ARTIFICIAL INTELLIGENCE IN LINGUISTIC RESEARCH: FROM MATHEMATICAL FORMALIZATION TO THE PHILOSOPHY OF UNDERSTANDING

УДК 004.8:81'32:165

АННОТАЦИЯ

Цель исследования состоит в социально-гуманитарном и методологическом осмыслении роли искусственного интеллекта в современных лингвистических исследованиях, а также в выявлении перехода от математической формализации языка к философско-герменевтической проблеме понимания. Методология исследования основана на междисциплинарном подходе, объединяющем математическую и компьютерную лингвистику, философию языка, когнитивную науку, нейросетевое моделирование и герменевтику. В работе использованы историко-генетический, сравнительно-аналитический, структурно-семантический, концептуальный и герменевтический методы. Результаты исследования показывают, что развитие искусственного интеллекта в лингвистике связано с переходом от символико-логических и формально-грамматических моделей к нейросетевым системам глубокого обучения и большим языковым моделям. Установлено, что искусственный интеллект эффективно применяется для машинного перевода, автоматического реферирования, классификации, анализа и генерации текстов. Вместе с тем выявлено, что техническая обработка языковых данных не тождественна человеческому пониманию смысла, поскольку интерпретация текста требует учёта контекста, интенции, культурного опыта и ценностной позиции субъекта.

Выводы исследования заключаются в том, что искусственный интеллект следует рассматривать не как замену лингвиста или интерпретатора, а как инструмент расширения возможностей лингвистического анализа. Смысловая оценка текста остаётся задачей человека как субъекта понимания, культуры и научной ответственности.

ABSTRACT

The aim of the study is to provide a socio-humanitarian and methodological interpretation of the role of artificial intelligence in contemporary linguistic research, as well as to identify the transition from the mathematical formalization of language to the philosophical-hermeneutic problem of understanding. The methodology of the study is based on an interdisciplinary approach that integrates mathematical and computational linguistics, philosophy of language, cognitive science, neural network modelling, and hermeneutics. The study employs historical-genetic, comparative-analytical, structural-semantic, conceptual, and hermeneutic methods.

The results of the study show that the development of artificial intelligence in linguistics is associated with a transition from symbolic-logical and formal-grammatical models to neural network systems of deep learning and large language models. It has been established that artificial intelligence is effectively applied in machine translation, automatic summarization, classification, analysis, and text generation. At the same time, it has been revealed that the technical processing of linguistic data is not identical to human understanding of meaning, since text interpretation requires consideration of context, intention, cultural experience, and the value-based position of the subject. The conclusions of the study are that artificial intelligence should be regarded not as a replacement for the linguist or interpreter, but as a tool for expanding the possibilities of linguistic analysis. The semantic evaluation of a text remains the task of the human being as a subject of understanding, culture, and scientific responsibility.

Ключевые слова: искусственный интеллект, лингвистика, математическая лингвистика, генеративная грамматика, нейросетевые модели, глубокое обучение, герменевтика, понимание, смысл.

Keywords: artificial intelligence, linguistics, mathematical linguistics, generative grammar, neural network models, deep learning, hermeneutics, understanding, meaning.

Введение

Искусственный интеллект в XXI веке стал одним из ключевых направлений развития лингвистических исследований. Его применение охватывает машинный перевод, автоматическое реферирование, корпусную лингвистику, распознавание речи, генерацию текстов, анализ тональности, семантический поиск, интеллектуальную обработку данных и моделирование дискурса. Однако значение искусственного интеллекта не ограничивается прикладными задачами. Он меняет саму постановку вопроса о языке, поскольку язык всё чаще рассматривается не только как система знаков, но и как формальная структура, статистическая модель, когнитивный механизм и пространство смысловой интерпретации. Исторически проблема искусственного интеллекта была тесно связана именно с языком. В статье «Вычислительные машины и интеллект» А. Тьюринг поставил вопрос: «Могут ли машины мыслить?» [1]. Принципиально важно, что Тьюринг предложил рассматривать данную проблему не через абстрактное определение мышления, а через процедуру «игры в имитацию», где интеллектуальность машины проверяется в ситуации диалога. Следовательно, язык выступает не внешним приложением к мышлению, а главным способом его наблюдения и проверки. Становление искусственного интеллекта как научной программы связано с Дартмутским проектом 1955 года, инициированным Дж. Маккарти, Н. Рочестером и К. Шенноном [2]. В данном проекте была сформулирована исходная установка искусственного интеллекта: предположение о том, что аспекты обучения, интеллекта, использования языка, формирования абстракций и решения задач могут быть описаны настолько точно, чтобы их можно было смоделировать машиной. Тем самым искусственный интеллект изначально возник как междисциплинарная программа формализации человеческих когнитивных и языковых способностей.

Особое значение для становления искусственного интеллекта имеют собственные работы Дж. Маккарти. В статье «Программы, обладающие здравым смыслом» он развивает идею системы, способной не только выполнять заранее заданные инструкции, но и оперировать формализованными предложениями, выводить следствия из посылок и применять знание для решения задач [3]. В работе о рекурсивных функциях символических выражений Маккарти создаёт теоретические основания языка LISP, ставшего одним из важнейших инструментов ранних исследований искусственного интеллекта [4]. В дальнейшем, совместно с П. Хейсом, он рассматривает философские проблемы искусственного интеллекта, связанные с представлением знания, рассуждением и отношением формальных систем к реальному миру [5]. Поэтому вклад Маккарти заключается не только во введении самого термина «искусственный интеллект», но и в обосновании символико-логической парадигмы, в рамках которой язык, знание, понятие и вывод стали рассматриваться как объекты формального представления. Развитие формальной лингвистики также сыграло значительную роль в становлении компьютерного подхода к языку. Н. Хомский в работе «Синтаксические структуры» рассматривает синтаксис как объект строгого формального описания и показывает, что грамматика может пониматься как механизм порождения грамматически правильных предложений [6]. Его известный пример «Бесцветные зелёные идеи яростно спят» демонстрирует возможность существования грамматически корректного, но семантически парадоксального высказывания. Это положение имеет принципиальное значение для темы настоящей статьи: формальная правильность языковой структуры ещё не гарантирует понимания смысла.

В конце XX ‒ начале XXI века развитие искусственного интеллекта в лингвистике всё в большей степени стало связываться с нейросетевыми моделями и глубоким обучением. Дж. Хинтон и Р. Салахутдинов показали, что высокоразмерные данные могут быть преобразованы в низкоразмерные коды с помощью многослойных нейронных сетей [7]. Й. Бенджио, А. Курвиль и П. Венсан обосновали значение обучения представлений, позволяющего моделям выявлять скрытые факторы вариативности данных [8]. В дальнейшем архитектура Transformer, основанная на механизме внимания, стала одной из ключевых технологических основ современных языковых моделей [9].

Вместе с тем рост возможностей больших языковых моделей усиливает философскую проблему понимания. Современные исследования в области фундаментальных моделей показывают, что масштабные нейросетевые модели способны решать широкий круг языковых и когнитивных задач, однако их функционирование остаётся связанным с проблемами интерпретируемости, надёжности, смещения данных и социальной ответственности [10; 11]. Следовательно, в лингвистических исследованиях возникает необходимость соединения вычислительного анализа текста с гуманитарной рефлексией о смысле, контексте и интерпретации. Проблема настоящего исследования заключается в противоречии между способностью искусственного интеллекта обрабатывать, переводить и генерировать тексты и философским вопросом о подлинном понимании смысла. Если машина создаёт грамматически правильный и контекстуально уместный текст, означает ли это, что она понимает язык, или речь идёт лишь о функциональной имитации понимания?

Цель статьи заключается в выявлении методологической эволюции искусственного интеллекта в лингвистических исследованиях от математической формализации языка к философско-герменевтической проблеме понимания.

Для достижения цели поставлены следующие задачи: рассмотреть роль идей А. Тьюринга в постановке проблемы машинного интеллекта через язык; раскрыть значение работ Дж. Маккарти для становления искусственного интеллекта как научной программы; проанализировать вклад Н. Хомского в формальное описание языка; показать значение нейросетевых подходов Дж. Хинтона, Й. Бенджио и современных моделей глубокого обучения; выявить границу между машинной обработкой текста и человеческим пониманием смысла на основе философской герменевтики Г.-Г. Гадамера и П. Рикёра.

Методология исследования

Методология статьи носит междисциплинарный характер и объединяет математическую лингвистику, компьютерную лингвистику, философию языка, когнитивную науку, нейросетевое моделирование и герменевтику. В исследовании искусственный интеллект рассматривается в двух взаимосвязанных аспектах: как технический инструмент обработки языковых данных и как философско-методологический вызов, связанный с вопросами смысла, интерпретации и понимания. Методологическое основание исследования определяется работой А. Тьюринга «Вычислительные машины и интеллект» [1]. Значимость данной работы для лингвистики состоит в том, что проверка машинного интеллекта осуществляется через диалог, то есть через языковую коммуникацию. Тьюринг предлагает рассматривать интеллектуальность не как скрытое внутреннее свойство машины, а как наблюдаемое поведение в языковой ситуации. Следовательно, язык выступает критерием интеллектуальной деятельности и становится способом выявления способности машины к имитации человеческого мышления. Важное значение для методологии исследования имеет Дартмутский проект и последующие работы Дж. Маккарти. В Дартмутском предложении искусственный интеллект был представлен как исследовательская программа, предполагающая возможность точного описания различных аспектов интеллекта, включая использование языка и формирование абстракций [2]. В работе «Программы, обладающие здравым смыслом» Маккарти конкретизирует эту программу через идею машины, способной работать с формализованными предложениями, выводить следствия и применять знания в процессе решения задач [3]. Это позволяет рассматривать искусственный интеллект как проект символико-логического моделирования человеческого рассуждения.

Существенное методологическое значение имеет генеративная лингвистика Н. Хомского. Его подход позволяет анализировать язык как систему правил, а грамматику ‒ как механизм порождения грамматически правильных предложений [6]. При этом принципиальное разграничение грамматичности и осмысленности показывает, что синтаксическая корректность ещё не является достаточным условием понимания. Это положение особенно важно для оценки современных языковых моделей, которые могут строить грамматически правильные тексты, но не всегда гарантируют их смысловую достоверность.

Отдельное значение приобретает нейросетевое моделирование. Работы Дж. Хинтона и Р. Салахутдинова показывают возможность преобразования сложных высокоразмерных данных в компактные внутренние представления [7]. Для лингвистики это означает, что текстовые данные могут рассматриваться как многомерные структуры, в которых скрытые связи выявляются не только с помощью заранее заданных правил, но и посредством обучения модели на больших массивах данных. Подход Й. Бенджио, А. Курвиля и П. Венсана позволяет рассматривать глубокое обучение как способ автоматического построения иерархических представлений, необходимых для выявления абстрактных признаков и смысловых зависимостей [8].

Особую роль в методологической базе исследования играет философская герменевтика. Г.-Г. Гадамер подчёркивает, что понимание не является механической операцией, а всегда связано с интерпретацией, языком и историческим горизонтом субъекта [13]. П. Рикёр рассматривает текст как дискурс, зафиксированный письмом, и анализирует соотношение объяснения и понимания как центральную проблему интерпретации [14]. Для настоящего исследования это особенно важно, поскольку искусственный интеллект преимущественно работает с зафиксированным текстом, однако философская проблема заключается в том, способен ли он перейти от обработки структуры текста к пониманию его смысла. В статье применяются историко-генетический, сравнительно-аналитический, структурно-семантический, концептуальный и герменевтический методы. Историко-генетический метод позволяет проследить развитие искусственного интеллекта от классической постановки проблемы машинного мышления к глубокому обучению и большим языковым моделям. Сравнительно-аналитический метод используется для сопоставления формальной, нейросетевой и герменевтической парадигм. Структурно-семантический анализ необходим для выявления связи между языковой формой и смыслом. Герменевтический метод позволяет рассматривать понимание как интерпретацию текста в контексте культуры, опыта и коммуникации.

Результаты исследования

Проведённый анализ позволяет выделить несколько основных результатов.

Установлено, что проблема искусственного интеллекта с самого начала была связана с языком. У Тьюринга машинный интеллект проверяется через способность участвовать в диалоге [1]. Это означает, что язык становится основным полем обнаружения интеллектуальности. Однако уже здесь возникает принципиальное ограничение: успешная языковая имитация не доказывает наличия внутреннего понимания. Машина может отвечать так, как будто она понимает вопрос, но сама процедура имитации не раскрывает, существует ли у неё смысловое переживание высказывания. Показано, что работы Маккарти имеют фундаментальное значение для становления искусственного интеллекта как научной программы. В Дартмутском проекте была сформулирована установка на машинное моделирование интеллекта, включая использование языка, формирование понятий, решение задач и самоусовершенствование [2]. В «Программы, обладающие здравым смыслом» Маккарти переводит эту установку в плоскость формального моделирования рассуждения [3]. Его идея заключается в том, что машина должна не просто выполнять команды, а оперировать знаниями, представленными в формальном языке. Разработка LISP усилила данное направление, поскольку позволила работать с символическими выражениями и стала одной из технологических основ раннего искусственного интеллекта [4]. Следовательно, Маккарти заложил не только терминологическое, но и методологическое основание искусственного интеллекта как программы формализации знания, языка и рассуждения.

Выявлено, что генеративная грамматика Хомского дала лингвистике мощный аппарат формализации. Язык был представлен как система правил, способная порождать множество грамматически правильных предложений [6]. Это оказало значительное влияние на математическую и компьютерную лингвистику, поскольку сделало возможным алгоритмическое описание языковых структур. Вместе с тем различение грамматичности и осмысленности показывает пределы чисто формального подхода. Предложение может соответствовать грамматическим правилам, но не обладать ясной смысловой интерпретацией. Следовательно, анализ синтаксиса необходим, но недостаточен для объяснения понимания. Установлено, что работы Хинтона и Бенджио демонстрируют переход от ручного описания признаков к обучаемым внутренним представлениям. Нейросетевые модели позволяют преобразовывать сложные массивы данных в компактные коды, пригодные для классификации, поиска, реконструкции и прогнозирования [7]. Применительно к лингвистике это означает, что текст может анализироваться не только как линейная последовательность слов, но и как многомерная структура скрытых связей. Подход Бенджио позволяет рассматривать глубокое обучение как способ многоуровневого моделирования абстракций ‒ от низкоуровневых признаков до высокоуровневых концептов [8]. Для лингвистических исследований это открывает возможность анализа текста как системы взаимосвязанных уровней: от слов и синтаксических конструкций до семантических, прагматических и дискурсивных структур. Современные большие языковые модели показывают, что искусственный интеллект способен не только классифицировать и переводить тексты, но и генерировать связные, стилистически оформленные и тематически релевантные высказывания. Однако исследования рисков больших языковых моделей подчёркивают, что масштабирование модели не устраняет проблемы достоверности, интерпретируемости, предвзятости данных и ответственности за результат [10; 11]. В этом отношении развитие искусственного интеллекта усиливает не только технические возможности лингвистики, но и её философские вопросы.

Философско-герменевтический анализ показывает, что обработка текста и понимание смысла не являются тождественными процессами. Гадамер связывает понимание с интерпретацией, языком, историчностью и горизонтом опыта [13]. Рикёр, в свою очередь, подчёркивает, что текст как зафиксированный дискурс требует не только объяснения его структуры, но и раскрытия смыслового мира [14]. Поэтому искусственный интеллект может эффективно анализировать текстовые данные, однако вопрос о человеческом понимании остаётся открытым.

Обсуждение результатов исследования

Полученные результаты позволяют выделить три исследовательские парадигмы: формально-лингвистическую, нейросетевую и герменевтическую.

Формально-лингвистическая парадигма, представленная Хомским, исходит из того, что язык может быть описан как система правил. Её достоинство состоит в строгости анализа, возможности формального моделирования и построения грамматических систем. Однако её ограничение заключается в том, что грамматическая правильность не исчерпывает смысловой стороны языка. Человек понимает не только структуру предложения, но и коммуникативную ситуацию, намерение говорящего, культурный контекст и скрытые значения.

Нейросетевая парадигма существенно расширяет возможности анализа языка. Она позволяет работать с большими корпусами текстов, выявлять скрытые связи, строить распределённые представления и моделировать контекст. В отличие от классических формальных моделей, нейросети не требуют заранее полностью заданной системы правил. Они обучаются на данных и способны находить сложные закономерности, которые трудно зафиксировать вручную [7; 8]. Архитектура Transformer усилила это направление, поскольку механизм внимания позволил по-новому моделировать связи между элементами последовательности [9]. Однако это не означает, что нейросетевая модель понимает текст в человеческом смысле. Она может установить статистическую, вероятностную или контекстуальную связь, но не обязательно обладает осознанием смысла этой связи. Герменевтическая парадигма Гадамера и Рикёра позволяет выявить принципиальную границу между обработкой информации и пониманием смысла. Для герменевтики понимание ‒ это не механическая операция, а событие интерпретации. Оно связано с языком, историческим горизонтом, культурной памятью и участием субъекта в смысловом процессе [13; 14]. Поэтому искусственный интеллект следует рассматривать не как замену лингвиста или интерпретатора, а как инструмент, расширяющий исследовательские возможности человека. Особое значение для развития данной проблематики имеет современный вклад учёных СНГ. В философско-эпистемологическом направлении В.А. Лекторский и участники исследований, посвящённых искусственному интеллекту, рассматривают ИИ не только как технический инструмент, но и как фактор трансформации представлений о сознании, субъекте, познании и общественной жизни [15; 16]. Такой подход важен для настоящей статьи, поскольку показывает, что проблема искусственного интеллекта выходит за пределы вычислительной техники и затрагивает гуманитарные основания понимания, интерпретации и ответственности исследователя. В прикладном компьютерно-лингвистическом направлении современные работы, посвящённые автоматическому реферированию, суммаризации и обработке русскоязычных текстов, демонстрируют практическую эффективность нейросетевых алгоритмов, но одновременно выявляют необходимость оценки качества машинно созданного текста. Так, А.С. Лезгян систематизирует современные подходы к автоматическому реферированию и показывает различие между методами извлечения, сжатия и генерации текстовой информации [17]. К.В. Ребенок анализирует эффективность нейросетевых алгоритмов в задачах автоматического реферирования и суммаризации, подчёркивая значимость таких методов для обработки больших текстовых массивов [18]. А.Е. Дагаев и Д.И. Попов сравнивают возможности автоматического обобщения текстов на русском языке, что особенно важно для оценки качества русскоязычных NLP-моделей [19]. Д.В. Мельничук и А.В. Носкина сопоставляют модели mBART, T5 и GPT-3 на задаче суммаризации академических текстов на русском языке, используя метрики оценки качества машинного результата [20].

Отдельного внимания заслуживает формирующееся направление «лингвистики нейросетей», обоснованное Л.О. Микаллеф как новое исследовательское поле на стыке языкознания, обработки естественного языка, нейросетевых архитектур, токенизации, эмбеддингов и генеративных моделей [21]. Данное направление особенно важно для темы настоящей статьи, поскольку позволяет перейти от общего рассуждения об искусственном интеллекте к специальному анализу того, как нейросетевые системы работают с естественным языком и как они изменяют современное понимание текста, значения и коммуникации. Современные исследования смысловой неоднозначности также имеют принципиальное значение для анализа искусственного интеллекта в лингвистике. Н.Ю. Козлова показывает, что проблема смысла не может быть сведена к формальной корректности высказывания, поскольку смысловая неоднозначность связана с онтологической реальностью, бессмыслицей и языковой критикой [22]. Это положение непосредственно соотносится с темой настоящей статьи: искусственный интеллект может порождать грамматически правильные высказывания, но вопрос об их смысловой определённости, онтологической соотнесённости и интерпретационной ценности требует гуманитарного анализа. Культурфилософский подход к генезису искусственного интеллекта, представленный А.С. Нибусиным, позволяет рассматривать ИИ не только как техническую систему, но и как феномен культуры, связанный с изменением способов производства знания, коммуникации и социального взаимодействия [23]. В свою очередь, исследования генерации аннотаций к научным статьям с применением больших языковых моделей показывают, что современные системы ИИ уже включены в академические практики письма, реферирования и научной коммуникации [24]. Это подтверждает необходимость критического отношения к результатам машинной генерации текста.

Таким образом, вклад современных исследователей СНГ позволяет содержательно дополнить мировые разработки в области искусственного интеллекта. Если классические работы Тьюринга, Маккарти, Хомского, Хинтона и Бенджио раскрывают фундаментальные основания машинного мышления, формального языка и нейросетевого моделирования, то современные исследования СНГ позволяют конкретизировать эти проблемы на материале русскоязычной научной коммуникации, автоматического реферирования, суммаризации и гуманитарной оценки результатов ИИ.

Особенно важным является различие между объяснением и пониманием. Искусственный интеллект может объяснять текст в техническом смысле: выделять ключевые слова, строить тематические кластеры, определять тональность, переводить, резюмировать и классифицировать. Но понимание в гуманитарном смысле предполагает включение текста в более широкий горизонт культуры, истории и человеческого опыта. Именно здесь сохраняется незаменимая роль исследователя. Следовательно, искусственный интеллект в лингвистике должен использоваться критически. Он эффективен при обработке больших массивов данных, но результаты его работы требуют проверки, интерпретации и научной оценки. Лингвист не должен полностью передавать машине функцию смыслового анализа. Напротив, задача исследователя состоит в том, чтобы соединить вычислительные возможности ИИ с гуманитарной культурой интерпретации.

Заключение

Проведённое исследование показывает, что искусственный интеллект в лингвистических исследованиях прошёл путь от математической формализации языка к философии понимания. У А. Тьюринга машинный интеллект проверяется через языковое поведение. В работах Дж. Маккарти искусственный интеллект формируется как научная программа моделирования человеческих когнитивных способностей, включая использование языка, формирование понятий, представление знания и логический вывод. У Н. Хомского язык получает строгое формально-грамматическое описание. В работах Дж. Хинтона, Р. Салахутдинова, Й. Бенджио, А. Курвиля и П. Венсана раскрывается потенциал нейросетевых и глубоких моделей, способных выявлять скрытые представления и многоуровневые абстракции. У Г.-Г. Гадамера и П. Рикёра понимание раскрывается как интерпретация текста в горизонте языка, культуры и человеческого опыта. Основной вывод статьи состоит в том, что искусственный интеллект радикально расширяет возможности современной лингвистики, но не устраняет философской проблемы понимания. Машина может анализировать, классифицировать, переводить, реферировать и генерировать тексты, однако человеческое понимание языка связано не только с обработкой данных, но и с интенциональностью, контекстом, историчностью, ценностной позицией и ответственностью субъекта.

Современные исследования учёных СНГ показывают, что проблематика искусственного интеллекта активно развивается не только в мировой, но и в русскоязычной научной среде. Особое значение имеют работы, посвящённые философским основаниям ИИ, автоматическому реферированию, суммаризации русскоязычных текстов, сравнительному анализу NLP-моделей и становлению лингвистики нейросетей. Это позволяет привести список литературы и основной текст статьи в более полное соответствие с требованиями актуальности, первоисточников и содержательного использования современных публикаций.

Таким образом, будущее лингвистических исследований заключается не в противопоставлении человека и искусственного интеллекта, а в разработке междисциплинарной модели, где математическая формализация, нейросетевое моделирование и герменевтическая интерпретация взаимно дополняют друг друга. Искусственный интеллект становится мощным инструментом анализа языка, но смысловая оценка текста остаётся задачей человека как субъекта культуры, понимания и интерпретации.

Список литературы:

1. Turing A. M. Computing machinery and intelligence //Parsing the Turing test: Philosophical and methodological issues in the quest for the thinking computer. – Dordrecht: Springer Netherlands, 2007. – С. 23-65.
2. McCarthy J., Rochester N., Shannon C. Dartmouth workshop //Summer Research Project on. – 1955.
3. McCarthy J. et al. Programs with common sense. – Cambridge, MA, USA: RLE and MIT computation center, 1960. – С. 300-307.
4. McCarthy J. Recursive functions of symbolic expressions and their computation by machine, part I //Communications of the ACM. – 1960. – Т. 3. – №. 4. – С. 184-195.
5. McCarthy J., Hayes P. J. Some philosophical problems from the standpoint of artificial intelligence //Readings in artificial intelligence. – Morgan Kaufmann, 1981. – С. 431-450.
6. Chomsky N. Syntactic structures. – Walter de Gruyter, 2002.
7. Hinton G. E., Salakhutdinov R. R. Reducing the dimensionality of data with neural networks //science. – 2006. – Т. 313. – №. 5786. – С. 504-507.
8. Bengio Y., Courville A., Vincent P. Representation learning: A review and new perspectives //IEEE transactions on pattern analysis and machine intelligence. – 2013. – Т. 35. – №. 8. – С. 1798-1828.
9. Vaswani A. et al. Attention is all you need //Advances in neural information processing systems. – 2017. – Т. 30. – С. 5998–6008.
10. Bender E. M. et al. On the dangers of stochastic parrots: Can language models be too big? //Proceedings of the 2021 ACM conference on fairness, accountability, and transparency. – 2021. – С. 610-623.
11. Bommasani R. et al. On the opportunities and risks of foundation models. Stanford Center for Research on Foundation Models, 2021.
12. Achiam J. et al. Gpt-4 technical report //arXiv preprint arXiv:2303.08774. – 2023.
13. Gander H. H. Gadamer: The universality of hermeneutics //The Routledge companion to hermeneutics. – Routledge, 2014. – С. 137-148.
14. Ricoeur P. What is a text? Explanation and understanding //Hermeneutics and the human sciences: Essays on language, action and interpretation. – 1981.
15. Лекторский В. А. и др. Искусственный интеллект в исследованиях сознания и общественной жизни (к 70-летию статьи А. Тьюринга" Вычислительные машины и разум") //Философия науки и техники. – 2022. – Т. 27. – №. 1. – С. 5-33.
16. Лекторский В.А. Искусственный интеллект в изучении человека, человек в мире, создаваемом искусственным интеллектом //Человек и системы искусственного интеллекта/под ред. ВА Лекторского. СПб.: Юридический центр. – 2022. – С. 10-29.
17. Лезгян А. С. Автоматическое реферирование текстов: классификация, архитектуры, современные подходы и проблемы //Математическое моделирование, компьютерный и натурный эксперимент в естественных науках. – 2023. – №. 1. – С. 19-27.
18. Ребенок К. В. Эффективность нейросетевых алгоритмов в автоматическом реферировании и суммаризации текста //Вестник Новосибирского государственного университета. Серия: Информационные технологии. – 2024. – Т. 22. – №. 1. – С. 49-61.
19. Дагаев А. Е., Попов Д. И. Сравнение автоматического обобщения текстов на русском языке //Программные системы и вычислительные методы. – 2024. – №. 4. – С. 13-22.
20. Мельничук Д. В., Носкина А. В. Сравнение NLP-моделей на задаче суммаризации академических текстов на русском языке //Компьютерная лингвистика и вычислительные онтологии. – 2024. – Т. 1. – №. 7. – С. 54-59.
21. Микаллеф Л. О. Лингвистика нейросетей как парадигма современной науки о языке //Мир науки, культуры, образования. – 2025. – №. 1 (110). – С. 467-469.
22. Козлова Н. Ю. Смысловая неоднозначность: к вопросу о связи онтологической реальности, бессмыслицы и языковой критики //Семиотические исследования. – 2025. – Т. 5. – №. 1. – С. 31-37.
23. Нибусин А. С. Генезис искусственного интеллекта в контексте культурфилософского подхода //Вестник Московского государственного университета культуры и искусств. – 2026. – №. 1 (129). – С. 75-83.
24. Кувшанов Р. И., Семихин Д. В. Сравнение больших языковых моделей для генерации аннотаций к научным статьям //Математическое и информационное моделирование: материалы Всероссийской конференции молодых ученых. Вып. 23. ‒ Тюмень, 2025. – ТюмГУ-Press, 2025.

References

1. Turing A.M. Computing machinery and intelligence. In: Parsing the Turing Test: Philosophical and Methodological Issues in the Quest for the Thinking Computer. Dordrecht, Springer Netherlands, 2007, pp. 23–65.
2. McCarthy J., Rochester N., Shannon C. Dartmouth workshop. Summer Research Project on Artificial Intelligence, 1955.
3. McCarthy J. Programs with common sense. Cambridge, MA, RLE and MIT Computation Center, 1960, pp. 300–307.
4. McCarthy J. Recursive functions of symbolic expressions and their computation by machine, Part I. Communications of the ACM, 1960, vol. 3, no. 4, pp. 184–195.
5. McCarthy J., Hayes P.J. Some philosophical problems from the standpoint of artificial intelligence. In: Readings in Artificial Intelligence. Morgan Kaufmann, 1981, pp. 431–450.
6. Chomsky N. Syntactic Structures. Walter de Gruyter, 2002.
7. Hinton G.E., Salakhutdinov R.R. Reducing the dimensionality of data with neural networks. Science, 2006, vol. 313, no. 5786, pp. 504–507.
8. Bengio Y., Courville A., Vincent P. Representation learning: A review and new perspectives. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2013, vol. 35, no. 8, pp. 1798–1828.
9. Vaswani A., Shazeer N., Parmar N. et al. Attention is all you need. Advances in Neural Information Processing Systems, 2017, vol. 30, pp. 5998–6008.
10. Bender E.M., Gebru T., McMillan-Major A., Shmitchell S. On the dangers of stochastic parrots: Can language models be too big? Proceedings of the 2021 ACM Conference on Fairness, Accountability, and Transparency, 2021, pp. 610–623.
11. Bommasani R., Hudson D.A., Adeli E. et al. On the Opportunities and Risks of Foundation Models. Stanford Center for Research on Foundation Models, 2021. arXiv:2108.07258.
12. Achiam J., Adler S., Agarwal S. et al. GPT-4 technical report. arXiv preprint, arXiv:2303.08774, 2023.
13. Gander H.H. Gadamer: The universality of hermeneutics. In: The Routledge Companion to Hermeneutics. Routledge, 2014, pp. 137–148.
14. Ricoeur P. What is a text? Explanation and understanding. In: Hermeneutics and the Human Sciences: Essays on Language, Action and Interpretation. Cambridge, Cambridge University Press, 1981.
15. Lektorskiy V.A., Alekseeva E.A., Emelyanova N.N. et al. [Artificial intelligence in studies of consciousness and social life: On the 70th anniversary of A. Turing’s article “Computing Machinery and Intelligence”]. Filosofiya nauki i tekhniki, 2022, vol. 27, no. 1, pp. 5–33. (In Russ.)
16. Lektorskiy V.A. [Artificial intelligence in the study of humans, humans in the world created by artificial intelligence]. In: [Human and Artificial Intelligence Systems]. Ed. by V.A. Lektorskiy. Saint Petersburg, Yuridicheskiy tsentr Publ., 2022, pp. 10–29. (In Russ.)
17. Lezgyan A.S. [Automatic text summarization: Classification, architectures, modern approaches and problems]. Matematicheskoe modelirovanie, komp’yuternyi i naturnyi eksperiment v estestvennykh naukakh, 2023, no. 1, pp. 19–27. (In Russ.)
18. Rebenok K.V. [Effectiveness of neural network algorithms in automatic text abstracting and summarization]. Vestnik Novosibirskogo gosudarstvennogo universiteta. Seriya: Informatsionnye tekhnologii, 2024, vol. 22, no. 1, pp. 49–61. (In Russ.)
19. Dagaev A.E., Popov D.I. [Comparison of automatic text summarization in Russian]. Programmnye sistemy i vychislitel’nye metody, 2024, no. 4, pp. 13–22. (In Russ.)
20. Melnichuk D.V., Noskina A.V. [Comparison of NLP models for summarizing academic texts in Russian]. Komp’yuternaya lingvistika i vychislitel’nye ontologii, 2024, vol. 1, no. 7, pp. 54–59. (In Russ.)
21. Mikallef L.O. [Linguistics of neural networks as a paradigm of modern language science]. Mir nauki, kul’tury, obrazovaniya, 2025, no. 1(110), pp. 467–469. (In Russ.)
22. Kozlova N.Yu. [Semantic ambiguity: On the connection between ontological reality, nonsense and language criticism]. Semioticheskie issledovaniya, 2025, vol. 5, no. 1, pp. 31–37. (In Russ.)
23. Nibusin A.S. [The genesis of artificial intelligence in the context of a cultural-philosophical approach]. Vestnik Moskovskogo gosudarstvennogo universiteta kul’tury i iskusstv, 2026, no. 1(129), pp. 75–83. (In Russ.)
24. Kuvshanov R.I., Semikhin D.V. [Comparison of large language models for generating abstracts to scientific articles]. Matematicheskoe i informatsionnoe modelirovanie: materialy Vserossiyskoy konferentsii molodykh uchenykh. Iss. 23. Tyumen, TyumGU-Press Publ., 2025, pp. 91–96. (In Russ.)