Проблема практического интеллекта
Простая бытовая загадка — как добраться до автомойки в 50 метрах от дома: пешком или на машине? — стала предметом масштабного спора на Hacker News. Несмотря на очевидность задачи для человека, многие современные нейросети, включая ChatGPT, Claude и Grok, выбирают неверный вариант. Они логично рассуждают о том, что идти пешком быстрее и экономит топливо, но упускают главную цель — доставить автомобиль на мойку. В итоге модель предлагает человеку дойти до места назначения, оставляя машину дома.
Этот феномен обнажает разницу между текстовыми знаниями и так называемым practical intelligence (практическим интеллектом). Нейросети обучаются на огромных массивах текстов, но они не живут в физическом мире. Модель может знать, что такое автомойка и что машины нужно там мыть, но она не всегда способна связать эти факты в единую логическую цепочку в рамках конкретной ситуации.
Неоднозначность и режимы рассуждения
Исследование показало, что даже одна и та же модель может давать разные ответы в зависимости от режима работы. Например, в экспериментах с GPT-5.2 Thinking стандартный режим выдавал ответ «пешком», тогда как режим Extended Thinking переключал модель на логичный вариант «на машине». Это подтверждает, что ошибка часто связана не с отсутствием знаний, а с неправильной интерпретацией неоднозначного вопроса.
Пользователи Hacker News отмечают, что человек автоматически достраивает контекст (машина стоит дома, цель — помыть именно её), в то время как для LLM каждое слово — это отдельный признак, который может перевесить общую логику. Если в вопросе нет прямого указания на местоположение объекта, нейросеть может выбрать наиболее вероятный языковой паттерн (короткие дистанции = пешком), игнорируя суть задачи.
Будущее промпт-инжиниринга
Опыт работы с LLM показывает: чтобы избежать подобных ошибок, пользователям приходится превращать простые вопросы в подробные технические задания. Вместо короткой фразы приходится описывать «состояние мира»: где находится объект, какова цель и какие есть ограничения. Это меняет саму суть промпт-инжиниринга.
Если раньше хорошим промптом считалась удачная формулировка вопроса, то в будущем эффективным инструментом станет описание физической реальности. Чтобы нейросеть не ошибалась в элементарных вещах, ей нужно предоставлять не просто текст, а полноценную картину ситуации, которую человек считывает мгновенно благодаря жизненному опыту.