OpenCog Hyperon прокладывает путь к общей искусственной интеллигенции, выходя за рамки крупных языковых моделей

Для большинства интернет-пользователей генеративный ИИ — это то, что они представляют себе, когда слышат слово «ИИ». Крупные языковые модели (LLM), такие как GPT и Claude, служат де-факто отправной точкой в мир искусственного интеллекта и его, казалось бы, безграничного потенциала. Освоив наши языковые шаблоны и переработав наши культурные мемы, LLM прочно завоевали внимание общественности.

Они удобны в использовании и увлекательны. И, за исключением редких случаев неверных ответов, они впечатляют своей интеллектуальностью. Но в то время как широкая публика экспериментирует со своими любимыми LLM, эксперты — исследователи, технические энтузиасты и разработчики, глубоко погруженные в ИИ — смотрят дальше. Их конечной целью является достижение искусственного общего интеллекта (AGI), который представляет собой последний рубеж.

Для этих профессионалов LLM — интересная развлечение. Они полезны и занимательны, но в конечном итоге являются формой «узкого ИИ». Их компетентность основана на обучении на конкретных наборах данных, но они не могут работать за пределами назначенной области или решать более широкие и сложные задачи.

Уменьшающаяся отдача и встроенные ограничения моделей глубокого обучения стимулируют поиск более интеллектуальных решений, способных к подлинному пониманию. Это привело к разработке моделей, которые существуют в пространстве между сегодняшними LLM и завтрашними AGI. Одной из таких систем является OpenCog Hyperon, открытая платформа, созданная SingularityNET. Она более продвинута, чем типичный LLM, и дает представление о будущем ИИ.

Используя «нейросимвольную» методологию, Hyperon стремится преодолеть разрыв между статистическим распознаванием образов и логическим мышлением. Он предоставляет потенциальный путь, соединяющий современных диалоговых агентов со сложными мыслящими машинами будущего.

Гибридная архитектура для AGI

SingularityNET описывает OpenCog Hyperon как исследовательскую платформу AGI следующего поколения, которая объединяет различные модели ИИ в единую когнитивную среду. В отличие от систем, ориентированных исключительно на LLM, Hyperon основан на нейросимволической интеграции, что позволяет ИИ учиться на данных и одновременно рассуждать на основе знаний.

Это возможно благодаря тому, что нейросимволический ИИ соединяет нейронные элементы обучения с процессами символического мышления, позволяя каждому из них улучшать другой. Такая конструкция устраняет ключевой недостаток чисто статистических моделей, включая структурированное, понятное мышление.

Основа OpenCog Hyperon объединяет вероятностную логику и символическое мышление с эволюционным синтезом программ и обучением с участием нескольких агентов. Это может показаться сложным, поэтому давайте упростим описание его функционирования. Чтобы понять значение OpenCog Hyperon и важность нейросимволического ИИ, мы должны сначала рассмотреть, как работают LLM и в чем заключаются их ограничения.

Ограничения LLM

Генеративный ИИ работает в основном через вероятностные ассоциации. Когда LLM отвечает на запрос, он не «знает» ответ, как человек. Вместо этого он предсказывает наиболее вероятную последовательность слов, следующую за запросом, на основе своих обучающих данных. Часто эта симуляция человеческой реакции очень убедительна и дает результат, который не только ожидаем пользователем, но и точен.

LLM превосходны в распознавании паттернов в огромных масштабах. Однако ограничения этих моделей хорошо известны. Мы уже упоминали «галлюцинации», когда модель генерирует информацию, которая звучит правдоподобно, но фактически неверна. LLM, стремящийся удовлетворить своего пользователя, иногда может давать очень вводящие в заблуждение результаты.

Более значительной проблемой, особенно для решения сложных задач, является отсутствие истинной способности к рассуждению. LLM не умеют логически выводить новые выводы из установленных фактов, если эти конкретные логические последовательности отсутствовали в их обучении. Если они уже сталкивались с шаблоном ранее, они могут его повторить. Если нет, они попадают в тупик.

AGI, напротив, относится к искусственному интеллекту, который может действительно понимать и применять знания. Он не просто оценивает правильный ответ с высокой вероятностью — он понимает его и может показать свое мышление. Эта способность требует явных навыков мышления, эффективного управления памятью и способности обобщать на основе ограниченной информации. Вот почему AGI остается целью на будущее — сроки его появления являются предметом продолжающихся дебатов.

В промежуточный период, независимо от того, осталось ли до появления AGI несколько месяцев, лет или десятилетий, нейросимволический ИИ представляет собой значительный шаг вперед, потенциально превосходящий по эффективности современные LLM.

Динамические знания по запросу

Чтобы увидеть нейросимволический ИИ в действии, рассмотрим OpenCog Hyperon. Центральным элементом его дизайна является Atomspace Metagraph, универсальная графовая структура, которая представляет различные типы знаний — декларативные, процедурные, сенсорные и целевые — в рамках единой структуры. Этот метаграф может кодировать отношения и структуры таким образом, что поддерживает не только простое умозаключение, но и логическое выведение и рассуждение в контексте.

Если это похоже на AGI, то это потому, что он разделяет некоторые из его основных принципов. Считайте это «предварительным просмотром» того, куда движется ИИ. Чтобы помочь разработчикам создавать приложения с использованием Atomspace Metagraph и использовать его выразительную силу, Hyperon представил MeTTa (Meta Type Talk), новый язык программирования, созданный специально для разработки AGI.

В отличие от языков общего назначения, таких как Python, MeTTa действует как когнитивный субстрат, который объединяет аспекты логического и вероятностного программирования. Программы, написанные на MeTTa, напрямую взаимодействуют с метаграфом, запрашивая и изменяя структуры знаний, и поддерживают самомодифицирующийся код — важную функцию для систем, которые учатся улучшать свою собственную производительность.

«Мы выходим из периода, который длился несколько лет и был посвящен созданию инструментария. Наконец-то вся наша инфраструктура работает в масштабе, необходимом для Hyperon, и это очень воодушевляет».

Наш генеральный директор, доктор @bengoertzel, присоединился к Роббу Уилсону и Джошу Тайсону в подкасте Invisible Machines, чтобы обсудить настоящее и… pic.twitter.com/8TqU8cnC2L

— SingularityNET (@SingularityNET) 19 января 2026 г.

Надежное мышление как путь к AGI

Нейросимволический подход, лежащий в основе Hyperon, решает один из основных недостатков чисто статистического ИИ: узкие модели часто не справляются с задачами, требующими многоэтапного мышления. Абстрактные проблемы могут сбить с толку LLM, которые полагаются на распознавание образов. Однако благодаря интеграции нейронного обучения мышление становится более сложным и похожим на человеческое. Если узкий ИИ предлагает хорошую имитацию человеческого мышления, то нейросимволический ИИ обеспечивает чрезвычайно убедительную имитацию.

Тем не менее, важно сохранять объективность в отношении нейросимволического ИИ. Гибридная архитектура Hyperon не означает, что AGI уже не за горами. Однако она обозначает многообещающий путь исследований, который напрямую затрагивает когнитивное представление и самонаправленное обучение, выходя за рамки зависимости только от статистических шаблонов. И, что важно, эта концепция не ограничивается академическими работами — она активно используется в реальных приложениях для создания мощных решений.

LLM не устарел — узкий ИИ будет продолжать совершенствоваться — но его долгосрочное доминирование ограничено, и его окончательная замена неизбежна. Это только вопрос времени. Следующим шагом является нейросимволический ИИ. После этого конечной целью остается AGI — последний рубеж в искусственном интеллекте.

Источник изображения: Depositphotos