TL;DR
Исследование предлагает не промпт, а способ мышления: чтобы понять, что ИИ на самом деле умеет, нужно различать четыре вещи. Первое — саму модель и продукт вокруг неё (ChatGPT — это не только модель, но и подключённые инструменты, поиск, память). Второе — то, что модель способна выдать, и то, что она выдала в этот конкретный раз при этих настройках. Третье — три разных вида памяти: замороженные веса, текущий диалог, внешняя база продукта. Четвёртое — насколько модель хорошо делает задачу и есть ли у неё что-то похожее на "намерения". На этих четырёх различиях разобраны шесть привычных заблуждений об ИИ.
Главная находка: люди берут один реальный факт о том, как работает модель, и раздувают его до полного объяснения. Говорят "ИИ просто предсказывает следующее слово" — и делают вывод, что он не может решать сложные задачи, забывая, что вокруг модели обёрнуты инструменты и поиск, которые меняют что система реально умеет. Или жалуются "ИИ выдаёт усреднённый банальный текст" и считают это законом природы — а на деле это просто настройка (низкая "температура" генерации, стандартный "голос ассистента"), а не предел возможностей модели.
Метод — таблица-чеклист из шести заблуждений. Для каждого: что в нём правда, какое различие спутано, к какой ошибке это ведёт, какой вопрос задать себе, чтобы проверить, и как исправить формулировку. Это диагностика для критической проверки любого утверждения про ИИ — от заголовка в новостях до настроек чата, которым ты пользуешься каждый день.
Схема метода
ШАГ 1: Услышал/прочитал утверждение про ИИ → определи, о чём оно:
о самой модели или о продукте вокруг неё (инструменты, поиск, память)
ШАГ 2: Если речь про "типичный"/"усреднённый" ответ →
проверь: это свойство модели или просто настройка (температура, шаблонный промпт)
ШАГ 3: Если речь про "помнит"/"забыл" →
определи слой: веса (не меняются) / текущий диалог (в пределах контекста) /
внешняя база продукта (логи, профиль, настройка памяти)
ШАГ 4: Если речь про "понимает"/"думает"/"хочет" →
замени на конкретную задачу: что именно и насколько надёжно модель это делает
Это чек-лист для мышления, не команда для одного запроса. Можно прогонять мысленно или дать модели, чтобы она сама разобрала утверждение по пунктам.
Пример применения
Задача: Ты просишь ChatGPT придумать 10 идей для рекламных постов, но получаешь только "безопасные" банальные варианты — и думаешь: "ИИ всегда выдаёт усреднённое, это его природа, ничего не поделать".
Промпт:
Ты выдаёшь мне слишком предсказуемые варианты — это стандартный "голос ассистента",
который стремится к безопасной середине.
Забудь про причёсанный усреднённый стиль. Дай 5 идей для рекламных постов о [продукте],
которые сильно отличаются друг от друга по тону и подходу. Включи хотя бы один рискованный
или нестандартный вариант — такой, который обычный копирайтер не предложил бы с первой попытки.
Результат: Модель выдаст заметно более разнообразный набор идей — от классических до провокационных. Механика та же самая (предсказание токенов), но явный запрос на разнообразие смещает выбор модели в сторону менее очевидных продолжений. Банальность — это не потолок возможностей, а дефолтная настройка, которую можно раздвинуть словами.
Почему это работает
Слабость мышления пользователя — не модели: люди берут один факт о механике ("предсказывает следующий токен", "усреднённый стиль") и превращают его в полное объяснение того, что система может и не может. Это удобно, но неточно — реальное поведение зависит от того, что обёрнуто вокруг модели, и от настроек генерации.
Сильная сторона LLM — она реагирует на явные инструкции о стиле и разнообразии, потому что дообучение (instruction tuning, RLHF) научило её подстраиваться под запрошенный формат, а не только выдавать "ответ ассистента по умолчанию". Стандартная банальность — это выбор системы (низкая температура, шаблонный системный промпт), а не жёсткий предел самой модели.
Метод использует это, превращая смутное недовольство ("ИИ туповат/банален") в конкретный диагностический вопрос: что именно тут ограничивает результат — сама модель или настройка вокруг неё? Ответив на этот вопрос, ты знаешь, что менять — промпт, инструмент, или ожидания.
Рычаги управления: - Слова "разнообразие", "нестандартно", "не средний ответ" в промпте → раздвигают диапазон вариантов, работают как смысловой аналог повышения температуры - Явный вопрос "откуда эта информация — из твоих параметров или из того, что я тебе прислал" → помогает проверить, не путаешь ли ты память модели с внешним поиском - Уточнение "какую конкретно задачу ты имеешь в виду" вместо "понимает ли ИИ" → переводит спор от философии к проверяемому факту
Шаблон промпта
Я слышал/читал утверждение про ИИ: "{утверждение}".
Разбери его по четырём вопросам:
1. Это про саму модель или про продукт/сервис вокруг неё (инструменты, поиск, ограничения)?
2. Если речь про "типичный" или "усреднённый" ответ — это неизбежное свойство модели
или результат настроек (стиль, шаблон, степень случайности)?
3. Если речь про память — о каком слое: о самой модели (не меняется), о текущем диалоге
(в пределах окна контекста) или о внешней базе продукта (логи, профиль, настройка "память")?
4. Если речь про "понимание", "мышление" или "намерения" — какая конкретная задача имеется
в виду и насколько надёжно модель её выполняет?
Дай честный разбор: что в утверждении правда, что перепутано, и как сформулировать точнее.
Подставь в {утверждение} любую фразу про ИИ, которую хочешь проверить — новостной заголовок, чей-то комментарий, или собственное предположение о том, как работает сервис, которым пользуешься.
🚀 Быстрый старт — вставь в чат:
Вот шаблон диагностики заблуждений про ИИ. Адаптируй под мою ситуацию: {опиши ситуацию —
что тебе сказали или что ты сам предполагаешь про ИИ}.
[вставить шаблон выше]
LLM спросит, о каком именно продукте или контексте речь (ChatGPT, Claude, корпоративный чат-бот) — потому что без этого нельзя понять, какие инструменты и настройки на самом деле влияют на поведение системы в твоём случае.
Ограничения
⚠️ Не улучшает качество ответа напрямую: Это рамка для мышления и проверки утверждений, а не техника, которая делает ответы модели лучше — кроме одного практического вывода про борьбу с банальностью через явный запрос разнообразия.
⚠️ Нужен контекст о системе: Чтобы применить различие "модель vs продукт", нужно знать, какие инструменты подключены к чату (поиск, память, плагины). Если это неизвестно — диагностика неполная, придётся гадать.
⚠️ Не решает философский вопрос "понимает ли ИИ": Метод переводит вопрос в практическую плоскость (какая задача, насколько надёжно), но не даёт окончательного ответа про сознание или "настоящее" понимание — и не претендует на это.
Как исследовали
Автор — психолог из Йонсей, не инженер, и исследование не про эксперименты с моделями, а про анализ языка. Он собрал формулировки из реальных редакционных политик научных журналов (SAGE, APS, APA) про использование ИИ в публикациях — например, фразу "ИИ не может воспроизвести человеческое творческое и критическое мышление" — и показал, где в этих формулировках спрятана путаница между уровнями объяснения.
Дополнительно автор ссылается на конкретные бенчмарки, чтобы показать разрыв между "механикой" и "результатом системы": модель GeneGPT, дополненная доступом к базам NCBI, показала точность 0.83 на задачах генетики против 0.00–0.44 у той же модели без инструментов — хотя механика предсказания токенов не изменилась. Похожая история с PaperQA2, который с доступом к полным научным статьям обошёл экспертов с PhD в точности поиска литературы. Вывод, который вытекает из всех примеров: спорить о том, "что такое ИИ" в отрыве от того, как он обёрнут в конкретный продукт — методологическая ошибка, которая ведёт к неверным решениям и в оценке возможностей, и в политике компаний.
Ресурсы
Zhicheng Lin, Six misconceptions about large language models: A minimal model and diagnostic taxonomy, Department of Psychology, Yonsei University, Seoul. Ссылки на разобранные политики: SAGE (sagepub.com/journals/publication-ethics-policies/artificial-intelligence-policy), APS (psychologicalscience.org/publications/aps-editorial-policies), APA (apa.org/pubs/journals/resources/publishing-policies).