Прошло четыре месяца с момента выхода пятого издания книги Владимира Морозова «Живое слово от истоков до современности. Этимология русского языка на основе методов системного анализа», и автор обнаружил неожиданное препятствие между собой и читателями. Друзья, знакомые с искусственным интеллектом, обратили внимание на то, что большие языковые модели (LLM) — такие как ChatGPT, Gemini или DeepSeek — дают поверхностные и часто негативные оценки его работе. Вместо глубокого анализа алгоритмы выдают стандартные формулировки: «это фолк-лингвистика», «альтернативная этимология», «не признаётся академической наукой». Интерес к исследованию угасает, не успев возникнуть, и автор задаётся вопросом, почему так происходит и можно ли заставить нейросеть работать с максимальной квалификацией. Эта проблема выходит далеко за рамки одной книги: она касается любого нестандартного научного подхода, который сталкивается с консервативным академическим мейнстримом, и в эпоху цифровизации ИИ становится дополнительным фильтром, усиливающим предвзятость.

Причина «ленивых ответов» кроется в архитектуре LLM, которые представляют собой не мыслящие существа, а математические аппараты, обученные на огромных массивах текстов из интернета. Когда пользователь задаёт вопрос «в лоб» без подготовки, включается механизм экономии ресурсов: модель не углубляется в тему, а выдаёт статистически наиболее вероятный ответ, основанный на частотности упоминаний в обучающих данных. В случае с лингвистикой нейросеть сканирует миллионы источников, где традиционная сравнительно-историческая методология считается единственно научной, а любые отклонения маркируются как ненаучные. Увидев такие термины, как «пофонемный разбор» или «скрытый смысл звуков», модель автоматически ассоциирует их с любительскими публикациями 90-х годов, не отличая строгий инженерный метод декомпозиции систем от произвольных спекуляций. Это приводит к эффекту «иллюзии компетентности», когда ИИ уверенно выдаёт шаблонные ярлыки, не имея реального понимания предмета.

Автор приводит конкретный пример: на запрос о происхождении слова «раб» по его книге нейросеть отвечает, что она относится к альтернативной лингвистике, и выдаёт стандартную научную версию о праиндоевропейском корне *orbh-. При этом в новом чате модель открыто признаётся, что не читала книгу, а судит по аннотации и аналогичным материалам. Это не компетентный ответ, а отписка, которая подрывает доверие читателя и лишает его возможности разобраться в материале. Морозов подчёркивает, что жаловаться на нейросети бессмысленно — они работают так, как им установили, но их потенциал можно использовать, если правильно формулировать запросы. В отличие от человека, ИИ не способен к интуитивному пониманию контекста, но он может быть «переобучен» в рамках диалога, если задать ему правильные рамки.

Решение автор видит в технологии направленного контекста Retrieval-Augmented Generation (RAG), которая позволяет «переобучить» нейросеть прямо внутри диалога, не прибегая к программированию. Вместо общих фраз нужно задавать конкретные вопросы, привязывая их к методологии книги, и просить модель принять эту методологию за основу в рамках данного чата. Например, пользователь может включить режим веб-поиска, найти материалы автора на его сайте и попросить проанализировать этимологию слова «раб» как «Мира Божьего человек», выявив системную симметрию со словом «брат». При такой формулировке алгоритм RAG вынужден обойти стандартные фильтры, обратиться к первоисточнику и выдать обоснованный ответ, а не шаблонный ярлык. Этот подход требует от пользователя определённой подготовки и понимания методологии, но он открывает возможности для глубокого анализа, которые ранее были недоступны.

Однако у RAG есть ограничение: он хорошо работает с короткими статьями, но для полноценного системного анализа необходим весь объём доказательной базы — таблицы согласных и гласных фонем, объяснения маркеров множественности (Ы), основ жизни (Ц) и управления (К). Именно здесь возникает потребность в полной PDF-версии книги, которую автор предлагает использовать как «цифровой ключ» к ИИ. Технологическим лидером в обработке больших текстов сейчас является нейросеть Gemini 1.5 Pro от Google, обладающая контекстным окном объёмом в 2 миллиона токенов, что позволяет загрузить целую книгу и получить глубокий анализ. Автор подчёркивает, что современный ИИ — это идеальный ученик, но ему нужен учебник, и PDF-формат становится этим учебником. По мере развития технологий контекстные окна будут только расширяться, что сделает возможным анализ ещё более объёмных трудов.

Для российского рынка эта проблема особенно актуальна: исследователи и преподаватели, работающие с нестандартными научными подходами, всё чаще сталкиваются с цифровым барьером, который возводят нейросети, обученные на западных академических стандартах. Реакция отрасли неоднозначна: одни считают, что ИИ должен следовать консенсусу науки, другие видят в нём инструмент для расширения горизонтов. Морозов предлагает не бороться с алгоритмами, а научиться их настраивать, превращая из критиков в персональных тьюторов. Его подход может быть применён не только в лингвистике, но и в любой области, где новые идеи сталкиваются с консервативной системой обучения. Это особенно важно в условиях, когда российские учёные ищут пути интеграции своих разработок в глобальное цифровое пространство.

Перспективы развития этого направления связаны с совершенствованием методов RAG и увеличением контекстных окон нейросетей, что позволит обрабатывать целые книги и монографии. Открытым остаётся вопрос о том, как научить модели различать строгие инженерные методы и произвольные спекуляции без внешней подсказки, а также как избежать «галлюцинаций» при работе с нестандартными текстами. Автор призывает читателей не отказываться от ИИ, а активно использовать его потенциал, задавая правильные вопросы и предоставляя полные данные. Только так можно преодолеть «ленивые ответы» и получить качественный анализ, который нейросети способны дать при должной настройке. В конечном счёте, это вопрос не только о лингвистике, но и о том, как мы выстраиваем диалог между человеком и машиной в эпоху стремительного развития искусственного интеллекта.