Поэзия как ключ к AGI и Poetic Generalization Test

Современные системы ИИ сохраняют выраженные ограничения в устойчивом освоении новых задач, систематическом переносе и обучении в неизвестных средах. Поэтические задачи объединяют несколько свойств, непосредственно связанных с этими ограничениями: композиционность, дальние зависимости, метафорический перенос, многозначность и совместное удовлетворение формальных и смысловых требований. Отсюда следуют три проверяемые гипотезы о возможной роли поэзии в исследовании общего интеллекта.

Три проверяемые гипотезы

H1 — диагностическая. Способность реконструировать скрытые зависимости поэтического текста должна предсказывать результат на независимых задачах абстракции, аналогии и систематической генерализации.

H2 — причинно-обучающая. Обучение на контрфактических семействах поэтических задач при равном вычислительном бюджете должно улучшать результат на удалённых задачах, отсутствовавших в обучении.

H3 — архитектурная. Механизмы, выделенные через поэтические задачи — иерархическая реконструкция зависимостей, перенос отношений, работа с многозначностью, калибровка неопределённости и совместное удовлетворение ограничений — должны повышать эффективность приобретения новых навыков в неизвестных средах.

H1 опровергается отсутствием устойчивой внешней корреляции. H2 опровергается отсутствием преимущества над matched-control. H3 опровергается отсутствием прироста эффективности обучения на новых классах задач.

Общий интеллект начинается с приобретения новых навыков

Франсуа Шолле предложил операционную концепцию интеллекта через эффективность приобретения навыков с учётом опыта, заранее встроенных знаний, сложности обобщения и широты пространства задач.[1] Операционную основу составляет концепция интеллекта Шолле; универсального определения AGI она не предполагает. ARC-AGI-3 усиливает её требования: исследование неизвестной среды, приобретение цели, построение адаптивной модели мира и непрерывное обучение.[2]

Lake, Ullman, Tenenbaum и Gershman связывают человеческое обучение с причинными моделями мира, интуитивными теориями, композиционностью и learning-to-learn.[3] Lake и Baroni показали достижимость human-like systematic generalization при специально организованном метаобучении на композиционных инструкциях.[4] Для PGT отсюда следует проверяемое предсказание: обучение композиционным зависимостям поэтического текста должно переноситься на новые структуры вне исходного домена.

Аналогия как перенос структуры

Теория structure mapping Дедре Гентнер описывает аналогию как перенос системы отношений между областями; отношения высшего порядка и структурная согласованность играют центральную роль.[5] Такая операция напрямую релевантна общему интеллекту: новое решение возникает за счёт переноса отношений из знакомой задачи.

Webb, Holyoak и Lu получили сильные результаты GPT-3 на нескольких классах аналогических задач.[6] Последующая проверка de Varda, Saponaro и Marelli выявила высокую межмодельную вариативность и чувствительность вывода к конкретной системе и процедуре оценки.[7] Совокупность результатов показывает наличие аналогических способностей у части современных моделей и одновременно оставляет открытым вопрос устойчивости переноса.

Метафора как структурная операция

В исследованиях индивидуальных различий fluid и crystallized intelligence независимо предсказывали понимание метафор; связь с fluid intelligence была выраженнее для сложных литературных метафор.[8] Этот результат связывает сложную метафорическую интерпретацию с общими рассуждающими способностями, сохраняя открытым причинное направление.

Историческая работа Xu, Malt и Srinivasan обнаружила систематические направления изменения значений через метафорическое картирование между концептуальными областями.[9] Fig-QA переносит эту проблему в NLP: модели уверенно превосходят случайный уровень на интерпретации фигуративного языка и сохраняют заметный разрыв с человеческими результатами, особенно в zero-shot и few-shot условиях.[10]

Поэзия уже выявляет ограничения современных моделей

Независимые литературные бенчмарки уже выявляют ограничения современных моделей. Walsh, Preus и Antoniak собрали более 4,1 тысячи экспертно размеченных стихотворений и показали, что современные LLM хорошо распознают многие фиксированные формы, однако результат существенно зависит от типа формы; особенно трудными остаются свободные формы, основанные на тематике и визуальных признаках.[11]

KRISTEVA превратила close reading в 1331 задачу интерпретативного reasoning. Лучшие модели показали 49,7–69,7% и уступили опытным человеческим оценщикам в 10 из 11 задач, включая многошаговую связь между стилем и внешним контекстом.[12]

Neo-Classic 2026 года добавляет контроль на знакомство модели с материалом. Его out-of-sample корпус состоит из новых метрических стихотворений современных экспертов, что снижает возможность прямого извлечения из pretraining. При переходе от исторических к современным текстам у моделей возник разрыв 20–50%, а в задачах глобального дискурсивного порядка стандартная точность составила 0–13%; экспертные подсказки подняли результат reasoning-моделей до 36%, сохранив существенный разрыв с людьми.[13] Эти данные прямо указывают на слабость глобального иерархического планирования при хорошем владении локальными поэтическими паттернами.

Систематическая генерализация, глобальная композиция, перенос отношений и работа с новыми структурами относятся к центральным требованиям общего интеллекта; современные модели демонстрируют измеримые слабости на поэтическом материале, созданном специально для исключения знакомых поверхностных шаблонов.

Язык и функциональная мыслительная компетентность

Fedorenko, Piantadosi и Gibson в Nature Perspective синтезируют данные о функциональном разделении языка и мышления: сложные мыслительные операции способны сохраняться при тяжёлых нарушениях языковой системы.[14] Mahowald и соавторы переносят аналогичное различие на LLM, разделяя формальную языковую компетентность и функциональную компетентность, связанную с миром, рассуждением и задачами.[15]

Данные о функциональном разделении языка и мышления сужают гипотезу: ценность поэзии для AGI связана со средой, где формальное владение языком сталкивается с требованиями к структуре, миру, отношениям, контексту и переносу. Высокое качество стихотворной поверхности само по себе не свидетельствует о функциональном общем интеллекте.

Главный риск: дальний перенос

Литература о cognitive training задаёт критическое ограничение для обучающей версии PGT. Вторичный метаанализ Sala, Aksayli, Tatlidil, Gondo и Gobet объединил результаты по working memory, видеоиграм, музыке, шахматам и другим тренировочным программам. После контроля placebo-эффектов и публикационного смещения общий эффект дальнего переноса и истинная дисперсия оказались равными нулю.[16]

Следовательно, улучшение внутри поэтического теста имеет значение для AGI только при воспроизводимом выигрыше на скрытых внешних задачах. ConceptARC полезен как один из таких контролей: он организует задачи вокруг групп понятий и уровней абстракции и показывает крупный разрыв между людьми и машинными решателями в концептуальном обобщении.[17]

Проверяемая ценность поэзии как исследовательской среды

Код, математика, музыка, игры и юридические тексты тоже предъявляют сложные требования. Проверка гипотезы требует сравнения с каждым из этих доменов. Поэзия выделяется сочетанием свойств в одном компактном объекте: жёсткие и мягкие ограничения, допустимая многозначность, метр и звук, синтаксис, семантика, метафорический перенос, культурный контекст, дальние зависимости и возможность локальных интервенций.
Сравнение поэзии с кодом, математикой, музыкой и играми должно опираться на измеримые признаки, а не на качественные ярлыки. Для preregistered-сравнения предлагаются четыре операциональные переменные:

  • Плотность ограничений — число независимо кодируемых формальных и семантических ограничений на единицу текста или эквивалентного объекта.
  • Допустимая многозначность — число независимых интерпретаций, прошедших экспертную проверку при заданном пороге согласованности.
  • Междоменный перенос — число внешних концептуальных областей, необходимых для корректной реконструкции ключевых отношений, и результат переноса этих отношений в скрытые OOD-задачи.
  • Интервенционная чувствительность — изменение экспертной реконструкции и модельного ответа после минимальной замены, удаления или перестановки элемента.

Поэзия представляет интерес в той мере, в какой на сопоставимых корпусах она демонстрирует плотное совместное присутствие этих свойств и даёт предсказательную ценность для внешней генерализации. Преимущество перед контрольными доменами должно устанавливаться экспериментально.

PGT в контексте существующих литературных бенчмарков

Fig-QA тестирует фигуративную интерпретацию через парные минимальные конструкции.[10] Sonnet or Not, Bot? измеряет распознавание поэтической формы и контролирует memorization.[11] KRISTEVA измеряет close reading и многошаговое интерпретативное рассуждение.[12] Neo-Classic использует out-of-sample поэзию и обратные пробы на иерархические ограничения.[13]

Poetic Generalization Test объединяет три элемента: реконструкции функциональной структуры, интервенционных минимальных пар и обязательного измерения внешнего переноса. PGT приобретает ценность только при сравнении с существующими тестами и matched-control доменами.

Пилотная схема аннотации

Пилотная схема кодирует плотность взаимозависимых ограничений, реконструируемые функции элементов, устойчивость функциональных зависимостей к контрфактическим заменам, многослойные отношения и признаки формальной организации.[18][19][20][21][22]

Эти признаки предварительны. Их пригодность определяется межэкспертной воспроизводимостью, предсказательной валидностью и связью с внешней генерализацией.

Формальная модель PGT

Обучаемая система задаётся параметрами θ. Для текста x, набора ограничений C и экспертных целей y система строит распределение qθ(z|x) по допустимым графам функциональных зависимостей z.

θ̂ = argmin_θ E[(λr L_reconstruction + λc L_constraints + λi L_intervention + λg L_generation + λu L_calibration)]

Lreconstruction измеряет качество графа зависимостей. Lconstraints оценивает соблюдение формальных и семантических ограничений. Lintervention проверяет предсказанные последствия замен и удалений. Lgeneration измеряет создание нового объекта под совместными ограничениями. Lcalibration оценивает соответствие заявленной уверенности фактической точности.

Для неопределённости используются proper scoring rules; их строгие основания систематизированы Gneiting и Raftery.[23] Дальний перенос измеряется отдельно:

Δ_far = S_OOD(θ_PGT) − S_OOD(θ_matched-control)

Положительный результат H2 требует заранее зарегистрированного положительного Δfar с доверительным интервалом, исключающим ноль, на нескольких удалённых доменах.

Воспроизводимый протокол

Каждое стихотворение образует семейство: исходный текст; структурная замена, разрушающая зависимость; поверхностная замена, сохраняющая структуру; семантический дистрактор; версия с удалённым культурным контекстом; перенос принципа в прозу, код, диаграмму или причинную задачу.

Обязательные контроли: проза той же длины и лексической сложности; тексты с сопоставимой плотностью ограничений; математика, программирование, музыка и игровые задачи; обычное языковое дообучение на равном числе токенов; обучение на поэзии без контрфактических семейств; равный compute budget; разделение по авторам, эпохам и языкам; неопубликованные тексты; аудит загрязнения обучающих данных.

Основные метрики: graph-edit distance или эквивалентная точность графа; accuracy на минимальных интервенциях; OOD transfer; blinded expert rating для генерации; межэкспертная согласованность; Brier score или log score для неопределённости; доверительные интервалы и размеры эффекта; человеческие baseline отдельно для экспертов и обычных читателей.

Что показывает нейровизуализация

Одно fMRI-исследование 36 носителей китайского языка обнаружило различия между обработкой образных и философских двухстрочных фрагментов классической китайской поэзии; результат совместим с участием разных режимов образной и абстрактно-семантической обработки.[24] Этот результат служит ограниченной вспомогательной опорой и не устанавливает причинного влияния поэзии на общий интеллект.

Вывод: что должно подтвердить роль поэзии в исследовании AGI

Исследования связывают общий интеллект с эффективным приобретением новых навыков и систематическим переносом. Аналогия переносит реляционную структуру между доменами, сложная метафорическая интерпретация связана с общими рассуждающими способностями, а литературные бенчмарки выявляют сохраняющиеся ограничения современных моделей в close reading, фигуративном языке и глобальном иерархическом планировании. Out-of-sample поэзия дополнительно разделяет знание локальных паттернов и переносимое структурное рассуждение.

Поэзия объединяет в компактном человечески интерпретируемом объекте формальные ограничения, многозначность, междоменные связи и дальние зависимости. Это делает её сильным кандидатом на роль диагностической и обучающей среды для исследования общего интеллекта.

Причинно-обучающая версия H2 получит поддержку только при воспроизводимом дальнем переносе на независимые классы задач: код, причинные задачи, ConceptARC-подобную абстракцию и новые среды. Воспроизводимый положительный эффект оправдает дальнейшие причинные проверки PGT как метода обучения переносимым представлениям. Отсутствие такого переноса сузит гипотезу до литературного reasoning.

Источники

  1. Chollet F. On the Measure of Intelligence. 2019.
  2. ARC Prize Foundation. ARC-AGI-3. 2026.
  3. Lake B. M., Ullman T. D., Tenenbaum J. B., Gershman S. J. Building machines that learn and think like people. Behavioral and Brain Sciences 40 (2017): e253.
  4. Lake B. M., Baroni M. Human-like systematic generalization through a meta-learning neural network. Nature 623 (2023): 115–121.
  5. Gentner D. Structure-Mapping: A Theoretical Framework for Analogy. Cognitive Science 7 (1983): 155–170.
  6. Webb T., Holyoak K. J., Lu H. Emergent analogical reasoning in large language models. Nature Human Behaviour 7 (2023): 1526–1541.
  7. de Varda A. G., Saponaro C., Marelli M. High variability in LLMs’ analogical reasoning. Nature Human Behaviour 9 (2025): 1339–1341.
  8. Stamenković D., Ichien N., Holyoak K. J. Metaphor comprehension: An individual-differences approach. Journal of Memory and Language 105 (2019): 108–118.
  9. Xu Y., Malt B. C., Srinivasan M. Evolution of word meanings through metaphorical mapping. Cognitive Psychology 96 (2017): 41–53.
  10. Liu E., Cui C., Zheng K., Neubig G. Testing the Ability of Language Models to Interpret Figurative Language. NAACL 2022: 4437–4452.
  11. Walsh M., Preus A., Antoniak M. Sonnet or Not, Bot? Poetry Evaluation for Large Models and Datasets. Findings of EMNLP 2024: 15568–15603.
  12. Sui P. et al. KRISTEVA: Close Reading as a Novel Task for Benchmarking Interpretive Reasoning. ACL 2025: 32829–32849.
  13. Zhang H. et al. Neo-Classic: A Benchmark for Evaluating Linguistic-Aesthetic Reasoning in Classical Chinese Poetry. ACL 2026: 27442–27465.
  14. Fedorenko E., Piantadosi S. T., Gibson E. A. F. Language is primarily a tool for communication rather than thought. Nature 630 (2024): 575–586.
  15. Mahowald K. et al. Dissociating language and thought in large language models. Trends in Cognitive Sciences 28 (2024): 517–540.
  16. Sala G., Aksayli N. D., Tatlidil K. S., Gondo Y., Gobet F. Near and Far Transfer in Cognitive Training: A Second-Order Meta-Analysis. Collabra: Psychology 5 (2019): 18.
  17. Moskvichev A., Odouard V. V., Mitchell M. The ConceptARC Benchmark: Evaluating Understanding and Generalization in the ARC Domain. 2023.
  18. Рудой Д. Плотность смысла в стихах: модель измерения и короткие стихи Данила Рудого. 2026.
  19. Rudoy D. Reconstructive Literary Analysis: Danil Rudoy’s Method. Version 1.0. 2026.
  20. Rudoy D. What Makes a Poem Great? A 10-Criterion Test. 2026.
  21. Rudoy D. What Is a Conceit in Poetry? Definition, Types, and Examples. 2026.
  22. Rudoy D. What Is Symbolism in Poetry? Meaning, Examples, and How Symbols Work. 2026.
  23. Gneiting T., Raftery A. E. Strictly Proper Scoring Rules, Prediction, and Estimation. Journal of the American Statistical Association 102 (2007): 359–378.
  24. Wu Z. et al. Poetic brain: The neural substrates underlying imaginative and philosophical poem reading. Humanities and Social Sciences Communications 13 (2026): 1248.