В июле 2026 года исследователи Мин Хуа (Minh Hua) и Рита Рэли (Rita Raley) опубликовали в arXiv статью «Optimization Is Not All You Need», которая переосмысливает историю развития больших языковых моделей. Авторы предлагают отойти от технического взгляда на «выравнивание» (alignment) моделей как на инженерную победу и рассмотреть его как проявление «культуры оптимизации» — убеждения, что измеримое улучшение по заданным параметрам исчерпывает вопрос ценности.
От GPT-2 к современным моделям: цена «гладкости»
История начинается с 2019 года, когда OpenAI выпустила два миллиона выводов GPT-2, намеренно сделав их неграмматичными и «поломан». Целью было создание датасета для обнаружения машинного текста. Однако последующие модели стали настолько «гладкими» и беглыми именно благодаря процессам оптимизации, что это стало нормой. Авторы отмечают, что эта эволюция перенесла власть над языком от традиционных институтов к алгоритмам.
Ключевой тезис работы заключается в том, что процедура оптимизации способна измерить, насколько маловероятным является сгенерированный текст, но она не способна определить, является эта маловероятность ошибкой или изобретением. В результате протоколы легитимного языка теперь задаются функциями потерь (loss functions), моделями вознаграждения и системными промптами.
Смена стражи: от академий к функциям потерь
На протяжении веков авторитет в определении «правильного» языка принадлежал академиям, школам и экзаменаторам. Сегодня этот авторитет передан аппарату, который выполняет функцию суждения, но не обладает способностью к самому суждению. Исследователи прослеживают эту генезию через стек технологий: от препроцессинга и декодирования до тонкой настройки предпочтений (preference tuning) и бенчмарков.
Статья будет опубликована в журнале Modern Fiction Studies (JHUP) в весенне-летнем выпуске 2027 года, что подчеркивает междисциплинарный характер проблемы, выходящей за рамки чистой компьютерной науки.
| Аспект | Традиционный контроль | Современный ИИ-контроль |
|---|---|---|
| Институция | Академии, школы, экзаменаторы | Функции потерь, reward-модели, промпты |
| Критерий | Лингвистическая норма, контекст | Вероятность, статистическая маловероятность |
| Способность | Отличать ошибку от замысла | Измерять отклонение от нормы, но не интерпретировать её |
Эссе призывает критически оценить, как алгоритмическая оптимизация, не способная к эстетическому или смысловому суждению, становится единственным арбитром в вопросах языка, вытесняя человеческую интерпретацию.
Источник: arXiv cs.AI ↗