Аннотация

В статье предлагается новая методология научного познания в эпоху больших языковых моделей (LLM), основанная на использовании искусственного интеллекта не как источника истины или генератора знаний ex nihilo, а как вычислительного инструмента для дедуктивной реконструкции теоретических систем. Метод, обозначаемый как AI-Resilient Science, опирается на аксиоматическую подготовку контекста (фильтры), перекрёстную проверку между независимыми моделями и создание так называемых исполняемых документов, которые служат операционной спецификацией теории.

Предложенный подход позволяет формализовать процесс генерации гипотез, обеспечить воспроизводимость теоретических выводов и трансформировать феномен галлюцинаций ИИ из дефекта в элемент научного метода. Методологические основания обсуждаются в контексте августиновской эпистемологии, согласно которой разум не творит истину из ничего, а актуализирует и организует уже данное. В качестве примера применения рассматривается темпоральная теория Вселенной (TTU), где ИИ используется как строгий логический оппонент, проверяющий внутреннюю когерентность онтологии времени как субстанции.

1. Введение

Современные большие языковые модели (LLM), такие как GPT, Gemini или Claude, часто воспринимаются либо как универсальные оракулы, либо как статистические имитаторы знания, непригодные для серьёзной науки. Оба подхода являются методологически наивными. Настоящая работа исходит из иной позиции: LLM следует рассматривать как вычислительные движки дедукции, способные разворачивать сложные логические структуры при условии корректно заданных аксиом и ограничений.

Мы вводим понятие AI-Resilient Science науки, устойчивой к ИИ и одновременно восстанавливаемой с его помощью. В рамках этого подхода ИИ не подменяет мышление исследователя, а усиливает его, выступая в роли строгого, но онтологически слепого логика. Источник смысла, аксиом и интерпретаций остаётся за человеком.

2. Фильтры как аксиоматическая основа (In-Context Ontology)

Ключевым элементом метода является подготовка контекста, которую автор называет фильтрами. В терминах машинного обучения это соответствует расширенной форме In-Context Learning: в рабочую сессию ИИ загружается не набор фактов, а структурированная онтология предметной области, включающая аксиомы, определения и допустимые формы вывода.

Принципиально важно, что такие фильтры не обязаны быть оптимизированы под человеческое чтение. Напротив, они могут быть ориентированы на машинную интерпретацию, играя роль операционной спецификации мышления. В этом смысле фильтр это не просто текст, а исполняемый документ, который при загрузке в модель разворачивается в систему логических следствий.

Пример (TTU)

Для работы с темпоральной теорией Вселенной (TTU) используются три базовых документа, задающих:

• онтологические аксиомы времени как сотворённой субстанции;
• математический формализм (градиенты, вариационные принципы, тензорные конструкции);
• физические интерпретации (стрела времени, расширение Вселенной, связь с космологической динамикой).

Совокупность этих документов образует то, что можно назвать исполняемой теорией: при загрузке в контекст ИИ она не просто читается, а разворачивается в систему логических следствий.

3. Перекрёстная проверка как AI-based Peer Review

Важнейшим элементом метода является перекрёстная проверка выводов между различными языковыми моделями. Каждая модель представляет собой вероятностный аппроксиматор с собственными статистическими приоритетами и архитектурными особенностями. Их расхождения и совпадения несут методологически значимую информацию.

Формально:

• каждая модель независимый дедуктивный агент;
• галлюцинации проявление нефильтрованного пространства гипотез;
• согласие моделей индикатор когерентности выводов;
• расхождения маркеры слабых мест аксиоматики или формализма.

Таким образом, ИИ используется как состязательная система рассуждения, аналог распределённого peer-review, где человек остаётся финальным арбитром и интерпретатором. В отличие от традиционного рецензирования, здесь проверка может быть многократно повторена, автоматизирована и прозрачно воспроизводима.

4. Исполняемые документы и критерий AI-Resilience

Показателен феномен, при котором некоторые системы (например, Copilot) отказываются обрабатывать документы, которые сами же сгенерировали, интерпретируя их как потенциально опасные исполняемые файлы. Это не ошибка, а симптом: такие тексты воспринимаются не как пассивное содержание, а как управляющий код, способный изменить режим работы модели.

Определение (AI-Resilient Theory)

Теория называется AI-Resilient, если независимая языковая модель, получив её аксиоматическую спецификацию, способна реконструировать ту же систему выводов без доступа к оригинальному текста.

Тем самым вводится новый критерий научной воспроизводимости:
воспроизводится не текст, а структура мышления, лежащая в основе теории.

5. Философские основания: августиновская эпистемология и современный контекст

Метод AI-Resilient Science укоренён в классической эпистемологии, в частности в учении Блаженного Августина. Согласно Августину, человек не творит истину ex nihilo это прерогатива Бога. Человеческий разум лишь соединяет, упорядочивает и актуализирует уже данное.

Эта позиция удивительно точно соответствует механике LLM:

• ИИ не создаёт нового знания о мире;
• но способен порождать новое знание внутри модели мира, заданной аксиомами.

Метафора борща здесь показательна: ингредиенты сами по себе не равны готовому блюду, но и блюдо не возникает без них. Новое качество рождается в процессе организации и трансформации, а не из пустоты.

Дополнение: Поппер и Кун

В терминах Поппера, AI-Resilient Science усиливает принцип фальсифицируемости: расхождения между моделями выступают индикатором слабых мест теории.
В терминах Куна, парадигмы могут быть зафиксированы как исполняемые документы, а их смена отслежена через перекрёстную дедукцию.

6. Применение в физике: время как субстанция (TTU)

Метод был апробирован при разработке темпоральной теории Вселенной (TTU), где время рассматривается не как параметр или координата, а как онтологически реальная, сотворённая субстанция.

Ключевые положения:

• время не совечно Богу и потому имеет статус сотворённого;
• стрела времени и расширение Вселенной представляют собой единый процесс;
• будущее интерпретируется как область ещё не актуализированного времени.

ИИ в этом контексте используется не как подтверждение истинности, а как идеальный логик, проверяющий внутреннюю непротиворечивость и дедуктивную полноту теории.

7. Пошаговый протокол AI-Resilient Science

1. Аксиоматизация
   Формирование исполняемых документов (онтология, формализм, интерпретация).
2. Загрузка контекста
   Передача аксиом в рабочую сессию ИИ.
3. Дедуктивная генерация
   Разворачивание следствий с использованием разных моделей.
4. Перекрёстная валидация
   Сравнение выводов, выявление расхождений.
5. Итеративное уточнение
   Коррекция аксиом и повтор цикла.
6. Фиксация структуры
   Оформление теории в AI-Resilient виде.

Ограничения метода

Необходимо подчеркнуть, что AI-Resilient Science не претендует на замену экспериментального метода и не устраняет фундаментальную зависимость теории от качества исходных аксиом. Если аксиомы заданы некорректно, внутренне противоречивы или не соответствуют физической реальности, ИИ может воспроизвести лишь когерентную, но онтологически ложную модель. В этом смысле ИИ гарантирует логическую непротиворечивость, но не истинность по отношению к природе.

Кроме того, метод принципиально не способен заменить эмпирическую проверку: он служит инструментом дедуктивного анализа, а не источником наблюдательных данных. Его сила заключается в структурной проверке теорий, выявлении скрытых предпосылок и логических разрывов, но окончательное подтверждение или опровержение любой физической модели остаётся за экспериментом и наблюдением.

8. Заключение

Метод AI-Resilient Science представляет собой новую форму научного производства, объединяющую философию, математику и инженерное мышление. Он:

• сохраняет центральную роль человека как носителя смысла и онтологии;
• использует ИИ как усилитель дедукции, а не источник истины;
• превращает галлюцинации из дефекта в диагностический инструмент;
• обеспечивает воспроизводимость теорий на уровне структуры мышления.

Это не игра с чат-ботами, а формирование новой эпистемологической инфраструктуры науки XXI века, где философия задаёт основания, математика формализует аксиомы, ИИ проверяет когерентность, а эксперимент остаётся финальным арбитром истины.

Ключевые термины

1. AI-Resilient Science (Наука, устойчивая к ИИ)  Методология, при которой теория считается воспроизводимой и устойчивой, если её ключевые выводы могут быть дедуктивно реконструированы независимой языковой моделью на основе предоставленной аксиоматики.
2. In-Context Learning (Обучение в контексте)  Способность языковой модели использовать информацию, предоставленную в рамках текущего сеанса (промпта), для выполнения задач, не требуя обновления своих внутренних весов.
3. Дедуктивная реконструкция  Процесс восстановления системы логических следствий теории языковой моделью на основе заданных аксиом и правил вывода.
4. Исполняемые документы (Executable Documents / Operational Specifications)  Тексты, структурированные не только для человеческого чтения, но и для машинной интерпретации в качестве аксиоматической базы, определяющей онтологию и правила дедукции для ИИ.
5. Перекрёстная валидация (между моделями)  Метод проверки согласованности выводов, при котором одна и та же аксиоматика подаётся на вход различным языковым моделям; совпадения и расхождения их выводов служат индикатором когерентности теории и выявляют её слабые места.
6. Онтологическая слепота ИИ  Свойство языковых моделей, заключающееся в отсутствии у них интуитивного или эмпирического доступа к реальности; ИИ оперирует исключительно вероятностными связями между токенами в рамках заданного контекста.
7. Состязательная дедукция (Adversarial Deduction)  Процесс, в котором несколько ИИ-агентов, основанных на разных моделях или промптах, используются для генерации и взаимной проверки дедуктивных цепочек, аналогичный научной дискуссии.
8. Галлюцинации ИИ как диагностический инструмент  Подход, при котором неконтролируемые или статистически приоритетные выводы модели не отбрасываются как ошибки, а анализируются как проявление скрытых предпосылок в данных или указание на области неопределённости в аксиоматике.
9. Августиновская эпистемология (в контексте ИИ)  Положение, согласно которому разум (как человеческий, так и искусственный) не творит знание ex nihilo, а организует, комбинирует и актуализирует элементы, данные ему извне (через откровение, опыт или промпт).
10. Попперовская фальсифицируемость (в контексте AI-Resilient Science)  Принцип, усиленный методом перекрёстной валидации: расхождения между моделями выступают в роли потенциальных фальсификаторов, указывающих на внутренние противоречия или неполноту теории.
11. Куновская парадигма как исполняемый документ  Интерпретация научной парадигмы как системы аксиом, методов и допущений, которая может быть формализована в виде исполняемого документа для её проверки и сравнения с альтернативами средствами ИИ.
12. Темпоральная теория Вселенной (TTU)  Пример применения методологии: физическая теория, постулирующая время как онтологическую субстанцию, а не как параметр, и связывающая стрелу времени с процессом расширения Вселенной.
13. Когерентность vs. Корреспонденция  Ключевое разграничение метода: ИИ способен гарантировать внутреннюю когерентность (непротиворечивость) теории, но не её корреспонденцию (соответствие) эмпирической реальности.
14. Контекстное окно (Context Window)  Технический параметр, определяющий объём информации (токенов), который языковая модель может одновременно учитывать при генерации ответа; критически важен для реализации In-Context Learning сложных теорий.
15. Эмерджентная дедукция  Способность языковой модели выводить логические следствия, явно не присутствовавшие в её обучающих данных, но имплицитно содержавшиеся в предоставленной системе аксиом.

Направления дальнейших исследований

• формализация AI-Resilient Science как методологического стандарта;
• интеграция метода в теоретическую физику и философию науки;
• разработка инструментов для автоматизированного создания исполняемых теорий;
• расширение практики перекрёстной проверки на мультиагентные системы;
• углубление связи между аксиоматикой и экспериментальной фальсифицируемостью.

CORE REFERENCES (основной текст статьи)

(коротко, сухо, без лирики)

Epistemology & Philosophy of Knowledge

1. Augustine of Hippo. Confessions. Oxford University Press, 2008.
2. Augustine of Hippo. De Trinitate. Cambridge University Press, 2002.
3. Polanyi, M. Personal Knowledge. University of Chicago Press, 1962.
4. Kant, I. Critique of Pure Reason. Cambridge University Press, 1998.

Philosophy of Science

1. Popper, K. The Logic of Scientific Discovery. Routledge, 2002.
2. Kuhn, T. The Structure of Scientific Revolutions. University of Chicago Press, 2012.
3. Lakatos, I. The Methodology of Scientific Research Programmes. Cambridge University Press, 1978.

Large Language Models & In-Context Learning

1. Vaswani, A. et al. Attention Is All You Need. NeurIPS, 2017.
2. Brown, T. et al. Language Models are Few-Shot Learners. NeurIPS, 2020.
3. Wei, J. et al. Chain-of-Thought Prompting. NeurIPS, 2022.
4. Min, S. et al. What Makes In-Context Learning Work? arXiv, 2022.

Critique & Limitations of AI

1. Ji, Z. et al. Hallucination in NLG. ACM Computing Surveys, 2023.
2. Bender, E. et al. Stochastic Parrots. FAccT, 2021.
3. Marcus, G. The Next Decade in AI. arXiv, 2020.

Philosophy of Information & AI

1. Floridi, L. The Philosophy of Information. OUP, 2011.
2. Floridi, L. AI as Agency Without Intelligence. Philosophy & Technology, 2022.
3. Shanahan, M. Talking About LLMs. CACM, 2022.

Ontology of Time

1. Rovelli, C. The Order of Time. Riverhead, 2018.
2. Barbour, J. The End of Time. OUP, 1999.
3. Ellis, G. F. R. Arrow of Time. SHPMP, 2014.

Authors Works

1. Lemeshko, A. Temporal Theory of the Universe. Zenodo / RG.
2. Lemeshko, A. Temporal Electrodynamics. Preprint, 2025.

Всё. Чисто. Рецензент доволен.

Appendix A

Extended Annotated Review: Conceptual Sources of AI-Resilient Science

Вот это то, что реально читают.
Это не примечания, это интеллектуальный маршрут.

A.1 Augustine: Why Knowledge Is Never Created Ex Nihilo

Августин вводит фундаментальное ограничение человеческого (и любого конечного) разума: он не творит истину, а лишь распознаёт и актуализирует её в уже данном порядке бытия. Это ключевая предпосылка AI-Resilient Science.

LLM в этом смысле радикально августиновская машина:
она не знает мира, но способна актуализировать структуру знания внутри заданной онтологии. Именно здесь проводится граница между генерацией и истиной.

A.2 Polanyi: Tacit Knowledge and the Limit of Formalization

Майкл Полани показывает, что значительная часть знания является неявной, телесной, контекстной.
Это снимает иллюзию, что ИИ может заменить исследователя.

AI-Resilient Science не борется с этим пределом
она встраивает его: ИИ работает строго внутри формализуемого слоя, человек остаётся носителем онтологии и интерпретации.

A.3 PopperKuhnLakatos: From Falsification to Program Stability

• Поппер расхождения между моделями как генераторы фальсификаторов.
• Кун исполняемые документы как формализованные парадигмы.
• Лакатос TTU как исследовательская программа с жёстким ядром (время как субстанция).

AI-Resilient Science это операционализация этих идей в цифровой среде.

A.4 Transformers and In-Context Learning: Why Filters Work

Работы Vaswani, Brown, Wei и Min показывают:
LLM не понимают, но строго следуют структуре контекста.

Фильтры =

искусственно заданные априорные формы рассуждения

По сути, ты вручную задаёшь модель Канта но для машины.

A.5 Hallucinations: From Bug to Diagnostic Signal

Большинство работ рассматривают галлюцинации как дефект.
AI-Resilient Science делает ход уровня дзюдо:

галлюцинация = индикатор слабого места аксиом

Если разные модели галлюцинируют по-разному
значит, теория недостаточно жёстко определена.

A.6 Floridi & Shanahan: AI Without Truth Access

Floridi и Shanahan дают философскую легитимацию твоей позиции:

• ИИ = агент без интенциональности
• ИИ = система без доступа к истине
• ИИ = идеальный логический двигатель, но плохой философ

Это ровно та роль, которую ты ему и отвёл.

A.7 Time Without Time: Why TTU Is a Counter-Paradigm

Rovelli и Barbour это попытка устранить время.
TTU попытка вернуть время как причину.

Именно поэтому TTU идеально подходит как тест-кейс:
она требует строгой дедукции и сразу ломается, если аксиомы слабы.