AI-устойчивая наука: дедуктивная реконструкция как метод ИИ-ассистированного научного исследования

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.