Багато читачів помічали це випадково: текст, написаний моделями штучного інтелекту, здається дедалі щільнішим, незграбним і дивним чином виснажливим для аналізу, навіть якщо він граматично бездоганний. Новий препринт, опублікований в arXiv, ґрунтується на жорстких лінгвістичних даних за цією інтуїцією — і пропонує пояснення, чому це відбувається.
Дослідження «Чому так важко зрозуміти мову, згенеровану штучним інтелектом?» було подано 21 жовтня дослідниками Томасом Хікару Кларком, Матіасом Б. Мартіном і Кайлом Маховалдом. Спираючись на новий корпус створеного штучним інтелектом тексту в різних областях, автори проаналізували набір психолінгвістичних особливостей, які добре відомі в літературі як маркери труднощів обробки для людей, що читають, — включаючи відносні речення об’єктів, довгі синтаксичні залежності та низькочастотні n-грами. For more context on this story, see our ongoing AI trends.
Що виміряли дослідники
Психолінгвістиці давно відомо, що читання не всіх речень коштує однаково. Об’єктні відносні речення («сенатор, на якого напав репортер...») займають значно більше часу, ніж об’єктні відносні речення. Довгі залежності між словами змушують читачів утримувати більше матеріалу в пам’яті. Рідкісні послідовності слів вимагають більше зусиль для пошуку та інтеграції. Ці функції служать лінійкою для вимірювання того, наскільки важко зрозуміти текст — на відміну від того, наскільки складно він звучить.
Дослідники порівняли письмо, створене штучним інтелектом, із двома базовими лініями: текстом, написаним людиною, і парафразами, створеними за допомогою зворотного перекладу, контролю, розробленого для того, щоб відокремити справжні примхи моделі від загального смаку формальної чи машинної прози.
Цей контроль має значення. Скептики могли б обґрунтовано стверджувати, що текст штучного інтелекту просто читається як діловий чи технічний письмовий — формальний, безособовий і багатий на іменники — а не демонструє явну патологію. Двосторонній переклад створює текст із подібним відшліфованим, трохи неприродним регістром без будь-якого навчання мовної моделі за цим. Якщо моделі штучного інтелекту все ще перевищують цей базовий рівень за показниками складності обробки, різниця мала б походити від чогось конкретного в тому, як самі моделі навчилися писати. Це, по суті, те, що виявило дослідження.
Що вони знайшли
Результати були послідовними за всіма напрямками. Порівняно з людським письмом, усі дев’ять граничних і ближніх моделей, розглянутих у дослідженні — група, яка включає системи з сімейств GPT-5.6, Claude, Llama, DeepSeek і Qwen — зробили помітно важчий вибір:
- Більше неживих суб’єктів у поєднанні з одушевленими дієсловами — характерний шаблон написання штучного інтелекту, який «поглиблює», «підкреслює» або «виділяє».
- Більше низькочастотних n-грамів, що означає незвичайні послідовності слів, які рідко створюють люди.
- Довші синтаксичні залежності з підметами та дієсловами, розділеними більшою кількістю проміжного матеріалу.
- Більше складених іменників і, в розмовному тексті, більше зменшених об’єктних відносних речень.
Дослідження також задокументувало значні відмінності між сімействами моделей — не всі моделі однаково складні для читання — і виявило, що моделі штучного інтелекту використовують ці складні конструкції частіше, ніж парафрази зворотного перекладу, що вказує на те, що ефект залежить від того, як навчаються моделі, а не від артефакту формального регістру.
Цей варіант є одним із найкорисніших результатів у статті. Якби труднощі з читанням були неминучим наслідком масштабу чи можливостей, усі прикордонні системи згрупувалися б разом. Натомість розподіл між сім’ями свідчить про те, що вибір після тренінгу — поєднання даних, сигнали про винагороду, наголос на предметних сферах — помітно впливає на те, як проза моделі потрапляє на читача-людину. Іншими словами, текст штучного інтелекту, який важко читати, є результатом розробки, а не неминучим побічним продуктом інтелекту.
Гіпотеза щільності інформації
Чому моделі рухаються до жорсткішої мови? Автори висувають і перевіряють гіпотезу: у той час як людська мова розвивалася та навчалася під тиском для успішного спілкування, текст, створений ШІ, все більше оптимізується для інших цілей — математики, коду та логічних завдань — де тиск спрямований на щільність інформації, а не на легкість розуміння.
Модель, яку винагороджують за упаковку правильних відповідей у меншу кількість токенів, вивчає звички, які переходять у прозу: стискати значення, віддавати перевагу точним, але рідкісним формулюванням, вбудовувати більше структури в речення. Результатом є текст, який має добрі результати за тестами, але стає все менш природним для читача.
Щоб перевірити цю ідею, дослідники провели експеримент із підтвердження концепції: вони налаштували мовну модель із обмеженням довжини, змусивши її стиснути вихідні дані. Лінгвістична поведінка моделі відрізнялася від людських шаблонів саме так, як передбачає гіпотеза, — підтримуючи причинно-наслідковий зв’язок ідеї про те, що тиск оптимізації, а не лише дані, спричиняє зміну.
Чому це важливо
Отримані дані підкреслюють те, що автори називають невідповідністю між вимогами до лінгвістичної обробки людей і тими, які імпліцитно віддають перевагу великі мовні моделі. Таке зміщення має практичні наслідки. Помічники зі штучним інтелектом, які створюють текст, який важче читати, накладають приховане оподаткування на кожну відповідь, і цей ефект посилюється, оскільки люди витрачають більше часу на читання чернеток, резюме та пояснень, згенерованих моделлю.
Автори стверджують, що їхні рамки вказують на можливі засоби правового захисту — способи навчання або налаштування моделей, вихід яких відповідає обмеженням людської обробки без шкоди для можливостей. Стаття є препринтом і ще не пройшла рецензування, але її головне зауваження вже має резонанс: робота піднялася на головну сторінку Hacker News 24 жовтня, викликавши активну дискусію про те, чи є компроміс між ефективністю міркування та читабельною прозою фундаментальним чи виправним.
На даний момент дослідження дає читачам перевірений словниковий запас для знайомого розчарування. Текст стає гіршим не випадково — він стає щільнішим задумом.
Джерела: arXiv:2610.29162, обговорення Hacker News---
Stay Ahead of AIGet the latest AI news, analysis, and breakthroughs — all in one place.
Read more AI news →
