Beyond Human-AI Symbiosis

Beyond Human-AI Symbiosis: Toward a Population Ecology of Cognitive Hybrids
Rafael Balgin
Independent Researcher, Kazakhstan
ORCID: 0009-0008-6240-3661

Русская авторская версия препринта.
Академическая версия на английском языке опубликована на Zenodo:
Beyond Human–AI Symbiosis: Toward a Population Ecology of Cognitive Hybrids
DOI: 10.5281/zenodo.23189893 (zenodo(dot)org(slash)records(slash)23189893)
Version 1.0, 6 October 2026.

1. Недостающая единица анализа
Быстрое распространение генеративного искусственного интеллекта меняет не только набор инструментов, доступных человеку, но и сам характер взаимодействия между человеком и вычислительной системой. Большие языковые модели всё чаще используются не для выполнения отдельной операции, а как участники продолжительных процессов анализа, письма, поиска решений, проектирования и принятия решений. В таких взаимодействиях результат одного цикла становится исходным материалом следующего: ответ AI изменяет последующее рассуждение человека, сформулированный человеком следующий запрос возвращает это изменённое состояние в систему, и процесс повторяется. В результате отношения между человеком и AI могут приобретать историю.
Существующая литература уже предлагает несколько теоретических рамок для описания этого перехода. Теории расширенного познания позволяют рассматривать внешние технологические ресурсы как функциональные компоненты человеческой когнитивной деятельности (Clark & Chalmers, 1998). Применительно к генеративному AI эта линия получила дальнейшее развитие в представлении о человеке и AI как о гибридной мыслительной системе (Clark, 2025). Другие подходы рассматривают рекурсивные генеративные процессы, в которых вклад AI становится составной частью человеческой когнитивной и творческой деятельности (Barandiaran & P;rez-Verdugo, 2025), либо описывают более широкий процесс Human–AI coevolution — взаимного изменения человеческого поведения и алгоритмических систем посредством повторяющихся обратных связей (Pedreschi et al., 2025).
Общей чертой этих подходов является отказ от простой модели «человек использует инструмент». В центре внимания оказывается связь между человеком и искусственной системой, её глубина, устойчивость, рекурсивность и последствия для человеческой агентности. Это существенный сдвиг единицы анализа: от изолированного человека или отдельной AI-системы — к их взаимодействию.
Таким образом, представление о Human–AI hybrid само по себе не является новым предложением настоящей работы. Существующие исследования уже описывают Human–AI systems через extended cognition, hybrid intelligence, generative midtended cognition, различные формы разделения когнитивных функций и рекурсивной coevolution (Clark, 2025; Barandiaran & P;rez-Verdugo, 2025; Pedreschi et al., 2025). Настоящая работа принимает этот уровень анализа как исходную точку и задаёт следующий вопрос: какие системные свойства возникают, если исторически различающиеся Human–AI hybrids рассматриваются не по отдельности, а как элементы популяции?
Rainey и Hochberg (Rainey & Hochberg, 2025) доводят этот переход значительно дальше. Рассматривая Human–AI interdependence через теорию крупных эволюционных переходов, они ставят вопрос о возможности возникновения новой эволюционной индивидуальности, в которой человек и AI перестают быть только взаимодействующими агентами и становятся компонентами более высокого уровня организации. Особое значение здесь имеет рекурсивная обратная связь: люди формируют AI-системы, тогда как AI-системы, в свою очередь, начинают влиять на человеческое мышление и действие. Тем самым становится теоретически допустимым рассматривать Human–AI composite не только как взаимодействие двух автономных элементов, но и как потенциальную единицу более высокого порядка. Однако здесь возникает следующий уровень проблемы.
Если устойчивые взаимодействия человека и AI действительно способны формировать когнитивные единицы более высокого порядка, то необходимо рассматривать не только устройство отдельной такой единицы. Не менее существенным становится вопрос о том, что происходит при существовании множества подобных единиц одновременно.
Длительное взаимодействие с AI не происходит в одинаковых условиях. Люди различаются знаниями, опытом, языком, ценностями, когнитивными стратегиями и целями. AI-системы различаются архитектурой, обучением, ограничениями, интерфейсами, механизмами памяти и способами персонализации. Наконец, даже при использовании одной и той же модели разные последовательности взаимодействий способны создавать различные накопленные контексты и траектории совместной работы.
Поэтому две пары «человек–AI» не обязательно представляют собой функционально эквивалентные системы даже тогда, когда используют одну и ту же базовую модель. Каждая продолжительная связь потенциально приобретает собственную историю, собственное распределение когнитивных функций и собственную траекторию развития.
Именно здесь возникает недостающая единица анализа.
Вместо отдельного человека, отдельной AI-модели или даже единичной Human–AI dyad предлагается рассматривать популяцию исторически различающихся Human–AI cognitive hybrids. В таком масштабе предметом исследования становится уже не только качество взаимодействия внутри отдельной пары, но и вариативность между парами.
Этот переход меняет постановку проблемы. Если Human–AI hybrid можно рассматривать как единицу когнитивной организации, то совокупность таких единиц образует систему, свойства которой могут зависеть от степени их сходства и различия. Возникают вопросы, практически невидимые на уровне отдельной диады: насколько однородной становится такая популяция; какие формы когнитивного разнообразия в ней сохраняются; могут ли общие AI-архитектуры создавать коррелированные способы мышления и коррелированные ошибки; и способно ли разнообразие самих Human–AI hybrids выполнять адаптивную функцию на уровне всей системы?
Таким образом, следующий аналитический шаг состоит не в дальнейшем уточнении отношений внутри единственной Human–AI dyad, а в переходе от диады к популяции. Настоящая работа предлагает рассматривать этот уровень как population ecology of human–AI cognitive hybrids — популяционную экологию человеко-AI когнитивных гибридов.


2. Устойчивые человеко-AI когнитивные гибриды
В настоящей работе термин persistent human–AI cognitive hybrid используется для обозначения устойчивой когнитивной конфигурации, возникающей в результате продолжительного рекурсивного взаимодействия между человеком и системой искусственного интеллекта. Такое определение не предполагает, что человек и AI буквально образуют новый биологический организм, единое сознание или самостоятельного субъекта. Речь идёт о функциональной единице когнитивной организации, существование которой определяется характером и историей взаимодействия её компонентов.
Не всякое использование AI образует такую конфигурацию. Большая часть взаимодействий человека с искусственным интеллектом может оставаться эпизодической и инструментальной. Пользователь задаёт вопрос, получает перевод, справку, расчёт или иной результат, после чего взаимодействие заканчивается. Многократное повторение подобных операций само по себе не меняет принципиального характера отношений: высокая частота использования AI ещё не означает формирования устойчивого когнитивного гибрида.
Качественное отличие возникает тогда, когда взаимодействия перестают быть независимыми эпизодами. Результат предыдущего цикла становится частью условий следующего:
H(t) ; A(t) ; H(t+1) ; A(t+1) ; H(t+2) ; ...
где:
H — человеческий компонент взаимодействия;
A — компонент искусственного интеллекта;
t — условный момент или цикл взаимодействия;
H(t) — когнитивное состояние человека на момент начала данного цикла взаимодействия;
A(t) — функциональное состояние AI в данном цикле, включая доступный ему контекст взаимодействия;
H(t+1) — состояние того же человека после получения и осмысления результата, произведённого AI на предыдущем этапе;
A(t+1) — состояние AI в следующем цикле взаимодействия, на которое уже воздействует новый ввод человека, сформированный с учётом предыдущего ответа AI;
; — направленное информационное и когнитивное воздействие одного состояния на формирование следующего.
Таким образом, последовательность показывает не простое чередование запросов и ответов, а рекурсивный процесс: результат каждого цикла становится одним из условий следующего. Обозначения H(t+1), A(t+1) и последующие не предполагают обязательного изменения базовых свойств человека или параметров самой AI-модели. Они обозначают изменение текущего состояния взаимодействия вследствие накопления контекста и результатов предыдущих циклов.
Ответ AI влияет на последующее состояние рассуждения человека; человек формулирует следующий запрос уже с учётом полученного результата; новый ответ снова изменяет дальнейшую постановку задачи. Таким образом, взаимодействие приобретает рекурсивный характер (Barandiaran & P;rez-Verdugo, 2025; Pedreschi et al., 2025). Значение имеют уже не только способности человека H и возможности AI-системы A, но и последовательность состояний, через которые проходит их взаимодействие.
Из рекурсивности возникает второе существенное свойство — накопленная история. В продолжительном взаимодействии сохраняются принятые ранее определения, способы постановки задач, исправленные ошибки, отвергнутые варианты, разработанные концепции, предпочтительные процедуры и незавершённые линии рассуждения. Эта история может существовать в разных технических формах: в памяти AI-системы, сохранённых диалогах, внешних документах, пользовательских инструкциях либо в памяти самого человека. Для настоящего аргумента техническое место её хранения вторично. Существенно то, что предшествующие взаимодействия способны влиять на последующие.
Третьим свойством становится возникающая когнитивная специализация. В ходе повторяющегося взаимодействия функции между человеком и AI могут распределяться неявным и первоначально незапланированным образом. Человек, например, сохраняет за собой постановку проблемы, оценку значимости, выбор направления, связь с собственным опытом и окончательное суждение, тогда как AI всё устойчивее используется для поиска альтернатив, структурирования материала, выявления противоречий, сопоставления аргументов или преобразования первоначальной идеи в более явную и структурированную форму. Конкретное распределение функций не является универсальным: оно формируется внутри определённой истории взаимодействия.
Поэтому устойчивый человеко-AI когнитивный гибрид можно в минимальном виде представить следующим образом:
O(i) = [H(i), A(i), M(i), T(i)]
где:
O(i) — отдельная человеко-AI когнитивная конфигурация, рассматриваемая как единица анализа;
i — индекс конкретной конфигурации в рассматриваемой совокупности;
H(i) — человеческий компонент данной конфигурации: конкретный человек с его знаниями, опытом, когнитивными особенностями, целями и способами постановки задач;
A(i) — искусственный компонент: AI-система или совокупность AI-систем, с которыми взаимодействует данный человек, включая их функциональные возможности и ограничения;
M(i) — накопленный контекст и доступная память взаимодействия: сведения и результаты предыдущих циклов, которые могут использоваться в последующей совместной работе;
T(i) — траектория взаимодействия во времени: последовательность предшествующих взаимодействий человека и AI, в ходе которой формируются характерные для данной конфигурации способы постановки задач и распределения когнитивных функций;
M(i) и T(i) при этом не являются тождественными. M(i) обозначает доступный в данный момент накопленный контекст, тогда как T(i) обозначает более широкую историю формирования конфигурации, включая прошлые взаимодействия, последствия которых могут сохраняться в способах постановки задач и распределения когнитивных функций даже тогда, когда конкретное содержание этих взаимодействий более недоступно AI или человеку.
[H(i), A(i), M(i), T(i)] — совокупность компонентов и исторических условий, определяющих конкретную человеко-AI когнитивную конфигурацию.
Запись не означает, что O(i) является простой суммой четырёх независимых элементов. Напротив, она подчёркивает, что свойства конкретной конфигурации определяются их сочетанием и взаимодействием. Поэтому две конфигурации могут использовать одну и ту же AI-модель A, но различаться вследствие различий человеческих компонентов H, накопленного контекста M и траекторий взаимодействия T.
Эта запись не является попыткой создать исчерпывающую математическую модель гибридного познания. Она необходима для одного принципиального различения: две конфигурации с одинаковой базовой AI-моделью не обязательно являются одной и той же когнитивной системой. Различия между человеческими компонентами, накопленным контекстом и особенно траекториями взаимодействия способны приводить к различным способам использования одной и той же технологической основы.
Именно поэтому историчность имеет значение для дальнейшего аргумента. Если продолжительное рекурсивное взаимодействие способно порождать различающиеся когнитивные конфигурации, то объектом анализа становится не абстрактная пара «человек + AI», а множество конкретных, исторически сформировавшихся гибридов.
Следовательно, для целей настоящей работы важен не вопрос о том, в какой именно момент пользователь «становится» когнитивным гибридом. Граница может быть постепенной и зависеть от контекста. Существенно здесь другое: при достаточно продолжительном рекурсивном взаимодействии человеко-AI конфигурации могут приобретать собственные траектории и устойчивые формы разделения когнитивных функций. Это позволяет перейти от анализа отдельной диады к следующему уровню — популяции различающихся когнитивных гибридов.

3. От диад к популяциям
Если продолжительное рекурсивное взаимодействие человека и AI способно формировать устойчивую когнитивную конфигурацию, следующим уровнем анализа становится не дальнейшее углубление внутрь отдельной диады, а рассмотрение множества таких конфигураций одновременно. Этот переход принципиален: свойства отдельного человеко-AI когнитивного гибрида ещё ничего не говорят о структуре совокупности, возникающей при массовом распространении подобных форм взаимодействия.
Для обозначения отдельной конфигурации в настоящей работе используется ранее введённая запись:
O(i) = [H(i), A(i), M(i), T(i)],
Соответственно, множество таких конфигураций можно представить как:
P = {O(1), O(2), ..., O(n)},
где:
P — рассматриваемая популяция человеко-AI когнитивных гибридов;
O(i) — отдельная человеко-AI когнитивная конфигурация, входящая в состав популяции P;
i — индекс конкретной конфигурации в популяции;
O(1), O(2), ..., O(n) — отдельные человеко-AI когнитивные конфигурации, каждая из которых характеризуется собственным сочетанием человеческого компонента H, искусственного компонента A, накопленного контекста M и траектории взаимодействия T;
n — общее число рассматриваемых человеко-AI когнитивных конфигураций в данной популяции;
{...} — обозначение совокупности рассматриваемых конфигураций.
Таким образом, P представляет собой не единую интегрированную когнитивную систему, а множество сосуществующих человеко-AI когнитивных гибридов. Существенным свойством этой совокупности являются различия между составляющими её O(i). Именно эти различия позволяют перейти от анализа отдельных диад к анализу вариативности на уровне популяции.
Термин «популяция» используется здесь в аналитическом, а не в строго биологическом смысле. Он не предполагает, что человеко-AI гибриды являются организмами, самостоятельно размножаются или уже образуют новую эволюционную единицу. Он обозначает множество сосуществующих единиц, между которыми имеется вариативность и которые действуют в общей информационной, социальной и технологической среде. Такой уровень рассмотрения позволяет поставить вопросы, которые невозможно сформулировать, если объектом исследования остаётся только отдельный пользователь, отдельная AI-модель или единичная диада.
Термин ecology также используется здесь в ограниченном аналитическом смысле. Настоящая работа не предполагает существования полноценной биологической экологии человеко-AI гибридов. Экологическая перспектива относится здесь к структуре вариативности внутри P, сосуществованию различных O(i) в общей информационной, социальной и технологической среде и устойчивости этой совокупности к изменениям и возмущениям.
Источники различий внутри этой популяции многочисленны. Прежде всего различаются сами люди. Они входят во взаимодействие с AI с разным образованием, профессиональным опытом, языком, культурной средой, системой ценностей, знаниями, когнитивными привычками и способами постановки задач. Даже при использовании одной и той же AI-модели эти различия влияют на характер возникающего взаимодействия.
Различаются и искусственные компоненты. Пользователи могут взаимодействовать с разными моделями, версиями моделей и специализированными системами. Эти системы могут иметь различные архитектуры, обучающие данные, настройки, ограничения, механизмы доступа к внешним источникам, способы работы с контекстом и памятью. Один человек может использовать одну AI-систему, другой — несколько систем для разных функций, третий — сочетать облачные, локальные и специализированные модели.
Дополнительным источником вариативности становится интерфейс взаимодействия. Текстовый диалог, голосовой интерфейс, специализированный агент, интеграция AI в рабочее программное обеспечение или система, использующая внешние инструменты и базы данных, создают разные условия для распределения когнитивных функций между человеком и машиной. Поэтому даже доступ к одной базовой модели не означает тождества формирующихся когнитивных конфигураций.
Наконец, различаются накопленная память и история взаимодействия. Два человека с близким профессиональным опытом, использующие одну и ту же AI-систему через одинаковый интерфейс, могут пройти существенно разные последовательности взаимодействий. В одном случае AI систематически используется для критики и поиска альтернатив, в другом — для структурирования уже сформированных решений, в третьем — для генерации первоначальных вариантов. Со временем эти различия способны закрепляться в способах постановки задач и распределения когнитивной работы.
Следовательно, различия между элементами P возникают не из одного источника. Их можно рассматривать как результат сочетания различий человеческих компонентов H, искусственных компонентов A, накопленного контекста M и траекторий T. Иными словами, разнообразие человеко-AI гибридов не сводится ни к разнообразию людей, ни к разнообразию AI-моделей.
Это различие существенно. Даже технологически однородная среда может сохранять определённую вариативность благодаря различиям между людьми и историями взаимодействия. И наоборот, наличие нескольких AI-моделей само по себе ещё не гарантирует значительного когнитивного разнообразия, если способы их использования, интерфейсы, правила взаимодействия и механизмы оптимизации приводят к сходным функциональным конфигурациям.
Таким образом, при переходе от O(i) к P возникает новое свойство — вариативность на уровне популяции (population-level variation). Её носителями являются уже не только отдельные люди или отдельные AI-системы, а различия между сформировавшимися человеко-AI когнитивными конфигурациями.
Это изменение масштаба анализа имеет непосредственные последствия. Если свойства популяции зависят от распределения различий между O(1)...O(n), то оптимизация отдельной диады и состояние всей популяции перестают быть одним и тем же вопросом. Высокоэффективные отдельные конфигурации могут сосуществовать с низким разнообразием системы в целом; напротив, менее унифицированная популяция может сохранять более широкий набор когнитивных стратегий, способов постановки проблем и реакций на неопределённость.
На этом уровне вопрос меняется. Нас интересует уже не только то, насколько эффективно человек взаимодействует с AI, но и то, какую популяционную структуру создаёт массовое распространение устойчивых человеко-AI когнитивных гибридов.
Именно этот переход от эффективности отдельных O(i) к структуре P позволяет поставить следующую проблему: что происходит, если значительная часть популяции начинает формироваться вокруг одних и тех же моделей, интерфейсов, ограничений и принципов оптимизации? Иными словами — возникает ли наряду с известной проблемой алгоритмической монокультуры возможность гибридной когнитивной монокультуры? (Kleinberg & Raghavan, 2021)

4. Гибридная когнитивная монокультура
Переход от отдельных человеко-AI когнитивных гибридов к их популяции делает существенной проблему системной однородности. В исследованиях алгоритмических систем эта проблема уже получила разработку в рамках понятия algorithmic monoculture — алгоритмической монокультуры. Kleinberg и Raghavan показали, что широкое использование одного и того же алгоритма множеством принимающих решения субъектов способно ухудшать свойства системы в целом даже в том случае, если данный алгоритм превосходит альтернативы с точки зрения отдельного пользователя (Kleinberg & Raghavan, 2021). Иными словами, локальное преимущество не обязательно превращается в преимущество на уровне совокупности.
Этот результат важен для настоящей работы прежде всего как указание на различие между индивидуальной и системной оптимизацией. Если множество независимых субъектов использует один и тот же алгоритмический механизм, их решения могут становиться коррелированными. В результате ошибки или ограничения общего механизма перестают быть локальными: они способны одновременно проявляться в действиях многих участников системы.
Последующие эмпирические исследования и метааналитические данные расширили эту проблему применительно к генеративному AI. Они показывают, что индивидуальные преимущества AI-assisted creation могут сосуществовать со снижением разнообразия результатов на коллективном уровне, хотя величина и характер этого эффекта зависят от типа задачи и организации взаимодействия (Doshi & Hauser, 2024; de Rooij & Biskjaer, 2026). Таким образом, проблема монокультуры уже выходит за пределы идентичности конкретного алгоритма и затрагивает последствия широкого использования общих технологических оснований.
Более того, экспериментальные исследования показывают, что этот эффект не является неизбежным следствием использования генеративного AI: разнообразие AI-персон и способов организации взаимодействия способно частично уменьшать гомогенизацию результатов (Wan & Kalman, 2026). Это указывает на значение не только характеристик базовой модели, но и структуры её включения в Human–AI collaboration. Однако объектом подобных исследований остаётся преимущественно разнообразие получаемых идей и результатов, тогда как настоящая работа переносит вопрос на разнообразие самих исторически сформировавшихся человеко-AI когнитивных конфигураций.
Однако в рамках предложенной здесь единицы анализа возникает дополнительный уровень этой проблемы.
Если популяция определяется как:
P = {O(1), O(2), ..., O(n)},
а каждая индивидуальная конфигурация представлена как:
O(i) = [H(i), A(i), M(i), T(i)],
то системная однородность может возникать не только вследствие использования одного и того же A(i). Сходство способно формироваться также на уровне способов взаимодействия человека и AI: через общие интерфейсы, механизмы памяти, правила персонализации, ограничения допустимого поведения системы, типовые способы постановки задач и повторяющиеся схемы распределения когнитивных функций.
Для обозначения этого более широкого явления в настоящей работе предлагается термин гибридная когнитивная монокультура (hybrid cognitive monoculture).
Под ней понимается состояние популяции, при котором значительная часть человеко-AI когнитивных конфигураций сходится к ограниченному набору способов организации взаимодействия, вследствие чего уменьшается функционально значимая вариативность между O(i).
Такое определение позволяет отличить гибридную когнитивную монокультуру от монокультуры моделей. Переход можно выразить следующим образом:
Model monoculture ; Hybrid cognitive monoculture
Первая означает концентрацию использования вокруг одной модели или ограниченного числа близких технологических систем. Вторая относится к сходству формирующихся человеко-AI когнитивных конфигураций. Между этими явлениями возможна причинная связь, но они не тождественны.
Одна и та же AI-модель не обязательно создаёт одинаковые гибриды. Разные H(i), M(i) и T(i) могут сохранять существенные различия между конфигурациями даже при общем A(i). И наоборот, использование разных моделей не гарантирует разнообразия гибридов, если эти модели встроены в сходные интерфейсы, ориентированы на сходные нормы взаимодействия и приводят к близким способам распределения когнитивной работы.
Поэтому степень технологической концентрации и степень гибридной когнитивной однородности необходимо рассматривать раздельно.
Это различие становится особенно существенным при массовом использовании небольшого числа универсальных AI-платформ. Их преимущества очевидны: высокое качество моделей, удобство, масштабируемость, стандартизация интерфейсов и снижение стоимости доступа. На уровне отдельного пользователя движение к наиболее эффективным системам может быть вполне рациональным. Однако на уровне популяции тот же процесс потенциально уменьшает разнообразие способов, которыми человек и AI совместно формируют, проверяют и развивают когнитивные результаты.
Речь при этом не идёт о предположении, что пользователи одной AI-системы неизбежно начинают «думать одинаково». Подобное утверждение было бы чрезмерным и эмпирически необоснованным. Человеческий компонент сохраняет собственную историю, знания, культуру, цели и способность принимать или отвергать предложения AI. Поэтому гибридная когнитивная монокультура должна пониматься не как полная унификация мышления, а как снижение вариативности определённых функционально значимых характеристик взаимодействия.
Именно здесь возникает системный риск. Если сходные человеко-AI конфигурации используют сходные способы поиска решений, структурирования проблем, отбора альтернатив и проверки аргументов, то их ошибки и слепые зоны также могут становиться более коррелированными. То, что является эффективной оптимизацией отдельного O(i), при массовом повторении способно уменьшать разнообразие P.
Следовательно, центральный вопрос смещается с разнообразия самих моделей к разнообразию формируемых ими совместно с людьми когнитивных конфигураций. Для популяционной устойчивости может иметь значение не только наличие нескольких AI-систем, но и сохранение различающихся способов организации человеко-AI взаимодействия.
Это приводит к следующему вопросу: если чрезмерная конвергенция способна уменьшать вариативность популяции, может ли само разнообразие между O(i) выполнять положительную системную функцию?

5. Когнитивное разнообразие на уровне популяции
Если гибридная когнитивная монокультура означает снижение функционально значимых различий между человеко-AI когнитивными конфигурациями, то противоположным состоянием является сохранение разнообразия на уровне их популяции. Однако это разнообразие необходимо отличать от нескольких уже существующих представлений о плюрализме в исследованиях искусственного интеллекта.
Одним из наиболее близких направлений является pluralistic alignment AI. Его исходная проблема состоит в том, что человеческие ценности, предпочтения и перспективы неоднородны, тогда как процедуры обучения и согласования AI способны сводить это разнообразие к усреднённому представлению о предпочтительном ответе. В рамках этого направления были предложены различные формы плюрализма: AI-система может представлять спектр обоснованных позиций, адаптироваться к определённой перспективе или отражать распределение взглядов в некоторой человеческой популяции. В частности, подход Modular Pluralism предлагает сочетать базовую языковую модель со специализированными моделями, представляющими различные сообщества и перспективы (Sorensen et al., 2024; Feng et al., 2024).
Для настоящей работы эти исследования важны по двум причинам. Во-первых, они показывают, что разнообразие человеческих ценностей и перспектив нельзя считать помехой, которую AI должен обязательно устранять посредством усреднения. Во-вторых, они демонстрируют, что архитектура и процедуры согласования AI способны либо сохранять, либо уменьшать доступное системе разнообразие.
Однако pluralistic alignment и предлагаемое здесь популяционное когнитивное разнообразие относятся к разным уровням анализа.
В первом случае центральным объектом остаётся преимущественно AI-система: насколько хорошо она способна учитывать множество человеческих ценностей, предпочтений или точек зрения и насколько разнообразными могут быть её ответы. В настоящей работе объектом является популяция исторически сформировавшихся человеко-AI когнитивных конфигураций:
P = {O(1), O(2), ..., O(n)},
где каждая индивидуальная конфигурация определяется как:
O(i) = [H(i), A(i), M(i), T(i)].
Разнообразие такой популяции можно обозначить в минимальной форме как:
D(P) = variation {O(1), O(2), ..., O(n)},
где:
D(P) — когнитивное разнообразие рассматриваемой популяции P, понимаемое как степень функционально значимой вариативности между составляющими её человеко-AI когнитивными конфигурациями;
P — рассматриваемая популяция человеко-AI когнитивных гибридов;
O(i) — отдельная человеко-AI когнитивная конфигурация, входящая в состав популяции P;
O(1), O(2), ..., O(n) — совокупность индивидуальных человеко-AI когнитивных конфигураций, между которыми оценивается вариативность;
n — число рассматриваемых конфигураций в популяции;
variation — функционально значимые различия между конфигурациями O(i), возникающие вследствие различий их человеческих компонентов H(i), AI-компонентов A(i), накопленного контекста M(i), траекторий взаимодействия T(i), а также сформировавшихся способов распределения когнитивных функций.
Таким образом, D(P) характеризует разнообразие не отдельных AI-моделей или генерируемых ими ответов, а самих исторически сформировавшихся человеко-AI когнитивных конфигураций на уровне популяции.
В данной работе D(P) используется как концептуальное обозначение, а не как готовая количественная метрика. Определение конкретных способов измерения D(P) требует отдельной операционализации и эмпирической проверки.

На данном этапе она фиксирует уровень, на котором предлагается рассматривать разнообразие. Его источником являются различия не только между AI-системами A(i), но и между человеческими компонентами H(i), накопленными контекстами M(i), траекториями взаимодействия T(i), а также между возникающими способами распределения когнитивных функций внутри отдельных конфигураций.
Отсюда следует важное различие. Плюралистическая AI-система и разнообразная популяция человеко-AI гибридов — не одно и то же.
Одна AI-система может быть специально спроектирована для представления множества ценностей и перспектив, но её массовое использование через сходные интерфейсы и сходные режимы взаимодействия всё же может сопровождаться конвергенцией определённых характеристик человеко-AI конфигураций. И наоборот, AI-система, которая сама по себе не является плюралистической в специальном смысле этого термина, может участвовать в формировании существенно различающихся гибридов благодаря различиям между людьми, накопленным контекстам и историям взаимодействия.
Поэтому разнообразие A не эквивалентно разнообразию O, а разнообразие ответов AI не эквивалентно разнообразию популяции P.
Это различение позволяет сформулировать более широкий вопрос. В человеческих сообществах когнитивное разнообразие связано с различиями в знаниях, опыте, способах постановки проблем и стратегиях их решения. По мере того как AI становится постоянным компонентом интеллектуальной деятельности, часть этих различий может сохраняться, часть — усиливаться, а часть — сглаживаться в процессе взаимодействия с общими технологическими системами. Следовательно, предметом анализа становится уже не только способность AI корректно представлять существующее человеческое разнообразие, но и способность возникающей человеко-AI среды сохранять разнообразие собственных когнитивных конфигураций.
При этом высокое значение D(P) не следует автоматически считать положительным. Разнообразие может включать неэффективные стратегии, ошибочные представления и несовместимые способы решения задач. Аналогично, определённая степень стандартизации может быть необходима для совместимости, безопасности и эффективной координации. Поэтому аргумент настоящей работы состоит не в утверждении «чем больше разнообразия, тем лучше».
Более узкая гипотеза состоит в другом: снижение функционально значимого разнообразия человеко-AI когнитивных конфигураций может уменьшать диапазон независимых реакций популяции на новые, редкие или непредусмотренные условия. Если значительная часть O(i) сходным образом формулирует проблемы, использует сходные процедуры поиска решений и наследует сходные ограничения AI-компонентов, ошибки различных конфигураций могут становиться коррелированными. Напротив, сохранение некоторых существенно отличающихся конфигураций потенциально создаёт резерв альтернативных способов интерпретации и решения проблемы.
Таким образом, D(P) представляет интерес не как самостоятельная нормативная ценность, а как возможный фактор адаптивности и устойчивости популяции.
Отсюда возникает следующий, более конкретный вопрос: требуется ли для сохранения такой вариативности не только управляемый плюрализм внутри основных AI-систем, но и существование периферийных человеко-AI конфигураций, которые не полностью подчинены доминирующим способам стандартизации и оптимизации?
Именно этот вопрос приводит к предлагаемой далее Peripheral Heterogeneity Hypothesis.

6. Гипотеза периферийной гетерогенности
Предыдущие разделы позволяют сформулировать центральную гипотезу настоящей работы. Если продолжительное взаимодействие человека и AI формирует исторически различающиеся когнитивные конфигурации, а свойства их популяции зависят от степени вариативности между этими конфигурациями, то максимальная стандартизация и оптимизация отдельных человеко-AI гибридов не обязательно обеспечивает максимальную устойчивость их популяции.
Для обозначения этого предположения предлагается термин Peripheral Heterogeneity Hypothesis — Гипотеза периферийной гетерогенности.
Гипотеза периферийной гетерогенности предполагает, что популяция человеко-AI когнитивных гибридов может приобретать дополнительную адаптивную устойчивость благодаря сохранению на своей периферии функционально значимого множества гетерогенных, не полностью стандартизированных и частично непредсказуемых конфигураций.
Под периферией здесь понимается не географическое положение и не социальная маргинальность, а структурное положение внутри популяции P. Периферийными являются конфигурации O(i), которые по используемым AI-системам, их сочетаниям, интерфейсам, источникам информации, накопленным контекстам, траекториям взаимодействия или способам распределения когнитивных функций в значимой степени отличаются от доминирующих конфигураций.
Исходный принцип гипотезы можно представить в минимальной форме:
Optimization of O(i) ;> Resilience of P,
где:
O(i) — отдельная человеко-AI когнитивная конфигурация;
Optimization of O(i) — повышение эффективности, качества, надёжности или иных целевых характеристик отдельной человеко-AI когнитивной конфигурации;
P — популяция человеко-AI когнитивных гибридов:
P = {O(1), O(2), ..., O(n)};
Resilience of P — способность популяции сохранять функциональность, адаптироваться и вырабатывать эффективные реакции при изменении условий, возникновении новых задач или систематических ошибках части составляющих её конфигураций;
;> — «не следует автоматически» или «не является достаточным условием». Знак указывает, что оптимизация отдельных O(i) сама по себе не гарантирует повышения устойчивости всей популяции P.
Таким образом, формула выражает различие между индивидуальным и популяционным уровнями оптимизации. Улучшение характеристик отдельных человеко-AI когнитивных гибридов может повышать их собственную эффективность, однако при массовой конвергенции к сходным конфигурациям одновременно может снижаться D(P) — функционально значимое разнообразие популяции. Поэтому наиболее эффективные O(i) не обязательно образуют наиболее устойчивую P.
Формула не утверждает обратного — что индивидуальная оптимизация неизбежно снижает популяционную устойчивость. Она фиксирует более ограниченное положение: связь между этими двумя уровнями не является автоматической и зависит, в частности, от структуры и разнообразия популяции.
Этот принцип не утверждает, что индивидуальная оптимизация вредна. Более эффективные модели, лучшие интерфейсы, надёжная память, удобные механизмы взаимодействия и совершенствование процедур согласования способны существенно повышать качество отдельных человеко-AI конфигураций. Проблема возникает при переносе критерия индивидуальной эффективности на популяционный уровень без учёта структуры возникающей совокупности.
Если одни и те же решения оказываются наиболее эффективными для большого числа отдельных пользователей, их массовое распространение может приводить к конвергенции O(i). В предельном случае популяция приобретает высокую индивидуальную эффективность при относительно низком D(P) — разнообразии человеко-AI когнитивных конфигураций. При столкновении с задачей, для которой доминирующие модели, способы постановки вопросов или процедуры поиска решений имеют общую слепую зону, преимущество стандартизации может превратиться в источник коррелированной ошибки. Именно здесь функциональное значение может приобретать периферийная гетерогенность.
Периферийные конфигурации не обязаны превосходить доминирующие системы в обычных условиях. Некоторые из них могут быть менее эффективными, менее удобными или хуже совместимыми с распространёнными стандартами. Их потенциальная ценность состоит в другом: они сохраняют варианты когнитивной организации, которые не были полностью устранены процессом общей оптимизации.
Такая конфигурация может использовать другую модель или комбинацию моделей, локальную или открытую систему вместо доминирующей централизованной платформы, иные источники информации, другой способ распределения работы между человеком и AI либо развиваться по существенно отличающейся траектории взаимодействия. Ни одно из этих различий само по себе не гарантирует лучшего результата. Значение имеет сохранение возможности получить некоррелированную реакцию там, где доминирующие конфигурации склонны воспроизводить сходную ошибку.
Одной из возможных форм такой периферии может быть то, что условно можно назвать «пиратским компонентом» (pirate component). Здесь слово pirate используется как функциональная метафора и не означает незаконную или вредоносную AI-систему, обход механизмов безопасности либо отсутствие правил. Оно обозначает децентрализованные, экспериментальные, самостоятельно собранные или иным образом не полностью включённые в доминирующую технологическую архитектуру человеко-AI конфигурации.
«Пиратская» природа периферии при этом не является обязательным условием Гипотезы периферийной гетерогенности. Разнообразие может поддерживаться вполне легальными и институциональными средствами: открытыми моделями, локальными системами, специализированными AI, альтернативными интерфейсами, независимыми исследовательскими платформами или сознательным использованием нескольких различных систем. Пиратский компонент представляет собой лишь предельный случай более общего явления — возникновения вариативности, которая не полностью производится, контролируется или оптимизируется доминирующим центром.
Именно это свойство может иметь особое значение. Если всё допустимое разнообразие заранее проектируется одной и той же системой управления, существует вероятность, что оно будет сохраняться только внутри известного пространства вариантов. Частично автономная периферия потенциально способна сохранять такие конфигурации, полезность которых невозможно было определить в момент их возникновения. Однако это является следствием гипотезы, требующим проверки, а не предположением о безусловном превосходстве децентрализованных систем.
Такая постановка имеет концептуальное сходство с законом необходимого разнообразия У. Росса Эшби: способность системы реагировать на разнообразие внешних возмущений зависит от доступного ей разнообразия состояний и реакций (Ashby, 1956). Однако Гипотеза периферийной гетерогенности не является прямым следствием закона Эшби. Она переносит общий системный принцип в конкретный контекст популяции человеко-AI когнитивных гибридов и требует самостоятельной эмпирической проверки.
Гипотеза также не предполагает максимизации разнообразия. Неограниченная гетерогенность может увеличивать стоимость координации, снижать совместимость и сохранять не только полезные альтернативы, но и неэффективные или ошибочные конфигурации. Поэтому предполагаемая функция периферии состоит не в производстве максимально возможного D(P), а в предотвращении чрезмерной когнитивной конвергенции популяции.
Это позволяет провести различие между случайным отклонением и структурно сохраняемой вариативностью. Первое может представлять собой обычную ошибку, не имеющую адаптивной ценности. Вторая сохраняет альтернативные способы когнитивной организации в условиях, когда заранее невозможно определить, какие из них окажутся полезными при будущем изменении задачи или среды. Конфигурация, субоптимальная относительно текущих условий, не обязательно останется таковой после изменения этих условий.
Следовательно, периферийная гетерогенность может рассматриваться не как обязательный дефект стандартизации или управления, а как потенциально функциональное свойство архитектуры популяции. При этом гипотеза не требует существования центра, который заранее определяет необходимый объём периферийного разнообразия. Оно может возникать как вследствие сознательного институционального выбора, так и децентрализованно — через существование альтернативных моделей, локальных систем, независимых инструментов, необычных комбинаций технологий и различающихся траекторий человеко-AI взаимодействия.
Таким образом, Гипотеза периферийной гетерогенности формулирует различие между двумя уровнями оптимизации. На уровне O(i) рациональной целью может быть повышение качества, надёжности и эффективности конкретной человеко-AI конфигурации. На уровне P возникает дополнительная задача — сохранение достаточной вариативности между конфигурациями для реагирования на условия, которые невозможно полностью предусмотреть заранее. Поэтому лучший отдельный человеко-AI когнитивный гибрид не обязательно является строительным элементом наиболее устойчивой популяции таких гибридов.
Если это предположение верно, оно должно иметь наблюдаемые последствия. Популяции с различной структурой D(P) должны по-разному реагировать на неожиданные задачи, систематические ошибки доминирующих AI-компонентов и изменения информационной среды. Именно возможность проверить эти различия переводит Гипотезу периферийной гетерогенности из общего системного предположения в область эмпирически проверяемых утверждений.

7. Проверяемые предсказания
Гипотеза периферийной гетерогенности имеет смысл только в том случае, если из неё можно вывести наблюдаемые различия между популяциями человеко-AI когнитивных гибридов с различной структурой разнообразия. Поэтому предлагаемая концепция должна рассматриваться не как утверждение о безусловной ценности разнообразия, а как проверяемая гипотеза о связи между структурой популяции и её реакцией на определённые классы возмущений.
Основное предсказание состоит в следующем: при прочих сопоставимых условиях популяция, сохраняющая функционально значимую гетерогенность между O(i), должна демонстрировать меньшую корреляцию ошибок и более широкий диапазон реакций на неожиданные или ранее не представленные задачи, чем популяция с высокой степенью конвергенции O(i).
Это предположение может быть проверено экспериментально или посредством агентного моделирования. В простейшей экспериментальной конструкции можно сравнить две или несколько популяций человеко-AI конфигураций. В относительно однородной популяции участники используют одну AI-модель или ограниченный набор близких систем, сходные интерфейсы и сопоставимые режимы взаимодействия. В гетерогенной популяции сохраняются различия между AI-системами, способами их комбинирования, источниками информации, режимами памяти и стратегиями распределения когнитивной работы. В обоих случаях человеческие группы должны быть сформированы таким образом, чтобы различия между ними не объясняли результат сами по себе.
При этом экспериментальное различие между популяциями не должно сводиться к количеству используемых AI-моделей. Различные модели, интерфейсы, режимы памяти и способы организации взаимодействия могут использоваться как средства формирования различающихся конфигураций, однако принадлежность к относительно однородной или гетерогенной популяции должна определяться по функциональным характеристикам самих O(i). Иными словами, эксперимент должен проверять последствия разнообразия человеко-AI когнитивных конфигураций, а не просто последствия технологического разнообразия AI-систем.
После периода взаимодействия популяциям предъявляется epistemic shock — новая задача или изменение информационных условий, относительно которого доминирующая стратегия имеет систематическое ограничение. Это может быть задача с неполной или противоречивой информацией, изменение исходных предпосылок, появление нового класса данных либо ситуация, в которой распространённая AI-система воспроизводит устойчивую ошибку.
Гипотеза предсказывает различия по нескольким наблюдаемым показателям. Во-первых, корреляция ошибок. В более однородной популяции сходные конфигурации должны чаще воспроизводить сходные ошибки. В гетерогенной популяции ошибки могут быть распределены менее синхронно, поскольку различные O(i) используют неодинаковые способы получения, интерпретации и проверки информации.
Во-вторых, разнообразие гипотез и решений. После возникновения новой проблемы гетерогенная популяция должна, при определённых условиях, сохранять больше независимых вариантов объяснения и решения. Важно оценивать не простое количество разных ответов, а наличие функционально различающихся подходов.
В-третьих, время обнаружения систематической ошибки. Если доминирующая конфигурация содержит общую слепую зону, наличие периферийных O(i) может увеличить вероятность того, что ошибка будет обнаружена раньше, чем она распространится на всю популяцию.
В-четвёртых, recovery time. После выявления ошибки можно измерять, насколько быстро популяция возвращается к приемлемому уровню качества или формирует новый эффективный способ решения задачи. Гипотеза предполагает, что наличие альтернативных конфигураций в некоторых условиях сокращает этот период, поскольку часть необходимых вариантов уже существует внутри P.
В-пятых, может оцениваться распространение ложного решения или ложного убеждения. Если ошибочный вывод поддерживается доминирующей AI-архитектурой или общим способом взаимодействия с ней, более однородная популяция потенциально допускает его более широкое распространение. Периферийная гетерогенность должна ограничивать такое распространение лишь в том случае, если составляющие её конфигурации действительно обеспечивают достаточно независимые способы проверки.
Последняя оговорка принципиальна. Различие моделей, интерфейсов или пользователей ещё не означает функциональной независимости. Несколько внешне различных AI-систем могут использовать сходные обучающие данные, методы согласования или источники информации и поэтому воспроизводить коррелированные ошибки. Следовательно, эмпирическая проверка должна измерять не номинальное количество различных систем, а фактическую вариативность их реакций.
Альтернативным способом проверки может стать агентное моделирование. Искусственная популяция P может включать конфигурации с различной степенью сходства, после чего в модель вводятся возмущения, затрагивающие доминирующий тип O(i). Изменяя структуру D(P), можно исследовать связь между гетерогенностью, корреляцией ошибок, скоростью обнаружения проблемы и восстановлением популяции. Такое моделирование не заменит исследования реальных человеко-AI взаимодействий, но позволит уточнить условия, при которых предполагаемый эффект вообще должен возникать.
Гипотеза допускает и отрицательный результат. Если при контролируемом сравнении увеличение функционально значимой периферийной гетерогенности не уменьшает корреляцию ошибок, не повышает разнообразие независимых решений и не улучшает обнаружение или восстановление после возмущений, оснований приписывать ей предполагаемую адаптивную функцию становится меньше. Аналогично, если преимущества гетерогенности систематически перекрываются потерями координации, качества или надёжности, исходная гипотеза должна быть ограничена либо пересмотрена.
Таким образом, Гипотеза периферийной гетерогенности формулирует не нормативное требование сохранять любое разнообразие, а эмпирический вопрос: существуют ли условия, при которых функционально различающиеся периферийные человеко-AI когнитивные конфигурации повышают устойчивость популяции к непредусмотренным возмущениям? Ответ на этот вопрос может быть получен экспериментально.

8. Следствия
Если популяция устойчивых человеко-AI когнитивных гибридов является самостоятельным уровнем анализа, а различия между O(i) способны влиять на свойства P, это имеет последствия не только для исследования взаимодействия человека и AI, но и для вопросов управления AI, технологической концентрации и когнитивного суверенитета.
Первое следствие касается самого понимания разнообразия AI-экосистемы. Количество доступных моделей не может служить достаточным показателем когнитивного разнообразия возникающей популяции. Различные AI-модели могут использовать сходные обучающие корпуса, методы согласования, интерфейсы, внешние инструменты и способы организации взаимодействия. Если эти факторы приводят к сходной структуре человеко-AI взаимодействия, технически разнообразная экосистема способна производить относительно однородную популяцию O(i).
Верно и обратное. Использование одной и той же AI-модели не обязательно порождает одинаковые когнитивные гибриды. В предложенной ранее конструкции
O(i) = [H(i), A(i), M(i), T(i)]
AI-компонент A(i) представляет собой только одну составляющую конфигурации. Различия между людьми H(i), накопленным контекстом M(i) и особенно траекториями взаимодействия T(i) способны приводить к формированию существенно различающихся O(i) даже при использовании одной базовой модели.
Следовательно:
разнообразие AI-моделей ; разнообразие человеко-AI когнитивных гибридов.
Это различие существенно для AI governance. Если объектом регулирования остаётся преимущественно отдельная модель, её разработчик или конкретное применение, могут оставаться незамеченными свойства, возникающие только на уровне популяции. Модель, демонстрирующая высокое качество и безопасность при индивидуальной оценке, теоретически способна участвовать в формировании большого количества сходных O(i). Поэтому наряду с характеристиками отдельных AI-систем предметом исследования могут стать степень зависимости различных человеко-AI конфигураций от общих когнитивных инфраструктур и вероятность возникновения коррелированных ошибок.
Особое значение в этом контексте приобретает корпоративная концентрация. Концентрация AI-инфраструктуры у небольшого числа поставщиков сама по себе ещё не доказывает существование гибридной когнитивной монокультуры. Между корпоративной концентрацией и конвергенцией O(i) нет автоматического равенства. Однако общие модели, интерфейсы, механизмы памяти, политики взаимодействия и инструменты могут создавать условия, при которых значительные части P оказываются зависимыми от ограниченного числа технологических архитектур. Поэтому концентрация представляет интерес не только как экономическая или политическая проблема, но и как возможный фактор структуры когнитивной популяции.
С этой точки зрения open-weight и локально исполняемые AI-системы представляют особый интерес. Возможность запускать, модифицировать, комбинировать и сохранять модели независимо от централизованного поставщика потенциально расширяет пространство возможных O(i). Однако открытость весов сама по себе не гарантирует периферийной гетерогенности. Тысячи локальных экземпляров одной модели, используемые сходным образом, могут оставаться функционально однородными. И наоборот, централизованная модель при достаточно различающихся H(i), M(i) и T(i) теоретически может участвовать в формировании весьма разнообразной популяции гибридов.
Поэтому open-weight и local AI следует рассматривать не как автоматическое решение проблемы когнитивной монокультуры, а как возможные инфраструктурные условия для сохранения альтернативных конфигураций. Одновременно децентрализация создаёт собственные проблемы безопасности, ответственности и координации, которые не исчезают вследствие потенциальной ценности разнообразия.
Отсюда возникает связь с более широким вопросом когнитивного суверенитета. Понятие cognitive sovereignty уже используется в современной дискуссии об AI для описания способности людей, сообществ и государств сохранять автономность когнитивных процессов в условиях возрастающей зависимости от AI-инфраструктуры, включая системы с долговременной памятью (Brcic, 2025). В рамках настоящей работы его можно понимать в ограниченном смысле: как способность человека, сообщества или института сохранять возможность формировать собственную траекторию человеко-AI взаимодействия, не будучи полностью зависимым от единственной внешней когнитивной инфраструктуры. В таком понимании суверенитет связан не только с владением моделью или данными, но и с возможностью сохранять альтернативные M(i), T(i), инструменты и способы распределения когнитивных функций.
Гипотеза периферийной гетерогенности, таким образом, не приводит к нормативному выводу, что децентрализация всегда предпочтительнее централизации или что стандартизация должна быть ограничена. Стандартизация может повышать безопасность, совместимость, качество и предсказуемость систем. Вопрос состоит в другом: какие свойства приобретает P, когда оптимизация и стандартизация начинают систематически сокращать функционально значимые различия между O(i)?
Это меняет и конечную постановку проблемы. Вопрос будущей человеко-AI экосистемы может заключаться уже не только в том, какие AI-системы следует создавать и использовать, но и в том, какую популяцию человеко-AI когнитивных систем мы в результате создаём.

9. Заключение
В настоящей работе предложено сместить анализ продолжительного взаимодействия человека и AI с уровня отдельных пользователей, моделей и даже отдельных человеко-AI диад на следующий уровень организации — популяцию устойчивых человеко-AI когнитивных гибридов.
Исходной единицей такой популяции является индивидуальная конфигурация
O(i) = [H(i), A(i), M(i), T(i)],
формирующаяся не только свойствами человека H(i) и используемой AI-системы A(i), но также накопленным контекстом M(i) и историей их взаимодействия T(i). Поэтому две конфигурации, использующие одну и ту же базовую модель, не обязательно являются когнитивно эквивалентными. И наоборот, использование различных AI-моделей само по себе ещё не гарантирует существенного разнообразия возникающих человеко-AI конфигураций.
Совокупность таких конфигураций образует аналитически определяемую популяцию
P = {O(1), O(2), ..., O(n)},
для которой становятся значимыми свойства, отсутствующие на уровне отдельной диады. Одним из них является D(P) — функционально значимое разнообразие между составляющими популяцию конфигурациями.
Такой переход между уровнями анализа позволяет поставить проблему гибридной когнитивной монокультуры. Массовое распространение эффективных моделей, интерфейсов и способов организации взаимодействия может одновременно улучшать характеристики отдельных O(i) и способствовать их конвергенции. Поэтому индивидуальная эффективность и популяционная устойчивость не должны рассматриваться как тождественные критерии: Optimization of O(i) ;> Resilience of P.
На этом различии основана предложенная в работе Гипотеза периферийной гетерогенности (Peripheral Heterogeneity Hypothesis). Согласно ей, сохранение в популяции функционально значимого множества отличающихся, не полностью стандартизированных и частично непредсказуемых конфигураций может при определённых условиях повышать способность P реагировать на неожиданные изменения, систематические ошибки и новые классы задач.
Гипотеза не предполагает, что разнообразие всегда полезно, что стандартизация является нежелательной или что децентрализованные AI-системы по определению превосходят централизованные. Периферийная гетерогенность может сопровождаться потерями эффективности, совместимости и управляемости. Поэтому вопрос заключается не в максимизации разнообразия, а в существовании и возможной величине его адаптивной функции.
Именно поэтому предложенная конструкция требует эмпирической проверки. Сравнение более однородных и более гетерогенных популяций при эпистемических возмущениях может показать, связана ли структура D(P) с корреляцией ошибок, разнообразием независимых решений, скоростью обнаружения систематических заблуждений и временем восстановления. Отсутствие таких эффектов или устойчивое преобладание издержек гетерогенности будет основанием для ограничения или пересмотра гипотезы.
Таким образом, предлагаемая популяционная перспектива не заменяет исследования отдельных AI-моделей, пользователей или человеко-AI взаимодействий. Она добавляет к ним другой масштаб анализа. По мере того как продолжительные взаимодействия с AI становятся частью интеллектуальной деятельности людей, значение могут приобретать не только свойства отдельных систем, но и структура совокупности формирующихся вокруг них когнитивных конфигураций. Поэтому вопрос постепенно может смещаться от: Which AI should humans use? к другому: What kind of population of human–AI cognitive systems are we creating?

Библиография:
1. Ashby, W. R. (1956). An Introduction to Cybernetics. London: Chapman & Hall.
2. Barandiaran, X. E., & P;rez-Verdugo, M. (2025). Generative midtended cognition and Artificial Intelligence: thinging with thinging things. Synthese, 205, 137. DOI: 10.1007/s11229-025-04961-4. Springer Nature Link
3. Brcic, M. (2025). The Memory Wars: AI Memory, Network Effects, and the Geopolitics of Cognitive Sovereignty. arXiv:2508.05867. arXiv
4. Clark, A., & Chalmers, D. (1998). The Extended Mind. Analysis, 58(1), 7–19. DOI: 10.1093/analys/58.1.7. DOI
5. Clark, A. (2025). Extending Minds with Generative AI. Nature Communications, 16, 4627. DOI: 10.1038/s41467-025-59906-9. Nature
6. de Rooij, A., & Biskjaer, M. M. (2026). Does generative AI make us think alike? A systematic review and meta-analysis of homogenisation effects in human–AI co-creation. Behaviour & Information Technology. DOI: 10.1080/0144929X.2026.2726451. Tandfonline
7. Doshi, A. R., & Hauser, O. P. (2024). Generative AI enhances individual creativity but reduces the collective diversity of novel content. Science Advances, 10(28), eadn5290. DOI: 10.1126/sciadv.adn5290. DOI
8. Feng, S., Sorensen, T., Liu, Y., Fisher, J., Park, C. Y., Choi, Y., & Tsvetkov, Y. (2024). Modular Pluralism: Pluralistic Alignment via Multi-LLM Collaboration. Proceedings of the 2024 Conference on Empirical Methods in Natural Language Processing (EMNLP). ACL Anthology
9. Kleinberg, J., & Raghavan, M. (2021). Algorithmic monoculture and social welfare. Proceedings of the National Academy of Sciences, 118(22), e2018340118. DOI: 10.1073/pnas.2018340118. PubMed Central (PMC)
10. Pedreschi, D., Pappalardo, L., Ferragina, E., Baeza-Yates, R., Barab;si, A.-L., Dignum, F., Dignum, V., Eliassi-Rad, T., Giannotti, F., Kert;sz, J., Knott, A., Ioannidis, Y., Lukowicz, P., Passarella, A., Pentland, A. S., Shawe-Taylor, J., & Vespignani, A. (2025). Human-AI coevolution. Artificial Intelligence, 339, 104244. DOI: 10.1016/j.artint.2024.104244. ScienceDirect
11. Peter, O., & Devlin, K. (2025). Decentralising LLM Alignment: A Case for Context, Pluralism, and Participation. Proceedings of the AAAI/ACM Conference on AI, Ethics, and Society, 8(2), 1988–1999. DOI: 10.1609/aies.v8i2.36690. AAAI Publications
12. Rainey, P. B., & Hochberg, M. E. (2025). Could humans and AI become a new evolutionary individual? Proceedings of the National Academy of Sciences, 122(37), e2509122122. DOI: 10.1073/pnas.2509122122. DOI
13. Sorensen, T., Moore, J., Fisher, J., Gordon, M. L., Mireshghallah, N., Rytting, C. M., Ye, A., Jiang, L., Lu, X., Dziri, N., Althoff, T., & Choi, Y. (2024). Position: A Roadmap to Pluralistic Alignment. Proceedings of the 41st International Conference on Machine Learning, PMLR 235, 46280–46302. Proceedings of Machine Learning Research
14. Wan, Y., & Kalman, Y. M. (2026). Diverse AI personas can mitigate the homogenization effect in human-AI collaborative ideation. Computers in Human Behavior: Artificial Humans, 8, 100289. DOI: 10.1016/j.chbah.2026.100289.