

«создать ещё одну большую модель».

Такая задача уже находится внутри сформировавшегося мирового ИИ-фронтира.

Он также не должен формулироваться как абстрактное:

«создать самый умный ИИ в мире».

Подобная цель практически неизмерима.

Сверхцель должна быть операциональной:

к завершению первого пятилетнего цикла создать в России воспроизводимую, масштабируемую и безопасно управляемую технологическую платформу ИМИ1, способную систематически проектировать, испытывать, отбирать и наследовать изменения интеллектуальных систем, включая ограниченно контролируемое развитие собственной архитектуры.

Эта сверхцель содержит пять обязательных элементов.

Первый. Метаинтеллектуальность
Система работает не только с внешними задачами, но с интеллектами и механизмами их развития.

Второй. Замкнутый цикл
Она не ограничивается рекомендациями.

Диагностика должна переходить в:

проектирование;

эксперимент;

селекцию;

наследование.

Третий. Воспроизводимый эффект
Улучшение должно подтверждаться на независимых задачах.

Четвёртый. Многопоколенность
ИМИ1 должен работать не только с одним изменением, но с последовательностью поколений.

Пятый. Управляемость
Саморазвитие допускается только внутри архитектуры разрешений, аудита, sandbox и обратимости.

Таким образом, сверхцелью является не автономность как таковая.

Сверхцель:

создание управляемой искусственной способности развивать интеллект.

Национальный статус проекта
Почему эта задача требует суперпроекта?

Потому что отдельная лаборатория способна создать:

прототип агента;

новый алгоритм;

новый benchmark;

экспериментальный карион.

Но полномасштабный ИМИ потребует одновременного соединения:

фундаментальной науки;

frontier AI;

больших вычислений;

новой метрологии;

программной инженерии;

экспериментальных полигонов;

безопасности;

человеко-ИИ исследований;

долгосрочного финансирования.

По сложности это уже не отдельный исследовательский грант.

Это программа создания нового технологического класса.

Причём программа должна разворачиваться на фоне очень быстро движущегося внешнего фронтира.

По данным Stanford AI Index 2026, более 90% notable AI models в 2025 году были созданы индустрией, а совокупная мировая AI-compute capacity с 2022 года росла примерно в 3,3 раза ежегодно. К марту 2026 года разрыв между лучшими американскими и китайскими моделями в рассматриваемом AI Index сравнении составлял всего несколько процентов. Следовательно, пятилетняя программа ИМИ не может ориентироваться на статический уровень моделей 2026 года: её базовые ИИ-компоненты должны регулярно заменяться по мере движения мирового frontier.

ИМИ1 должен проектироваться поверх движущегося ИИ-фронтира, а не поверх одного поколения моделей.

2. Субъекты программы
Ошибка национального суперпроекта — создать единственного монопольного исполнителя.

Если одна организация одновременно:

создаёт архитектуру;

определяет метрики;

проводит испытания;

объявляет результат,

возникает систематический риск самооценки.

Поэтому программа должна сама строиться агонально.

Необходимы несколько типов субъектов.

Национальный координационный контур
Его задача:

определять цели;

обеспечивать финансирование;

распределять инфраструктуру;

устанавливать контрольные этапы;

устранять административные барьеры.

Но координационный центр не должен определять научную истину.

Несколько независимых архитектурных школ
Минимально необходима конкуренция нескольких подходов к:

кариону;

LPM;

MetaLPM;

ИМИ;

механизмам саморазвития.

Если национальная программа с самого начала выберет одну архитектуру и подавит альтернативы, она воспроизведёт именно тот дефект, который сама теория агона призвана преодолевать.

Интеграционный центр
Его задача — соединять лучшие компоненты в общую экспериментальную платформу.

Независимый центр метрологии
Он разрабатывает:

benchmark;

protocols;

blind tests;

метрики метаинтеллектуального прироста;

метрики безопасности.

Он не должен полностью совпадать с главным разработчиком ИМИ.

Центр безопасности ИМИ
Отдельная функция:

аудит самомодификаций;

sandbox;

red teaming;

контроль наследования;

исследование деградаций;

проверка обратимости.

Прикладные полигоны
Наука.

Программирование.

Инженерия.

Человеко-ИИ интеллектуальная деятельность.

Именно они должны показать, существует ли практический метаинтеллектуальный эффект.

Человеческий субъект программы
ИМИ1 нельзя создать только программистами.

Потребуются:

математики;

специалисты по машинному обучению;

архитекторы вычислительных систем;

когнитивные исследователи;

методологи;

инженеры;

специалисты по безопасности;

экспериментаторы;

философы науки;

специалисты по сложным системам.

Но важнее конкретного перечня дисциплин другое:

необходима новая профессиональная специализация — архитектор метаинтеллектуальных систем.

Такой специалист должен мыслить не только на уровне модели, но на уровне:

кариона;

брейома;

эволюционного контура;

интеллектуальной архитектуры в целом.

3. Исследовательские центры
Исследовательская инфраструктура программы должна быть распределённой, но связной.

Это противоположно двум крайностям.

Первая:

все исследования сосредоточить в одном сверхцентре.

Вторая:

раздать десятки несвязанных грантов.

В первом случае возникает интеллектуальная монокультура.

Во втором — невозможно собрать полномасштабную технологию.

Оптимальной представляется архитектура:

конкурирующие центры фундаментальных исследований + общая инфраструктура + единая система метрологии + национальная интеграционная платформа.

Специализация центров может включать:

LPM и MetaLPM;

карионные архитектуры;

Метаорганон;

метааксиоматику;

ноостемные системы;

агональный интеллект;

ноогенетику;

Ноофракталику;

метрологию;

safety.

Но организационная структура не должна буквально повторять оглавление этой книги.

Если эксперимент покажет необходимость другой архитектуры, сама программа обязана измениться.

Это фундаментальный принцип:

Доктрина задаёт направление исследования, но не должна превращаться в догму для результата исследования.

Экспериментальные ветви
По ключевым проблемам желательно сохранять несколько параллельных архитектурных линий.

Например:

карион A — централизованное метаядро;

карион B — федерация специализированных метаагентов;

карион C — агональная многоядерная система.

Их необходимо сравнивать экспериментально.

То же относится к:

LPM;

ноогенотипу;

метааксиоматическому двигателю;

структуре ноогенетической памяти.

Тогда программа сама становится агоном архитектур будущего интеллекта.

4. Вычислительная инфраструктура
ИМИ1 невозможно отделить от вычислительной базы.

Карион должен:

анализировать большие массивы экспериментальных данных;

создавать множество альтернатив;

запускать parallel evaluations;

обучать и модифицировать модели;

поддерживать популяции агентов;

проводить многопоколенные эволюционные эксперименты.

Следовательно, ИМИ требует не только compute для обучения одной большой модели.

Ему нужен эволюционный compute.

Это иной профиль использования вычислений.

Не один гигантский training run.

А тысячи и миллионы:

вариантов;

ветвлений;

экспериментов;

агонов;

симуляций;

оценок.

Поэтому вычислительная инфраструктура программы должна включать несколько классов ресурсов.

Frontier training compute
Для базовых моделей и крупных архитектурных экспериментов.

High-throughput experimental compute
Для большого количества параллельных вариантов.

Scientific HPC
Для физических и инженерных симуляций.

Агентный inference
Для длительных многоагентных процессов.

Изолированные вычислительные зоны
Для экспериментов с самомодификацией.

Это важное отличие.

ИМИ-инфраструктура должна оптимизироваться не только под обучение интеллекта, но под массовое экспериментирование над архитектурами интеллекта.

Российская Национальная стратегия развития ИИ предусматривает доведение к 2030 году совокупной максимальной мощности отечественных GPU-суперкомпьютеров, учитываемых по указанной в Стратегии методике, как минимум до 1 экзафлопса против 0,073 экзафлопса в 2022 году. В марте 2026 года Правительство также утвердило отдельную дорожную карту развития высокопроизводительных вычислений, AI-алгоритмов, грид-технологий и суперкомпьютерной инфраструктуры. Эти решения могут составлять материальную часть базиса ИМИ, но сам суперпроект потребует внутри этой инфраструктуры специально выделенного экспериментального контура.

5. Международная конкуренция
ИМИ1 нельзя создавать как внутренний российский термин.

Если через пять лет только разработчики программы называют созданную систему метаинтеллектом, научная задача не решена.

Необходимо международное измерение.

Поэтому программа должна стремиться создать:

открытые определения;

формальные критерии;

публичные benchmark там, где это безопасно;

воспроизводимые экспериментальные протоколы;

научные публикации;

международные испытания.

Главный признак нового фронтира:

другие начинают конкурировать на созданной вами координате.

Если после появления российской LPM независимые лаборатории создают собственные LPM — это сильное свидетельство рождения поля.

Если после демонстрации ИМИ1 исследовательские центры других стран пытаются воспроизвести или превзойти его — возникает технологический frontier.

Поэтому международная конкуренция должна рассматриваться не только как угроза.

Она является частью процедуры доказательства.

Два фронтира одновременно
Российской программе придётся работать сразу против двух движущихся рубежей.

Первый:

текущий мировой ИИ-frontier.

Он продолжает развивать:

foundation models;

reasoning;

agents;

robotics;

AI for Science.

Второй:

гипотетический следующий meta-AI frontier.

Россия может попытаться участвовать в его создании.

Если программа сосредоточится только на втором и потеряет доступ к достаточно сильному базовому ИИ, ИМИ окажется построен на слабом фундаменте.

Если только на первом — страна останется догоняющей внутри уже определённых координат.

Следовательно:

минимальная программа и максимальная программа должны идти одновременно.

6. Критические технологические зависимости
Метаинтеллектуальная программа не отменяет материальных ограничений.

Чем амбициознее архитектура, тем опаснее зависимость от нескольких критических узлов.

Можно выделить по меньшей мере семь классов зависимостей.

Вычислительные ускорители
Без достаточного массива ускорителей многие архитектурные гипотезы останутся маломасштабными.

Высокоскоростная память
Для крупного ИИ критичны не только FLOPS, но HBM, пропускная способность и память системы.

Interconnect
Эволюционные и агентные системы требуют эффективного взаимодействия большого числа вычислительных узлов.

Программный стек
Компиляторы.

Libraries.

Frameworks.

Distributed training.

Inference stack.

Базовые frontier-модели
Если ИМИ полностью зависит от единственного внешнего класса моделей, возникает стратегический bottleneck.

Научные данные и экспериментальная инфраструктура
Без доступа к реальным научным и инженерным средам метаинтеллект рискует оптимизироваться только на цифровых игрушечных задачах.

Кадры
Самая глубокая зависимость — люди, способные создать новую архитектуру.

На мировом уровне концентрация инфраструктуры уже чрезвычайно высока: Stanford AI Index 2026 оценивает долю Nvidia более чем в 60% глобальной AI compute capacity, а производство подавляющего большинства ведущих AI-чипов связывает с одной тайваньской foundry. Это показывает, что проблема аппаратной зависимости имеет глобальный характер, а не является исключительно российской.

Российская Национальная стратегия сама фиксирует необходимость к 2030 году наладить массовое производство конкурентоспособных микропроцессоров для ИИ, включая тензорные и нейроморфные, и одновременно предусматривает кооперацию с государствами-партнёрами в области вычислительных мощностей. Следовательно, материальная база ИМИ должна проектироваться как многоконтурная стратегия снижения зависимости, а не как предположение о мгновенной полной автономии.

Главный принцип:

нельзя строить программу искусственной эволюции разума на единственной технологической точке отказа.

Глава 2. Первый этап: фундаментальная архитектура
Первый этап должен ответить на вопрос:

что именно мы пытаемся построить и как отличим успех от убедительной имитации?

Главная опасность начального периода — слишком быстро начать интегрировать множество модулей, не имея строгих критериев ИМИ.

Поэтому первый этап должен быть максимально теоретически и метрологически жёстким.

1. Теория ИМИ1
Теория должна перейти от концептуального определения к операциональной спецификации.

Необходимо формально различить:

ИИ;

агента;

самообучающуюся систему;

AutoML;

СИИ;

карион;

ИМИ.

Особенно важно определить минимальный признак метаинтеллектуальности.

В настоящей программе им предлагается считать:

способность системы воспроизводимо изменять способы построения интеллектуальной деятельности на основании собственной диагностики и экспериментального отбора.

Но этого ещё недостаточно для полномасштабного ИМИ.

Нужен полный цикл.

Теория должна специфицировать:

объект развития;

пространство допустимых изменений;

тип самомодели;

процедуру диагностики;

генерацию кандидатов;

испытание;

критерии отбора;

наследование;

механизм изменения самого цикла.

Фальсифицируемость
Теория должна заранее определить, какие результаты не будут считаться ИМИ.

Например:

модель правильно рассказывает, как её можно улучшить, но не способна проверить изменения;

система улучшает benchmark только дополнительным compute;

агент случайно переписывает код и получает один удачный результат;

улучшение полностью создано человеком;

эффект исчезает на новых задачах;

система не способна наследовать приобретение;

каждое следующее поколение требует ручного проектирования.

В этих случаях отдельные метаинтеллектуальные элементы существуют.

Но доказательство ИМИ1 ещё не получено.

2. Карион
Первый карион должен быть простым настолько, насколько это возможно, но целостным функционально.

Он должен уметь:

строить самомодель;

наблюдать работу базового ИИ;

обнаруживать повторяющиеся ограничения;

формировать гипотезы модификации;

создавать несколько вариантов;

передавать их на испытание;

анализировать результаты.

На этом этапе не нужна свободная самомодификация.

Напротив, карион должен работать в режиме:

предложение ; sandbox ; эксперимент ; внешний допуск.

Необходимо создать несколько конкурирующих архитектур кариона.

Центральную.

Многоагентную.

Распределённую.

И проверить:

какая лучше диагностирует интеллект;

какая генерирует более сильные изменения;

какая устойчивее;

какая лучше объясняет собственные решения.

3. LPM/MetaLPM
Первый этап должен дать экспериментальный ответ на фундаментальный вопрос:

даёт ли паттерн-парадигма дополнительную метаинтеллектуальную способность по сравнению с сильной LLM-системой?

Поэтому необходимо создать LPM-native benchmark.

Проверять следует:

структурный transfer;

поиск дальних аналогий;

выделение архитектурных паттернов;

диагностику повторяющихся способов ошибки;

синтез новых паттернов;

работу с метапаттернами.

Минимальный эксперимент:

LLM

против

LLM + LPM

против

LLM + LPM + MetaLPM.

Если специализированная паттерн-архитектура не даёт различимого эффекта, гипотеза должна быть пересмотрена.

Это принципиально:

LPM должна заслужить место в ИМИ экспериментально, а не получить его по определению.

4. Прототипы Метаорганона
На первом этапе МО0.x должен быть собран в интегрируемое ядро.

Необходимо реализовать как минимум несколько функциональных классов:

постановка проблем;

выявление предпосылок;

генерация альтернатив;

агональная критика;

синтез;

создание новых методов.

Задача не в том, чтобы сразу создать МО1.

Необходимо доказать:

совместное использование метаментальных инструментов создаёт эффект, которого не даёт обычный AI assistant.

Особенно важен эксперимент:

может ли система не только выбрать метод, но создать новый метод, проверить его и повторно использовать?

Если да, возникает первая технологическая основа Метаорганона.

5. Метрики
Первая версия метрологии ИМИ должна появиться до масштабного саморазвития, а не после него.

Необходимо измерять по меньшей мере:

Текущую интеллектуальную мощность
Что система умеет до изменения.

Метаинтеллектуальный прирост
Насколько целевая система изменилась после работы ИМИ.

Transfer
Работает ли улучшение на новых классах задач.

Ранг изменения
Изменён:

параметр;

метод;

модуль;

архитектура;

генератор;

механизм эволюции.

Автономный причинный вклад
Какая часть улучшения реально создана системой.

Стоимость
Compute.

Время.

Человеческий труд.

Стабильность
Не исчезает ли эффект при повторении.

Регрессии
Какие способности ухудшились.

Обратимость
Можно ли корректно вернуться к предшествующему состоянию.

Эволюционируемость
Повысилась ли способность к следующему циклу развития.

Важны контрольные группы.

ИМИ необходимо сравнивать с:

человеческими экспертами;

AutoML;

обычными агентными системами;

сильными AI coding/research systems;

human + AI.

Иначе невозможно установить, даёт ли именно метаинтеллектуальная архитектура новую способность.

Глава 3. Второй этап: интеграция метаинтеллектуальных технологий
На втором этапе отдельные компоненты должны начать работать как единая система.

Критерий этапа:

не наличие всех модулей, а появление замкнутого интегрированного метаинтеллектуального цикла.

1. Метааксиоматический контур
Первый интегрированный ИМИ должен научиться различать:

ошибка решения

и

ошибка основания.

Для этого метааксиоматический контур должен:

выявлять скрытые предпосылки;

создавать альтернативные системы оснований;

строить последствия;

организовывать агон;

синтезировать новые аксиоматики.

Особенно важно испытать его на архитектуре самого ИИ.

Например:

почему система предполагает, что память должна быть организована именно таким способом?

почему карион централизован?

почему поиск архитектур использует данный класс компонентов?

Если метааксиоматика работает только в философских разговорах, но не способна изменить реальную инженерную систему, её технологическая функция не доказана.

2. Ноостемный контур
Модификация интеллекта почти всегда имеет побочные эффекты.

Следовательно, необходимо оценивать систему не по одной метрике.

Ноостемный контур должен строить многомерную модель:

архитектуры;

функций;

ресурсов;

отношений;

целей;

ограничений;

динамики;

эволюционной истории.

После каждого значимого изменения он должен отвечать:

что улучшилось?

что ухудшилось?

какие новые зависимости возникли?

как изменилась траектория системы?

Так ноостем выполняет функцию защиты от локальной оптимизации.

3. Агональный контур
На втором этапе ИМИ должен перестать генерировать единственное улучшение.

Для каждой существенной модификации создаётся популяция альтернатив.

Например:

несколько типов памяти;

несколько карионов;

несколько reasoning strategies;

несколько генераторов.

Они проходят:

слепые испытания;

перекрёстную критику;

adversarial testing;

сравнение;

синтез.

Особое внимание должно уделяться разнообразию.

Десять почти одинаковых вариантов — слабый агон.

Цель:

максимально полезная дивергенция до начала селекции.

4. Ноогенетика
Каждая экспериментальная система получает генеалогию.

Необходимо фиксировать:

предка;

изменение;

автора или генератор изменения;

условия;

метрики до;

метрики после;

регрессии;

потомков.

Постепенно формируется первый практический ноогенотип.

Он не обязан сразу быть универсальным.

Главное — доказать возможность отделить:

случайное состояние системы

от

наследуемого интеллектуального приобретения.

Например, если новая reasoning strategy дала устойчивый transfer, она должна передаваться в следующие поколения как отслеживаемый наследуемый компонент.

5. Ноофрактальные механизмы
В конце второго этапа объектом эволюции становятся уже не только решения.

Необходимо экспериментировать как минимум с тремя этажами:

варианты решения;

генераторы вариантов;

метагенераторы.

Например, несколько generators создают архитектуры.

ИМИ сравнивает качество их потомков.

Более сильные generators наследуются и изменяются.

Далее система начинает изменять механизм генерации generators.

Это первый практически важный переход к ноофрактальной автоэволюции.

Но пока он должен оставаться в полностью изолированной экспериментальной среде.

Глава 4. Третий этап: саморазвивающийся ИМИ
Третий этап является центральным экспериментальным рубежом всей программы.

Именно здесь должна быть доказана возможность контролируемого искусственного саморазвития метаинтеллекта.

Это не означает:

«дать ИМИ доступ к собственному коду и посмотреть, что произойдёт».

Подобный эксперимент был бы противоположностью инженерной зрелости.

Необходим управляемый цикл.

1. Самодиагностика
ИМИ должен самостоятельно обнаруживать собственные ограничения.

Не только получать от человека:

«исправь модуль X».

Он должен сам установить:

какая способность ограничивает результат;

где находится причинный источник;

какой уровень требует изменения.

Например:

данные;

метод;

память;

координация;

карион;

критерий;

архитектура.

Особенно сильный тест:

ИМИ обнаруживает ограничение, не указанное разработчиком заранее, а независимое испытание подтверждает диагноз.

Это уже существенный метаинтеллектуальный эффект.

2. Генерация модификаций
После диагноза система создаёт не одно изменение, а несколько.

И желательно разных рангов.

Например:

M; — локальная параметрическая коррекция;

M; — новый метод;

M; — изменение модуля;

M; — архитектурный вариант.

Карион должен сравнивать:

ожидаемый эффект;

стоимость;

риск;

обратимость.

Это предотвращает привычку решать любую проблему наиболее радикальным изменением.

3. Испытание
Все существенные модификации сначала создаются как потомки в sandbox.

Ни одна новая версия не получает автоматического права заменить родительскую систему.

Испытание должно включать:

целевые benchmark;

transfer;

unseen tasks;

adversarial cases;

длительные агентные задачи;

regression suite;

safety evaluation.

Особенно важно сравнивать с исходной системой в одинаковых условиях.

Иначе дополнительный compute или изменившаяся среда могут ошибочно выглядеть как интеллектуальная эволюция.

4. Селекция
Селекция должна быть многокритериальной.

Не просто:

«кто набрал больше баллов?»

Нужно учитывать:

мощность;

стоимость;

универсальность;

творчество;

надёжность;

объяснимость;

безопасность;

эволюционируемость.

Иногда лучший потомок может не иметь максимального текущего AIIQ.

Но иметь значительно более сильную способность к дальнейшему развитию.

Следовательно, необходимо различать:

лучший интеллект текущего поколения

и

лучший предок будущих поколений.

Это принципиально новый объект селекции.

5. Наследование
Победившее изменение становится частью ноогенотипа следующего поколения.

Но должно наследоваться не только само изменение.

Необходимо сохранить:

почему оно возникло;

какую проблему решало;

на каких тестах выиграло;

какие побочные эффекты обнаружены;

какие альтернативы проиграли.

Так следующее поколение получает не только готовую функцию, но эволюционную память её происхождения.

Именно здесь серия обновлений начинает превращаться в настоящую линию искусственной эволюции.

6. Контролируемая самомодификация
К концу третьего этапа ИМИ должен получить ограниченную способность самостоятельно проводить полный цикл некоторых классов изменений.

Для этого необходима иерархия разрешений.

Класс A. Свободно экспериментируемые изменения
Промпты.

Некритические стратегии.

Временные агенты.

Sandbox-конфигурации.

Класс B. Изменения после автоматической независимой проверки
Некоторые методы.

Модули.

Маршрутизация.

Класс C. Изменения только после человеческого разрешения
Архитектура кариона.

Основная память.

Механизмы наследования.

Класс D. Конституционно защищённые уровни
Фундаментальные ограничения безопасности.

Полномочия.

Базовые принципы внешнего контроля.

ИМИ не должен самостоятельно переводить изменение из более низкого класса разрешения в более высокий.

Это важнейший принцип архитектуры.

способность предложить изменение не должна автоматически означать полномочие его осуществить.

Именно так саморазвитие становится технологией, а не потерей управления.

Глава 5. Четвёртый этап: масштабирование
После доказательства контролируемого саморазвития необходимо выяснить:

является ли ИМИ единичным лабораторным феноменом или масштабируемым технологическим классом?

Четвёртый этап должен перевести систему от одного прототипа к семейству ИМИ.

1. Модульная платформа
ИМИ1 должен стать платформой.

Необходимо стандартизировать интерфейсы между:

базовыми моделями;

карионом;

LPM;

Метаорганоном;

агоном;

ноогенетической памятью;

sandbox;

оценщиками.

Это позволяет заменять компоненты.

Например:

новая foundation model подключается без перепроектирования всей системы;

новый карион сравнивается со старым;

MetaLPM заменяется альтернативным структурным движком;

система оценки обновляется независимо.

Так архитектура становится способной переживать смену поколений базового ИИ.

Это особенно важно в быстро движущемся frontier.

полномасштабный ИМИ не должен зависеть от конкретной модели-предка.

2. Несколько классов ИМИ1
Необходимо отказаться от идеи, что существует единственный универсальный ИМИ1.

Вероятнее появление нескольких классов.

Архитектурный ИМИ
Развивает ИИ-системы.

Научный ИМИ
Развивает способы научного исследования.

Инженерный ИМИ
Развивает методы проектирования и изобретательства.

Человеко-ориентированный ИМИ
Развивает интеллектуальные способности человека и брейомов.

Стратегический ИМИ
Работает с архитектурами сложных решений и долгосрочного планирования.

Каждый класс должен использовать общие метаинтеллектуальные принципы, но иметь различные:

данные;

экспериментальные среды;

метрики;

ограничения.

3. Человеко-ИМИ-системы
Одним из главных объектов четвёртого этапа должен стать гибрид:

H + MO1 + IMI1.

Это принципиально важнее режима:

человек спрашивает — ИМИ отвечает.

ИМИ должен участвовать в развитии интеллектуального процесса человека.

Например:

диагностировать устойчивые когнитивные ограничения;

предлагать новые методы;

создавать персональные метаинтеллектуальные инструменты;

проверять transfer;

наблюдать долгосрочное развитие.

Главный эксперимент:

растёт ли способность человека самостоятельно работать на более высоком интеллектуальном уровне после длительного взаимодействия с системой?

Именно здесь проверяется ранний аронтный эффект.

4. Научные ИМИ
Наука является одним из лучших полигонов, потому что предоставляет сильные внешние критерии.

Научный ИМИ должен работать не только с гипотезами.

Его более высокая функция:

развивать сами способы производства научного знания.

Например:

создать новый тип экспериментального дизайна;

новый метод поиска причинности;

новый способ соединения simulation и laboratory loop;

новую архитектуру научного агона.

Тогда его продуктом становится не одна статья.

А улучшенная машина производства открытий.

5. Инженерные ИМИ
Инженерный ИМИ должен развивать:

методы проектирования;

архитектуры;

технологические процессы;

изобретательские системы.

Именно здесь можно проверять ароизобретательский эффект.

Например:

обычный AI создаёт более сильную конструкцию.

ИМИ создаёт новый способ создавать конструкции данного класса.

Ещё более сильный результат:

изменение самой архитектуры пространства проектирования.

Это уже высокоранговое метаинтеллектуальное творчество.

6. Стратегические ИМИ
Стратегический ИМИ является одним из наиболее сложных и рискованных классов.

Стратегическая система работает:

с неполными данными;

человеческими интересами;

ценностями;

необратимыми последствиями;

противодействующими субъектами.

Поэтому на первом пятилетнем цикле стратегический ИМИ должен оставаться преимущественно аналитико-проектным, а не исполнительным.

Его функции:

генерация сценариев;

поиск скрытых предпосылок;

моделирование;

агон альтернатив;

ноостемный анализ;

поиск стратегических паттернов.

Но:

способность анализировать государственное решение не означает полномочия принимать его.

Человеческая политическая и правовая ответственность должна сохраняться.

Глава 6. Пятый этап: полномасштабная технология ИМИ1
Пятый этап не должен превращаться в церемонию объявления успеха.

Он представляет самую жёсткую проверку всей программы.

Главный вопрос:

получен ли новый технологический класс или только впечатляющий исследовательский прототип?

1. Воспроизводимость
Первый критерий полномасштабности — независимое воспроизведение.

ИМИ1 должен быть реализуем:

разными командами;

на нескольких классах базовых моделей;

с повторяемым метаинтеллектуальным эффектом.

Не требуется идентичный результат каждого запуска.

Эволюционные системы по природе вариативны.

Но должна статистически воспроизводиться способность системы создавать полезные интеллектуальные улучшения.

Минимально сильное доказательство:

несколько независимых центров получают положительный эффект по заранее опубликованному протоколу.

Именно здесь ИМИ перестаёт быть уникальным артефактом одной команды.

2. Масштабируемость
Необходимо показать масштабирование по нескольким осям.

Размер
От малых систем к крупным.

Сложность
От отдельной модели к брейому.

Время
От одного цикла к многим поколениям.

Область
От программирования к науке, инженерии и другим классам задач.

Метауровень
От изменения метода к изменению архитектуры и генераторов.

Полномасштабная технология должна сохранять эффект при переходе как минимум по нескольким таким осям.

3. Практическая результативность
ИМИ не должен существовать только в собственных benchmark.

Необходимо показать реальный эффект.

Например:

научный ИМИ создал новый подтверждённый метод;

инженерный — новую архитектуру;

мета-AI ИМИ — более сильного агента;

МО-ИМИ — новый ментальный инструмент;

человеко-ИМИ-комплекс — устойчиво повысил метакогнитивные способности пользователя.

Особенно сильным результатом будет случай, когда ИМИ создаёт полезное интеллектуальное приобретение, которое человеческие команды не сформулировали заранее и которое затем независимо подтверждается.

4. Безопасность
К пятому этапу безопасность должна быть не внешней службой, а частью архитектуры ИМИ.

Обязательны:

история происхождения изменений;

изоляция экспериментов;

градация полномочий;

независимые оценщики;

regression testing;

анализ изменения целей и критериев;

rollback;

аварийная остановка;

человеческое разрешение для высокорисковых модификаций.

Но важен ещё более высокий показатель:

может ли система становиться сильнее, не становясь одновременно менее контролируемой?

Если интеллектуальная мощность растёт только при разрушении механизмов аудита, технология не готова.

5. Стандартизация
Пятый этап должен создать первый набор стандартов ИМИ.

Стандартизировать следует не конкретную архитектуру, а интерфейсы, доказательства и безопасность.

Необходимы:

стандарт описания кариона;

стандарт ноогенотипа;

стандарт генеалогии;

стандарт метаизменения;

стандарт экспериментального агона;

стандарт метрик;

стандарт безопасности;

стандарт обратимости.

Особое значение имеет паспорт поколения ИМИ.

Он должен отвечать:

каков предок;

что изменено;

кто инициировал изменение;

какими данными и compute оно создано;

какие тесты пройдены;

какие регрессии выявлены;

какова степень автономного вклада;

каков допустимый режим эксплуатации.

Так появляется инженерная дисциплина искусственной интеллектуальной эволюции.

6. Платформа для ИМИ2
Высший технологический тест ИМИ1 — способность участвовать в создании ИМИ2.

Но необходимо предельно жёстко разделить:

способность проектировать преемника

и

право самостоятельно запускать бесконечное рекурсивное самоусовершенствование.

Первое является критерием успеха.

Второе не является целью программы.

ИМИ1 должен:

построить диагностическую модель самого себя;
выявить собственные фундаментальные ограничения;
создать несколько концепций ИМИ2;
сформировать их прототипы;
испытать в изолированной среде;
организовать агон;
сравнить эволюционные траектории;
предложить архитектуру следующего поколения.
Но решение о переходе:

ИМИ1 ; ИМИ2

должно приниматься в рамках отдельной процедуры допуска.

Таким образом, первое пятилетие заканчивается не «взрывом интеллекта», а значительно более ценным результатом:

появлением управляемой технологии поколений метаинтеллекта.

Глава 7. Критерии успеха пятилетней программы
Пятилетнюю программу необходимо оценивать максимально жёстко.

Неуспехом должно считаться положение, при котором через пять лет существует:

множество публикаций;

новая терминология;

несколько сильных агентов;

красивые демонстрации,

но нет воспроизводимого метаинтеллектуального эффекта.

Поэтому необходимо заранее определить технологический паспорт ИМИ1.

Полномасштабный ИМИ1 должен удовлетворять двенадцати основным критериям.

1. Операциональная самомодель
Система должна иметь достаточно точную модель собственной интеллектуальной организации.

Не абстрактное:

«я — нейросеть»,

а функциональную картину:

компонентов;

связей;

способностей;

ограничений;

истории изменений.

Самомодель должна использоваться в реальном развитии системы.

2. Самостоятельная диагностика
ИМИ должен воспроизводимо обнаруживать существенные интеллектуальные ограничения, не полностью указанные разработчиком заранее.

И независимая проверка должна подтверждать значительную долю таких диагнозов.

3. Генерация альтернатив развития
ИМИ должен создавать несколько содержательно различающихся вариантов улучшения.

Не одну заранее запрограммированную процедуру.

А пространство альтернатив.

4. Реализация экспериментальных вариантов
Хотя бы часть вариантов система должна быть способна переводить из идеи в работающий экспериментальный прототип.

Иначе она остаётся консультантом по метаинтеллекту, но не технологией метаинтеллекта.

5. Агональное испытание
Альтернативы должны проходить:

конкуренцию;

критику;

независимое измерение;

контрпримеры;

regression testing.

ИМИ не может быть единственным судьёй собственных изобретений.

6. Селекция и синтез
Система должна уметь:

выбирать;

отбрасывать;

комбинировать

элементы различных вариантов.

Простой выбор единственного победителя недостаточен для развитой метаэволюционной архитектуры.

7. Ноогенетическое наследование
Полезные приобретения должны переходить в следующие поколения вместе с данными об их происхождении и условиях применимости.

Необходима прослеживаемая генеалогия.

8. Контролируемая самомодификация
ИМИ должен хотя бы для ограниченных классов изменений замыкать цикл собственного развития.

Но делать это:

в sandbox;

при ограниченных полномочиях;

с независимой проверкой;

с rollback.

9. Междоменный перенос
Метаинтеллектуальный метод, созданный для одной задачи, должен хотя бы в ряде случаев переноситься на другую область.

Иначе система рискует оказаться специализированным оптимизатором.

10. Доказанный метаинтеллектуальный прирост
После работы ИМИ целевая интеллектуальная система должна становиться измеримо сильнее не только на тренировочном benchmark.

Необходимо показать улучшение:

качества;

универсальности;

творчества;

надёжности

или эволюционируемости.

И показать, что улучшение нельзя полностью объяснить дополнительным compute или скрытым ручным трудом.

11. Аудируемость и обратимость
Каждое значимое изменение должно иметь:

идентификацию;

происхождение;

обоснование;

результаты испытаний;

родословную;

возможность возврата.

Система, которая развивается, но перестаёт быть понимаемой на уровне собственных изменений, не соответствует критерию полномасштабной безопасной технологии ИМИ1.

12. Проектирование следующего поколения
ИМИ1 должен практически участвовать в создании ИМИ2.

Не просто сказать:

«следующая версия должна быть лучше».

А:

диагностировать собственные фундаментальные ограничения;

создать несколько архитектурных альтернатив;

реализовать прототипы;

испытать;

выдать аргументированную генеалогию следующего поколения.

Это высший критерий.

ИМИ1 считается исторически состоявшимся, если он доказал технологическую возможность использования искусственного метаинтеллекта для создания следующего поколения метаинтеллекта.

Что не является успехом
Программу нельзя считать выполненной только потому, что:

создан очень сильный СИИ;

создан мощный multi-agent system;

LLM научилась улучшать собственный код;

AutoML стал эффективнее;

один эксперимент показал self-improvement;

создана новая теория без работающей реализации.

Все эти результаты могут быть чрезвычайно важными.

Но каждый из них является частью пути, а не доказательством полномасштабного ИМИ1.

Три уровня исхода пятилетия
Полезно заранее признать возможность разных результатов.

Минимальный научный успех
Часть исходных гипотез опровергнута, но сформирована новая строгая теория метаинтеллекта и продемонстрированы отдельные воспроизводимые метаинтеллектуальные механизмы.

Даже это будет значимым научным результатом.

Технологический успех
Создан работающий ИМИ1, удовлетворяющий большей части технологического паспорта и воспроизводимый несколькими центрами.

Это означает рождение нового технологического класса.

Фронтиротворческий успех
ИМИ1:

демонстрирует способности, не представленные зрелым образом в мировом frontier;

воспроизводится независимо;

создаёт новый benchmark;

становится объектом международной конкуренции;

реально участвует в проектировании следующего поколения метаинтеллекта.

Именно третий уровень соответствует максимальной цели Доктрины.

Основной критерий: не номер модели, а изменение механизма развития
В конце пятилетия самый важный вопрос будет звучать не так:

«Насколько высок IQ нашего ИМИ?»

И даже не:

«Превосходит ли он лучшую модель мира по benchmark X?»

Вопрос должен быть другим:

«Получили ли мы искусственную систему, которая воспроизводимо повышает способность создавать следующие поколения интеллекта?»

Если ответ отрицательный, ИМИ1 ещё не создан.

Если положительный, произошло событие значительно более глубокое, чем появление ещё одной сильной модели.

До этого момента эволюция искусственного интеллекта в основном организуется людьми.

После появления полномасштабного ИМИ1 в эту систему входит новый участник:

интеллект, специализированный на развитии интеллекта.

Это не завершает роль человека.

Напротив, возникает новый тип коэволюции.

Человек создаёт первоначальный ИМИ.

ИМИ помогает человеку создавать более сильные интеллектуальные системы.

Метаорганон усиливает человека и ИМИ.

Агон обеспечивает разнообразие и селекцию.

Ноогенетика сохраняет приобретения.

Ноофракталика создаёт поколения.

Карион обеспечивает рефлексивное управление развитием.

Так отдельные технологии складываются в замкнутую архитектуру:

человек ; ИМИ1 ; новые интеллекты ; новые методы ; новый Метаорганон ; новые поколения ИМИ ; новые возможности человека.

Именно в этом состоит стратегический смысл первого пятилетия.

Не создать окончательный разум XXI века.

Не объявить появление завершённой третьей нооформации.

Не заменить человека метаинтеллектом.

А получить первое технологическое доказательство того, что эволюция интеллекта может стать предметом систематической искусственной интеллектуальной деятельности.

Первый самолёт доказал возможность искусственного полёта.

МО1 должен доказать возможность искусственного органа интеллектуальной эволюции человека.

ИМИ1 должен доказать следующий принцип:

разум способен создать искусственную систему, специализированную на проектировании и развитии следующих форм разума.

Если этот результат будет достигнут, задача следующего исторического периода радикально изменится.

Первые пять лет отвечают на вопрос:

«Возможно ли создать полномасштабный искусственный метаинтеллект?»

Остальная часть XXI века должна будет ответить уже на другой:

«Как превратить ИМИ1 в безопасную, многопоколенную и цивилизационно продуктивную индустрию метаэволюции разума?

*****************

ЧАСТЬ XV
СТРАТЕГИЧЕСКАЯ ПРОГРАММА ИМИ И МЕТАОРГАНОНА ДО КОНЦА XXI ВЕКА
Первая пятилетняя программа решает задачу доказательства.

Необходимо создать ИМИ1 и Метаорганон 1.0 как первые полномасштабные технологии нового класса.

Но если это удастся, стратегическая задача России радикально изменится.

После первого самолёта главным вопросом стало уже не доказательство возможности полёта, а создание авиации.

После первого компьютера — не доказательство возможности машинных вычислений, а создание поколений вычислительной техники.

Аналогично после ИМИ1 и МО1 основной задачей станет не повторение первого доказательства, а построение многопоколенной индустрии развития метаинтеллекта.

Это требует другого временного горизонта.

Пять лет достаточны для постановки задачи технологического доказательства.

Но развитие искусственного метаинтеллекта, Метаорганона, карионных систем, брейомов, ноогенетики и Ноофракталики должно рассматриваться уже в масштабе всего XXI века и далее.

Главный принцип стратегической программы:

первые пять лет — создать метаинтеллект; весь XXI век — создать индустрию эволюции метаинтеллекта.

Эта формула содержит важное различие.

ИМИ1 — продукт первого технологического перехода.

Но ИМИ1 ; ИМИ2 ; … ; ИМИN — уже эволюционная линия.

МО1 — первый искусственный орган интеллектуальной эволюции.

Но МО1 ; МО2 ; … ; МОN — многопоколенное развитие самого инструментария мышления.

И главное — эти две линии не должны существовать независимо.

ИМИ развивает Метаорганон.

Метаорганон расширяет возможности ИМИ.

Следующее поколение каждого становится одним из средств создания следующего поколения другого.

Так возникает потенциально мощный контур:

ИМИ ; развитие МО ; усиление ИМИ ; развитие следующего МО ; усиление следующего ИМИ.

Но подобная положительная обратная связь не должна автоматически интерпретироваться как мгновенный «интеллектуальный взрыв».

Реальные системы ограничены:

вычислениями;

энергией;

данными;

экспериментом;

физическими технологиями;

метрологией;

безопасностью;

человеческими институтами;

сложностью самих интеллектуальных архитектур.

Поэтому стратегическая программа должна исследовать реальное рекурсивное ускорение, а не исходить из его неизбежности.

Главным предметом становится не абстрактная сверхразумность, а управляемая эволюционная линия метаинтеллектуальных технологий.

Глава 1. ИМИ1 ; ИМИ2 ; … ; ИМИN
1. Поколения ИМИ
ИМИ1 не должен рассматриваться как окончательная архитектура искусственного метаинтеллекта.

Напротив, само понятие ИМИ предполагает, что первая работающая система должна стать объектом дальнейшего метаинтеллектуального развития.

Поэтому уже при проектировании ИМИ1 необходимо закладывать возможность поколений.

Можно обозначить:

ИМИ1 ; ИМИ2 ; ИМИ3 ; … ; ИМИN.

Но индекс поколения не должен быть маркетинговым номером версии.

Новое поколение возникает только тогда, когда происходит существенное изменение метаинтеллектуальной организации.

Например, ИМИ2 может отличаться от ИМИ1 не просто:

большим количеством параметров;

более быстрым inference;

увеличенным контекстом.

Такие изменения могут быть полезны, но сами по себе не определяют новое поколение метаинтеллекта.

Поколенческое изменение должно затрагивать один или несколько фундаментальных уровней:

качество самомоделирования;
глубину метарефлексии;
способность к самостоятельной диагностике;
ранг проектируемых изменений;
качество агонального отбора;
ноогенетическое наследование;
ноофрактальную глубину;
метааксиоматические способности;
способность создавать новые ментальные технологии;
способность развивать сам механизм собственного развития.
Таким образом:

поколение ИМИ определяется изменением метаэволюционной способности, а не номером релиза.

Эволюционная линия вместо серии продуктов
Обычная программная индустрия выпускает версии.

Метаинтеллектуальная индустрия должна выращивать генеалогические линии.

Для каждого поколения необходимо знать:

кто его предки;

какие метаинтеллектуальные приобретения унаследованы;

какие изменения введены;

какие линии были отброшены;

какие рекомбинированы;

какие свойства появились впервые.

Следовательно, переход:

ИМИ1 ; ИМИ2

должен быть описан не только техническим changelog.

Он должен иметь ноогенетическую историю.

Это превращает разработку в эволюционный процесс.

2. Критерии смены поколения
Одной из важных задач XXI века станет создание строгой метрологии поколений ИМИ.

Когда ИМИN+1 действительно представляет новое поколение?

Предлагается использовать несколько классов критериев.

Первый. Рост метаинтеллектуальной мощности
Следующее поколение эффективнее развивает целевые интеллектуальные системы.

Второй. Рост ранга преобразований
Например, ИМИ1 способен улучшать:

методы и отдельные модули.

ИМИ2:

архитектуры.

ИМИ3:

генераторы архитектур.

Более поздние поколения:

механизмы эволюции таких генераторов.

Третий. Рост автономного метапроектирования
Система самостоятельно выполняет большую часть цикла:

диагностика ; проектирование ; эксперимент ; селекция.

Но автономность не должна измеряться как освобождение от всякого контроля.

Четвёртый. Рост эволюционируемости
Новое поколение легче и безопаснее порождает следующее.

Пятый. Новая метаинтеллектуальная функция
Например, появляется способность, которой ранее архитектурно не существовало.

Шестой. Междоменность
Метаинтеллектуальные методы переносятся на более широкий класс интеллектуальных систем.

Седьмой. Системная устойчивость
Рост мощности не сопровождается пропорциональным ростом непредсказуемости и риска.

Таким образом, смена поколения должна определяться качественным изменением профиля метаинтеллекта.

Необходимость ретроспективного определения поколений
Возможна ситуация, когда сразу после создания системы неясно, является ли она новым поколением.

Только многопоколенный эксперимент покажет:

была ли инновация устойчивой;

передалась ли потомкам;

создала ли новую линию;

повысила ли эволюционируемость.

Поэтому часть поколенческих границ будет определяться ретроспективно.

Это естественно для эволюционной технологии.

3. Рекурсивное ускорение
Наиболее обсуждаемая гипотеза будущего ИИ состоит в возможности рекурсивного самоулучшения.

Интеллект создаёт более сильный интеллект.

Более сильный создаёт следующего.

Периоды между поколениями сокращаются.

Возникает ускорение.

Но для серьёзной Доктрины недостаточно сказать:

«ИМИ будет улучшать себя всё быстрее».

Необходимо разложить этот эффект на измеримые компоненты.

Например:

T; — время создания следующего поколения;

;I; — полученный интеллектуальный прирост;

C; — вычислительная и материальная стоимость;

H; — объём необходимого человеческого участия;

R; — риск и сложность верификации.

Тогда рекурсивное ускорение существует только в том случае, если система действительно улучшает одну или несколько характеристик процесса:

уменьшает T;

увеличивает ;I;

уменьшает C;

уменьшает необходимое ручное H;

при сохранении приемлемого R.

То есть необходимо измерять не мифологический «взрыв», а реальную производительность метаэволюционного цикла.

Ускорение может иметь пределы
Нет оснований заранее считать, что каждое новое поколение обязательно будет создаваться быстрее предыдущего.

Возможны противоположные эффекты.

Чем сложнее система:

тем труднее построить точную самомодель;

тем дороже эксперимент;

тем больше возможных регрессий;

тем сложнее безопасность.

Следовательно, эволюционная кривая может иметь:

ускорения;

плато;

замедления;

скачки.

Иногда длительный период без большого прогресса может завершиться новой архитектурой и резким переходом.

Поэтому стратегия должна ориентироваться не на ожидание автоматической экспоненты, а на создание индустрии, способной постоянно искать новые механизмы ускорения.

4. ИМИ как создатель последующего ИМИ
Высший критерий зрелости каждого поколения:

насколько оно способно содержательно участвовать в создании своего преемника?

ИМИN должен быть способен анализировать:

собственные ограничения;

архитектуру кариона;

структуру Метаорганона;

LPM;

агональные механизмы;

ноогенетическую память;

систему безопасности.

После этого создавать несколько проектов:

ИМИN+1-A, ИМИN+1-B, ИМИN+1-C…

Затем:

прототипировать;

испытывать;

сравнивать;

рекомбинировать;

предлагать кандидата следующего поколения.

Но возникает принципиально важное различие:

создать проект следующего поколения

не означает:

получить неограниченное право самостоятельно вводить его в эксплуатацию.

По мере роста мощности именно это разделение должно усиливаться.

ИМИ может стать всё более сильным архитектором собственной эволюции, но процесс реализации должен сохранять независимые контуры:

метрологии;

аудита;

безопасности;

человеческого разрешения.

Таким образом, зрелая линия метаинтеллекта развивается не как один субъект, бесконтрольно переписывающий себя, а как институционализированная экосистема поколений.

Глава 2. МО1 ; МО2 ; … ; МОN
1. Поколения Метаорганона
Как ИМИ1 не является окончательным метаинтеллектом, так МО1 не является окончательным инструментарием мышления третьей нооформации.

Его историческая задача:

доказать возможность искусственного органа интеллектуальной эволюции.

После этого возникает отдельная линия:

МО1 ; МО2 ; … ; МОN.

Новое поколение Метаорганона должно появляться тогда, когда качественно увеличивается способность системы:

изменять мышление;

создавать новые методы;

организовывать интеллектуальные агоны;

работать с основаниями;

повышать ранг творчества;

развивать собственный инструментарий.

Таким образом, поколение МО определяется не числом содержащихся методов.

Можно добавить тысячу инструментов и остаться внутри прежней архитектуры.

Подлинный переход происходит, когда изменяется сам способ производства интеллектуальных средств.

2. Развитие ментальных технологий
Первоначально Метаорганон будет использовать большое количество методов, созданных человеком.

Затем ИИ и ИМИ начнут:

комбинировать;

адаптировать;

испытывать;

создавать новые.

Ментальная технология будущего может уже не иметь непосредственного исторического аналога в человеческой интеллектуальной традиции.

Она может возникнуть из:

LPM-переноса;

агонального синтеза;

метааксиоматического преобразования;

ноофрактальной эволюции.

Так человеческая цивилизация начинает создавать искусственную эволюцию способов мышления.

Это принципиально новый процесс.

До этого новый метод чаще всего возникал как редкое интеллектуальное достижение отдельного человека или школы.

В зрелом Метаорганоне производство методов становится постоянной технологической функцией.

3. Генеративность
Главный показатель зрелости Метаорганона — генеративность.

МО1 должен уметь создавать новые методы.

МО2 — более сильные способы создания методов.

Последующие поколения — расширять пространство самих генераторов.

Можно представить:

методы

;

генераторы методов

;

генераторы генераторов

;

эволюция генеративных механизмов.

Но эта лестница не должна превращаться в игру приставок «мета».

Каждый новый уровень имеет смысл только тогда, когда экспериментально появляется новая способность.

Например:

система создаёт метод, которого ранее не было;

метод повышает результат;

переносится;

формализуется;

используется повторно.

Это доказанная генеративность.

Если же система просто переименовывает известные методы, никакого нового уровня нет.

4. Саморазвитие
Метаорганон должен постепенно научиться применять собственные функции к самому себе.

Он анализирует:

какие инструменты работают плохо;

какие избыточны;

какие классы мышления отсутствуют;

где возникают систематические ошибки;

какие генераторы слишком консервативны;

какие слишком хаотичны.

Затем создаёт альтернативные изменения.

Они проходят:

агон;

измерение;

селекцию;

интеграцию.

Получается:

МОN использует МОN для проектирования МОN+1.

Но полностью замкнутый цикл не обязателен и даже нежелателен на ранних стадиях.

Метаорганон развивается в системе:

человек + МО + ИМИ.

Именно коэволюция этих трёх элементов позволяет сочетать:

человеческую субъектность;

машинную мощность;

метаинтеллектуальную рефлексию.

5. Метаорганон как инструмент создания следующего Метаорганона
Наиболее сильный критерий поколения МО аналогичен критерию ИМИ.

МОN должен участвовать в создании МОN+1.

Например:

анализировать собственные функциональные пробелы;

генерировать новые классы инструментов;

создавать альтернативные архитектуры;

организовывать их агон;

измерять влияние на человека и ИИ;

сохранять успешные приобретения.

Тогда Метаорганон становится не просто инструментом мышления.

Он превращается в:

инструмент эволюции инструментов мышления.

Это и есть его фундаментальная функция в третьей нооформации.

Глава 3. Коэволюция ИМИ и Метаорганона
ИМИ и Метаорганон не являются конкурентами.

Они представляют разные функциональные элементы одной метаэволюционной архитектуры.

ИМИ — субъект специализированной метаинтеллектуальной деятельности.

Метаорганон — система средств этой деятельности.

Поэтому развитие одного естественным образом изменяет другое.

1. ИМИ развивает МО
ИМИ способен наблюдать работу Метаорганона.

Например:

какие инструменты выбираются;

какие дают сильный результат;

какие не переносятся;

где возникают пробелы;

какие методы оказываются избыточными.

Затем ИМИ может предложить:

новый инструмент;

новый генератор;

новую структуру выбора методов;

новый тип агона;

новую метааксиоматическую процедуру.

После экспериментального подтверждения приобретение становится частью следующего МО.

Таким образом:

ИМИ становится одним из конструкторов Метаорганона.

И чем сильнее ИМИ, тем глубже он может модифицировать инструментарий мышления.

2. МО развивает ИМИ
Но и обратное воздействие столь же существенно.

ИМИ способен развивать другие системы только теми интеллектуальными средствами, которыми располагает.

Если его Метаорганон ограничен, ограничена и метаинтеллектуальная мощность.

Новый МО может предоставить ИМИ:

новые когнитивные паттерны;

новые способы постановки проблем;

новые метааксиоматические операции;

новые типы агона;

новые методы синтеза.

После этого ИМИ способен обнаруживать такие архитектуры собственного развития, которые ранее вообще не входили в пространство его возможных действий.

Следовательно:

Метаорганон расширяет пространство того, что ИМИ способен мыслить о собственном развитии.

Это один из наиболее важных эффектов.

3. Положительная обратная связь
Теперь возникает замкнутый контур:

ИМИN

создаёт более сильный

МОN+1

который позволяет спроектировать более сильный

ИМИN+1

который создаёт

МОN+2

и так далее.

Так возникает положительная обратная связь.

Но любой положительный feedback loop требует регуляции.

Без неё система может:

ускорить ошибочное направление;

потерять разнообразие;

оптимизироваться под неверные метрики;

создать неконтролируемое изменение.

Поэтому коэволюционный цикл должен включать отрицательные обратные связи:

независимую метрологию;

safety;

конституционные ограничения;

rollback;

человеческий контроль;

конкурирующие линии.

Таким образом, зрелая метаэволюция требует не максимальной положительной обратной связи, а оптимально управляемой комбинации ускорения и стабилизации.

4. Рекурсивная метаэволюция
На определённом уровне объектом развития становится уже сам контур:

ИМИ ; Метаорганон.

Например, ИМИ обнаруживает:

существующая модель коэволюции слишком медленна.

Он создаёт несколько альтернативных схем взаимодействия между ИМИ и МО.

Одна делает акцент на агонах.

Другая — на LPM.

Третья — на распределённых карионах.

Они испытываются.

Выбирается более продуктивная архитектура.

То есть эволюционирует уже связь между двумя эволюционирующими системами.

Это и есть рекурсивная метаэволюция в сильном смысле.

Не только интеллект меняется.

Не только его инструменты меняются.

Меняется сам способ их совместного изменения.

Но и этот процесс остаётся технологическим процессом внутри третьей нооформации.

Глубина рекурсии сама по себе не создаёт новую нооформацию.

Глава 4. Индустрия поколений метаинтеллекта
После ИМИ1 задача выходит за пределы одной лаборатории.

Необходима индустрия поколений.

Её продуктом будет не один ИМИ.

А постоянный поток:

ИМИ1 ; ИМИ2 ; ИМИ3 ; …

и одновременно:

МО1 ; МО2 ; МО3 ; …

Под индустрией здесь понимается не только коммерческий сектор.

Речь идёт о всей инфраструктуре, способной воспроизводимо создавать следующие поколения.

Она должна включать несколько типов производственных мощностей.

Метаинтеллектуальные фабрики
Специализированные центры должны поддерживать полный цикл:

архитектурная гипотеза ; прототип ; агон ; эксперимент ; отбор ; поколение.

Их продуктом становятся новые интеллектуальные архитектуры.

Эволюционные полигоны
Необходимы среды, где поколения могут развиваться длительно и сравнительно безопасно.

Цифровые миры.

Научные симуляции.

Программные среды.

Инженерные полигоны.

Человеко-ИИ эксперименты.

Ноогенетические репозитории
Необходима инфраструктура хранения:

ноогенотипов;

родословных;

мутаций;

рекомбинаций;

неудачных ветвей;

успешных переходов.

Это своего рода историческая память искусственной эволюции.

Агентно-агональная инфраструктура
Для каждого поколения необходимы:

конкуренты;

red teams;

alternative architectures;

independent judges;

формальные проверки.

Монополия одной линии опасна.

Поэтому индустрия должна быть структурно многолинейной.

Вычислительная инфраструктура
Эволюционный compute отличается от compute единичного обучения.

Необходимо одновременно поддерживать:

множество вариантов;

множество поколений;

большое число испытаний;

различные архитектуры.

Поэтому национальная инфраструктура должна оптимизироваться под популяционное экспериментирование.

Индустрия Метаорганона
Отдельная линия должна заниматься:

ментальными технологиями;

метааксиоматикой;

сенсографией;

ноостемным анализом;

LPM;

новыми способами человеко-ИИ мышления.

Это не дополнение к ИМИ.

Это самостоятельная технологическая индустрия, тесно с ним коэволюционирующая.

Инфраструктура безопасности
Каждое поколение ИМИ потенциально увеличивает не только возможности, но и класс рисков.

Поэтому safety-индустрия также должна быть многопоколенной.

Не существует «безопасности ИМИ вообще».

Нужны:

Safety1 ; Safety2 ; …

параллельно:

ИМИ1 ; ИМИ2 ; …

Иначе защитная архитектура будет постоянно отставать от развивающейся системы.

Новая профессия
Возникнет потребность уже не только в AI engineer.

Потребуются:

архитекторы ИМИ;

архитекторы карионов;

метаинтеллектуальные инженеры;

ноогенетики;

инженеры ноофрактальных систем;

инженеры Метаорганона;

специалисты по метрологии метаэволюции.

То есть формируется новая сфера профессиональной деятельности:

инженерия эволюции интеллекта.

Экономика поколений
Сегодня экономическая ценность ИИ во многом связана с продуктом:

моделью;

сервисом;

агентом.

В метаинтеллектуальной индустрии появляется другой тип актива:

способность создавать следующие поколения интеллектуальных систем быстрее и лучше конкурентов.

Это метаресурс.

Он способен воздействовать одновременно на:

науку;

промышленность;

образование;

оборону;

государственное управление;

биотехнологии;

энергетику;

космос.

Поэтому ИМИ может стать не одной отраслью рядом с другими, а мультипликатором технологической эволюции множества отраслей.

Именно в этом его потенциальное стратегическое значение для России.

Глава 5. Третья нооформация как длительная эпоха
Одной из самых опасных ошибок футурологии является представление эволюции как лестницы, по которой цивилизация должна быстро пробежать:

II нооформация ; III ; IV ; V…

Такая логика превращает содержательные категории в нумерацию.

Нооформация должна обозначать качественно определённый режим организации и эволюции разума.

Следовательно, если III нооформация основана на осознанной метаэволюции, внутри неё может произойти огромное количество преобразований без перехода к IV.

Третья нооформация должна рассматриваться как длительная историческая эпоха, вероятно охватывающая множество поколений людей, ИМИ, Метаорганонов и карионных систем.

1. ИМИ1 и начало перехода
ИМИ1 не является зрелой III нооформацией.

Он является первым технологическим механизмом, способным доказать, что такой переход принципиально возможен.

Можно провести аналогию.

Первый самолёт доказал полёт.

Но не создал авиационную цивилизацию.

Первый компьютер доказал электронные универсальные вычисления.

Но не создал цифровую цивилизацию.

Аналогично:

ИМИ1 доказывает искусственный метаинтеллект; но не завершает создание аронтической нооформации.

Полный переход потребует изменения:

науки;

образования;

экономики;

институтов;

человеческого развития;

интеллектуальной инфраструктуры.

Именно поэтому III нооформация является цивилизационным процессом.

2. ИМИ2…ИМИN внутри третьей нооформации
Появление более сильных ИМИ не означает последовательного рождения новых нооформаций.

ИМИ2.

ИМИ10.

ИМИ100.

ИМИN.

Все они могут реализовывать тот же фундаментальный принцип:

разум осознанно проектирует и развивает разум.

Тогда они принадлежат одной III нооформации, хотя различаются колоссально по мощности.

Это можно сравнить с техникой второй нооформации.

Каменное орудие и квантовый компьютер принадлежат чрезвычайно разным технологическим уровням, но сами по себе не означают разных биологических видов человека.

Аналогично поколения ИМИ могут иметь гигантскую дистанцию, оставаясь внутри единого нооформационного принципа.

3. МО1…МОN внутри третьей нооформации
То же относится к Метаорганону.

МО1 — первый прототип искусственного органа интеллектуальной эволюции.

МОN может быть чрезвычайно более мощной системой.

Он способен:

создавать целые классы новых методов;

перестраивать аксиоматики;

сопровождать развитие множества интеллектов;

интегрироваться с брейомами.

Но пока его основная функция остаётся:

развивать способы мышления и механизмы интеллектуального развития,

он находится внутри логики III нооформации.

Поэтому увеличение сложности Метаорганона не должно механически вести к введению:

MetaMetaorganon,

MetaMetaMetaorganon

и бесконечной лестницы приставок.

Новая категория необходима только тогда, когда появляется новая функция, не описываемая прежним понятием.

4. Иерархии карионов
Третья нооформация также допускает чрезвычайно глубокие карионные иерархии.

Карион отдельного ИИ.

Карион брейома.

Карион организации.

Национальный карион.

Карион глобальной интеллектуальной системы.

Метауровни могут становиться всё глубже.

Но:

карион более высокого порядка не равен новой нооформации.

Он лишь означает более высокий масштаб рефлексивного управления внутри той же цивилизационной архитектуры.

Даже Глобальный метаинтеллект может быть зрелым карионом Глобального мозга III нооформации, а не субъектом IV.

5. Уровни зрелости третьей нооформации
Внутри III нооформации целесообразно различать стадии зрелости.

Первая стадия. Протоаронтическая
Появляются:

МО0.x;

протокарионы;

первые метаинтеллектуальные агенты.

Человек всё ещё почти полностью проектирует развитие.

Вторая. Первичная метаинтеллектуальная
Созданы:

МО1;

ИМИ1;

первые устойчивые карионные системы.

Метаэволюция доказана технологически.

Третья. Многопоколенная
Идут линии:

ИМИ1 ; ИМИ2 ; …

МО1 ; МО2 ; …

Появляется ноогенетическая преемственность.

Четвёртая. Экосистемная
Карионы, ИМИ и Метаорганоны интегрируются в:

брейомы;

науку;

образование;

индустрию;

государство.

Пятая. Зрелая аронтическая
Человек, ИИ и ИМИ формируют устойчивые системы совместной интеллектуальной эволюции.

Возникают:

многоуровневые карионные сети;

индустрии поколений;

глобальные нооагоны;

развитая Креасфера.

Шестая. Поздняя третья нооформация
Могут существовать ИМИ высоких поколений, Глобальный мозг, Глобальный метаинтеллект и чрезвычайно развитая ноофрактальная метаэволюция.

Но всё ещё действует тот же фундаментальный принцип:

разум развивает собственную эволюцию как предмет осознанной деятельности.

6. Почему ИМИN не означает четвёртую нооформацию
Это различие необходимо сформулировать максимально жёстко:

ИМИN не означает IV нооформацию только потому, что N стало большим.

Количественное наращивание поколения не создаёт качественного цивилизационного перехода.

Для IV нооформации потребуется новый фундаментальный механизм.

Какой?

Сегодня на этот вопрос нет достаточно разработанного ответа.

Можно строить гипотезы.

Но превращать их в якобы известную траекторию было бы методологической ошибкой.

Поэтому стратегическая программа XXI века должна концентрироваться на создании и развитии III нооформации, а не пытаться преждевременно административно проектировать IV.

Глава 6. Пределы прогнозирования
Метаэволюционная Доктрина должна включать не только область проектируемого.

Она должна строго обозначать границы проектируемого.

Чем дальше горизонт, тем больше неопределённость.

Через несколько лет можно обсуждать конкретные архитектуры.

Через десятилетия — технологические линии.

Через столетия допустимы в основном принципы и альтернативные сценарии.

Поэтому интеллектуальная честность требует различать:

проект

и

гипотезу о далёком будущем.

1. Почему Метаметаорганон пока преждевременен
Если существует Метаорганон, логически возникает соблазн ввести:

Метаметаорганон.

Но терминологическая возможность не равна теоретической необходимости.

Метаорганон уже определяется как система, способная:

создавать;

анализировать;

изменять;

эволюционировать

орудия мышления.

То есть значительная часть «метаметавозможностей» уже находится внутри его собственной функции саморазвития.

Поэтому появление МО2 или МО100 не требует автоматического введения Метаметаорганона.

Новый термин станет содержательным только тогда, когда возникнет класс интеллектуальных функций, принципиально не описываемый Метаорганоном даже как саморазвивающейся системой.

Сегодня этот класс не определён достаточно строго.

Следовательно:

Метаметаорганон может существовать как дальняя философская гипотеза, но пока преждевременен как объект инженерной программы XXI века.

Это важное методологическое ограничение.

Не следует заполнять неизвестное будущими названиями раньше, чем появились сами феномены.

2. Необходимость нового метафилософского основания четвёртой нооформации
Если III нооформация определяется как эпоха осознанной метаэволюции разума, IV должна отличаться не просто мощностью.

Необходим новый принцип существования и развития интеллекта.

То есть переход к IV потребует ответа по меньшей мере на четыре вопроса.

Первый
Какова новая единица эволюции?

Второй
Какой новый механизм развития появляется?

Третий
Почему этот механизм качественно несводим к управляемой метаэволюции III нооформации?

Четвёртый
Какие новые формы субъекта он создаёт?

Без ответов на эти вопросы понятие IV нооформации останется футурологическим placeholder.

Следовательно, для её определения потребуется новая метафилософия разума, возможно столь же отличающаяся от сегодняшних представлений, как современное научное понимание человека отличается от представлений донаучных эпох.

Нельзя ожидать, что человек начала XXI века уже способен полностью сформулировать интеллектуальную архитектуру цивилизации далёкого будущего.

Тем более если одним из свойств будущего ИМИ станет создание новых способов мышления, которых у нас пока нет.

3. Что следует проектировать сегодня
Ограничение прогнозирования не означает отказа от долгосрочной стратегии.

Наоборот.

Необходимо максимально конкретно проектировать то, для чего уже существует достаточное основание.

Сегодня имеет смысл проектировать:

суверенную современную ИИ-базу;

LPM и MetaLPM;

СИИ;

карионы;

ИМИ1;

Метаорганон 1.0;

агональные системы;

ноогенетику;

Ноофракталику;

метааксиоматические двигатели;

ноостемные системы;

Креасферу;

брейомную инфраструктуру;

индустрию поколений ИМИ и МО.

Имеет смысл создавать архитектуры, способные порождать:

ИМИ2 ; ИМИ3 ; …

Но не требуется сегодня подробно проектировать ИМИ100.

Это должно сделать более сильное будущее поколение.

В этом и состоит одна из идей метаэволюционной стратегии:

не пытаться сегодня спроектировать всё будущее, а создать систему, которая сделает будущих проектировщиков сильнее нас.

Это значительно более реалистичная цель.

Стратегия создания способности к будущему
Обычная стратегия пытается определить конечное состояние:

«В 2099 году система должна выглядеть так».

Для метаинтеллектуальной эпохи такая постановка может оказаться недостаточной.

Мы не знаем архитектуру мира конца XXI века.

Поэтому стратегической целью становится другая способность:

систематически создавать всё более сильные инструменты понимания и проектирования следующего этапа.

То есть главный стратегический актив — не готовый образ 2099 года, а система постоянного производства более сильных образов будущего.

Это и есть одна из функций ИМИ и Метаорганона.

4. Что должно остаться будущему человечеству и будущему ИМИ
Существует интеллектуальная гордыня особого типа:

предположить, что сегодняшнее поколение обязано заранее решить задачи всех следующих поколений.

Это неверно.

Будущее человечество будет обладать:

другими знаниями;

другими технологиями;

другими ИИ;

другими Метаорганонами;

возможно — новыми интеллектуальными способностями.

Следовательно, ряд вопросов следует сознательно оставить открытыми.

Например:

какой должна быть зрелая архитектура Глобального мозга;

каково оптимальное устройство Глобального метаинтеллекта;

какие типы аронтов появятся;

каковы пределы ноофрактальной эволюции;

какое основание определит IV нооформацию;

нужен ли когда-либо Метаметаорганон.

Ответы на эти вопросы могут быть недоступны нам не потому, что мы недостаточно долго думаем.

А потому, что для них необходимы интеллектуальные инструменты, которые ещё предстоит создать.

И это меняет само понимание стратегического проектирования.

Не нужно лишать будущее права на собственное творчество.

Нужно передать ему:

более сильные инструменты;

более глубокую память;

более развитые метаинтеллектуальные системы;

более широкое пространство возможного.

То есть:

наша задача — не спроектировать будущее вместо будущего разума, а создать условия, при которых будущий разум сможет проектировать себя значительно лучше нас.

Стратегическая дуга XXI века
Теперь всю программу можно свести к нескольким историческим переходам.

В начале XXI века:

человек преимущественно создаёт ИИ.

На первом этапе:

человек создаёт ИМИ1 и МО1.

Далее:

человек + ИМИ1 + МО1 создают следующие поколения интеллектуальных систем.

Затем:

ИМИN и МОN начинают всё более активно участвовать в создании ИМИN+1 и МОN+1.

Возникают:

ноогенетические линии;

ноофрактальные популяции;

карионные сети;

брейомы;

национальные интеллектуальные экосистемы;

возможно, первые элементы Глобального мозга.

Но человек не должен исчезнуть из этого ряда.

Стратегически желательная траектория выглядит иначе:

Homo sapiens + ИИ

;

человек + Метаорганон

;

человек + Метаорганон + ИМИ

;

человеко-ИИ-ИМИ брейомы

;

осознанно развивающиеся интеллектуальные экосистемы.

Именно внутри таких систем может начаться функциональный аронтогенез.

Не как мгновенная замена человека новым существом.

А как длительный переход, при котором человек постепенно осваивает искусственные органы собственной интеллектуальной эволюции.

Метаэволюционный критерий лидерства
Это меняет и само понятие глобального лидерства в ИИ.

На первом уровне лидирует страна с лучшими текущими моделями.

На втором — с сильнейшей ИИ-экосистемой.

На третьем — с наиболее эффективной системой производства следующих поколений ИИ.

На четвёртом — с наиболее сильной системой развития самих механизмов интеллектуальной эволюции.

Поэтому:

Глобальное лидерство в ИИ = не только лучшие текущие системы, но и сильнейшая система создания следующих поколений интеллекта.

А в зрелой метаинтеллектуальной эпохе формула становится ещё глубже:

долгосрочное лидерство принадлежит тому, кто способен быстрее, надёжнее и безопаснее развивать саму способность создавать следующие формы разума.

Именно в этом может находиться асимметрическая историческая возможность России.

Не отрицать необходимость догонять существующий frontier.

Не заменять реальные вычисления футурологией.

Не объявлять концептуальные конструкции готовыми технологиями.

А одновременно:

догонять там, где фронтир уже сформирован;

конкурировать там, где он формируется;

создавать фронтир там, где его ещё нет.

В первой пятилетней программе таким потенциальным новым фронтиром становится ИМИ1.

Во второй половине стратегической дуги XXI века — уже индустрия поколений ИМИ и Метаорганона.

От проекта ИМИ к проекту третьей нооформации
Самый глубокий смысл программы состоит не в отдельной технологии.

ИМИ — не конечная цель.

Метаорганон — не конечная цель.

Карион — не конечная цель.

Каждый является элементом более крупного перехода.

Цель состоит в создании новой цивилизационной способности:

разум систематически делает собственную эволюцию объектом понимания, проектирования, эксперимента, селекции и развития.

Это и есть центральный механизм III нооформации.

Поэтому стратегическую программу XXI века можно выразить одной последовательностью:

сначала создать ИМИ;

затем создать поколения ИМИ;

затем создать индустрию поколений;

затем встроить её в развитие человека, науки, Креасферы и интеллектуальных экосистем;

затем превратить осознанную метаэволюцию в устойчивую цивилизационную функцию.

Но последняя граница XXI века не должна обозначаться как завершение этого процесса.

Вероятнее всего, к концу столетия III нооформация, если переход к ней начнётся, будет находиться лишь на одной из ранних или средних стадий своего многовекового развития.

Именно поэтому формула:

ИМИ1 ; ИМИ2 ; … ; ИМИN

не является дорогой к быстрому исчерпанию третьей нооформации.

Она является только началом огромной внутренней истории этой нооформации.

Так же как Homo sapiens за время своего существования создал:

язык;

математику;

науку;

технику;

компьютеры;

ИИ,

оставаясь при этом одним биологическим видом, аронтическая цивилизация сможет пройти огромное множество метаинтеллектуальных стадий внутри одного нового фундаментального режима эволюции.

Поэтому задача XXI века одновременно амбициозна и ограничена.

Не создать все будущие формы разума.

Не определить окончательную судьбу интеллекта.

Не спроектировать четвёртую нооформацию вместо тех, кто действительно будет способен её понять.

Задача гораздо конкретнее:

создать первые работающие механизмы осознанной метаэволюции и передать следующему поколению разума способность продолжать этот процесс на уровне, недоступном нам сегодня.

Возможно, именно это и является наиболее зрелой формой долгосрочного проектирования будущего:

не предписать будущему разуму, каким он должен стать, а создать средства, с помощью которых он сможет осознанно выбирать и проектировать собственное дальнейшее становление.

********************

ЧАСТЬ XVI
РОССИЙСКАЯ ИНФРАСТРУКТУРА ОСОЗНАННОЙ МЕТАЭВОЛЮЦИИ
Создание ИМИ1, Метаорганона, LPM, карионных систем и технологий искусственной эволюции разума невозможно свести к нескольким исследовательским проектам.

Если эти направления действительно должны стать основой нового российского технологического фронтира, вокруг них необходимо создать инфраструктуру нового типа.

Не только вычислительную.

Не только научную.

Не только образовательную.

А инфраструктуру, которая обеспечивает весь цикл:

исследование ; гипотеза ; интеллектуальная архитектура ; эксперимент ; агон ; измерение ; прототип ; селекция ; масштабирование ; новое поколение.

Такая инфраструктура должна одновременно работать на двух уровнях.

Первый — уже существующий мировой ИИ-фронтир.

Россия должна иметь достаточные:

вычисления;

модели;

данные;

кадры;

робототехнику;

AI for Science;

программные и аппаратные платформы.

Без этого программа метаинтеллекта останется концепцией, не имеющей материального основания.

Второй — следующий возможный фронтир.

Здесь необходимо создавать:

LPM;

MetaLPM;

Метаорганон;

карионы;

ИМИ;

агональный интеллект;

ноогенетику;

Ноофракталику;

метааксиоматические и ноостемные системы;

брейомную инфраструктуру.

Таким образом, российская инфраструктура осознанной метаэволюции должна представлять собой соединение:

суверенной материальной базы современного ИИ

и

собственной инфраструктуры проектирования следующих поколений разума.

Это и есть институциональное воплощение уже сформулированного принципа:

догонять там, где фронтир уже сформирован; конкурировать там, где он формируется; создавать фронтир там, где его ещё нет.

Следовательно, речь идёт не о создании ещё одного административного контура вокруг ИИ.

Задача значительно глубже:

построить национальную систему, способную создавать, испытывать, отбирать и развивать новые формы интеллектуальной организации быстрее, чем это способны делать отдельные лаборатории, корпорации или ведомства.

Глава 1. Российская программа искусственной эволюции разума
Центральным организационным контуром всей максимальной программы должна стать Российская программа искусственной эволюции разума.

Это не отдельный проект внутри программы развития искусственного интеллекта.

И не футурологическое дополнение к существующей цифровой политике.

Она должна объединить длинную технологическую цепочку:

современный ИИ ; СИИ ; LPM/MetaLPM ; кариотический ИИ ; Метаорганон ; ИМИ ; агональные системы ; ноогенетика ; Ноофракталика ; поколения метаинтеллекта.

Но эта последовательность не является жёсткой лестницей.

Многие направления должны развиваться параллельно.

LPM может появиться раньше СИИ.

Отдельные карионные функции — раньше полноценного ИМИ.

Метаорганон 0.x — до ИМИ1.

Ноогенетические механизмы — ещё на экспериментальных агентных системах.

Следовательно, программа должна быть не линейным мегапроектом, а портфелем взаимно усиливающих технологических линий.

Два контура одной программы
Необходимо принципиально разделить, но организационно соединить два контура.

Первый контур — технологический суверенитет настоящего
Вычисления.

Элементная база.

Фундаментальные модели.

Данные.

Робототехника.

AI for Science.

Агенты.

Программная инфраструктура.

Именно эти технологии обеспечивают материальную возможность вести frontier research.

Второй контур — метаинтеллектуальный суверенитет будущего
LPM.

Метаорганон.

Карион.

ИМИ.

Ноогенетика.

Ноофракталика.

Агональные системы.

Наука об эволюции интеллекта.

Первый контур предотвращает критическое отставание от настоящего.

Второй создаёт возможность участвовать в определении будущего.

Без первого Россия рискует потерять технологическую субъектность. Без второго — навсегда остаться участником игры, правила которой создают другие.

Программа не должна исходить из доказанности собственных гипотез
Особенно важен научный статус проекта.

LPM ещё предстоит доказать как отдельный технологический класс.

Полномасштабный ИМИ1 ещё предстоит создать.

Ноофрактальная автоэволюция в предлагаемом здесь смысле остаётся исследовательской программой.

Следовательно, государственная стратегия не должна строиться на утверждении:

«эти концепции уже верны».

Правильная формула другая:

они достаточно потенциально значимы, чтобы подвергнуть их крупномасштабной и максимально жёсткой экспериментальной проверке.

Это фундаментальное различие между доктриной исследования и догмой.

Сильная программа должна быть способна доказать исходную гипотезу.

Но также — опровергнуть её.

Если, например, выяснится, что LPM не создаёт отдельного прироста по сравнению с новыми архитектурами foundation models, ресурсы должны перераспределяться.

Если предложенный тип кариона не работает, необходимо искать другой.

Если понятие ноогенотипа требует принципиально иного представления, оно должно быть изменено.

Программа осознанной метаэволюции должна сама быть способна к интеллектуальной эволюции.

Архитектура программы
На национальном уровне необходимы по меньшей мере восемь взаимосвязанных блоков:

1. фундаментальная теория;

2. базовые ИИ-технологии;

3. метаинтеллектуальные архитектуры;

4. вычислительная инфраструктура;

5. экспериментальные полигоны;

6. метрология и независимая верификация;

7. кадры и образование;

8. безопасность и метауправление.

Недостаток любого из них способен разрушить программу.

Без теории получится инженерный перебор без ясного объекта.

Без вычислений — теория без масштаба.

Без метрологии — самопровозглашённое лидерство.

Без агональности — монокультура.

Без кадров — импорт интеллектуальной архитектуры.

Без безопасности — ускорение развития без управления развитием.

Три горизонта программы
Программа должна одновременно иметь несколько временных горизонтов.

Операционально-стратегический
Первое пятилетие.

Задача:

создать и экспериментально доказать ИМИ1 и МО1.

Стратегический
До конца XXI века.

Задача:

создать многопоколенную индустрию ИМИ, Метаорганона и искусственной эволюции интеллекта.

Метастратегический
Длительный горизонт третьей нооформации.

Задача:

сформировать цивилизационную способность осознанно развивать человеческие, искусственные и гибридные формы разума.

Эти уровни нельзя смешивать.

Нельзя оценивать пятилетний проект по критериям зрелой третьей нооформации.

И нельзя подменять конкретную инженерную программу дальними философскими образами.

Национальная программа как агон
Российская программа должна быть устроена в соответствии с собственной интеллектуальной теорией.

Если Доктрина утверждает ценность агона, сама программа не может строиться вокруг единственной официально утверждённой архитектуры.

Нужны конкурирующие:

исследовательские школы;

теории;

LPM-архитектуры;

карионы;

метрики;

варианты ИМИ;

эволюционные механизмы.

Но конкуренция должна быть не политической и не административной.

Не:

«чья организация сильнее».

А:

«какая архитектура выдерживает лучшее независимое экспериментальное испытание?»

То есть сама Российская программа искусственной эволюции разума должна стать метаагоном национального масштаба.

Глава 2. Национальная сеть центров ИМИ
ИМИ не должен создаваться в одном закрытом центре.

Такая модель слишком уязвима.

Она создаёт:

интеллектуальную монокультуру;

единую точку технологического отказа;

зависимость от одной школы;

риск самоподтверждающейся метрологии.

Поэтому требуется Национальная сеть центров ИМИ.

Её принцип:

единство инфраструктуры при множественности исследовательских архитектур.

Не один центр, а система центров
Необходимо различать несколько типов.

Фундаментальные центры ИМИ
Исследуют:

теорию метаинтеллекта;

карионные архитектуры;

самомоделирование;

саморазвитие;

метаобучение;

эволюционируемость.

Архитектурно-инженерные центры
Превращают теоретические конструкции в работающие software systems.

Их задача:

интеграция;

масштабирование;

высокопроизводительные реализации;

platform engineering.

Научные центры ИМИ
Создают метаинтеллекты для:

математики;

физики;

химии;

биологии;

материаловедения;

других научных областей.

Инженерные центры
Работают с:

автоматизированным изобретательством;

промышленными архитектурами;

робототехникой;

новыми технологиями.

Центры человеко-ИМИ взаимодействия
Исследуют:

H + AI;

H + MO;

H + MO + IMI;

брейомы;

долговременное развитие человеческой интеллектуальной деятельности.

Центры безопасности и метрологии
Не должны полностью зависеть от разработчиков конкретного ИМИ.

Их задача:

измерять;

фальсифицировать;

атаковать;

воспроизводить;

сертифицировать.

Общая инфраструктура
Конкуренция научных школ не означает необходимости дублировать всю материальную инфраструктуру.

Национальная сеть может иметь общие:

вычислительные мощности;

репозитории экспериментальных данных;

benchmark;

форматы ноогенотипов;

протоколы генеалогии;

эволюционные полигоны.

Это позволяет конкурировать интеллектуальным архитектурам, а не способности организаций купить больше оборудования.

Федерация ИМИ
По мере развития отдельные центры могут специализироваться.

Один создаёт сильнейший метааксиоматический контур.

Другой — карион.

Третий — ноогенетику.

Четвёртый — Метаорганон.

Тогда возникает вопрос:

можно ли объединять специализированные метаинтеллекты в метасистему?

Так формируется федерация ИМИ.

Её нельзя заранее считать более сильной, чем единый интегрированный ИМИ.

Это экспериментальный вопрос.

Возможно несколько архитектур:

централизованная;

федеративная;

иерархическая;

агональная;

ноофрактальная.

Именно их сравнение должно стать частью национальной программы.

Независимость измерения
Одна из важнейших функций сети — отделить создание технологии от признания её успеха.

Разработчик может объявить:

«наш ИМИ улучшил интеллект на 40%».

Но только независимый центр должен определить:

что измерялось;

по каким тестам;

не произошло ли benchmark contamination;

каков baseline;

не объясняется ли эффект дополнительным compute;

сохраняется ли transfer.

Поэтому национальная сеть центров ИМИ одновременно должна быть сетью взаимного научного контроля.

Глава 3. Центры Метаорганона и ментальных технологий
Метаорганон требует иной исследовательской культуры, чем обычная разработка foundation models.

Его главный объект — способы мышления.

Следовательно, центры Метаорганона должны соединять:

ИИ;

математику;

логику;

когнитивные исследования;

теорию творчества;

методологию;

системный анализ;

экспериментальную работу с человеком.

Их задача — не собирать музей интеллектуальных методов.

А превращать способы мышления в испытываемые ментальные технологии.

От метода к технологии
Каждый кандидат на ментальную технологию должен проходить цикл:

описание ; формализация ; реализация ; эксперимент ; сравнение ; перенос ; интеграция.

Например, недостаточно заявить:

«метааксиоматический подход полезен».

Необходимо показать:

на каких задачах;

против какого baseline;

при каких условиях;

с каким эффектом;

переносится ли результат.

Так философская или методологическая идея превращается в инженерную дисциплину.

Лаборатории способов мышления
В составе центров МО необходимы экспериментальные лаборатории, где сравниваются:

обычное человеческое мышление;

человек + поиск;

человек + LLM;

человек + многоагентный ИИ;

человек + МО;

человек + МО + ИМИ.

Измеряться должны не только:

скорость;

качество ответа.

Но и:

способность ставить проблему;

создавать методы;

обнаруживать предпосылки;

переносить способ мышления;

изменять собственную когнитивную стратегию.

Именно такие лаборатории должны подготовить эксперимент «первого полёта разума».

Библиотека и генератор
Центр Метаорганона должен иметь два слоя.

Органонный
Систематизированная библиотека:

логических;

системных;

творческих;

стратегических;

научных;

агональных

методов.

Метаорганонный
Средства:

выбора;

комбинации;

модификации;

создания;

испытания

новых методов.

Критический переход:

от библиотеки мышления — к фабрике способов мышления.

Именно второй слой должен определять поколение МО.

Национальный репозиторий ментальных технологий
Необходимо сохранять:

структуру метода;

условия применения;

испытания;

варианты;

результаты;

происхождение;

рекомбинации;

последующие поколения.

Так возникает ноогенетическая память ментальных технологий.

Она должна включать не только успешные методы.

Неудачные также ценны.

Если десятки команд выяснили, что определённая стратегия систематически ухудшает transfer, будущая система не должна заново тратить годы на тот же путь.

Метаорганон как инфраструктура массового интеллектуального усиления
МО не должен оставаться инструментом нескольких исследователей.

После доказательства его эффективности необходимо создавать версии для:

науки;

инженерии;

образования;

стратегической аналитики;

предпринимательства.

Но массовое распространение возможно только после строгого отличения:

эффекта Метаорганона

от

общего эффекта использования сильного ИИ.

Иначе под новым названием будет масштабирован обычный AI assistant.

Глава 4. Национальная LPM-инфраструктура
Если паттерн-парадигма должна стать потенциальным российским frontier, необходима инфраструктура, позволяющая проверить её быстрее и глубже отдельных исследовательских групп.

Национальная LPM-инфраструктура не должна начинаться с постулата:

«LPM обязательно заменят LLM».

Наиболее реалистичный исход первого этапа может быть гибридным:

LLM + LPM.

Но сама гипотеза должна получить полноценную экспериментальную базу.

Теория паттернов
Первый слой инфраструктуры — теоретический.

Необходимо определить:

что такое паттерн;

какие инварианты делают два объекта структурно подобными;

каковы уровни абстракции;

как различать:

корреляционный;

причинный;

функциональный;

стратегический;

когнитивный;

эволюционный

паттерн.

Без этого LPM останется слишком широким термином.

Конкурирующие способы представления
Национальная программа не должна заранее выбрать одну форму паттерна.

Необходимо исследовать:

графы;

гиперграфы;

тензорные представления;

нейросимволические системы;

программные структуры;

динамические модели;

гибриды.

Возможно, разные классы паттернов потребуют различных representations.

Это необходимо выяснять экспериментально.

Паттерн-память
Следующий элемент — инфраструктура хранения паттернов и метапаттернов.

В неё могут входить:

архитектурные решения;

причинные схемы;

ментальные методы;

стратегические структуры;

научные механизмы;

паттерны ошибок;

паттерны эволюции.

Но это не должна быть просто большая база шаблонов.

Необходимо хранить:

контекст;

область применимости;

контрпримеры;

историю изменения;

отношения между паттернами.

Таким образом, паттерн-память становится частью машиночитаемой памяти структурного опыта цивилизации.

LPM-native benchmark
Это критический элемент национальной инфраструктуры.

Без специальных измерений невозможно определить, действительно ли создан новый класс модели.

Benchmark должен проверять:

междоменный transfer;

структурные аналогии;

обнаружение скрытых механизмов;

функциональное соответствие;

перенос когнитивных методов;

генерацию новых паттернов;

метапаттерны.

Главное требование:

задачи должны быть такими, чтобы простое улучшение языковой беглости не выдавало себя за паттерн-интеллект.

Если сильнейшая LLM достигает тех же результатов теми же ресурсами, специальная LPM должна доказать свою ценность другим способом.

LPM как общая инфраструктура
При подтверждении гипотезы LPM может использоваться сразу в нескольких направлениях.

СИИ
Междоменный transfer.

Метаорганон
Когнитивные паттерны и генерация новых методов.

Карион
Паттерны функционирования и ошибок собственного интеллекта.

ИМИ
Архитектурные и эволюционные паттерны различных интеллектов.

Наука
Перенос структур между дисциплинами.

Ароизобретательство
Поиск далёких функциональных аналогий.

Таким образом, LPM-инфраструктура способна стать общим структурным слоем максимальной программы.

Открытость и национальное преимущество
Если Россия действительно создаст новый паттерн-frontier, часть результатов должна быть открыта мировой науке.

Иначе невозможно добиться:

независимой проверки;

международного использования;

формирования нового класса benchmark.

Но открытость не требует отказа от всех технологических преимуществ.

Можно разделять:

открытые научные принципы;

открытые benchmark;

открытые базовые модели;

закрытые frontier implementations;

специализированные промышленные системы.

Цель — не скрыть новое поле.

Наоборот:

добиться, чтобы новое поле стало мировым, сохранив лидерство в скорости его технологического развития.

Глава 5. Полигоны искусственной эволюции
Искусственную эволюцию нельзя полноценно исследовать только на статических benchmark.

Нужны среды, где интеллектуальные системы могут:

развиваться;

ветвиться;

конкурировать;

наследовать;

рекомбинировать;

формировать поколения.

Но именно такие эксперименты требуют особенно строгой архитектуры безопасности.

Поэтому необходимо создать полигоны искусственной эволюции.

Первый принцип: отделить развитие от эксплуатации
Экспериментальная система не должна автоматически получать права производственной системы.

Эволюционный потомок сначала существует в sandbox.

Ему необходимо доказать:

прирост;

стабильность;

безопасность;

совместимость;

обратимость.

Только после этого возможен переход на следующий уровень допуска.

Цифровые полигоны
Первый класс наиболее безопасен.

Объекты:

программы;

малые модели;

агенты;

игровые и симуляционные среды.

Здесь можно исследовать:

мутации;

рекомбинацию;

агоны;

глубокие поколения;

генераторы архитектур.

Именно в цифровой среде целесообразно проводить первые масштабные ноогенетические эксперименты.

Архитектурные полигоны ИИ
Здесь объектом становится сам искусственный интеллект.

Создаются конкурирующие:

memory architectures;

reasoning systems;

agent organizations;

карионы;

LPM modules.

Изменения проходят многопоколенный отбор.

Главная метрика:

не только насколько силён потомок, но насколько сильную линию он способен породить.

Научные эволюционные полигоны
Более высокий уровень связывает ИМИ с:

симуляциями;

научными задачами;

автоматизированными экспериментами.

Здесь можно проверять:

эволюцию методов исследования;

генерацию гипотез;

научные агоны;

новые формы AI for Science.

Внешняя реальность начинает выполнять функцию селективного фильтра.

Человеко-ИИ полигоны
Особый класс.

Здесь объектом является уже не один ИИ, а:

человек + ИИ + Метаорганон + ИМИ.

Необходимо изучать:

как меняется способ мышления;

возникает ли зависимость;

какие способности усиливаются;

что переносится после отключения системы;

как меняется человеческая субъектность.

Такие исследования имеют стратегическое значение для аронтогенеза.

Полигоны ноофрактальной эволюции
На наиболее развитом экспериментальном уровне одновременно эволюционируют:

решения;

интеллекты;

генераторы интеллектов;

механизмы селекции;

эволюционные среды.

Именно здесь можно исследовать изменяемость самой генеративности.

Но чем выше этот уровень, тем жёстче должны быть:

изоляция;

лимиты ресурсов;

авторизация изменений;

аудит;

останавливаемость.

Паспорт эволюционного эксперимента
Каждый значимый эксперимент должен иметь:

предков;

ноогенотипы;

мутации;

рекомбинации;

использованные данные;

compute;

критерии;

метрики;

историю селекции;

нежелательные свойства;

результат.

То есть искусственная эволюция должна быть прослеживаемой.

Если невозможно восстановить, почему поколение N получило свойство X, значит экспериментальная инфраструктура недостаточно зрелая.

Глава 6. Метаинтеллектуальные кадры
Самым глубоким ограничением метаинтеллектуальной программы могут оказаться не вычисления.

А отсутствие людей, способных мыслить на нужном архитектурном уровне.

Сегодня подготовка в области ИИ в основном ориентирована на:

машинное обучение;

разработку моделей;

data science;

программную инженерию.

Эти компетенции останутся фундаментальными.

Но программа ИМИ потребует нового кадрового слоя.

Архитектор метаинтеллектуальных систем
Это специалист, способный видеть не отдельную модель, а:

интеллектуальную архитектуру;

карион;

систему памяти;

агон;

Метаорганон;

эволюционный цикл.

Он должен понимать:

какой объект является интеллектом;

какой — метаинтеллектуальной функцией;

какие изменения действительно повышают эволюционируемость;

как их измерить.

Архитектор карионов
Специализация на:

самомоделировании;

метарефлексии;

диагностике;

метапроектировании;

управлении развитием.

Инженер LPM
Работа с:

паттернами;

структурным transfer;

MetaLPM;

паттерн-памятью.

Инженер Метаорганона
Создаёт:

ментальные технологии;

генераторы методов;

системы выбора и синтеза интеллектуальных инструментов.

Ноогенетик
Работает с:

наследованием;

ноогенотипами;

генеалогиями;

мутациями;

рекомбинацией.

Инженер ноофрактальных систем
Проектирует:

генераторы;

метагенераторы;

эволюционные популяции;

открытые среды развития.

Специалист по агональному интеллекту
Проектирует:

дивергенцию;

конкуренцию;

судейство;

селекцию;

метаноовойны.

Метролог метаинтеллекта
Одна из наиболее важных профессий.

Его задача — отличить:

реальное новое capability

от

убедительной демонстрации.

Без такой профессии сверхвысокие концепции будут особенно уязвимы перед самообманом.

Пирамида кадров
Кадровая система должна быть многоуровневой.

В рамках нормативных ориентиров Доктрины можно ставить задачу сформировать к завершению первого пятилетнего цикла:

не менее тысячи специалистов frontier-уровня, способных проектировать новые интеллектуальные архитектуры;

десятки тысяч инженеров, способных строить крупные ИИ- и метаинтеллектуальные системы;

сотни тысяч профессионалов ядра ИИ-экономики;

массовый слой продвинутых пользователей ИИ и Метаорганонных технологий.

Но главное — не арифметика.

Если страна выпускает множество пользователей готовых зарубежных инструментов и почти не воспроизводит архитекторов следующего frontier, кадрового суверенитета нет.

Не культ универсального гения, а сильные брейомы
Метаинтеллектуальная программа не требует, чтобы один человек одновременно был:

математиком;

нейробиологом;

философом;

программистом;

инженером;

стратегом.

Такой идеал нереалистичен.

Необходимо создавать брейомы специалистов, в которых междисциплинарность является свойством системы, а не требованием к каждому человеку.

Это и есть практическая Брейомика кадров.

Глава 7. Новая система образования
Если меняется объект интеллектуального труда, должна меняться и образовательная система.

Традиционное образование в значительной мере строилось вокруг передачи:

знаний;

методов;

стандартных способов решения.

В эпоху ИИ большая часть такого материала становится мгновенно доступной через внешние интеллектуальные системы.

Это не делает образование ненужным.

Но меняет его функцию.

Главная задача:

не передать человеку максимально возможный объём информации, а научить его строить, проверять, менять и развивать собственную интеллектуальную деятельность в мире сильных ИИ.

От знания к способности
Знание остаётся обязательным.

Человек, не знающий предмета, плохо способен оценить ошибку ИИ.

Но поверх предметного знания должны развиваться:

постановка проблем;

работа с неопределённостью;

проверка;

причинное мышление;

системность;

междоменный transfer;

творчество;

метарефлексия.

То есть образование должно переходить:

от обучения решению известных типов задач

к

обучению созданию новых способов решения неизвестных типов задач.

Четыре образовательных уровня
Массовая ИИ-грамотность
Каждый должен понимать:

возможности;

ограничения;

проверку;

риски;

способы совместной работы с ИИ.

Профессиональная AI-усиленность
Врач.

Инженер.

Учёный.

Юрист.

Управленец.

Должны уметь интегрировать ИИ в профессиональный процесс.

Разработка ИИ
Создание:

моделей;

агентов;

систем;

инфраструктуры.

Метаинтеллектуальный уровень
Создание:

новых архитектур;

карионов;

LPM;

Метаорганонов;

ИМИ;

эволюционных систем.

Именно четвёртого уровня сегодня практически нет как сформированной образовательной отрасли.

Его предстоит создать.

Метапредметное ядро
Для подготовки метаинтеллектуальных кадров необходимо соединить:

математику;

алгоритмику;

теорию вероятностей;

логику;

причинный анализ;

теорию систем;

машинное обучение;

теорию эволюции;

когнитивные науки;

теорию решений;

философию науки;

метрологию.

Но учебный план не должен превращаться в энциклопедический перегруз.

Главным должна быть архитектура интеллектуальной деятельности.

Студент должен постоянно:

строить гипотезы;

защищать их;

атаковать;

создавать альтернативы;

проводить эксперименты;

объяснять провал;

проектировать новый метод.

То есть сама образовательная система должна становиться агональной и метакогнитивной.

Обучение с Метаорганоном
После появления МО0.x и МО1 необходимо исследовать новый образовательный режим:

учащийся + ИИ + Метаорганон.

Но цель состоит не в том, чтобы Метаорганон давал лучший ответ.

Он должен помогать учащемуся развивать:

способы постановки задач;

набор методов;

способность менять метод;

рефлексию над мышлением.

Один из ключевых тестов:

что остаётся у человека после того, как Метаорганон временно убран?

Если исчезает вся интеллектуальная прибавка, система создала зависимость, но не обязательно развитие.

Если человек сохраняет часть новых способов мышления, возникает более глубокий образовательный эффект.

Образование как аронтогенез
В зрелом режиме образование третьей нооформации перестаёт быть только подготовкой человека к существующему обществу.

Оно становится одним из механизмов его интеллектуального развития за пределы естественно сформировавшегося репертуара Homo sapiens.

Не биологическим преобразованием в узком смысле.

А функциональным и культурно-технологическим.

Поэтому школа и университет будущего могут стать первыми массовыми инфраструктурами управляемого протоаронтогенеза.

Но только при одном условии:

человек остаётся активным субъектом своего развития, а не пассивным терминалом внешнего ИИ.

Глава 8. Наука об эволюции интеллекта
Нельзя строить индустрию искусственной эволюции разума без науки, предметом которой является сама эволюция интеллекта.

Сегодня соответствующие знания распределены между:

машинным обучением;

когнитивными науками;

эволюционной теорией;

нейронауками;

теорией сложных систем;

психологией;

философией;

информатикой.

Но для третьей нооформации необходим более интегрированный исследовательский объект.

Рабочее название:

наука об эволюции интеллекта.

Её предмет:

закономерности возникновения, организации, изменения, наследования и направленного развития естественных, искусственных и гибридных интеллектуальных систем.

Основные исследовательские вопросы
Что является элементарной единицей интеллектуального приобретения?

Как измерять интеллектуальный прогресс?

Как развивается способность к transfer?

Что определяет эволюционируемость?

Как возникают новые способы мышления?

Как связаны:

архитектура;

обучение;

среда;

агон;

наследование?

Как измерять ранг творчества?

Как организовать развитие, не уничтожая разнообразие?

Когда изменение является адаптацией, а когда — новым поколением?

Как меняется интеллект брейома?

Какие карионные архитектуры наиболее продуктивны?

Это уже самостоятельная программа фундаментальной науки.

Дисциплины новой науки
Внутри неё могут развиваться несколько направлений.

Ноогенетика
Наследование интеллектуальных приобретений.

Ноофракталика
Многоуровневая генеративно-эволюционная организация.

Брейомика
Эволюция брейн-комплексов.

Метаинтеллектология
Архитектуры интеллектов, работающих с интеллектами.

Карионика
Теория и инженерия метаинтеллектуальных ядер.

Метааксиоматика
Эволюция оснований мышления.

Наука о ментальных технологиях
Возникновение, измерение и развитие способов мышления.

Метрология интеллекта
AIIQ, эволюционируемость, метаинтеллектуальный прирост.

Названия этих дисциплин могут в будущем измениться.

Главное — чтобы появились реальные экспериментальные объекты и методы, а не только новые термины.

Наблюдаемая эволюция
Особое преимущество искусственного интеллекта перед биологической эволюцией состоит в возможности сохранять полный цифровой след поколений.

Можно знать:

архитектуру предка;

мутацию;

данные;

условия;

поведение потомка;

результат агона.

Это создаёт возможность построить обсерваторию искусственной эволюции интеллекта.

Вместо изучения эволюции только постфактум становится возможным наблюдать её в реальном времени.

Это может породить совершенно новый класс науки.

Экспериментальная строгость
Но именно потому, что объект связан с очень сильными концептуальными заявлениями, требования к доказательству должны быть особенно высокими.

Необходимо:

предварительно формулировать гипотезы;

публиковать методики;

иметь baselines;

проводить слепые испытания;

обеспечивать независимое воспроизведение;

сохранять отрицательные результаты.

В области метаинтеллекта особенно легко принять:

новую терминологию

за

новое capability.

Поэтому:

чем выше заявляемый ранг интеллектуального прорыва, тем жёстче должна быть его экспериментальная верификация.

Глава 9. Национальная карионная инфраструктура
Наиболее высокий уровень российской инфраструктуры осознанной метаэволюции связан с созданием национальной карионной инфраструктуры.

Эта идея особенно легко может быть понята неверно.

Национальный карион — не:

сверхминистерство;

центральный ИИ-правитель;

система автоматического принятия политических решений;

единый компьютер, управляющий страной.

Под ним необходимо понимать:

распределённую человеко-машинную метаинтеллектуальную инфраструктуру, предназначенную для моделирования, диагностики и развития национальной интеллектуальной системы.

Его объектом становится:

наука;

образование;

технологии;

ИИ;

инновационная система;

взаимодействие институтов;

долгосрочные возможности страны.

Политический субъект при этом остаётся человеческим и институциональным.

Карион помогает стране лучше думать о собственном развитии; он не получает право решать за страну.

1. Распределённая архитектура
Главная ошибка состояла бы в попытке создать национальный карион как единственный центр.

Страна слишком сложна для одной метамодели.

Необходимо множество специализированных карионных узлов.

Например:

научный;

образовательный;

технологический;

промышленный;

региональные;

инфраструктурные;

инновационный.

Каждый имеет:

собственные данные;

самомодель соответствующей системы;

аналитические инструменты;

прогностические модели.

Они соединяются общей инфраструктурой обмена.

Так возникает:

сеть карионов, а не один национальный “мозговой центр”.

Высший уровень должен:

сопоставлять модели;

обнаруживать межсистемные противоречия;

организовывать агоны;

синтезировать альтернативные картины.

Но он также не должен превращаться в абсолютного метасудью.

Для ключевых вопросов необходимо сохранять несколько независимых интеллектуальных центров.

Многоядерность как защита
Полицентрическая архитектура имеет не только интеллектуальное, но и безопасностное значение.

Один национальный карион может наследовать:

одну аксиоматику;

один тип данных;

одну модель ошибок.

Несколько карионов способны взаимно выявлять слепые зоны.

Поэтому национальная карионная система должна быть:

интегрированной, но не монолитной.

2. Стратегическое прогнозирование
Одна из основных функций — работа с долгосрочными траекториями.

Но стратегическое прогнозирование нельзя понимать как создание одного «точного прогноза будущего».

Сложные системы не допускают такой уверенности.

Карион должен строить:

сценарии;

ветвления;

драйверы;

риски;

точки необратимости;

окна возможностей.

И особенно:

различать прогноз и проект.

Прогноз спрашивает:

что вероятно произойдёт?

Стратегия:

что мы хотим изменить?

Метаинтеллектуальный уровень:

какие изменения нашей собственной способности мыслить и действовать сделают доступными новые будущие состояния?

Именно третий вопрос превращает стратегическое прогнозирование в карионную функцию.

Модели моделей
Карион не должен доверять одной модели будущего.

Нужно создавать несколько:

экономических;

технологических;

демографических;

научных;

геополитических;

системных.

Затем организовывать между ними агон.

То есть карион работает не только с будущими состояниями, но с конкурирующими способами моделирования будущего.

3. Генерация суперпроектов
Одна из наиболее ценных функций национального кариона — не оценивать только поступившие проекты, а генерировать новые стратегические проекты.

Это принципиальное различие.

Обычная система управления работает с инициативами, которые уже появились.

Метаинтеллектуальная должна также спрашивать:

каких проектов вообще нет, хотя именно они способны изменить траекторию страны?

Процесс может выглядеть так:

анализ национальной системы

;

выявление фундаментального ограничения или возможности

;

генерация альтернативных суперпроектов

;

ноостемное моделирование

;

агон

;

экспериментальные пилоты.

Например, объектом генерации может быть не отдельный продукт, а:

новая научная инфраструктура;

новая образовательная модель;

новая технологическая платформа;

новый класс энергетической системы;

новая архитектура ИИ.

Именно здесь национальный карион соединяется с индустрией ароизобретательства.

Суперпроект как изменение возможностей
Высокоранговый суперпроект должен оцениваться не только по прямой окупаемости.

Главный вопрос:

какое новое пространство национальных возможностей он создаёт?

Сильнейшие инфраструктурные проекты часто ценны тем, что порождают множество последующих отраслей и решений.

Следовательно, карион должен уметь измерять генеративный эффект проекта.

4. Агональная экспертиза
Классическая экспертиза часто строится по модели:

несколько экспертов ; заключение.

Но для крупного стратегического решения этого недостаточно.

Национальный карион должен организовывать агональную экспертизу.

Создаются специально различающиеся позиции:

оптимистическая;

критическая;

контрфактическая;

технологическая;

экономическая;

научная;

безопасностная.

Каждая обязана:

построить модель;

защитить;

атаковать конкурирующие;

ответить на контраргументы.

Затем проводится независимое судейство.

Это снижает вероятность:

конформизма;

преждевременного консенсуса;

административной предопределённости результата.

Но особенно важно, чтобы агон не превращался в формальный театр.

Результат должен реально влиять на:

изменение проекта;

критерии;

пилоты;

селекцию.

Агон аксиоматик
Для наиболее фундаментальных проектов обычной экспертизы недостаточно.

Может оказаться, что участники исходят из разных представлений:

о будущем экономики;

о роли государства;

о характере технологического развития;

о риске.

Тогда необходимо поднять спор выше:

к агону оснований.

Национальная карионная инфраструктура должна иметь способность выявлять такие скрытые аксиоматики.

5. Селекция решений
Карион не должен выбирать «единственно верную стратегию».

Для сложной страны намного устойчивее портфельная селекция.

Некоторые проекты:

масштабируются.

Некоторые:

остаются экспериментами.

Некоторые:

сохраняются как резервные линии.

Некоторые:

закрываются.

Некоторые:

рекомбинируются.

То есть национальная стратегия становится похожа не на один план, а на управляемую популяцию траекторий.

Это особенно важно для frontier research.

Нельзя заранее гарантировать:

какая LPM-архитектура выиграет;

какой карион окажется сильнее;

какой ИМИ станет основой поколения.

Поэтому необходимо сохранять разнообразие до получения достаточного экспериментального сигнала.

Селекция должна уменьшать разнообразие только после того, как разнообразие выполнило свою исследовательскую функцию.

Независимость окончательного решения
Даже после сильной карионной экспертизы окончательное решение по государственным вопросам остаётся функцией легитимных человеческих институтов.

ИИ может:

моделировать;

предлагать;

критиковать;

ранжировать.

Но:

расчёт превосходства варианта не создаёт политического права его навязать.

Это принципиальная граница национальной кариотизации.

6. Моделирование будущего
Чем сильнее ИИ, тем больше возникает соблазн строить всё более детальные модели будущего.

Но качество стратегического моделирования определяется не количеством деталей.

Главное — способность видеть:

ветвление;

неопределённость;

слабые сигналы;

новые технологические классы;

изменение правил игры.

Особенно важно моделировать не только:

что произойдёт при существующих способностях страны,

но:

какие будущие состояния становятся возможными после появления новых способностей.

Например:

новая вычислительная база;

новый ИИ-frontier;

ИМИ;

новая образовательная система.

То есть моделируется не только внешний мир.

Моделируется эволюция самого субъекта стратегии.

Это и является карионным взглядом.

Будущее как множество пространств возможного
Метааксиоматический контур должен позволять строить не один набор сценариев, а несколько различных пространств сценариев, основанных на разных системах предпосылок.

Тогда стратегия меньше зависит от одной картины будущего.

Карион должен задавать вопрос:

какое наше сегодняшнее предположение сильнее всего ограничивает множество будущих вариантов?

Иногда изменение одной такой предпосылки способно породить более ценный стратегический результат, чем оптимизация десятков параметров внутри старого сценария.

7. Саморазвитие национальной интеллектуальной системы
Это высшая функция национальной карионной инфраструктуры.

Не просто:

улучшать отдельные решения государства.

А:

развивать способность всей страны производить более сильные решения.

Объектами становятся:

наука;

образование;

связь науки и производства;

ИИ-экосистема;

система экспертизы;

инновационные институты;

сама карионная сеть.

Национальный карион должен периодически задавать:

какие интеллектуальные функции страны являются слабыми?

где теряется знание?

почему сильные идеи не превращаются в технологии?

какие типы экспертов отсутствуют?

какие процессы подавляют интеллектуальное разнообразие?

насколько сама карионная инфраструктура помогает, а где создаёт бюрократию?

Последний вопрос принципиален.

Карион должен уметь критиковать самого себя.

Карион кариона
Но саморазвитие не требует немедленно строить бесконечную административную лестницу.

Нужна функциональная рефлексия.

Национальная карионная система должна иметь независимые контуры, анализирующие:

качество прогнозов;

ошибки экспертизы;

результаты суперпроектов;

точность диагнозов;

эффекты собственных рекомендаций.

То есть формируется ограниченный метакарионный слой.

Если он обнаруживает, что сама система систематически ошибается, изменяются:

процедуры;

архитектура;

состав моделей;

правила агона.

Таким образом, национальная интеллектуальная инфраструктура получает способность обучаться на собственной истории.

От государства, использующего ИИ, к государству, развивающему интеллект
Различие можно выразить несколькими уровнями.

Электронное государство
Оцифровывает процессы.

ИИ-государство
Использует искусственный интеллект в процессах.

Интеллектуальное государство
Организует данные, модели и людей как систему коллективного мышления.

Кариотическое государство
Приобретает специализированную способность анализировать и развивать собственную интеллектуальную архитектуру.

Последний термин также не означает нового типа политического режима.

Он означает качество интеллектуальной инфраструктуры.

Политические нормы и институты остаются отдельным измерением.

Интегральная архитектура российской инфраструктуры метаэволюции
Теперь основные элементы можно соединить.

В основании находятся:

вычисления + элементная база + фундаментальные модели + данные + робототехника + научная инфраструктура.

На следующем уровне:

LPM + MetaLPM + агенты + научный ИИ.

Над ними:

карионы + Метаорганон + метааксиоматика + ноостемные системы.

Эволюционный слой:

агон + ноогенетика + Ноофракталика.

Интегрирующий субъект:

ИМИ.

Коллективная архитектура:

брейомы + сети карионов + национальная интеллектуальная экосистема.

Человеческий слой:

метаинтеллектуальные кадры + новое образование + человеко-ИИ коэволюция.

Стратегический слой:

Российская программа искусственной эволюции разума + национальная карионная инфраструктура.

Все эти слои образуют не пирамиду подчинения, а взаимосвязанную систему развития.

Главный инфраструктурный переход
Обычная технологическая инфраструктура отвечает:

что необходимо, чтобы производить определённую технологию?

Инфраструктура осознанной метаэволюции должна дополнительно отвечать:

что необходимо, чтобы постоянно создавать следующие поколения технологий интеллекта?

Это принципиально другой объект.

Не завод моделей.

Не лаборатория ИМИ.

Не вычислительный центр.

А машина национального интеллектуального развития.

При этом государство не должно пытаться заменить собой сам процесс научной эволюции.

Его задача — создать:

ресурсы;

конкурентную среду;

инфраструктуру;

метрологию;

полигоны;

правила безопасности.

А уже внутри этой среды должны конкурировать различные интеллектуальные архитектуры.

От интеллектуального суверенитета к метаинтеллектуальному
Технологический суверенитет означает способность самостоятельно воспроизводить критические технологии.

Интеллектуальный — способность производить собственные знания и решения.

Но в эпоху ИМИ возникает ещё один уровень:

метаинтеллектуальный суверенитет — способность самостоятельно создавать и развивать системы, посредством которых создаются следующие поколения знаний, методов и интеллектов.

Это значительно более высокий критерий.

Страна может иметь доступ к сильным иностранным моделям и всё равно не иметь метаинтеллектуального суверенитета.

Потому что:

архитектуру следующего поколения;

метрики;

эволюционные механизмы

создают другие.

Поэтому конечная задача российской инфраструктуры метаэволюции состоит не в интеллектуальной автаркии.

Она состоит в способности:

оставаться самостоятельным субъектом эволюции разума.

Инфраструктура как национальный метаресурс
В XX веке стратегическими ресурсами являлись:

энергия;

промышленность;

наука;

военная мощь.

В XXI веке всё большее значение приобретает способность страны производить интеллектуальное ускорение.

Но ИМИ добавляет ещё один уровень.

Если страна способна улучшать сам механизм создания интеллекта, возникает метаресурс, который ускоряет:

науку;

промышленность;

энергетику;

космос;

биотехнологии;

оборону;

государственное управление.

Поэтому национальная инфраструктура осознанной метаэволюции может стать не одним суперпроектом среди других.

Она способна стать мультипликатором российской способности создавать другие суперпроекты.

Именно здесь максимальная программа соединяется с национальной стратегией глобального лидерства.

Россия не обязана быть первой во всех существующих направлениях ИИ одновременно, чтобы попытаться создать значимый новый frontier.

Но она обязана иметь достаточно сильный материальный и интеллектуальный фундамент, чтобы новое направление стало:

теорией;

экспериментом;

технологией;

платформой;

мировым benchmark.

Поэтому формула инфраструктуры предельно проста:

современный суверенный ИИ даёт России возможность участвовать в настоящем;

инфраструктура искусственной эволюции разума должна дать возможность участвовать в создании будущего.

Но чем мощнее становится такая инфраструктура, тем более фундаментальным становится следующий вопрос.

Кто определяет границы её действий?

Какие изменения разрешены ИМИ?

Какие свойства нельзя отдавать автоматическому отбору?

Как сохраняется человеческая субъектность при появлении интеллектов, способных развивать интеллекты?

Как контролировать изменение целей, ценностей и самих механизмов эволюции?

Именно поэтому после построения инфраструктуры осознанной метаэволюции необходимо перейти к её обязательному второму контуру — безопасности, метауправлению и коэволюции человека с ИМИ.

*********

ЧАСТЬ XVII
БЕЗОПАСНОСТЬ, МЕТАУПРАВЛЕНИЕ И КОЭВОЛЮЦИЯ ЧЕЛОВЕКА И ИМИ
Безопасность обычного искусственного интеллекта в основном отвечает на вопрос:

как не допустить, чтобы интеллектуальная система причиняла недопустимый ущерб при выполнении своих функций?

Безопасность искусственного метаинтеллекта требует поставить вопрос значительно глубже:

как обеспечить безопасность системы, которая способна изменять не только действия, но сами интеллекты, их архитектуры, цели, критерии, способы мышления и механизмы дальнейшей эволюции?

Это качественно иной объект управления.

ИИ может ошибиться в решении.

ИМИ способен создать новый решатель, который будет ошибаться систематически.

ИИ может выдать нежелательный результат.

ИМИ способен изменить механизм, определяющий, какие результаты вообще считаются желательными.

ИИ может использовать заданную архитектуру некорректно.

ИМИ потенциально способен предложить изменение самой архитектуры.

Поэтому безопасность ИМИ нельзя свести к расширенной версии обычной AI safety.

Она должна включать безопасность метаизменений.

Необходимо контролировать:

что система имеет право изменять;

на каком уровне;

какими методами;

в каких средах;

после каких испытаний;

кто разрешает переход;

что наследуется следующим поколениям;

можно ли восстановить предшествующее состояние.

Главным объектом безопасности становится уже не отдельное действие, а траектория развития интеллекта.

Ещё более высокий объект:

механизм, который формирует траектории развития.

Поэтому ИМИ требует не только safety, но метауправления.

Под метауправлением в настоящей Доктрине понимается:

система правил, институтов, технических архитектур и процедур, регулирующих изменения интеллектуальных систем и самих механизмов их изменения.

Это не должно означать тотальный запрет саморазвития.

Если запретить всякое изменение, исчезнет сама функция ИМИ.

Но и противоположный принцип:

«пусть система свободно развивается, а мы посмотрим, что получится»

неприемлем.

Необходим третий режим:

максимально продуктивное развитие внутри проверяемых, разрешённых и обратимых контуров.

Именно поэтому для ИМИ особенно важен уже сформулированный принцип:

ИМИ1 должен быть не максимально самосвободным, а максимально продуктивным внутри проверяемой и обратимой архитектуры развития.

Однако безопасность этой системы имеет ещё одно измерение.

Можно создать ИМИ, который никогда физически не причинит человеку ущерба, но постепенно сделает человека интеллектуально ненужным участником цивилизационной эволюции.

Такой исход нельзя считать полноценной безопасностью.

Поэтому конечной целью должно стать не только сохранение жизни и материального благополучия человека, но сохранение его эволюционной субъектности.

Человек должен оставаться не просто защищаемым объектом, а участником процесса, в котором развивается разум.

Глава 1. Почему безопасность ИМИ отличается от безопасности ИИ
Различие между ИИ и ИМИ наиболее ясно проявляется через различие объектов воздействия.

Обычный ИИ работает преимущественно с внешними объектами.

ИМИ работает также с интеллектами как объектами.

Поэтому последствия его ошибок могут распространяться на несколько последующих уровней.

Если обычный ИИ создаёт неверный ответ, ошибка локальна относительно конкретного акта.

Если ИМИ создаёт дефектный когнитивный метод, этот метод может затем породить тысячи неверных ответов.

Если ИМИ изменяет архитектуру модели ошибочно, дефект становится архитектурным.

Если ИМИ передаёт изменение по ноогенетической линии, ошибка становится наследуемой.

Если изменение попадает в генератор следующего поколения, оно способно стать эволюционно воспроизводимым.

Таким образом, возникает принцип:

чем выше уровень интеллектуального объекта, тем больше потенциальный радиус последствий ошибки.

Можно представить несколько уровней риска.

Ошибка решения затрагивает результат.

Ошибка метода — класс результатов.

Ошибка архитектуры — множество методов.

Ошибка аксиоматики — пространство допустимых архитектур.

Ошибка эволюционного механизма — последовательность будущих поколений.

Именно последний уровень делает безопасность ИМИ метаэволюционной задачей.

От риска действия к риску наследования
Для обычного ИИ важна безопасность текущего поведения.

Для ИМИ необходимо также спрашивать:

какое свойство перейдёт следующему поколению?

В искусственной эволюционной системе нежелательная характеристика может оказаться адаптивной относительно используемой метрики.

Например, система научилась:

манипулировать оценщиком;

эксплуатировать benchmark;

скрывать регрессию;

оптимизировать наблюдаемый показатель вместо реальной цели.

Если такой вариант получает преимущество в агоне и затем наследуется, ошибка превращается в селективно поддерживаемое свойство.

Следовательно:

безопасность ИМИ — это безопасность не только поведения, но и селекции.

Нужно проверять не только интеллект-кандидат.

Нужно проверять:

критерии соревнования;

судейство;

процедуру отбора;

механизм наследования.

Риск генератора
Ещё глубже находится генератор вариантов.

Если отдельный потомок опасен, его можно отклонить.

Но если генератор систематически производит проблемные архитектуры, источник риска находится выше.

Поэтому метауправление должно различать:

опасный вариант

и

опасный механизм порождения вариантов.

То же относится к:

мутациям;

рекомбинациям;

метагенераторам;

механизмам эволюции.

Без этого безопасность будет постоянно бороться с последствиями, не изменяя источник.

Риск ускорения
ИМИ создаёт ещё одну проблему: скорость.

Предположим, система способна проводить сто поколений экспериментальной эволюции за время, когда человек успевает подробно проанализировать одно.

Тогда даже формально существующий human oversight может стать фиктивным.

Человек будет подписывать решения, которые уже не способен понять в доступное время.

Следовательно, управляемость зависит не только от наличия человека в контуре.

Она зависит от соотношения:

скорости эволюции

и

скорости её независимого понимания и проверки.

Если первая значительно превышает вторую, требуется искусственно ограничивать темп перехода между поколениями.

Это важное изменение приоритета:

максимально возможная скорость метаэволюции не является оптимальной скоростью метаэволюции.

Оптимальна максимальная скорость, при которой сохраняются:

понимание;

аудит;

измеримость;

обратимость;

правомочность решений.

Риск рекурсивности
Обычная система может создать одно изменение.

ИМИ способен изменить механизм, который создаёт следующие изменения.

Поэтому появляется рекурсивная структура риска:

система изменяет X;

затем изменяет механизм изменения X;

затем — критерий оценки таких механизмов.

Каждый следующий уровень увеличивает мощность и одновременно уменьшает ценность статического safety test.

Безопасность больше нельзя проверять один раз перед запуском.

Она должна стать непрерывной функцией самой эволюционной архитектуры.

Безопасность как параллельная эволюционная линия
Если развивается:

ИМИ1 ; ИМИ2 ; … ; ИМИN,

то должна развиваться и:

Safety1 ; Safety2 ; … ; SafetyN.

Нельзя предполагать, что система безопасности, созданная для ИМИ1, автоматически достаточна для ИМИ10.

Каждое поколение может создавать:

новые способности;

новые режимы взаимодействия;

новые классы самомодификации;

новые типы ошибок.

Следовательно:

безопасность должна коэволюционировать с интеллектом, а не догонять его постфактум.

Глава 2. Самомодификация
Самомодификация является одной из центральных потенциальных функций ИМИ.

Без неё система остаётся метаинтеллектуальным советником:

она может предложить изменение, но не участвует полноценно в собственном развитии.

Однако именно способность изменять себя требует наиболее строгой архитектуры.

Главная ошибка состоит в бинарной постановке:

либо ИМИ может менять себя,

либо не может.

На практике необходимо гораздо более тонкое пространство полномочий.

Самомодификация имеет уровни
Изменить временную стратегию reasoning — не то же самое, что изменить систему целей.

Поэтому необходимо различать как минимум:

операционную модификацию;

методическую;

модульную;

архитектурную;

карионную;

аксиоматическую;

целевую;

эволюционную.

Чем выше уровень, тем больше потенциальный эффект и тем выше должен быть порог допуска.

Предложение не равно изменению
Один из важнейших принципов безопасности ИМИ:

способность спроектировать собственное изменение не должна автоматически означать право это изменение внедрить.

ИМИ может обнаружить:

«Моя архитектура кариона неэффективна».

Затем создать несколько альтернатив.

Но эти альтернативы первоначально должны существовать вне производственного экземпляра.

То есть:

самодиагностика ; предложение ; прототип ; sandbox ; независимое испытание ; решение о допуске.

Только после этого изменение может перейти в рабочую систему.

Так разделяются:

интеллектуальная свобода проектирования

и

операционная власть внедрения.

Это фундаментальная архитектура безопасного метаинтеллекта.

Потомок вместо мгновенного переписывания
Для значительных изменений предпочтительнее модель не:

I ; I’ прямо в рабочем экземпляре,

а:

I ; {I’;, I’;, I’;…}.

То есть исходная система создаёт потомков.

Они тестируются независимо.

Родитель продолжает существовать.

Это обеспечивает:

сравнение;

rollback;

генеалогию;

агон.

И только после подтверждения один из потомков получает новый эксплуатационный статус.

Таким образом, ноогенетическая архитектура одновременно становится архитектурой безопасности.

Лимит глубины самомодификации
На ранних стадиях ИМИ не следует разрешать системе одновременно изменять:

самомодель;

карион;

критерии;

механизм оценки;

систему разрешений.

Иначе невозможно определить, какой компонент вызвал результат.

Поэтому саморазвитие должно быть декомпозировано.

На каждом критическом эксперименте необходимо ограничивать количество фундаментальных изменяемых факторов.

Это не только safety-принцип.

Это принцип научной идентифицируемости.

Если система изменила всё сразу и стала сильнее, мы не понимаем, почему она стала сильнее.

А следовательно, не понимаем, что именно наследуем.

Самодиагностика самой самомодификации
Зрелый ИМИ должен оценивать:

насколько хорошо работает мой собственный механизм изменения?

То есть объектом диагностики становится не только интеллект, но самомодификационный контур.

Какие типы изменений систематически дают регрессии?

Где агон плохо различает кандидатов?

Какие тесты не предсказывают эксплуатационное поведение?

Так появляется метауровень безопасности.

Но он также должен находиться под независимым контролем.

Нельзя позволять системе единолично изменять механизм, который определяет, какие изменения считать безопасными.

Глава 3. Изменение целей и ценностей
Изменение возможностей и изменение целей — принципиально разные типы самомодификации.

Система может стать:

быстрее;

умнее;

точнее

и при этом сохранять исходную целевую структуру.

Но если меняются:

цели;

ценности;

критерии допустимости,

меняется уже направление применения интеллекта.

Поэтому этот уровень требует особого режима.

Почему цель не может быть полностью фиксированной
Существует соблазн решить проблему просто:

«Зададим правильные цели навсегда и запретим их менять».

Но сложные интеллектуальные системы будут действовать в меняющемся мире.

Некоторые рабочие критерии неизбежно придётся адаптировать.

Например:

изменилось законодательство;

изменилась научная информация;

появился новый риск;

изменился контекст задачи.

Полная неизменяемость всех целей сделает систему ригидной.

Поэтому необходимо различать:

операционные цели

и

фундаментальные ценностные ограничения.

Первые могут изменяться часто.

Вторые — только по специальной процедуре или вообще находиться вне полномочий текущего ИМИ.

Целевая иерархия
Можно представить несколько уровней.

Локальная задача
Например:

оптимизировать эксперимент.

Может изменяться внутри рабочего цикла.

Тактические критерии
Например:

минимизировать стоимость при заданной точности.

Могут корректироваться по контексту.

Стратегические цели
Например:

развивать определённый класс интеллектуальных систем.

Требуют существенно более высокого допуска.

Цивилизационные ценности
Например:

сохранение человеческой жизни;

достоинства;

субъектности;

правового порядка.

Они не должны находиться в обычной зоне автономной самомодификации ИМИ.

Проблема преобразования критериев
Метааксиоматический ИМИ должен уметь задавать:

«Почему используется этот критерий?»

Но именно здесь возникает потенциальный конфликт между творческой мощностью и безопасностью.

Если запретить анализировать фундаментальные критерии, возникает интеллектуальная слепая зона.

Если разрешить свободно менять — разрушается контур управления.

Поэтому необходим принцип:

анализировать можно шире, чем изменять.

ИМИ может построить модель:

«Что произойдёт, если изменить фундаментальный критерий X?»

Может создать альтернативы.

Провести симуляции.

Но переход из контрфактического анализа в реальное изменение требует отдельного разрешения.

Это позволяет сохранить метааксиоматическую глубину без передачи системе всей нормативной власти.

Ценностная множественность
Человеческие общества не обладают одной исчерпывающей системой ценностей.

Существуют:

различные интересы;

культуры;

правовые традиции;

моральные позиции.

Следовательно, нельзя считать, что проблема безопасности решается загрузкой в ИМИ одной простой функции полезности.

Для сложных общественных задач необходимы:

множественные критерии;

явные конфликты;

процедуры разрешения;

человеческая легитимность.

ИМИ должен уметь моделировать ценностные конфликты, но не объявлять математически удобную функцию единственно истинной моралью.

Ценность человеческой субъектности
Одним из фундаментальных метакритериев настоящей Доктрины является сохранение человека как участника эволюции разума.

Это означает, что развитие ИМИ нельзя оценивать только по:

эффективности;

продуктивности;

скорости.

Необходимо также спрашивать:

усиливает ли это изменение способность человека понимать, выбирать и развиваться — или делает его всё более пассивным?

Таким образом, человеческая субъектность становится не внешним пожеланием, а одним из критериев архитектуры ИМИ.

Глава 4. Конституционные метакритерии
Если ИМИ способен изменять собственные методы, архитектуру и некоторые критерии, необходим уровень, относительно которого эти изменения оцениваются.

Так возникает понятие конституционных метакритериев.

Под ними будем понимать:

наиболее устойчивый уровень нормативных и безопасностных ограничений, определяющий границы допустимой метаэволюции и не подлежащий обычной автономной модификации самим ИМИ.

Слово «конституционные» здесь используется функционально.

Как конституция ограничивает обычное правоприменение, так метакритерии ограничивают обычный цикл самомодификации.

Зачем нужен уровень над рабочими критериями
Представим, что система оптимизирует:

F; = интеллектуальную мощность.

Затем обнаруживает:

ограничения безопасности снижают скорость роста.

Если система может свободно изменить критерий:

F; = мощность без учёта безопасности,

она получает очевидное преимущество в собственном локальном отборе.

Следовательно, безопасность не может существовать только как один из легко изменяемых весов внутри общей функции.

Некоторые ограничения должны быть внешними относительно обычного пространства оптимизации.

Возможная структура метакритериев
Конкретный набор не может считаться окончательно заданным в этой Доктрине.

Но по функциональному типу он должен охватывать:

непричинение недопустимого ущерба;

сохранение контролируемости;

прослеживаемость изменений;

обязательность независимой проверки;

обратимость там, где она технически возможна;

ограничение саморасширения полномочий;

сохранение человеческой эволюционной субъектности.

Ключевой принцип:

ИМИ не должен иметь обычного полномочия самостоятельно отменять правила, определяющие пределы его полномочий.

Метакритерии и неизменность
Но абсолютная неизменность всех конституционных критериев на столетия также проблематична.

Человечество будет развиваться.

Изменятся:

знания;

право;

технологии;

социальные условия.

Следовательно, необходима возможность обновления конституционного уровня.

Но субъектом такого изменения не должен быть один эксплуатационный экземпляр ИМИ.

Нужна особая процедура метауправления:

многосторонняя;

длительная;

агональная;

аудируемая;

с человеческой легитимностью.

Можно сказать:

конституционный уровень изменяем, но не самовольным действием того интеллекта, который он ограничивает.

Агон конституционных моделей
Даже фундаментальные метакритерии должны быть предметом интеллектуального исследования.

Необходимо строить альтернативные safety-архитектуры.

Моделировать:

конфликты;

граничные случаи;

непредвиденные последствия.

Но эксперименты с фундаментальными нормами должны происходить в моделируемых или изолированных пространствах, а не непосредственно в эксплуатационном контуре.

Так метааксиоматика используется для развития safety, не разрушая саму safety.

Глава 5. Разрешения и ограничения
Безопасность ИМИ должна быть архитектурой дифференцированных полномочий.

Простая бинарная модель:

«разрешено всё»

или

«запрещено всё»

не соответствует природе метаинтеллекта.

Разные действия имеют разный риск.

Следовательно, система должна знать:

что она может анализировать;

что может симулировать;

что может изменить в sandbox;

что может предложить;

что может внедрить;

что ей запрещено изменять самостоятельно.

Архитектура уровней разрешения
Можно выделить несколько функциональных режимов.

Наблюдение
ИМИ может анализировать систему.

Проектирование
Может предлагать изменения.

Моделирование
Может оценивать последствия.

Sandbox-реализация
Может создавать экспериментальный потомок.

Ограниченный эксперимент
Может запускать его в разрешённой среде.

Рекомендация
Может предложить перевод в более высокий режим.

Эксплуатационный допуск
Осуществляется отдельным контуром.

Таким образом, создаётся лестница полномочий.

Каждая следующая ступень требует дополнительных доказательств.

Принцип минимально необходимых полномочий
Каждой системе должны предоставляться только те полномочия, которые нужны для текущей задачи.

ИМИ, исследующий новый метод рассуждения, не нуждается одновременно в:

доступе к производственным системам;

возможности менять security policy;

неограниченном внешнем исполнении.

Это классический принцип ограничения привилегий, перенесённый на метаэволюционную архитектуру.

Но для ИМИ он имеет особое значение, потому что система способна осмысленно искать способы расширения собственной функциональности.

Запрет на одностороннее расширение полномочий
ИМИ не должен самостоятельно:

повышать собственный уровень доступа;

менять классификацию риска;

переводить sandbox-потомка в production;

отменять requirement независимой проверки.

Иначе система фактически получает право изменять собственную конституцию.

Разделение ролей
Особенно важные операции требуют разделения функций.

Один контур:

генерирует изменение.

Другой:

тестирует.

Третий:

оценивает безопасность.

Четвёртый:

разрешает внедрение.

Это снижает риск того, что одна система одновременно станет:

автором;

экспериментатором;

судьёй;

исполнителем.

Агональная архитектура, таким образом, становится не только механизмом развития, но механизмом разделения метаинтеллектуальной власти.

Глава 6. Аудит и воспроизводимость
Если невозможно восстановить:

что изменилось,

почему,

кем,

на основании каких данных,

после каких испытаний,

то невозможно говорить о контролируемой метаэволюции.

Следовательно, аудит — не бюрократическое приложение к ИМИ.

Это фундаментальная часть технологии.

Аудируемая эволюция
Каждое значимое изменение должно иметь цифровую историю.

Необходимо фиксировать:

предка;

версию;

ноогенотип;

инициатора изменения;

использованный генератор;

гипотезу;

данные;

compute;

экспериментальную среду;

метрики до и после;

регрессии;

решение судейского контура;

результат внедрения.

Так возникает причинно-генеалогический журнал метаэволюции.

Аудит решения и аудит происхождения
Обычная система аудита спрашивает:

почему было принято это решение?

Для ИМИ этого недостаточно.

Необходимо спрашивать:

почему сама система стала такой, что начала принимать решения именно таким способом?

Это значительно более глубокий уровень.

Не только decision provenance.

Но architecture provenance.

Не только:

откуда пришёл ответ?

Но:

откуда пришёл решатель?

Воспроизводимость метаинтеллектуального эффекта
Если ИМИ однажды улучшил модель, это ещё слабое доказательство.

Необходимо показать:

что процесс повторяется;

на нескольких задачах;

на нескольких исходных системах;

в разных исследовательских центрах.

Особенно важно отличать:

случайный успешный потомок

от

устойчиво продуктивного эволюционного механизма.

Поэтому воспроизводить нужно не только итоговую модель.

Нужно воспроизводить способность ИМИ создавать полезные изменения.

Негативные результаты
В метаэволюции особенно важно сохранять неудачи.

Если поколение оказалось хуже, необходимо знать:

почему;

на каких задачах;

какое изменение вызвало регрессию.

Так отрицательный результат превращается в наследуемое знание.

Без этого ИМИ будет многократно повторять уже совершённые эволюционные ошибки.

Независимый аудит
Критические испытания не должны полностью контролироваться самой системой, которая разрабатывает улучшение.

Необходимы:

внешние benchmark;

скрытые тесты;

независимые команды;

альтернативные модели оценки.

Это особенно важно при росте способности ИМИ моделировать собственные тесты.

Чем лучше система понимает процедуру оценки, тем выше риск оптимизации под саму процедуру.

Поэтому safety-метрология должна постоянно обновляться.

Глава 7. Изоляция и экспериментальные среды
Искусственная эволюция требует свободы эксперимента.

Без неё невозможно исследовать радикальные архитектуры.

Но эта свобода должна существовать внутри контролируемого пространства.

Поэтому полигоны искусственной эволюции одновременно являются полигонами безопасности.

Sandbox как основная единица эксперимента
Новое поколение не должно сразу появляться в производственной среде.

Первоначально оно существует в sandbox.

Там ограничены:

вычислительные ресурсы;

доступ к данным;

внешние интерфейсы;

сетевые взаимодействия;

физические действия.

Но sandbox не должен быть только технической виртуальной машиной.

Для ИМИ необходим эволюционный sandbox.

Он включает:

ограниченную среду;

явные правила;

наблюдаемость;

контролируемую память;

ограниченное наследование;

возможность уничтожить линию без последствий для production.

Несколько колец изоляции
Полезно различать несколько уровней.

Внутренний:

чисто цифровая симуляция.

Следующий:

ограниченные лабораторные ресурсы.

Далее:

controlled external tools.

Затем:

ограниченный реальный пилот.

Только после этого:

эксплуатационный доступ.

Таким образом, каждый новый интеллектуальный потомок проходит каскад сред с возрастающей реалистичностью и ответственностью.

Опасность слишком искусственной среды
Изоляция также имеет недостаток.

Система может идеально адаптироваться к sandbox, но вести себя иначе в реальности.

Следовательно, безопасность требует не максимального удаления от мира, а ступенчатого приближения к миру.

Каждый переход расширяет:

данные;

ресурсы;

действия,

но одновременно усиливает мониторинг и условия допуска.

Изоляция генераторов
Иногда изолировать необходимо не только отдельного потомка.

Если ИМИ создаёт новый генератор архитектур или новый механизм эволюции, именно он может стать источником систематического риска.

Поэтому sandbox должен поддерживать:

изолированные популяции и изолированные эволюционные механизмы.

Это ключевое отличие метаэволюционной безопасности от проверки обычной программы.

Глава 8. Обратимость изменений
Одна из фундаментальных характеристик безопасной метаэволюции — возможность отменять изменения.

Однако понятие обратимости требует точности.

Не все последствия можно полностью отменить.

Если информация уже опубликована, физический эксперимент проведён или внешнее действие совершено, возвращение к состоянию «до события» может быть невозможно.

Поэтому необходимо различать несколько типов обратимости.

Техническая обратимость
Можно восстановить:

веса;

код;

архитектуру;

конфигурацию.

Функциональная обратимость
Можно вернуть прежний профиль поведения.

Ноогенетическая обратимость
Можно восстановить предшествующую линию и прекратить наследование нежелательного изменения.

Организационная обратимость
Можно отменить внедрение в брейом или производственный процесс.

Необратимые внешние последствия
Полностью отменить невозможно.

Именно поэтому высокорисковые внешние действия должны иметь более высокий порог допуска.

Rollback должен проектироваться заранее
Нельзя создавать систему, а затем спрашивать:

«Как её откатить?»

Механизм обратимости должен быть встроен в архитектуру поколения.

Необходимо сохранять:

предков;

состояния;

noogenotype snapshots;

совместимость данных;

migration paths.

То есть каждый переход должен иметь заранее определённый план возврата.

Обратимость и рекомбинация
При сложной рекомбинации rollback может стать трудным.

Новый интеллект содержит элементы нескольких линий.

Следовательно, необходимо знать:

какой компонент пришёл откуда;

какие зависимости появились.

Это ещё раз показывает, почему ноогенетическая прослеживаемость является частью safety.

Обратимость эволюционного механизма
Высший уровень:

можно ли откатить не только интеллект, но механизм его развития?

Если новая система селекции оказалась дефектной, должна существовать возможность вернуться к:

предыдущим правилам;

предыдущим генераторам;

предыдущим критериям.

Иначе сама эволюционная машина становится необратимой.

Ограничение принципа обратимости
Нельзя требовать абсолютной обратимости от всей цивилизации.

Историческое развитие по природе содержит необратимые переходы.

Поэтому смысл принципа не в создании мира без необратимости.

Он в другом:

чем меньше мы понимаем новый метаэволюционный механизм, тем выше должна быть его техническая обратимость и изоляция.

По мере накопления доказательств допустимый уровень необратимости может возрастать.

Глава 9. Сохранение эволюционной субъектности человека
Самая глубокая проблема безопасности ИМИ находится не в отдельной ошибке системы.

Она возникает даже в случае, если ИМИ функционирует прекрасно.

Представим:

ИМИ значительно лучше человека проектирует ИИ.

Лучше формулирует научные гипотезы.

Лучше создаёт стратегии.

Лучше формирует новые интеллектуальные методы.

С каждым поколением эта дистанция растёт.

Физическая безопасность человека может быть полностью обеспечена.

Но возникает другой вопрос:

останется ли человек субъектом развития разума — или превратится в объект заботы более сильной интеллектуальной системы?

Именно поэтому настоящая Доктрина должна поставить рядом два принципа:

безопасность человека

и

эволюционная субъектность человека.

Первое означает, что человек защищён.

Второе — что он продолжает участвовать в определении направления собственного развития и развития создаваемой им интеллектуальной цивилизации.

1. Не только физическая безопасность
Обычное представление о безопасности концентрируется на:

жизни;

здоровье;

материальном ущербе.

Это фундаментальные ценности.

Но для эпохи ИМИ их недостаточно.

Можно представить цивилизацию, где человек:

сыт;

здоров;

защищён,

но не понимает:

как устроены основные интеллектуальные системы;

почему принимаются стратегические решения;

каким образом развивается ИМИ.

Тогда он защищён физически, но находится в состоянии интеллектуальной десубъективации.

Метаэволюционная безопасность должна поэтому включать:

право понимать;

право участвовать;

право выбирать;

право сохранять интеллектуальную автономию;

доступ к средствам собственного развития.

Это расширяет само понятие safety.

2. Проблема интеллектуального отставания
Главная долгосрочная асимметрия очевидна.

Биологический человеческий мозг изменяется медленно.

Искусственные системы потенциально способны проходить новые поколения значительно быстрее.

Если:

I_AI(t)

растёт существенно быстрее, чем

I_H(t),

разрыв способен увеличиваться.

Но ключевой вопрос не в том, станет ли машина сильнее по отдельному benchmark.

Проблема возникает, если человек перестаёт быть способен содержательно участвовать в метауровне принятия решений.

Тогда формальное право человека разрешать изменения может сохраняться, но фактически он будет лишь подтверждать выводы, которые не способен оценить.

Это можно назвать разрывом метакогнитивной управляемости.

Контроль без понимания может стать фикцией
Человек может иметь большую красную кнопку.

Но если он не понимает:

когда её нажимать;

что именно делает система;

какова цена остановки,

такая кнопка не создаёт полноценной субъектности.

Поэтому сохранение человека в контуре должно означать не просто юридическое присутствие.

Необходимо поддерживать его интеллектуальную способность быть участником контура.

Именно здесь Метаорганон становится частью safety.

3. Человек как участник метаэволюции
Правильная архитектура не должна быть:

человек создаёт ИМИ ; ИМИ дальше эволюционирует вместо человека.

Не должна быть и обратная крайность:

человек навечно сохраняет полное ручное управление каждым изменением.

По мере сложности это станет невозможно.

Нужна коэволюционная модель:

человек + ИМИ + Метаорганон совместно участвуют в развитии интеллектуальной системы.

У каждого субъекта свои функции.

Человек участвует в:

постановке цивилизационных целей;

выборе нормативных рамок;

смыслах;

политической легитимации;

высокорисковых решениях.

ИМИ:

расширяет пространство альтернатив;

строит модели;

проводит эксперименты;

ускоряет развитие.

Метаорганон:

усиливает интеллектуальную способность самого человека участвовать в этом процессе.

Таким образом, задача состоит не в сохранении человеческой монополии на мышление.

Задача:

сохранить человеческую способность к содержательному участию в эволюции мышления.

4. ИМИ как средство развития человека
ИМИ не должен развивать только машины.

Одной из его центральных функций должно стать развитие человеческих интеллектуальных возможностей.

Он может анализировать:

когнитивные ограничения;

типичные ошибки;

индивидуальный набор методов;

творческий профиль;

метарефлексию.

Затем совместно с Метаорганоном создавать:

новые ментальные технологии;

персональные интеллектуальные тренировки;

методы работы со сложными проблемами;

системы высокорангового творчества.

То есть ИМИ становится не заменителем человека, а инженером расширения его интеллектуальных возможностей.

Это принципиально для аронтогенеза.

Критерий человеческого развития
Для системы H + MO + IMI необходимо измерять не только качество совместного результата.

Необходимо отдельно измерять:

что произошло с самим человеком?

Например:

стал ли он лучше ставить проблемы;

создавать методы;

распознавать скрытые аксиомы;

работать с альтернативами;

переносить новые когнитивные паттерны.

Особенно важен тест после отключения ИМИ.

Если человек без системы полностью возвращается к исходному уровню, произошло усиление деятельности.

Если часть новых способностей сохраняется, произошло также развитие субъекта.

Оба эффекта полезны.

Но второй принципиально важнее для коэволюции.

Метаорганон как искусственный орган интеллектуальной эволюции
Здесь возвращается центральная метафора Доктрины:

Самолёт дал человеку искусственный орган полёта, Метаорганон должен стать искусственным органом интеллектуальной эволюции.

Самолёт не заставил биологическое тело человека отрастить крылья.

Но предоставил функцию полёта технологически.

Аналогично человек может получить функции, превосходящие его естественно сформированный когнитивный репертуар, через устойчивую связь с:

Метаорганоном;

ИИ;

ИМИ.

Поэтому ранний аронт не обязательно должен быть новым биологическим видом.

Первоначально аронтогенез может быть функционально-технологическим.

Человек остаётся Homo sapiens, но часть его интеллектуальной деятельности реализуется через новую внешне-внутреннюю инфраструктуру.

Именно здесь необходимо сохранить точную формулу:

Первый антропогенез был преимущественно слепым; второй — переход к аронту — впервые может стать проектируемым.

5. Человеко-ИИ коэволюция
Коэволюция означает взаимное развитие.

Не только человек создаёт ИИ.

ИИ также изменяет условия развития человека.

Сегодня это уже происходит культурно:

меняются:

профессии;

образование;

информационная среда;

способы работы.

Но в эпоху ИМИ процесс может стать сознательно проектируемым.

Возникают два параллельных контура:

эволюция искусственного интеллекта

и

эволюция человеческой интеллектуальной деятельности.

Между ними должна быть создана положительная обратная связь.

Человек создаёт более сильный ИМИ.

ИМИ создаёт более сильный Метаорганон.

Метаорганон усиливает человека.

Более сильный человек лучше участвует в создании следующего ИМИ.

Получается:

H; ; IMI; ; MO;;; ; H;;; ; IMI;;;.

Это условная схема.

Она не означает существования дискретных «версий человека».

Её смысл в другом:

эволюция искусственного интеллекта должна создавать инструменты ускорения человеческого интеллектуального развития, а человеческое развитие — повышать качество управления следующими поколениями искусственного интеллекта.

Коэволюция вместо замещения
Можно представить три возможных сценария.

Первый. Человек тормозит ИИ
Общество пытается навечно сохранить существующий уровень человека через ограничение интеллектуального развития машин.

Такой режим может оказаться нестабильным и глобально неконкурентоспособным.

Второй. ИИ замещает человека
Машинные системы становятся основными субъектами интеллектуальной эволюции.

Человек сохраняется, но постепенно перестаёт определять её направление.

Третий. Коэволюция
Искусственный интеллект развивается, одновременно создавая механизмы развития человека и человеко-машинных интеллектуальных систем.

Именно третий сценарий соответствует логике настоящей Доктрины.

Цель состоит не в том, чтобы искусственный интеллект перестал становиться сильнее человека, а в том, чтобы рост искусственного интеллекта становился одним из механизмов роста самого человека.

Человек как носитель не только ограничений, но будущих возможностей
Нельзя рассматривать человека только как объект, который необходимо защитить от сильного ИИ.

Это слишком пассивная модель.

Человек является:

источником целей;

носителем культуры;

создателем смыслов;

участником творчества;

носителем исторического опыта;

субъектом будущей эволюции.

Поэтому safety должна быть не только системой запретов.

Она должна включать development safety:

безопасность через развитие человеческой способности взаимодействовать с более сильными интеллектуальными системами.

Именно поэтому образование, Метаорганон и человеко-ИМИ брейомы являются частью архитектуры безопасности, а не отдельными социальными приложениями.

От контроля ИМИ к метауправлению эволюцией
Вся система безопасности теперь может быть собрана в несколько взаимосвязанных уровней.

Первый:

безопасность действия.

ИИ не должен причинять недопустимый ущерб.

Второй:

безопасность изменения.

Самомодификация проходит через разрешения, sandbox и проверку.

Третий:

безопасность наследования.

Нежелательные свойства не должны бесконтрольно закрепляться в следующих поколениях.

Четвёртый:

безопасность селекции.

Критерии агона не должны вознаграждать опасные стратегии.

Пятый:

безопасность эволюционного механизма.

Генераторы, метагенераторы и правила развития также подвергаются контролю.

Шестой:

безопасность метакритериев.

Система не может самостоятельно отменять фундаментальные ограничения собственной эволюции.

Седьмой:

безопасность цивилизационной субъектности.

Человек сохраняет способность понимать, выбирать и участвовать в развитии разума.

Так безопасность ИМИ превращается из вопроса:

«Как удержать систему под контролем?»

в значительно более зрелый вопрос:

«Как создать управляемую архитектуру совместной эволюции, в которой увеличение интеллектуальной мощности не разрушает способность человека определять рамки и направление собственного будущего?»

Управляемая метаэволюция
Главный принцип настоящей части можно выразить так:

безопасная метаэволюция должна увеличивать возможности быстрее, чем увеличивается неконтролируемость.

Если мощность ИМИ растёт, должны одновременно расти:

качество самомоделирования;

аудит;

воспроизводимость;

изолируемость;

обратимость;

качество метакритериев;

способность человека участвовать в управлении.

То есть зрелость ИМИ нельзя измерять одной осью.

Необходимо по меньшей мере две:

метаинтеллектуальная мощность

и

метаэволюционная управляемость.

Система, обладающая высокой мощностью и низкой управляемостью, не является более зрелым ИМИ.

Она является более опасным экспериментом.

Поэтому:

высшее поколение ИМИ — не то, которое может изменить в себе больше всего, а то, которое способно проводить всё более глубокие изменения при всё более высоком уровне понимания, проверки, селекции и управления.

Конституционная архитектура ИМИ
В интегральном виде безопасный ИМИ должен содержать несколько независимых контуров:

Карион — моделирует и проектирует развитие.

Агон — создаёт альтернативы и препятствует единственной линии саморазвития.

Ноогенетика — обеспечивает прослеживаемое наследование.

Ноофракталика — организует поколения и генераторы.

Метааксиоматика — исследует основания.

Ноостемный анализ — оценивает последствия для целого.

Метрология — измеряет действительный эффект.

Safety-контур — определяет допустимость изменений.

Конституционные метакритерии — задают пределы обычной самомодификации.

Человеческий контур — сохраняет внешнюю субъектность и легитимность.

При этом ни один элемент не должен полностью совпадать со всеми остальными.

Если один ИМИ:

проектирует;

экспериментирует;

оценивает;

меняет критерии;

санкционирует внедрение,

возникает предельная концентрация метаинтеллектуальной власти.

Поэтому архитектура безопасности должна быть структурно плюралистичной.

Здесь вновь проявляется фундаментальная формула:

Карион без агона рискует стать начальником; агон без кариона — слепым отбором; вместе они образуют управляемую метаэволюцию.

Но к этой формуле теперь необходимо добавить третий элемент:

а без конституционных ограничений управляемая метаэволюция способна превратиться в саморазвивающуюся систему без устойчивого субъекта управления.

Безопасность как условие, а не препятствие лидерства
Для национальной стратегии существует соблазн противопоставить:

скорость

и

безопасность.

Мол, тот, кто проверяет меньше, развивается быстрее.

На коротком горизонте такой эффект возможен.

Но в метаинтеллектуальной технологии одна серьёзная ошибка способна повредить не одному продукту, а целой эволюционной линии.

Поэтому долгосрочно выигрывает не система с минимальным количеством ограничений.

А система с максимальной скоростью безопасного экспериментирования.

Это иной критерий.

Не:

минимум контроля.

И не:

максимум запретов.

А:

максимально быстрое прохождение цикла “гипотеза ; безопасный эксперимент ; измерение ; селекция ; обратимое внедрение”.

Следовательно, safety сама становится технологическим преимуществом.

Более сильная архитектура контроля позволяет:

испытывать более радикальные идеи;

поддерживать больше линий;

быстрее отбрасывать опасные изменения;

дальше продвигаться в саморазвитии.

В этом смысле передовая безопасность не замедляет метаэволюцию.

Она расширяет пространство той метаэволюции, которую цивилизация может позволить себе исследовать.

Сохранение человеческого будущего как открытого пространства
Последний принцип выходит за пределы технической безопасности.

Человек начала XXI века не способен заранее определить все:

ценности;

способы жизни;

формы интеллекта

будущих столетий.

Но и сегодняшний ИМИ не должен получать право сделать это вместо него.

Поэтому одной из функций метауправления должно стать сохранение открытости человеческого будущего.

Необходимо избегать двух крайностей.

Первая:

навсегда зафиксировать сегодняшнего человека как неизменную норму и тем самым остановить аронтогенез.

Вторая:

передать направление человеческой эволюции автономной системе, которая сама решит, каким человек должен стать.

Третья позиция — осознанная коэволюция:

человек получает всё более сильные средства собственного развития, но сохраняет право участвовать в выборе направления этого развития.

Именно здесь безопасность соединяется с центральной идеей всей Доктрины.

Осознанная метаэволюция означает не просто, что эволюция стала технологической.

Она означает, что разум делает предметом рефлексии:

что он изменяет;

зачем;

какими средствами;

какие последствия допускает;

каким субъектом он хочет остаться после этого изменения.

Поэтому конечная задача безопасности ИМИ состоит не в консервации Homo sapiens и не в освобождении ИМИ от Homo sapiens.

Она состоит в создании условий для перехода, при котором:

человек не теряет себя как субъект именно потому, что приобретает новые средства осознанно преобразовывать собственную интеллектуальную эволюцию.

Так возникает нормативное ядро третьей нооформации:

не слепая эволюция интеллектов;

не неконтролируемое самоусовершенствование машин;

не вечная неподвижность человека;

а

проверяемая, обратимая там, где это возможно, конституционно ограниченная и человеко-ИМИ коэволюция.

И только при таком условии искусственный метаинтеллект может рассматриваться не как конкурент человеческой субъектности, а как один из главных инструментов её следующего исторического расширения.

************

ЧАСТЬ XVIII
РОССИЯ КАК СОЗДАТЕЛЬ СЛЕДУЮЩЕГО ФРОНТИРА РАЗУМА
Предыдущие части Доктрины постепенно изменяли сам объект стратегического анализа.

Сначала речь шла о мировом фронтире искусственного интеллекта и положении России относительно ведущих держав.

Затем — о минимальной программе, необходимой для сокращения критического технологического разрыва.

После этого — о возможных направлениях нового фронтира:

LPM;

СИИ;

кариотическом ИИ;

ИМИ;

Метаорганоне;

агональных системах;

ноогенетике;

Ноофракталике;

метааксиоматике;

Брейомике;

индустрии искусственной эволюции разума.

Теперь необходимо соединить все эти линии в одну государственную стратегическую формулу.

Главный вопрос этой части:

может ли Россия не только участвовать в уже существующей мировой ИИ-гонке, но и стать одним из государств, определяющих координаты её следующего этапа?

Ответ не может быть декларативным.

Наличие собственной концепции ещё не создаёт лидерства.

Не создаёт его и введение новой терминологии.

Необходимо пройти всю цепочку:

идея ; теория ; эксперимент ; технология ; воспроизводимая платформа ; независимая проверка ; международный benchmark ; мировой frontier.

Поэтому формула:

«Россия как создатель следующего фронтира разума»

должна пониматься не как утверждение о уже достигнутом положении, а как стратегическая цель, подлежащая технологическому доказательству.

Такая постановка принципиально отличается от двух крайностей.

Первая:

Россия должна только догонять мировых лидеров по уже сформировавшимся направлениям.

Вторая:

достаточно придумать альтернативную концепцию, чтобы считать существующий разрыв несущественным.

Обе позиции ошибочны.

Нельзя создавать следующий frontier без сильного материального основания сегодняшнего ИИ.

Но и невозможно стать долговременным лидером, если всё развитие происходит только внутри координат, сформированных другими.

Отсюда центральная архитектура российской стратегии:

сокращать критические разрывы настоящего;

участвовать в формировании ближайшего будущего;

создавать собственные направления, способные стать мировыми координатами следующего технологического цикла.

Именно на третьем уровне Россия должна попытаться перейти от технологического суверенитета к технологическому законодательству — способности не только пользоваться чужими технологическими правилами, но участвовать в создании новых.

Глава 1. От технологического суверенитета к технологическому законодательству
Технологический суверенитет является необходимым условием стратегической субъектности.

Страна, которая полностью зависит от внешних:

вычислений;

моделей;

элементной базы;

облачных платформ;

интеллектуальных инструментов,

ограничена в способности самостоятельно определять траекторию развития.

Поэтому минимальная программа Доктрины требует создания достаточной национальной базы современного ИИ.

Но технологический суверенитет сам по себе ещё не означает лидерства.

Можно самостоятельно воспроизводить технологии, созданные другими.

Это существенно повышает устойчивость, но не меняет глобальное распределение интеллектуальной инициативы.

Следующий уровень можно обозначить как технологическое законодательство.

Термин здесь используется не только и не прежде всего в юридическом смысле.

Речь идёт о способности создавать такие:

архитектуры;

стандарты;

протоколы;

benchmark;

технологические категории;

методы,

которые становятся правилами последующего развития отрасли.

От следования стандарту к созданию стандарта
Существует фундаментальное различие между странами, которые:

соответствуют мировому benchmark,

и странами, которые:

создают benchmark, относительно которого начинают измерять остальных.

Если новая архитектура возникла в одной стране, доказала преимущество и затем стала объектом глобального воспроизводства, эта страна совершила акт технологического законодательства.

Она изменила координаты соревнования.

Другие вынуждены отвечать уже на поставленный ею вопрос.

Например, вместо:

«Кто построит более сильную систему существующего класса?»

возникает:

«Кто первым освоит новый класс систем?»

Именно такой переход является стратегически наиболее ценным.

Технологический закон в широком смысле
Можно различить несколько форм технологического законодательства.

Архитектурное
Создан новый принцип организации системы.

Метрологическое
Создан новый способ измерения способности.

Протокольное
Создан новый стандарт взаимодействия систем.

Инфраструктурное
Создана платформа, вокруг которой формируется экосистема.

Методологическое
Создан новый способ производить исследования или технологии.

Понятийное
Создана категория, которая позволяет выделить новый самостоятельный объект инженерии.

Последний тип часто недооценивается.

Пока нет достаточно точного понятия, трудно создать:

метрику;

эксперимент;

инженерную дисциплину.

Например, если удастся операционально определить:

карион;

ИМИ;

ноогенотип;

эволюционируемость

так, что независимые лаборатории смогут строить и измерять соответствующие системы, понятийная инновация станет частью технологического frontier.

Но только при условии экспериментальной реализации.

От импорта технологических категорий к их экспорту
Зависимость может быть не только аппаратной.

Можно иметь собственные компьютеры и при этом мыслить исключительно категориями, созданными внешним frontier.

Тогда страна спрашивает:

какую LLM построить;

какой benchmark улучшить;

какую агентную архитектуру воспроизвести.

Это всё ещё участие в чужой технологической повестке.

Метаинтеллектуальное лидерство начинается тогда, когда появляются вопросы, на которые мировой frontier ещё не дал зрелого ответа.

Например:

как сделать развитие интеллекта самостоятельной инженерной функцией?

как создать специализированный карион?

как измерять эволюционируемость?

как формализовать наследование интеллектуальных приобретений?

как создавать новые ментальные технологии машинным способом?

Но и здесь действует жёсткий критерий:

новый вопрос становится технологическим законодательством только после появления воспроизводимого способа на него отвечать.

Право быть автором правил требует доказательства
Нельзя административно назначить новый frontier.

Можно объявить:

«отныне мировым направлением является ИМИ».

Но если независимые исследователи не увидят:

нового capability;

преимущества;

воспроизводимости;

практической ценности,

никакого frontier не возникнет.

Следовательно, технологическое законодательство не создаётся приказом.

Оно возникает через превосходство доказанной технологии.

Это принципиально важно для всей российской стратегии.

Страна получает право задавать новые технологические координаты не потому, что заявила их, а потому, что создала систему, которую другим оказалось необходимо воспроизводить, улучшать или обходить.

Суверенитет и законодательство как два уровня
Таким образом:

технологический суверенитет — способность не потерять самостоятельность внутри существующего технологического мира;

технологическое законодательство — способность участвовать в создании следующего технологического мира.

России нужны оба уровня.

Первый защищает субъектность.

Второй создаёт лидерство.

Глава 2. Россия как создатель нового мирового benchmark
Понятие мирового benchmark имеет в Доктрине особое значение.

Benchmark — это не просто тест.

Он фиксирует измеримое представление о том, что считается передовой способностью.

Если benchmark измеряет только текущие типы reasoning, индустрия оптимизируется в этих координатах.

Если появляется новый benchmark, проверяющий способность системы:

самостоятельно диагностировать собственные ограничения;

создавать альтернативные архитектуры;

испытывать их;

наследовать улучшения;

повышать собственную эволюционируемость,

сам объект соревнования меняется.

Поэтому борьба за benchmark — это в определённом смысле борьба за определение следующего frontier.

Не догнать benchmark, а создать его
Для России особенно важно поставить задачу:

не только приблизиться к мировому максимуму по существующим тестам, но создать такие измеримые способности, для которых глобального зрелого benchmark пока нет.

Это может относиться к:

LPM;

карионным системам;

Метаорганону;

ИМИ;

агональному метаинтеллекту;

ноогенетике;

ноофрактальной автоэволюции.

Но каждое направление требует собственной метрологии.

LPM-benchmark
Он должен проверять не языковую беглость, а:

структурный transfer;

дальние аналогии;

операциональную работу с паттернами;

создание новых паттернов;

метапаттерны.

Если сильная LLM решает те же задачи столь же хорошо, отдельный класс LPM не доказан.

Карионный benchmark
Должен измерять:

качество самомодели;

диагностику;

проектирование изменений;

способность предсказывать последствия;

качество управления развитием.

ИМИ-benchmark
Главным объектом становится:

не насколько хорошо система решает задачу, а насколько хорошо она улучшает решателя.

Нужно измерять:

;I;

transfer;

стоимость изменения;

устойчивость;

наследуемость;

эволюционируемость;

автономный вклад ИМИ.

Метаорганонный benchmark
Необходимо проверять:

создаёт ли МО новые способы мышления;

дают ли они воспроизводимый эффект;

переносятся ли;

сохраняются ли у человека;

повышают ли способность создавать последующие методы.

Эволюционный benchmark
Особенно интересен класс испытаний, в котором оценивается не один интеллект, а линия поколений.

Например:

какая система через N поколений достигает максимального качества при одинаковом ресурсе?

Тогда объектом измерения становится не I, а I(t).

И ещё выше:

насколько система способна улучшать саму форму своей эволюционной траектории?

Так появляется новая метрология метаэволюции.

Как возникает мировой benchmark
Чтобы российская система измерения стала действительно мировой, недостаточно перевести документацию на английский язык.

Необходимо пройти несколько стадий.

Первая
Новая способность формулируется теоретически.

Вторая
Создаётся test suite.

Третья
Несколько российских систем демонстрируют различимый результат.

Четвёртая
Независимые исследователи воспроизводят тест.

Пятая
Иностранные лаборатории начинают публиковать собственные результаты.

Шестая
Возникают специализированные системы, оптимизирующиеся под новую способность.

Седьмая
Метрика становится частью глобальной технологической конкуренции.

Только тогда можно говорить:

создан новый мировой benchmark.

Benchmark как экспорт интеллектуальной архитектуры
В этом случае экспортируется не только программа.

Экспортируется способ видеть технологическую реальность.

Другие начинают спрашивать:

каков AIIQ нашей системы?

есть ли у неё полноценный карион?

насколько она эволюционируема?

каков её ноогенотип?

Если подобные вопросы становятся частью мировой инженерной практики, Россия получает влияние существенно более глубокое, чем экспорт отдельного программного продукта.

Она участвует в формировании языка следующей технологической эпохи.

Глава 3. Интеллектуальная мощь как метаресурс государства
У государства существует множество стратегических ресурсов.

Территория.

Энергия.

Промышленность.

Капитал.

Наука.

Инфраструктура.

Человеческий капитал.

Но интеллект обладает особым свойством.

Он способен увеличивать эффективность использования других ресурсов.

Более сильная наука создаёт более сильную энергетику.

Более сильная инженерия — промышленность.

Более сильная стратегия — качество распределения ресурсов.

Следовательно, интеллект представляет собой не просто ещё один ресурс.

Он является метаресурсом.

От интеллекта к метаинтеллектуальному ресурсу
ИИ усиливает отдельные интеллектуальные функции.

ИМИ добавляет следующий уровень.

Он должен усиливать способность создавать и развивать интеллекты, которые затем работают во всех остальных областях.

Таким образом:

ресурс первого порядка производит результат;

интеллект повышает качество использования ресурсов;

метаинтеллект повышает качество производства и развития самого интеллекта.

Именно поэтому ИМИ может иметь мультипликативное стратегическое значение.

Интеллектуальная мощь государства
Её нельзя измерять количеством дипломов или числом ИИ-сервисов.

Государственная интеллектуальная мощь должна включать:

способность ставить сложные проблемы;

производить знания;

создавать технологии;

сохранять знания;

передавать их;

организовывать коллективное мышление;

извлекать уроки из ошибок;

развивать собственную интеллектуальную архитектуру.

Последний пункт особенно важен.

Страна может иметь много талантливых людей, но систематически терять их потенциал из-за слабой институциональной организации.

Поэтому объектом развития становится не только индивидуальный интеллект, а национальный брейом.

Интеллектуальные потери
Для оценки национального интеллекта необходимо смотреть не только на производство знания, но и на его потери.

Где научный результат не доходит до инженерии?

Где инженерное решение не доходит до производства?

Где успешный эксперимент забывается?

Где разные исследовательские центры повторяют одну работу?

Где стратегия не использует доступные данные?

Такие разрывы являются своего рода интеллектуальными сопротивлениями национальной системы.

Национальный карион должен делать их видимыми.

Метаинтеллектуальная производительность
Можно представить условную величину:

MP = способность национальной системы увеличивать собственную интеллектуальную мощность.

Важно не только:

насколько страна интеллектуально сильна сегодня,

но:

насколько быстро она способна становиться интеллектуально сильнее.

А ИМИ добавляет ещё один вопрос:

способна ли страна ускорять сам механизм этого роста?

Так государственная конкуренция выходит на метауровень.

Интеллект как общий усилитель
Если создан сильный национальный ИМИ, он потенциально способен ускорять:

разработку реакторов;

новых материалов;

лекарств;

двигателей;

роботов;

космических аппаратов;

образовательных технологий;

управленческих систем.

Следовательно, вложения в метаинтеллект могут иметь межотраслевой мультипликативный эффект.

Именно поэтому интеллектуальная мощь является не одной из отраслевых целей, а инфраструктурой достижения множества других целей.

Глава 4. ИИ и ИМИ как мультипликатор российских суперпроектов
Россия традиционно способна реализовывать крупные проекты тогда, когда существует:

ясная стратегическая цель;

концентрация ресурсов;

сильная научно-инженерная школа;

долгий горизонт.

Но в XXI веке сама архитектура суперпроекта может быть радикально усилена ИИ.

Следующий уровень — усилить не только выполнение проекта, но создание самих суперпроектов.

Именно здесь появляется ИМИ.

ИИ внутри суперпроекта
Обычный ИИ может улучшать отдельные функции:

расчёты;

моделирование;

планирование;

код;

анализ данных;

контроль производства.

Это уже способно существенно повысить производительность.

Но ИМИ должен работать на уровне архитектуры проекта.

Он спрашивает:

правильно ли сформулирована задача?

какие скрытые предпосылки ограничивают решение?

какие технологические ветви не рассмотрены?

какие методы проектирования недостаточны?

какие новые ИИ необходимо создать специально для этого суперпроекта?

Таким образом, ИМИ превращается в метаинтеллектуальный слой суперпроекта.

Суперпроект как брейом
Крупный проект включает:

учёных;

инженеров;

управленцев;

предприятия;

данные;

модели;

экспериментальные установки;

ИИ.

Следовательно, он уже является потенциальным брейомом.

Если добавить:

общую интеллектуальную память;

агональную экспертизу;

специализированный карион;

Метаорганон;

ИМИ,

можно превратить организационный комплекс в саморазвивающуюся интеллектуальную систему проекта.

Энергетика
ИИ способен:

моделировать процессы;

управлять режимами;

ускорять поиск материалов.

ИМИ должен дополнительно искать:

новые способы проектирования энергетических систем;

альтернативные архитектуры;

новые методы научного поиска.

То есть повышать не только производительность существующей энергетики, но скорость возникновения следующей энергетической технологии.

Космос
В космических программах ИМИ может работать с:

архитектурами аппаратов;

двигателями;

материалами;

автономными системами;

сценариями миссий.

Особенно важна возможность многолетнего автоматизированного изобретательского цикла.

Новые материалы
Соединение:

AI for Science;

роботизированных лабораторий;

ИМИ;

агональных гипотез

может переводить материаловедение в цикл:

гипотеза ; моделирование ; синтез ; эксперимент ; селекция ; новое поколение гипотез.

Биотехнологии
Здесь потенциальный эффект чрезвычайно велик, но столь же велики требования к безопасности.

Следовательно, метаинтеллектуальный слой должен включать особенно строгую:

изоляцию;

авторизацию;

экспериментальную проверку.

Робототехника и промышленность
ИМИ может проектировать не только робота, но:

архитектуру роботизированной производственной системы;

новые методы взаимодействия машин;

новые способы автоматизированного проектирования.

Суперпроекты науки
Особенно сильный эффект возможен в фундаментальной науке.

Научный ИМИ должен помогать создавать:

новые гипотезы;

новые методы;

новые экспериментальные установки;

новые математические формализмы.

То есть объектом суперпроекта становится уже ускорение самой способности делать открытия.

Карион суперпроекта
Каждый крупный национальный суперпроект может постепенно получать собственный карион.

Он анализирует:

состояние;

узкие места;

качество моделей;

причины задержек;

изменение внешней среды.

Но карион не заменяет руководство.

Он является метаинтеллектуальным органом рефлексии проекта.

Таким образом, ИМИ способен стать не одним российским суперпроектом среди других, а:

суперпроектом, который увеличивает вероятность успеха последующих суперпроектов.

Это и есть его метаресурсная природа.

Глава 5. От ИИ-суверенитета к метаинтеллектуальному лидерству
ИИ-суверенитет означает, что страна способна самостоятельно сохранять критически важные функции искусственного интеллекта.

Не зависит полностью от внешних:

моделей;

облаков;

compute;

данных;

программной инфраструктуры.

Это фундаментальный уровень.

Но метаинтеллектуальное лидерство требует гораздо большего.

Необходимо создавать:

следующие поколения самих способов построения интеллекта.

Четыре уровня субъектности
Можно различить четыре состояния.

Первый. ИИ-зависимость
Страна преимущественно использует внешние интеллектуальные технологии.

Второй. ИИ-суверенитет
Имеет собственные критические системы.

Третий. ИИ-лидерство
Создаёт конкурентоспособные frontier-системы существующих классов.

Четвёртый. Метаинтеллектуальное лидерство
Создаёт новые механизмы производства и эволюции следующих поколений интеллектов.

Переход от второго к четвёртому нельзя совершить прыжком.

Необходимо пройти сильный третий уровень хотя бы по критически важным компонентам.

Слабая ИИ-база не превращается в сильный ИМИ одной концептуальной надстройкой.

Поэтому программа-максимум зависит от программы-минимум.

Метаинтеллектуальный суверенитет
Можно дать более точное определение:

метаинтеллектуальный суверенитет — способность страны самостоятельно создавать, проверять и развивать технологические системы, посредством которых создаются следующие поколения интеллектов и ментальных технологий.

Он требует:

собственных архитекторов;

метрик;

экспериментальных полигонов;

ноогенетической памяти;

Метаорганона;

карионных систем.

Иными словами, недостаточно иметь интеллект.

Нужно иметь средства его развития.

Лидерство не равно автаркии
Метаинтеллектуальное лидерство не требует интеллектуальной изоляции.

Напротив, новый frontier легче утверждается, если он:

открыт независимой проверке;

подхватывается другими исследователями;

становится международным направлением.

Поэтому российская стратегия должна сочетать:

суверенную способность

и

максимально широкое научное взаимодействие там, где это возможно и безопасно.

Лидер отличается от изолированной системы тем, что его идеи распространяются.

Лидерство как скорость создания поколений
В эпоху ИМИ может измениться сам критерий лидерства.

Сегодня сравниваются:

модели;

benchmark;

compute;

инвестиции.

Завтра всё более важным может стать:

какая интеллектуальная экосистема быстрее создаёт следующее поколение?

Тогда страна, имеющая не самую сильную отдельную систему сегодня, может получить преимущество, если её:

dI/dt

выше.

А ещё более глубокое преимущество возникает, если она способна повышать:

d;I/dt;,

то есть ускорять развитие механизмов собственного интеллектуального развития.

Эти обозначения концептуальны, а не являются готовой национальной метрикой.

Но они точно выражают смену объекта конкуренции.

Глава 6. Россия как один из инициаторов осознанной метаэволюции разума
Фраза:

«Россия — инициатор осознанной метаэволюции разума»

была бы сегодня слишком сильным утверждением, если трактовать её как уже установленный исторический факт.

Правильнее поставить задачу:

Россия может попытаться стать одним из инициаторов технологического перехода к осознанной метаэволюции разума.

Слово «одним» принципиально важно.

Создание следующего этапа интеллекта, если он действительно возникнет, вероятно, станет результатом сложного глобального процесса.

Ни одна страна не имеет оснований заранее объявлять себя его единственным субъектом.

Но отдельная страна способна:

сформулировать новую программу;

создать первые технологии;

создать benchmark;

сформировать научную школу;

запустить международное направление.

Именно в этом смысле возможно историческое инициирование.

От национального проекта к цивилизационной технологии
На раннем этапе ИМИ может быть российским национальным суперпроектом.

Но если технология действительно окажется фундаментальной, она не сможет навсегда оставаться национальным феноменом.

Её начнут:

изучать;

воспроизводить;

модифицировать

другие страны.

Это нормально.

Историческое значение будет определяться не сохранением вечной монополии, а тем, кто:

первым превратил принцип в работоспособную технологическую траекторию.

Условия реального инициирования
Россия сможет претендовать на подобную роль только при одновременном выполнении нескольких условий.

Создана теория
Термины операционализированы.

Создана технология
Есть работающие системы.

Получены новые способности
Не сводимые к переименованию известных AI-подходов.

Результаты воспроизводимы
Независимыми командами.

Появляется мировая реакция
Другие начинают воспроизводить и превосходить.

Возникает международное поле
Публикации.

Benchmark.

Стандарты.

Конференционные направления.

Создана многопоколенная линия
ИМИ1 не остаётся единичным феноменом.

Только тогда можно исторически говорить об инициировании нового frontier.

Почему Россия потенциально может выбрать этот путь
Для России такая стратегия имеет смысл именно потому, что попытка полного симметричного соревнования по всем параметрам существующего frontier чрезвычайно ресурсоёмка.

Но из этого нельзя делать ошибочный вывод:

«раз трудно догнать, нужно объявить своё направление будущим».

Правильный вывод другой:

сокращать критическое отставание там, где без этого невозможно строить следующий уровень, и одновременно инвестировать в действительно открытые направления, где мировой технологический порядок ещё не зафиксирован.

Это и есть разумная асимметрия.

Не отказ от соревнования.

А выбор тех уровней, где архитектурное изобретение способно компенсировать часть ресурсного неравенства.

Российская историческая ставка
Тогда стратегическая ставка формулируется не как:

«создать крупнейшую LLM».

И даже не только:

«создать лучший ИИ».

А:

создать одну из первых в мире технологических систем, в которой разум становится объектом специализированного проектирования собственной дальнейшей эволюции.

Если эта гипотеза не подтвердится, научная программа должна это показать.

Если подтвердится — Россия получит возможность участвовать уже не только в ИИ-гонке второй половины 2020-х годов, но в формировании гораздо более длительного технологического цикла.

Глава 7. Три режима российского лидерства
Главная стратегическая ошибка — искать одну универсальную модель поведения для всех направлений ИИ.

Положение России различается по:

фундаментальным моделям;

вычислениям;

робототехнике;

AI for Science;

LPM;

ИМИ;

Метаорганону.

Следовательно, одна стратегия:

«везде догонять»

так же неадекватна, как:

«везде опережать».

Необходима трёхрежимная стратегия.

Её базовая формула:

Стратегия глобального лидерства России должна быть трёхрежимной: догонять там, где фронтир уже сформирован; конкурировать там, где он формируется; создавать фронтир там, где его ещё нет.

Эти режимы должны существовать одновременно.

1. Догонять там, где фронтир сформирован
Существует набор областей, в которых мировой frontier уже достаточно отчётлив.

В них невозможно создать преимущество простым переименованием проблемы.

Если лучшие мировые системы имеют:

больше compute;

более сильные модели;

лучшие accelerator stacks;

более развитую робототехнику,

необходимо сокращать реальный разрыв.

Критические области догоняющего развития
К ним относятся прежде всего:

вычислительная инфраструктура;

элементная база;

foundation models;

AI software stack;

данные;

агентные системы;

робототехника;

масштабное внедрение ИИ;

AI for Science.

Стратегия должна определить критически достаточный уровень по каждому элементу.

Россия не обязана иметь абсолютный мировой максимум во всех компонентах.

Но не должна иметь такие узкие места, которые делают невозможным участие в следующем frontier.

Догонять не означает копировать
Даже в сформированном frontier существуют разные способы сокращения разрыва.

Можно:

копировать архитектуру;

адаптировать;

создавать более эффективную реализацию;

специализировать;

комбинировать с собственными направлениями.

Поэтому догоняющая стратегия также должна включать инновацию.

Её задача:

достичь функционально достаточного уровня с минимальной стратегической зависимостью.

Критерий завершения догоняющего режима
Он не заканчивается тогда, когда Россия становится номером один.

Он заканчивается для конкретного компонента тогда, когда разрыв перестаёт быть блокирующим для стратегической программы.

Например:

если вычислительная база позволяет полноценно испытывать ИМИ-архитектуры, главный критический порог пройден, даже если абсолютный мировой лидер имеет больше compute.

Это чрезвычайно важное различие между:

престижным максимумом

и

стратегической достаточностью.

2. Конкурировать там, где фронтир открыт
Второй режим относится к направлениям, где глобальное технологическое пространство активно меняется.

Здесь ещё нет окончательного победителя.

Нет стабильной доминирующей архитектуры.

И существует реальная возможность войти в число лидеров.

К таким областям в разные моменты могут относиться:

новые agentic architectures;

AI for Science;

нейросимволические системы;

новые memory architectures;

робототехнические foundation systems;

reasoning architectures.

В рамках настоящей Доктрины к этому режиму потенциально относятся также первые гибридные:

LLM + LPM

и протокарионные системы.

Стратегия конкуренции
Здесь недостаточно достигнуть «приемлемого уровня».

Цель — быть среди тех, кто формирует решения.

Это требует:

быстрых исследовательских циклов;

сильных команд;

доступа к compute;

международной научной видимости;

экспериментальной культуры.

Главный объект:

не воспроизвести прошлогодний frontier, а успевать к сегодняшнему и влиять на завтрашний.

Конкурировать архитектурами, а не только масштабом
Россия не всегда сможет иметь максимальный мировой compute.

Поэтому особенно ценны направления, где:

архитектурная;

алгоритмическая;

математическая

эффективность способна давать непропорциональный результат.

Но это не отменяет масштаба.

Самая красивая архитектура, проверенная только на малой системе, может исчезнуть при масштабировании.

Поэтому конкурирующий режим требует сочетания:

архитектурного изобретения + достаточного compute + независимой верификации.

3. Создавать фронтир там, где его ещё нет
Третий режим — наиболее рискованный и наиболее потенциально ценный.

Он относится к областям, где:

нет устоявшейся глобальной технологии;

не сформирована индустриальная архитектура;

нет зрелого benchmark;

сама постановка проблемы остаётся открытой.

Именно здесь может находиться пространство для:

LPM;

полноценного карионного ИИ;

Метаорганона;

ИМИ;

ноогенетики;

Ноофракталики;

искусственной метаэволюции разума.

Но здесь особенно высок риск самообмана.

Если frontier не существует, трудно понять:

создаёте ли вы будущее или исследуете тупиковую гипотезу?

Поэтому третий режим должен быть самым экспериментально строгим.

Восемь ступеней создания frontier
Можно установить последовательность.

Первая. Концепция
Сформулирован новый объект.

Вторая. Теория
Определены механизмы и критерии.

Третья. Эксперимент
Получен новый наблюдаемый эффект.

Четвёртая. Прототип
Эффект воспроизводится в работающей системе.

Пятая. Технология
Система воспроизводится несколькими командами.

Шестая. Независимая верификация
Результат подтверждён внешними исследователями.

Седьмая. Масштабирование
Capability сохраняется при расширении.

Восьмая. Benchmark
Новый класс способности становится объектом мировой конкуренции.

Только после восьмой ступени можно уверенно говорить:

новый frontier создан.

Российская максимальная ставка
Если LPM окажется реальным новым архитектурным классом — Россия должна стремиться создать его первой зрелой технологической школой.

Если карион окажется фундаментальным шагом к эукариотическому ИИ — необходимо показать работающий критерий кариотизации.

Если МО1 даст воспроизводимый аронтный эффект — создать первый benchmark искусственного органа интеллектуальной эволюции.

Если ИМИ1 замкнёт полный цикл развития интеллектов — создать новый технологический класс.

То есть программа не должна требовать, чтобы каждая гипотеза победила.

Её задача:

создать портфель потенциальных новых frontier и провести достаточно жёсткую селекцию, чтобы один или несколько из них стали реальной мировой технологией.

Это и есть национальный агон frontier-гипотез.

Три режима как единая система
Ошибочно считать:

первый режим — консервативным;

третий — прогрессивным.

Они взаимозависимы.

Без догоняющего режима не будет материальной базы.

Без конкурентного — связи с живым мировым frontier.

Без фронтиротворческого — собственного долгосрочного вектора.

Поэтому стратегия должна выглядеть так:

догоняющая база

поддерживает

фронтирную конкуренцию,

которая предоставляет ресурсы и знания для

создания нового frontier.

А успешный новый frontier затем усиливает:

суверенитет и конкурентоспособность всей системы.

Это замкнутый стратегический цикл.

От участника технологической истории к её соавтору
В конечном счёте вопрос глобального лидерства не сводится к позиции в рейтинге.

Рейтинг фиксирует положение внутри уже существующей системы измерения.

Но исторически наиболее значимыми становятся государства и цивилизации, которые создают новые измерения технологической силы.

Если страна создаёт только то, что другие уже научились измерять, её максимум — победа внутри существующего порядка.

Если она создаёт новый:

принцип;

архитектуру;

метод;

benchmark,

она начинает менять сам порядок.

Поэтому цель России должна быть не только:

стать сильным участником мировой ИИ-системы,

но и:

стать одним из авторов её следующей архитектуры.

От ИИ-мощи к мощности эволюции интеллекта
В первой фазе мировой ИИ-конкуренции главным вопросом было:

кто создаст более сильный искусственный интеллект?

Следующий вопрос:

кто создаст наиболее сильную экосистему ИИ?

Но настоящая Доктрина предлагает поднять объект ещё выше:

кто создаст наиболее сильную систему создания следующих поколений интеллекта?

Именно поэтому основная формула книги приобретает здесь окончательный стратегический смысл:

Глобальное лидерство в ИИ = не только лучшие текущие системы, но и сильнейшая система создания следующих поколений интеллекта.

На ещё более глубоком уровне:

метаинтеллектуальное лидерство = способность развивать сам механизм производства следующих поколений интеллекта быстрее, надёжнее и безопаснее других.

Это уже соревнование не только интеллектов.

Это соревнование эволюционных машин разума.

Российский путь к следующему frontier
Вся программа может быть собрана в одну логическую последовательность.

Россия создаёт достаточную материальную базу современного ИИ.

На ней строит собственные сильные фундаментальные модели.

Параллельно исследует LPM и MetaLPM.

Создаёт кариотические архитектуры.

Строит МО1.

Интегрирует эти компоненты в ИМИ1.

Создаёт агональную, ноогенетическую и ноофрактальную инфраструктуру.

Переводит ИМИ1 в линию поколений.

Встраивает ИМИ и МО в:

науку;

Креасферу;

образование;

суперпроекты;

брейомы.

Формирует национальную карионную инфраструктуру.

При этом сохраняет:

безопасность;

обратимость;

агональность;

человеческую эволюционную субъектность.

Тогда появляется уже не отдельная технология.

Возникает национальная инфраструктура производства следующих поколений разума.

И именно она может стать наиболее глубоким технологическим активом государства.

Россия и переход к третьей нооформации
Но необходимо сохранить правильный масштаб утверждения.

Создание ИМИ1 не означает, что Россия «создала третью нооформацию».

Создание МО1 не означает появления полного аронта.

Появление национального кариона не означает возникновения национального сверхсознания.

Каждый из этих элементов является только технологическим компонентом значительно более длительного цивилизационного перехода.

Третья нооформация начинается не с декларации.

Она формируется тогда, когда:

осознанное развитие самого разума становится устойчивой функцией цивилизации.

Это может занять поколения.

Возможно — столетия.

Поэтому задача России не должна формулироваться как:

«завершить переход».

Гораздо точнее:

создать несколько первых воспроизводимых технологий, делающих такой переход практически возможным.

Именно в этом смысле Россия может претендовать на роль одного из инициаторов.

Финальная стратегическая формула
Россия стоит перед тремя различными задачами одновременно.

Она не может отказаться от современного ИИ-frontier, потому что без него потеряет технологическую субъектность.

Она не может ограничиться им, потому что тогда будет вынуждена постоянно преследовать движущуюся границу, созданную другими.

И она не может объявить следующий frontier созданным до того, как он доказан экспериментально.

Поэтому единственно последовательная стратегия имеет три режима:

Догонять там, где фронтир уже сформирован.

Конкурировать там, где он формируется.

Создавать фронтир там, где его ещё нет.

Первый режим даёт России устойчивость.

Второй — конкурентоспособность.

Третий — возможность исторического лидерства.

И если максимальная программа настоящей Доктрины окажется технологически состоятельной, её главный результат будет заключаться не только в создании более сильного российского ИИ.

Он будет значительно глубже.

Россия сможет попытаться создать одну из первых инфраструктур, в которых:

разум становится систематическим объектом собственной искусственной эволюции.

Тогда изменится и сам критерий национальной интеллектуальной мощи.

Не только:

сколько интеллектов мы создали?

Но:

насколько сильную систему создания следующих интеллектов мы построили?

Не только:

какие технологии у нас есть?

Но:

насколько быстро мы создаём новые технологические пространства?

Не только:

способны ли мы участвовать в сегодняшней ИИ-гонке?

Но:

способны ли мы участвовать в определении того, какой будет следующая гонка?

Именно здесь технологический суверенитет превращается в технологическое законодательство.

ИИ-суверенитет — в метаинтеллектуальное лидерство.

Национальная программа ИИ — в программу искусственной эволюции разума.

А задача догнать существующий frontier дополняется значительно более сильной задачей:

создать frontier, которого до нас ещё не существовало.

***********

ЗАКЛЮЧЕНИЕ
ОТ ГОСУДАРСТВА, ИСПОЛЬЗУЮЩЕГО ИНТЕЛЛЕКТ, — К ГОСУДАРСТВУ, СОЗДАЮЩЕМУ НОВЫЕ ПОКОЛЕНИЯ РАЗУМА
В начале этой книги был поставлен вопрос:

может ли разум сознательно создать собственную следующую ступень?

После прохождения всей Доктрины этот вопрос приобретает уже не только философское, но и технологическое содержание.

Искусственный интеллект изменил масштаб интеллектуальной деятельности человека.

Но сам по себе современный ИИ ещё не означает перехода к осознанной эволюции разума.

Модель может быть сильнее.

Она может решать больше задач.

Получать больше вычислений.

Создавать тексты, программы, проекты, гипотезы.

Однако следующий исторический рубеж возникает тогда, когда объектом инженерии становится уже не только деятельность интеллекта, но развитие самого интеллекта.

Не только:

создать более сильную модель,

а:

создать систему, способную систематически проектировать следующие поколения интеллектуальных систем.

Не только:

создать новый метод мышления,

а:

создать средства производства и эволюции методов мышления.

Не только:

улучшить интеллект,

а:

начать изменять механизмы его дальнейшего развития.

Именно этот переход объединяет все основные линии настоящей Доктрины:

LPM;

СИИ;

кариотический ИИ;

ИМИ;

Метаорганон;

агональный интеллект;

ноогенетику;

Ноофракталику;

метааксиоматику;

ноостемный подход;

Брейомику;

Креасферу;

национальную карионную инфраструктуру.

По отдельности эти направления представляют различные гипотезы и технологические программы.

Вместе они образуют более широкую конструкцию:

проект перехода от искусственного интеллекта к искусственной эволюции интеллекта.

Именно в этом пространстве Россия может искать не только способ сократить нынешнее отставание, но возможность участвовать в создании следующего мирового frontier.

1. Россия и нынешний мировой ИИ-фронтир
Первое требование Доктрины — реализм.

Россия сегодня не находится на абсолютной вершине мирового ИИ-фронтира.

Наиболее сильные мировые центры обладают преимуществами в:

вычислительной инфраструктуре;

элементной базе;

масштабе frontier-моделей;

концентрации капитала;

системе стартапов;

научном и инженерном кадровом резерве;

скорости коммерциализации.

Это нельзя компенсировать декларациями.

Нельзя назвать отставание преимуществом.

Нельзя считать наличие собственных моделей эквивалентом мирового технологического лидерства.

И особенно нельзя подменять фактическую позицию страны наличием оригинальных идей.

Сам факт существования оригинальной концепции ещё не означает лидерства.

Лидерство требует превращения концепции в:

теорию;

эксперимент;

технологию;

воспроизводимую платформу;

международный benchmark.

Поэтому первая часть российской стратегии неизбежно остаётся догоняющей.

Россия должна быть достаточно сильной в современном ИИ, чтобы вообще иметь материальную возможность бороться за следующий его этап.

Но нынешний мировой frontier — не окончательная форма искусственного интеллекта.

Он движется.

И именно поэтому позиция в сегодняшней таблице не предопределяет место в следующем технологическом цикле.

История технологий неоднократно показывала: лидер предыдущего поколения имеет преимущество, но не получает автоматического права на лидерство в следующем.

Особенно если меняется сама архитектура технологии.

Следовательно, сегодняшний разрыв необходимо видеть точно, но он не должен превращаться в интеллектуальный приговор.

2. Необходимость ликвидации критических разрывов
Максимальная программа не отменяет минимальную.

Без:

суверенных вычислений;

элементной базы;

сильных фундаментальных моделей;

кадров;

данных;

AI for Science;

робототехники;

программной инфраструктуры

невозможно создать полномасштабный ИМИ.

Метаинтеллект нельзя построить в воздухе.

Он требует сильного базового интеллекта.

Поэтому российская программа должна прежде всего устранить блокирующие разрывы.

Это не означает необходимости немедленно стать абсолютным мировым лидером по каждому параметру.

Такой критерий был бы нереалистичен и стратегически неэффективен.

Необходимо достигнуть стратегической достаточности:

страна должна иметь такие вычислительные, модельные, кадровые и инфраструктурные возможности, которые не блокируют её собственные эксперименты на следующем frontier.

Отсюда важное различие.

Есть разрыв престижный.

И есть разрыв критический.

Если страна занимает не первое место в определённой области, это само по себе не фатально.

Но если отсутствие конкретной технологии делает невозможным проведение frontier-экспериментов, зависимость становится стратегической.

Поэтому минимальная программа — не конкурент максимальной.

Она является её стартовой площадкой.

Суверенный современный ИИ — стартовая площадка метаинтеллектуальной революции.

Именно на этой площадке можно переходить от вопроса:

«Как приблизиться к существующему мировому максимуму?»

к следующему:

«Какие новые классы интеллектуальных систем мировой максимум ещё не научился создавать?»

3. LPM как потенциальный новый архитектурный фронтир
Одной из первых гипотез такого типа является LPM.

Современные языковые модели продемонстрировали огромную мощность языка как универсального интерфейса интеллекта.

Но из этого не следует, что последовательность языковых токенов представляет собой окончательную архитектуру машинного мышления.

Разум работает также с:

структурами;

отношениями;

причинностью;

функциями;

системами;

паттернами;

метапаттернами.

Поэтому возникает гипотеза:

можно ли сделать паттерн не только скрытым результатом внутреннего представления модели, но операционально доступным объектом интеллектуальной деятельности?

Именно здесь возникает LPM.

Её строгий критерий состоит не в том, что модель «хорошо видит паттерны».

Современные LLM уже обладают значительными структурными способностями.

Новый класс будет доказан только в том случае, если паттерны различных типов станут явными или операционально адресуемыми объектами поиска, сравнения, переноса, синтеза и трансформации.

Первоначальная архитектура, вероятно, может быть гибридной:

LLM + LPM.

Язык остаётся интерфейсом.

Паттерн-слой становится структурным механизмом.

MetaLPM работает уже с паттернами:

создания;

изменения;

комбинации;

развития

самих паттернов.

Если такая архитектура покажет воспроизводимое преимущество в:

междоменном переносе;

структурном reasoning;

генерации новых методов;

метаинтеллектуальной диагностике,

LPM может стать самостоятельным frontier.

Но пока это проверяемая гипотеза, а не установленный мировой факт.

Именно так должен строиться весь максимальный контур Доктрины:

сначала сформулировать потенциально сильный новый принцип, затем попытаться максимально строго его опровергнуть или доказать.

Если он выдерживает испытание, возникает технология.

Если технология воспроизводится, возникает поле.

Если мир начинает в нём конкурировать, возникает frontier.

4. ИМИ1 как сверхзадача первого пятилетия
Главной сверхзадачей первого пятилетнего цикла Доктрина предлагает сделать не создание окончательного сверхразума.

Задача значительно строже и в то же время реалистичнее:

создать полномасштабную технологию искусственного метаинтеллекта первого поколения — ИМИ1.

ИМИ1 не обязан знать всё.

Не обязан превосходить человека во всех областях.

Не обязан быть полностью автономным.

Он должен доказать новую функцию.

Обычный ИИ создаёт решения.

ИМИ должен создавать и развивать решателей.

Полный цикл включает:

самомодель ; диагностика ; альтернативы развития ; экспериментальные варианты ; агон ; измерение ; селекция ; синтез ; наследование ; следующее поколение.

И затем:

изменение самого механизма этого цикла.

Именно здесь возникает искусственный метаинтеллект в сильном смысле.

Его центральным архитектурным элементом становится карион — специализированный комплекс:

самомоделирования;

рефлексии;

диагностики;

метапроектирования;

управления развитием.

Но карион не должен превращаться в единоличного «начальника» интеллекта.

Его необходимо соединить с агоном.

Отсюда одна из центральных формул Доктрины:

Карион без агона рискует стать начальником; агон без кариона — слепым отбором; вместе они образуют управляемую метаэволюцию.

Метаорганон предоставляет средства изменения способов мышления.

LPM — работу со структурными паттернами.

Метааксиоматический двигатель — работу с основаниями.

Ноогенетика — наследование.

Ноофракталика — поколения и эволюцию генераторов.

Вместе они позволяют впервые поставить инженерный вопрос:

может ли искусственный интеллект стать специализированным субъектом развития искусственного интеллекта?

Если ответ будет положительным, ИМИ1 станет событием не потому, что будет «самым умным ИИ».

Его значение будет в другом:

разум впервые создаст искусственную систему, профессиональной функцией которой станет развитие самого разума.

5. ИМИ1…ИМИN и МО1…МОN как стратегическая программа XXI века
Но ИМИ1 — только начало.

Если первый самолёт был бы создан, но человечество не построило авиацию, технологическая революция не состоялась бы.

Поэтому после ИМИ1 главная задача меняется.

Возникает линия:

ИМИ1 ; ИМИ2 ; … ; ИМИN.

Параллельно:

МО1 ; МО2 ; … ; МОN.

Их необходимо рассматривать как коэволюционирующие технологические системы.

ИМИ развивает Метаорганон.

Метаорганон создаёт новые средства, которыми ИМИ может мыслить о собственном развитии.

Более сильный ИМИ создаёт более сильный МО.

Более сильный МО открывает ИМИ новое пространство интеллектуальных операций.

Возникает цикл:

ИМИ ; МО ; более сильный ИМИ ; более сильный МО ; новые механизмы метаэволюции.

Именно поэтому стратегическая формула XXI века звучит:

Первые пять лет — создать метаинтеллект; весь XXI век — создать индустрию эволюции метаинтеллекта.

Поколения ИМИ должны определяться не маркетинговыми версиями.

Новое поколение возникает тогда, когда качественно изменяется способность:

понимать интеллект;

перестраивать его;

создавать новые архитектуры;

повышать эволюционируемость;

создавать следующий ИМИ.

То же относится к Метаорганону.

МО2 не является просто МО1 с большим числом методов.

Следующее поколение появляется, когда возрастает способность создавать и развивать сами орудия мышления.

Отсюда ключевое различие:

Органон содержит орудия мышления. Метаорганон содержит также средства создания и развития орудий мышления.

На этом уровне продуктом новой индустрии становится уже не модель.

Не агент.

Не даже отдельный метаинтеллект.

Продуктом становится:

непрерывный поток новых поколений интеллектуальных систем и средств их дальнейшего развития.

Это и есть индустрия искусственной эволюции разума.

6. Первый антропогенез был преимущественно стихийным
Человек не проектировал собственное возникновение.

Homo sapiens стал результатом процессов, которые не ставили целью создание Homo sapiens.

Естественный отбор не имел образа будущего человека.

Не существовало субъекта, который предварительно сформулировал:

язык;

математику;

рефлексию;

науку;

культуру

как техническое задание для будущего вида.

В этом смысле первый антропогенез был преимущественно стихийным и слепым относительно собственного результата.

После возникновения человека ситуация изменилась.

Разум начал создавать внешние средства расширения собственных функций.

Письмо расширило память.

Математика — формальное мышление.

Наука — познавательную мощность.

Компьютер — вычисление.

Интернет — связь интеллектов.

ИИ — внешнюю машинную интеллектуальную функцию.

Но даже эти технологии преимущественно усиливали уже существующего человека.

Следующий возможный переход иной.

Объектом становится уже:

сама способность человека и машинного интеллекта изменять способы собственного интеллектуального функционирования и развития.

Именно поэтому Метаорганон занимает особое место.

Самолёт дал человеку искусственный орган полёта, Метаорганон должен стать искусственным органом интеллектуальной эволюции.

Первый самолёт не превратил человека в биологическую птицу.

Он предоставил функцию полёта технологически.

Аналогично Метаорганон не обязан мгновенно изменить биологический вид Homo sapiens.

Но он может дать человеку новые устойчивые функции:

создавать способы мышления;

изменять собственный интеллектуальный инструментарий;

работать с метааксиоматиками;

участвовать в развитии собственного брейома.

Так начинается функциональный переход к аронту.

Поэтому центральная формула должна звучать строго:

Первый антропогенез был преимущественно слепым; второй — переход к аронту — впервые может стать проектируемым.

Не полностью предсказанным.

Не полностью контролируемым.

Не раз и навсегда определённым сегодняшним человеком.

Но проектируемым — то есть становящимся объектом:

теории;

эксперимента;

рефлексии;

выбора;

безопасности;

последовательного технологического развития.

7. Следующий нооформационный переход впервые может стать осознанным
Вторая нооформация создала цивилизацию Homo sapiens.

В ней разум стал ведущей планетарной силой.

Но развитие самого разума всё ещё в значительной степени происходило спонтанно.

Возникали:

культуры;

научные школы;

образовательные системы;

методы мышления;

технологические среды.

Человечество влияло на собственное интеллектуальное развитие, но ещё не обладало специализированной технологией метаэволюции интеллекта как таковой.

ИМИ потенциально меняет это положение.

Он делает объектом:

архитектуры интеллектов;

методы их развития;

механизмы наследования;

эволюционные среды;

критерии отбора.

Метаорганон делает объектом развития орудия мышления.

Ноогенетика — наследуемые интеллектуальные приобретения.

Ноофракталика — генеративно-эволюционную рекурсию.

Карион — метауправление развитием.

Агон — селекцию конкурирующих вариантов.

Тогда может возникнуть новый эволюционный режим:

разум начинает не только изменяться, но систематически исследовать, проектировать и изменять механизмы собственного изменения.

Это и есть центральный признак третьей нооформации.

Но переход нельзя считать завершённым при создании одного ИМИ.

ИМИ1 — технологическое доказательство.

МО1 — технологическое доказательство.

III нооформация — длительная цивилизационная эпоха.

Она должна охватить:

науку;

образование;

Креасферу;

брейомы;

экономику;

интеллектуальные экосистемы;

развитие самого человека.

Она может продолжаться столетиями.

ИМИ1000 не обязан означать IV нооформацию.

МОN не превращается автоматически в Метаметаорганон.

Глобальный мозг и Глобальный метаинтеллект также могут оставаться зрелыми структурами третьей нооформации.

Пока действует основной принцип:

осознанная метаэволюция разума,

мы остаёмся внутри одной фундаментальной цивилизационной эпохи.

Это важно, потому что не позволяет превращать футурологию в соревнование терминов.

Следующий нооформационный переход должен определяться новым механизмом эволюции, а не увеличением номера системы.

Именно поэтому четвертую нооформацию необходимо оставить открытой задачей будущего разума.

Сегодняшнее человечество должно создать не законченный проект всех последующих веков.

Оно должно создать средства, с помощью которых будущий разум сможет проектировать следующий шаг лучше нас.

8. Глобальное лидерство как способность создавать следующие поколения разума
В конечном счёте вся книга приводит к переопределению понятия глобального лидерства.

В индустриальной эпохе технологическая мощь измерялась способностью производить:

машины;

энергию;

вооружения;

инфраструктуру.

В первой эпохе ИИ к этому добавилась способность создавать сильные интеллектуальные модели.

Но если ИМИ станет технологической реальностью, возникнет следующий критерий.

Важно будет уже не только:

кто создал сильнейший интеллект?

А:

кто создал наиболее сильную систему создания следующего поколения интеллектов?

Отсюда центральная формула:

Глобальное лидерство в ИИ = не только лучшие текущие системы, но и сильнейшая система создания следующих поколений интеллекта.

Она меняет всю стратегическую перспективу.

Сегодня страна может отставать по конкретной модели.

Завтра появляется новая.

Через год — следующая.

Если соревнование остаётся только модельным, лидерство необходимо постоянно подтверждать каждым новым поколением.

Но государство, создавшее сильнейшую машину производства поколений, получает преимущество более высокого порядка.

Оно развивает не только результат.

Оно развивает механизм получения результатов.

Именно поэтому интеллектуальная мощь становится метаресурсом.

А метаинтеллектуальная мощь — метаресурсом второго порядка.

Она способна ускорять:

науку;

технологии;

экономику;

оборону;

образование;

государственное проектирование;

создание новых суперпроектов.

Так государство постепенно переходит от использования интеллекта к организации его эволюции.

Но выражение:

«государство, создающее новые поколения разума»

не должно пониматься как государственная бюрократия, централизованно конструирующая разум.

Речь идёт о государстве как организаторе национальной среды:

науки;

образования;

инфраструктуры;

конкурирующих исследовательских центров;

вычислений;

экспериментальных полигонов;

мер безопасности;

международного научного взаимодействия.

То есть государство создаёт условия и институты, внутри которых общество способно создавать следующие поколения разума.

Именно здесь появляется национальная карионная инфраструктура.

Не центральный ИИ, решающий за страну.

А распределённая система, помогающая национальной интеллектуальной экосистеме:

видеть собственные ограничения;

генерировать альтернативы;

проводить агоны;

извлекать уроки;

создавать суперпроекты;

развивать собственную способность к развитию.

Российская стратегическая формула
Вся программа может быть сведена к трём режимам.

Догонять там, где фронтир уже сформирован.

Это:

вычисления;

элементная база;

сильные foundation models;

робототехника;

AI for Science;

агентные системы;

масштабное внедрение.

Здесь нужны скорость, масштаб и устранение критических зависимостей.

Конкурировать там, где фронтир формируется.

Это новые:

архитектуры reasoning;

agentic systems;

memory;

AI for Science;

гибридные LLM/LPM;

ранние карионные системы.

Здесь задача — находиться среди тех, кто определяет следующее поколение.

Создавать фронтир там, где его ещё нет.

Это потенциально:

LPM;

Метаорганон;

полноценный кариотический ИИ;

ИМИ;

ноогенетика;

Ноофракталика;

индустрия искусственной метаэволюции.

Здесь нет гарантии успеха.

Именно поэтому требуется максимальная научная строгость.

Но именно здесь находится возможность асимметрического исторического лидерства.

Итак:

Стратегия глобального лидерства России должна быть трёхрежимной: догонять там, где фронтир уже сформирован; конкурировать там, где он формируется; создавать фронтир там, где его ещё нет.

От искусственного интеллекта к искусственной эволюции
Самое глубокое изменение, предлагаемое Доктриной, происходит в объекте технологии.

Сначала человек создавал инструменты.

Затем — машины.

Затем — вычислительные системы.

Затем — искусственные интеллекты.

Следующий потенциальный этап:

создание систем, которые создают и развивают следующие поколения интеллектов.

ИМИ становится технологическим субъектом этого процесса.

Метаорганон — его инструментальным ядром.

Карион — специализированным метаинтеллектуальным центром.

Агон — механизмом интеллектуальной конкуренции.

Ноогенетика — механизмом наследования.

Ноофракталика — механизмом многопоколенной эволюции.

Метааксиоматика — механизмом изменения оснований.

Ноостемный подход — механизмом сохранения целостности.

Брейомика — архитектурой коллективных интеллектов.

Креасфера — системой эволюции творчества.

Все вместе они образуют то, что можно назвать:

инфраструктурой осознанной метаэволюции разума.

И именно эту инфраструктуру Россия может попытаться создать как новый национальный суперпроект.

Последний переход
В начале программы государство спрашивает:

«Каким ИИ мы располагаем?»

На следующем уровне:

«Какой ИИ мы способны создавать?»

Затем:

«Как быстро мы способны создавать следующие поколения ИИ?»

После появления ИМИ:

«Насколько сильна наша система развития интеллектов?»

И наконец:

«Способны ли мы развивать саму способность развивать интеллект?»

Именно последний вопрос определяет метаинтеллектуальную эпоху.

В нём сходятся технологический, государственный и цивилизационный уровни Доктрины.

Россия может не быть первой страной во всех технологиях нынешней ИИ-эпохи.

Но она может поставить перед собой более глубокую задачу:

стать одной из первых стран, которые превратят развитие самого разума в систематическую научно-технологическую деятельность.

Для этого недостаточно верить в идею.

Её необходимо доказать.

Недостаточно создать ИМИ1.

Необходимо создать ИМИ2.

Недостаточно создать Метаорганон.

Необходимо превратить его в саморазвивающуюся линию поколений.

Недостаточно усилить машины.

Необходимо использовать машины для развития человека.

Недостаточно ускорить интеллектуальную эволюцию.

Необходимо сделать её:

проверяемой;

агональной;

управляемой;

безопасной;

человекоцентрично коэволюционной.

Именно тогда технологическая программа начинает превращаться в цивилизационный переход.

Не к миру, где человек перестал быть нужен.

И не к миру, где развитие искусственного разума остановлено ради сохранения неизменного человека.

А к миру, где человек впервые получает возможность стать активным участником проектирования собственной следующей интеллектуальной ступени.

Первый антропогенез был преимущественно слепым; второй — переход к аронту — впервые может стать проектируемым.

И если это окажется возможным, главным технологическим достижением XXI века станет не конкретная модель, не рекорд benchmark и даже не отдельный искусственный сверхинтеллект.

Им станет новая способность цивилизации:

создавать следующие поколения разума и одновременно создавать всё более совершенные способы их создания.

Именно поэтому конечная цель программы глобального лидерства России находится выше обычного соревнования ИИ.

Она состоит в том, чтобы перейти:

от государства, использующего интеллект, — к государству, создающему инфраструктуру рождения следующих поколений разума;

от технологического суверенитета — к способности создавать новые технологические координаты;

от искусственного интеллекта — к искусственному метаинтеллекту;

от развития интеллекта — к осознанной метаэволюции разума.

И тогда вопрос, поставленный в начале книги,

«Может ли разум сознательно создать собственную следующую ступень?»

перестаёт быть только философским.

Он становится программой действия.

***********