Нейросеть не смогла собрать белый пазл на тысячу деталей

В сети набирает популярность история одного энтузиаста, который решил проверить, справится ли современный искусственный интеллект с задачей, оказавшейся не по зубам даже самым усидчивым людям. Речь идет о так называемом «чистом аде» — головоломке из тысячи абсолютно белых деталей без единого рисунка, цветового различия или опорной картинки. Автор эксперимента потратил на сборку двенадцать дней, в то время как, по слухам в сообществе игроков, человеческий рекорд составляет около ста шестидесяти часов. И вот, глядя на готовую белую панель, он задался вопросом: разве это не идеальная задача для машины, которая обязана быть сильнее человека в распознавании образов и переборе вариантов?

Логика подсказывала, что да. Ведь пазл — это чистая математика: тысяча уникальных по форме деталей, замкнутые правила, единственно верный ответ. Не нужно понимать сюжет картинки или проявлять креативность — только сопоставлять края. Энтузиаст разработал простой план: расчертить стол на двадцать на пятьдесят клеток, разложить каждую деталь в свою ячейку, сфотографировать и загрузить снимок нейросети. Дальше модель должна была лишь подсказывать, какие две детали стыкуются друг с другом, а человек — проверять руками. Теоретически это должно было превратить сто шестьдесят часов слепого перебора в четкую работу по инструкции.

Первый час обнадеживал. Искусственный интеллект бойко рассуждал о сложности задачи, верно отмечая, что цветовых подсказок нет и придется полагаться на форму краев. Он даже предлагал стратегии вроде сборки рамки и говорил с интонацией опытного наставника. Однако первая же практическая проверка показала: две детали, которые модель назвала «вероятно совместимыми» из-за комплементарной кривизны, на деле не соединялись. К третьему часу стало ясно, что точность близка к случайной. Увеличение фотографий не помогло — система выдавала обтекаемые фразы вроде «имеются незначительные различия контуров, требуется более точное измерение». Выяснилось, что модель не измеряет, а описывает. Она может сказать, что выступ довольно крутой, но не в состоянии указать, что его центр находится на тридцать седьмом целых две десятых процента кромки. А ведь для пазла допуск составляет десятые доли миллиметра. Хуже того, описывая одну и ту же деталь дважды, система давала разные формулировки, что делало ее непригодной для работы с нулевой погрешностью.

К пятому часу экспериментатор наткнулся на научную работу, которая поставила точку в его сомнениях. Исследование под названием JigShape, опубликованное в августе 2026 года, тестировало пять передовых визуальных моделей на синтетических пазлах с идеально четкими изображениями и строго уникальными деталями. Результат оказался обескураживающим: на шестнадцати деталях лишь одна модель превысила уровень случайного угадывания, на шестидесяти четырех все вернулись к хаосу, а на ста сорока четырех точность не дотянула и до пяти процентов. Ученые назвали это «обрывом масштабируемости»: как только число деталей и ограничений растет, модель рушится. Пятичасовой опыт автора, по сути, был прогулкой у края этой пропасти.

Причина провала кроется не в зрении, а в двух фундаментальных вещах. Во-первых, отсутствие измерительного инструмента: большие модели генерируют описания, а не числа. Во-вторых, отсутствие рабочего стола. Человек, собирая пазл, накапливает результат: уже соединенные фрагменты становятся якорем, к которому примеряются новые. Модель же каждый раз отвечает с чистого листа, не сохраняя подтвержденные факты как накопленную уверенность. В итоге при сотнях деталей мелкие ошибки накапливаются и взаимно заражают друг друга, приводя к полному провалу. Именно это и описывает «обрыв масштабируемости».

Любопытно, что человек побеждает не за счет скорости вычислений, а за счет осязания, интуиции и терпения. Опытный сборщик последние сотни деталей почти не рассматривает: пальцы чувствуют легкий щелчок при совпадении, а мышечная память подсказывает, в каком районе стола искать деталь с определенным характером выступа. Машина же, отделенная фотографией, лишена этого физического, мгновенного отклика. Но самое интересное заключается в другом. Автоматическая сборка пазлов — это старая задача искусственного интеллекта, которой занимались еще десятилетия назад. Классический подход не полагается на «понимание» картинки: он сканирует контуры, переводит каждую кромку в последовательность координат с точностью до пикселя, вычисляет евклидово расстояние несовпадения и передает матрицу ошибок алгоритму поиска глобального оптимума. Такие системы успешно собирали сотни деталей без рисунка. То есть точный вывод звучит не как «ИИ не может собрать чистый ад», а как «это может старый ИИ, но не новый». Старый превращает задачу в математику и измеряет, новый учится на данных и рассуждает. Для закрытых правил, единственного ответа и нулевой терпимости к ошибкам как раз и нужен «старый» подход.

Однако главный вывод истории лежит глубже. Автор напоминает об исследовании Массачусетского технологического института, в ходе которого пятьдесят четыре человека писали тексты с помощью чат-бота, поисковика или только собственного мозга. Через четыре месяца группа, пользовавшаяся ИИ, показала худшие результаты на нейронном, языковом и поведенческом уровнях, а участники с трудом могли процитировать только что созданный с помощью машины текст. Организация экономического сотрудничества и развития назвала это «метакогнитивной ленью» — привычкой отдавать размышления на аутсорсинг и создавать иллюзию владения знанием. Другое исследование с участием шестисот шестидесяти шести человек выявило значимую отрицательную связь между частотой использования ИИ и уровнем критического мышления, особенно у молодежи. В результате складывается парадоксальная картина: мы отдаем машинам то, что люди и так умеют делать хорошо, — письмо, размышление, суждение, — и теряем когнитивные навыки. А точную механическую работу, которую стоило бы поручить «старому» ИИ, мы пытаемся решить с помощью болтливой новой модели и разочаровываемся, когда она ошибается. Настоящая ценность «чистого ада» — это не готовая белая панель, а те самые сто шестьдесят часов, проведенные без цвета, обратной связи и коротких путей, когда остаются только руки, глаза и упрямое нежелание сдаваться. В эпоху искусственного интеллекта такой «бесполезный» труд кажется все более смешным, но одновременно и все более драгоценным. И правильный вопрос звучит не «может ли ИИ сделать это за меня», а «должен ли я был делать это сам».