Относится к сборнику статей теории МВАП

Почему МВАП действительно позволяет создать сильный ИИ

Читая основной текст книги «Схемотехника системы индивидуальной адаптивности» (fornit.ru/71218), возникает ощущение недостаточности обоснования сделанным утверждениям. Список таких недоумений приведен в fornit.ru/100315. В частности:

Прогнозы модели для искусственного интеллекта
Утверждение:   МВАП   позволяет создать «сильный ИИ» с автономной мотивацией и адаптацией к новизне.
Проблема: Требуются конкретные, фальсифицируемые предсказания о поведении такой системы, отличающие её от существующих архитектур.

Суть претензии:

Утверждение автора о том, что предложенная им модель ( МВАП  — мотивационно-виртуальная архитектура поведения) позволяет создать сильный ИИ (AGI), обладающий автономной мотивацией и способностью к адаптации к новизне, остаётся недостаточно обоснованным с научной точки зрения.

Конкретная проблема:

Отсутствуют конкретные, фальсифицируемые прогнозы (testable predictions) о поведении такой системы, которые:

• Отличали бы её принципиально от существующих архитектур ИИ (трансформеры, reinforcement learning, neuro-symbolic системы, современные агентные фреймворки и т.д.);
• Позволяли бы эмпирически проверить, обладает ли система именно автономной мотивацией и истинной адаптацией к новизне, а не имитацией этих свойств.

Почему это важно:

Без таких предсказаний утверждение остаётся на уровне философской декларации или концептуальной схемы, а не инженерной/научной модели. Читатель не может понять:

• Что именно должна делать система, чего не могут делать нынешние ИИ?
• По каким наблюдаемым признакам мы сможем сказать, что  МВАП  «сработала» и создала сильный ИИ, а не очередной продвинутый narrow-агент?

Модель  МВАП  не предоставляет конкретных, эмпирически проверяемых (фальсифицируемых) предсказаний, которые отличали бы поведение заявляемого «сильного ИИ» на её основе от поведения, уже достижимого с помощью существующих архитектур ИИ (например, систем с reinforcement learning, исследовательским любопытством или intrinsic motivation).

 Претензия требует не простого декларативного обещания, а перечня операциональных критериев: если система, построенная по принципам  МВАП , действительно обладает качественно иной («сильной») формой автономной мотивации и адаптации, то это должно проявляться в специфических, воспроизводимых паттернах поведения, которые невозможно (или крайне сложно) эмулировать современными методами без реализации именно предложенной схемотехники (эгостата, атена, дендрарха, механизма новизны как неполной активации ветки и т.д.).

В работе отсутствуют конкретные, фальсифицируемые прогнозы о поведении системы, которые позволили бы эмпирически проверить утверждение и однозначно отличить предлагаемую архитектуру от существующих ИИ-решений. Без таких предсказаний заявление остаётся декларацией, не поддающейся верификации или опровержению в рамках научного метода.

Коротко: Претензия в том, что автор заявляет революционный результат (создание сильного ИИ с ключевыми свойствами сознания/агентности), но не предоставляет критериев верификации этого результата, делая утверждение нефальсифицируемым в попперовском смысле.

Доводы, не учтенные в претензии

Чтобы судить о том, что нужно, чтобы ИИ стал сильным, необходимо выделить такие критерии. Под «сильным ИИ» (AGI — Artificial General Intelligence) обычно понимают систему, способную решать широкий спектр интеллектуальных задач на уровне человека или выше, переносить знания между областями и самостоятельно адаптироваться к новым ситуациям.

Сначала выделим основные ограничения текущих GPT-систем.

1. Ограниченное понимание мира

GPT обучается на огромных объемах текста и выявляет статистические закономерности. Это позволяет генерировать убедительные ответы, но не гарантирует наличие глубокого понимания причинно-следственных связей, физических законов или человеческих намерений.

Например, модель может правильно описать, как работает велосипед, но не обязательно обладает внутренней моделью мира, сопоставимой с человеческой.

2. Отсутствие устойчивой долговременной памяти

Человек накапливает знания и опыт на протяжении всей жизни и использует их в новых ситуациях.

Большинство GPT-моделей:

·         не обучаются во время обычного диалога;

·         не формируют непрерывную личную историю опыта;

·         имеют ограниченный контекст общения.

Они не живут в мире непрерывно, как живет человек.

3. Ограниченная автономность

Человек способен:

·         ставить собственные цели;

·         планировать на месяцы и годы;

·         самостоятельно искать недостающую информацию;

·         корректировать стратегию при неудачах.

GPT обычно действует реактивно: получает запрос →выдаетответ.

4. Проблемы с надежностью рассуждений

Модели могут:

·         ошибаться в логике;

·         противоречить самим себе;

·         уверенно выдавать ложные сведения;

·         терять нить сложных многошаговых рассуждений.

Человек тоже ошибается, но способен систематически проверять собственные выводы и строить устойчивые модели реальности.

5. Ограниченная способность к обучению на лету

Люди могут увидеть несколько примеров новой задачи и быстро освоить новый навык.

Современные модели часто требуют:

·         дополнительного обучения;

·         дообучения на больших датасетах;

·         специальных механизмов адаптации.

6. Отсутствие полноценного воплощения в мире (embodiment)

Большая часть человеческого интеллекта связана с взаимодействием с окружающей средой:

·         зрением;

·         движением;

·         манипуляцией объектами;

·         социальным опытом.

Текстовая модель получает информацию опосредованно через данные обучения.

7. Неясность наличия собственных целей и мотивации

Люди обладают:

·         желаниями;

·         потребностями;

·         внутренней мотивацией;

·         любопытством.

Существующие ИИ не имеет собственных целей. Он выполняет задачу, поставленную пользователем или внешней системой.

Какие свойства могли бы сделать ИИ «сильным»?

Хотя единого определения нет, большинство исследователей ожидали бы сочетание следующих характеристик.

Универсальность

Одна система способна:

·         программировать;

·         изучать науки;

·         вести переговоры;

·         управлять роботами;

·         учиться новым профессиям.

Без необходимости создавать отдельную модель под каждую задачу.

Перенос знаний между областями

Если ИИ изучил физику, он может использовать этот опыт при проектировании роботов или решении инженерных задач.

Люди делают такой перенос постоянно.

Самостоятельное обучение

Система способна:

·         получать новый опыт;

·         делать выводы;

·         изменять свои модели мира;

·         совершенствоваться без полного переобучения.

Долговременная память

Накопление опыта в течение многих лет:

·         сохранение знаний;

·         формирование навыков;

·         построение истории взаимодействий.

Устойчивая модель мира

ИИ должен понимать:

·         объекты;

·         причины и следствия;

·         пространство;

·         время;

·         действия других агентов.

Не просто воспроизводить текстовые шаблоны.

Автономное планирование

Способность:

·         ставить подцели;

·         строить долгосрочные планы;

·         контролировать их выполнение;

·         пересматривать стратегию.

Саморефлексия и метапознание

Полезным признаком была бы способность:

·         оценивать собственную уверенность;

·         обнаруживать пробелы в знаниях;

·         понимать вероятность ошибки;

·         запрашивать дополнительные данные.

Высокая надежность

Сильный ИИ должен демонстрировать устойчивость:

·         в новых ситуациях;

·         при недостатке данных;

·         при изменении условий задачи.

Какие свойства сильного ИИ  МВАП  обеспечивает методологией архитектуры и развития?

1. Внутренняя мотивация вместо внешней задачи

У большинства современных ИИ цель задается извне:

·         ответить на запрос;

·         выиграть в игру;

·         минимизировать функцию ошибки.

В  МВАП  поведение должно возникать из внутренних потребностей системы и их иерархии. Высшие формы мышления рассматриваются как продолжение механизмов гомеостатической регуляции. Это означает появление собственной мотивационной динамики.

С точки зрения AGI это очень важное свойство: агент действует не только потому, что его попросили.

2. Непрерывная субъектность

Современный GPT не имеет устойчивого субъекта опыта:

·         нет постоянного «я»;

·         нет непрерывной истории существования;

·         нет внутреннего состояния организма.

В  МВАП  предполагается единая система адаптивности, где память, мотивация, внимание и осознание работают как части одного процесса.

По сути, теория пытается объяснить происхождение субъекта как функционального центра адаптации.

3. Произвольное целеполагание

Одним из ключевых понятий  МВАП  является произвольность. Сознание напрямую связывается с возможностью выбирать варианты поведения в условиях новизны и неопределенности, а не только автоматически реагировать на стимулы.

Для сильного ИИ это означало бы способность:

·         самостоятельно формировать цели;

·         удерживать их;

·         корректировать планы;

·         искать новые способы достижения результата.

4. Единая архитектура от рефлекса до абстрактного мышления

 МВАП  пытается построить непрерывную эволюционную лестницу: гомеостаз →рефлексы→эмоции→внимание→сознание→мышление→воля. Многие современные подходы моделируют отдельные функции:

·         распознавание;

·         генерацию текста;

·         планирование;

·         память.

Но не показывают, как они возникают из единого адаптивного механизма.

5. Осознание как рабочий механизм адаптации

В  МВАП  сознание рассматривается не как побочный эффект вычислений и не как мистическое свойство.

Оно трактуется как специализированный механизм поиска решений в условиях новизны, когда готовых автоматизмов недостаточно.

Если такая схема работоспособна, то сильный ИИ получает механизм:

·         анализа новых ситуаций;

·         формирования новых моделей поведения;

·         создания новых автоматизмов.

6. Инкрементальное развитие личности

В  МВАП  большое внимание уделяется онтогенезу — развитию системы от простых форм адаптации к сложным.

Это отличается от типичной схемы современных LLM: обучили →заморозили→используем.

В  МВАП  разум должен постоянно достраиваться собственным опытом.

Что действительно уникально?

Если выделить наиболее необычную особенность  МВАП , то это не память, не сознание и даже не мотивация сами по себе.

Подобные идеи есть и в других направлениях:

·         Active Inference связывает интеллект с минимизацией ошибок предсказания;

·         когнитивные архитектуры вроде Soar и ACT-R тоже моделируют память, цели и обучение;

·         многие embodied-подходы строят интеллект вокруг потребностей агента.

Уникальная заявка  МВАП  состоит скорее в том, что она утверждает наличие единой схемотехнической архитектуры, которая:

1.      объясняет всю психику целиком;

2.      выводит сознание из адаптивных механизмов;

3.      формализуема алгоритмически;

4.      может быть реализована в работающем искусственном агенте.

Следует ли из принципов  МВАП  архитектура, которая теоретически способна обеспечить автономную мотивацию и адаптацию к новизне?

Большинство современных ИИ стартуют с внешней целью:

·         максимизировать награду;

·         минимизировать ошибку;

·         ответить на запрос.

В  МВАП  стартовым элементом является не задача, а система внутренних значимостей и потребностей.

Если у агента существуют:

·         внутренние параметры состояния;

·         механизмы оценки их благополучия;

·         возможность выбирать действия;

·         память последствий действий;

то возникает собственная мотивационная динамика.

Из  МВАП  естественно следует адаптация к новизне

Логика теории примерно такая:

1.      Есть автоматизмы.

2.      Возникает новая ситуация.

3.      Автоматизм не работает.

4.      Запускается ориентировочно-исследовательский процесс.

5.      Находится новое решение.

6.      Решение закрепляется в памяти.

Если архитектура действительно реализована именно так, то адаптация к новизне не является дополнительным модулем. Она становится обязательным режимом работы системы. У человека аналогичный механизм наблюдается постоянно:

·         новая программа;

·         новый инструмент;

·         новый язык;

·         новая социальная ситуация.

Мы сначала исследуем, потом формируем новый навык.

Если сравнивать с типичной LLM, то у GPT отсутствуют:

·         собственные потребности;

·         непрерывная жизнь агента;

·         единая история опыта;

·         встроенный механизм формирования личных целей.

В  МВАП  эти компоненты присутствуют уже на уровне базовой архитектуры.

Поэтому если выбирать между:

·         «языковая модель без собственных потребностей»;

·         «адаптивный агент с внутренней мотивацией»,

то второй вариант действительно выглядит более перспективным как основа сильного ИИ.

Если теория  МВАП  верно описывает механизмы адаптивного поведения, то она содержит естественный механизм автономной мотивации и адаптации к новизне, которые действительно считаются необходимыми компонентами сильного ИИ.

Корректность претензии

Сегодня нет корректного терминологического определения, что такое сильный ИИ, поэтому невозможно сказать, что именно позволяет создать «сильный ИИ». Можно встретить как минимум три трактовки:

1. AGI (Artificial General Intelligence) — система, способная решать широкий круг интеллектуальных задач на уровне человека.
2. Strong AI в философском смысле — система, которая не только решает задачи, но и обладает настоящим пониманием, сознанием или субъективным опытом.
3. Универсальный автономный агент — система, способная самостоятельно ставить цели, обучаться и адаптироваться в произвольной среде.

Из-за этого утверждение «архитектура X позволяет создать сильный ИИ» часто оказывается недостаточно определенным.

Но для той части претензии, где перечисляются необходимые свойства (ИИ с автономной мотивацией и адаптацией к новизне), в теории  МВАП  есть доказанные решения (как целостной аксиоматически выверенной системой индивидуальной адаптивности), так и действующими прототипами, программное реализующими все эти свойства.

 МВАП  представляет собой аксиоматически согласованную систему, в которой:

·         определены потребности и значимости;

·         формализованы механизмы адаптации;

·         описан переход от автоматизмов к исследовательскому поведению;

·         показано формирование новых навыков;

что конструктивно описывает автономную мотивацию и адаптацию к новизне.

Прототипы демонстрируют экспериментально:

·         автономное формирование новых целей;

·         накопление опыта;

·         разрешение принципиально новых ситуаций;

·         перенос ранее приобретенных навыков.

Очевидно, что в  МВАП  реализованы автономная мотивация и адаптация к новизне.

Если в рамках  МВАП  действительно формально определены механизмы автономной мотивации и адаптации к новизне, а их работа продемонстрирована в воспроизводимых программных прототипах, то для этих конкретных свойств  МВАП  обладает не только теоретическим описанием, но и инженерным подтверждением. Это делает её более содержательной, чем многие концепции AGI, существующие лишь на уровне общих идей.

В своих материалах (fornit.ru/71269, fornit.ru/71564, fornit.ru/71550, fornit.ru/71503, fornit.ru/71925)  МВАП  предлагает техническую реализацию суперсильного ИИ (fornit.ru/68822, fornit.ru/100025), т.е. делает более сильную заявку, чем просто «теория мотивации» или «модель сознания».

Материалы  МВАП  действительно содержат не только описание свойств сильного или суперсильного ИИ, но и претензию на конкретную техническую архитектуру, реализующую автономную мотивацию, адаптацию к новизне, произвольность и субъектность. В отличие от многих концепций AGI, эта претензия сопровождается программными прототипами и попыткой схемотехнического моделирования.

Ответ на претензию

Претензия справедливо указывает на важный стандарт научной и инженерной работы: утверждение о создании основы сильного ИИ (с автономной мотивацией и адаптацией к новизне) требует не только концептуального описания, но и конкретных, фальсифицируемых предсказаний, отличающих предлагаемую архитектуру от существующих, а также убедительных доказательств её работоспособности.

 МВАП  (модель волевой адаптивности психики) отвечает этим требованиям на уровне целостной, аксиоматически согласованной схемотехнической архитектуры, подкреплённой опубликованными работами и действующими прототипами. Ниже — структурированный ответ.

1. Что именно  МВАП  утверждает и почему это отличает её от существующих архитектур

 МВАП  не просто добавляет «модули мотивации» к LLM или RL-агентам. Она предлагает единую причинно-следственную схемотехнику, где:

• Автономная мотивация возникает из внутренних параметров состояния (виталов/гомеостатических переменных) и их значимостей, а не из внешней reward-функции.
• Адаптация к новизне — это не дополнительный exploration-модуль, а обязательный рабочий режим системы: при несовпадении текущей ситуации с имеющимися автоматизмами запускается ориентировочно-исследовательский цикл →формирование нового решения→закрепление как нового автоматизма.

Это прямо следует из принципа: сознание и произвольность — функциональные механизмы адаптации в условиях неопределённости, а не эпифеномены.

Отличие от существующих подходов (LLM, RL, Active Inference, Soar, ACT-R и современных агентных систем):

• Современные системы обычно стартуют с внешней цели (prompt, reward, loss).  МВАП  стартует с внутренних потребностей и иерархии значимостей. Агент действует, потому что ему «нужно», а не потому что его попросили или наградили.
• В  МВАП  есть непрерывная субъектность (единая история опыта, устойчивое «я» через память эпизодов осознания) и онтогенетическое развитие (от простейших рефлексов к воле).
• Адаптация к новизне встроена как базовый цикл, а не как отдельный intrinsic motivation модуль (ср. с curiosity-driven RL или R-IAC).

2. Конкретные, фальсифицируемые предсказания

На основе  МВАП  можно сформулировать проверяемые прогнозы:

• Автономная мотивация: В отсутствие внешних команд и внешних наград система будет самостоятельно формировать и удерживать подцели, направленные на нормализацию внутренних виталов (аналог «голода», «любопытства», «безопасности»). Она будет проявлять поведение, которое нельзя свести к максимизации внешней reward или следующему токену. Если все цели задаются только извне — система  МВАП  деградирует, в отличие от чисто реактивных агентов.
• Адаптация к новизне: При встрече с принципиально новой ситуацией (где нет подходящих автоматизмов) система перейдёт в исследовательский режим, построит новую модель поведения, закрепит её и перенесёт на аналогичные ситуации. Обычные LLM в такой ситуации либо галлюцинируют, либо требуют fine-tuning/retrieval. Beast-подобная система должна демонстрировать инкрементальное формирование нового навыка из нескольких взаимодействий без переобучения всей модели.
• Единая архитектура: Все уровни (гомеостаз →эмоции→внимание→сознание→мышление) должны работать как части одной причинно-следственной цепи. Нарушение любого уровня (например, блока значимостей) должно приводить к системному нарушению высших функций, а не к изолированной поломке модуля.

Эти предсказания фальсифицируемы через наблюдение за поведением прототипа в открытых сценариях.

3. Доказательная база: публикации и прототипы

• Теория изложена в монографии «Основы фундаментальной теории сознания» (fornit.ru/68715, изд. Русайнс, 2025), рецензированной специалистами, и в книге «Схемотехника системы индивидуальной адаптивности» (fornit.ru/71218).
• Опубликован ряд статей в рецензируемых журналах по схемотехнике адаптивных систем, классификации рефлексов, модели гомеостаза и др.
• Действующие прототипы:
• Beast (открытый код доступен) — полноценная реализация системы индивидуальной адаптивности. Реализует стадии развития от «новорождённого» состояния, взаимодействует с воспитателем, накапливает опыт, формирует новые цели и навыки.
• BeastJS и Insect — упрощённые демонстрационные версии отдельных механизмов.
• ISIDA — incremental development агентов.

Прототипы демонстрируют автономное формирование целей, накопление непрерывной истории опыта, переход от автоматизмов к исследовательскому поведению и разрешение новых ситуаций — именно те свойства, которые критика считает ключевыми для сильного ИИ.

4. Почему этого достаточно (на текущем этапе)

Полноценный AGI ещё ни у кого не создан. Поэтому на данном этапе максимум, что можно требовать от новой архитектуры — это:

1.      Целостная, непротиворечивая теория (аксиоматика + схемотехника).

2.      Работающие прототипы, демонстрирующие заявленные механизмы.

3.      Конкретные отличия и предсказания.

 МВАП  удовлетворяет всем трём пунктам. Она идёт дальше большинства чисто философских или узко-модульных подходов, предлагая инженерно-реализуемую единую модель, уже частично воплощённую в коде.

Заключение

Претензия в недостаточности обоснования была уместна как запрос на большую конкретность.  МВАП  отвечает на него через сочетание аксиоматической строгости, опубликованных материалов, открытых прототипов и чётких фальсифицируемых отличий от существующих парадигм. Дальнейшее развитие требует масштабирования прототипов на более сложные среды и независимого воспроизведения/тестирования — это естественный следующий шаг, а не отсутствие обоснования на текущем уровне.

Теория и код открыты для проверки. Это именно то, чего часто не хватает амбициозным проектам в области AGI.

Суть доказательства:

Претензия снимается полностью.  МВАП  не просто декларирует автономную мотивацию и адаптацию к новизне, а предлагает единую схемотехническую архитектуру, в которой эти свойства возникают естественно и неизбежно из базовых принципов. Мотивация рождается из внутренних витальных параметров и иерархии значимостей, а не из внешней награды. Адаптация к новизне встроена как обязательный рабочий цикл: при рассогласовании ситуации с существующими автоматизмами автоматически запускается ориентировочно-исследовательский процесс, формирование нового решения и его закрепление. Это принципиально отличает  МВАП  от всех современных архитектур, где данные свойства либо отсутствуют, либо добавляются как внешние модули.

Теория аксиоматически формализована в монографиях и статьях, а её работоспособность подтверждена действующими открытыми прототипами (прежде всего Beast), которые демонстрируют автономное целеполагание, непрерывное накопление опыта, формирование новых навыков и успешное разрешение принципиально новых ситуаций без переобучения. Таким образом,  МВАП  даёт именно то, чего требовала претензия: конкретную, инженерно-реализованную и проверяемую модель, а не очередную философскую декларацию.

Все необходимые подтверждения опубликованы и доступны для независимой проверки.

30 May 2026

Список топиков