№ 4(123) (2025)

В статье проведён анализ процесса социализации технологии искусственного интеллекта и формирования правового регулирования отношений, связанных с его внедрением. Рассматриваются национальный, наднациональный и международный уровни регулирования, выявляются проблемы мировоззренческого, доктринального, политического характера, сопровождающие расширение сфер использования данной технологии. Представлен критический взгляд на положения Глобального цифрового договора, обозначены правовые и политические риски его применения. С опорой на философские исследования определены перспективы построения институциональных и правовых механизмов регулирования для полноценного функционирования ИИ в масштабах планеты. Подчёркивается значение принципов равенства и справедливости для сохранения устойчивого правового порядка, соблюдения прав и свобод человека, сокращения технологического разрыва и разработки конструктивной стратегии развития техногенной цивилизации. На основе сравнительно-правовой методологии сформулированы основные регулятивные подходы, складывающиеся в государствах и межгосударственных объединениях в сфере разработки и применения искусственного интеллекта.

В статье рассматриваются проблемы и результаты исследования диалектики отношений цифровых технологий и гуманистических принципов и ценностей в контексте формирования глобальной информационной цивилизации. Авторы опираются на анализ современных теорий и практик цифрового общества и концепцию ноосферы В.И. Вернадского, которая позволяет осмыслить переход к цифровой цивилизации как этап эволюции биосферы, где человеческая мысль играет ключевую роль. В качестве эмпирической базы использованы данные всероссийского социологического мониторинга «Как живёшь, Россия?» (ИСПИ ФНИСЦ РАН), отражающие отдельные опасения граждан в связи с повсеместным внедрением искусственного интеллекта, а также парадокс доверия к распространяемой в Интернете информации. Обозначены ключевые вызовы, связанные с ростом зависимости от искусственного интеллекта, снижением качества межличностного взаимодействия, концентрацией власти в руках технологических корпораций и кризисом доверия к информации. Особое внимание уделено противоречивым последствиям цифровизации. Информационно-коммуникационные технологии (ИКТ), нейросети и искусственный интеллект открывают возможности для решения глобальных проблем экологии, управления ресурсами, в то же время они усиливают социальные, материальные и духовные диспаритеты и информационную фрагментацию. Авторы приходят к выводу о необходимости соблюдения этических норм и нравственных гуманистических императивов технологического прогресса, социальной ответственности, социокультурных и этнополитических особенностей.

В статье рассматриваются возможности применения больших языковых моделей (LLM) для автоматизированного анализа ценностно-патриотического дискурса русскоязычных пользователей социальных медиа. На материале корпуса сообщений из VK, «Одноклассников» и Telegram (2023–2025 гг.) исследуется, насколько результаты автоматической кодировки совпадают с экспертной разметкой по специально разработанной категориальной схеме. Кодбук включает восемь измерений: базовые ценности по Ш. Шварцу, две оси Р. Инглхарта (традиционализм / светскость; выживание / самовыражение), уровни потребностей по А. Маслоу, типы патриотизма (конструктивный / агрессивный) по мотивам К.Д. Ушинского и В.С. Соловьёва, доминирующие типы речевых актов по Дж. Остину, а также бинарные индикаторы эксплицитного патриотизма и гражданской идентичности. Эксперимент проведён на кластере сообщений «Гордость и патриотизм» (N = 456), где плотность ценностных маркеров максимально высока; сопоставление реализовано через матрицы ошибок, accuracy, macro/weighted F1 и коэффициент κ Коэна. Показано, что LLM надёжно выделяет эксплицитную патриотическую тематику, но существенно менее согласована с экспертами примногоклассовой и тонкой ценностной классификации (Шварц, Маслоу, шкалы Инглхарта, типы патриотизма,речевые акты Остина), демонстрируя систематические смещения и гипердиагностику отдельных категорий. Сделан вывод, что LLM в текущей конфигурации может использоваться как вспомогательный инструмент предварительной разметки и генерации гипотез, но не как автономный заменитель экспертного контент-анализа ценностного дискурса

В статье рассматривается опыт применения искусственного интеллекта (ИИ) и больших языковых моделей (LLM) для прогнозирования ключевых макроэкономических показателей: валового внутреннего продукта (ВВП), инфляции, уровня безработицы, процентных ставок и коэффициента Джини. Анализируются возможности этих новых подходов по сравнению с традиционными методами прогнозирования, такими как эконометрические модели, равновесные модели и агент-ориентированное моделирование для различных временны́ х горизонтов. В работе обобщаются как академические исследования, так и опыт практических реализаций, включая эксперименты центральных банков по использованию фундаментальных моделей и LLM-подобных архитектур (таких как GPT) для макроэкономического прогнозирования. Особое внимание уделяется способности LLM анализировать текстовую информацию и генерировать прогнозы, сопоставимые по точности, а в некоторых случаях превосходящие оценки профессиональных экспертов. Обзор также охватывает новейшие фундаментальные модели временны́х рядов, такие как TimeGPT, TimesFM и Moirai, в которых используются трансформерные архитектуры, адаптированные под экономические данные. Основные выводы указывают на то, что ИИ и LLM обеспечивают значительное преимущество с точки зрения гибкости, адаптивности и способности работать с широким спектром источников информации, особенно в условиях высокой волатильности или информационного насыщения. Однако остаются проблемы, связанные с интерпретируемостью, стабильностью и долгосрочной согласованностью прогнозов. В статье делается вывод о том, что наилучшие перспективы для развития макроэкономического прогнозирования связаны с гибридными подходами, которые объединяют вычислительную мощность и адаптивность ИИ с теоретической строгостью и объяснимостью традиционных экономико-математических моделей.

Статья посвящена результатам совместной работы историков и палеографов Санкт-Петербургского института истории РАН и специалистов по анализу данных ПАО «Сбербанк». Сотрудничество двух учреждений началось в 2020 г. благодаря инициативе Российского исторического общества. Перед коллективом была поставлена задача научить искусственный интеллект распознавать автографы Петра Великого. Успешное решение данной задачи и создание модели «Digital Пётр» позволило в 2024 г. приступить к разработке нового алгоритма по распознаванию письма людей Петровской эпохи. В статье описывается работа коллектива над формированием наборов данных для обеих моделей, которая заключалась в определении принципов для отбора документов, транскрибировании их текста, а также разметке цифровых копий автографов. В статье также уделено внимание характеристике тех электронных ресурсов, которые были созданы за годы работы с петровскими автографами — модель распознавания «Digital Пётр» и сайт «Автографы Петра I».

Последние достижения в области машинного обучения значительно улучшили возможности больших языковых моделей (Large Language Models, LLM), в том числе способности машинного перевода и машинного чтения. Тем не менее большинство языков мира остаются не покрытыми основными ресурсами, необходимыми для построения качественных речевых технологий и языковых моделей: корпусами текстов, аннотированными датасетами, достаточным количеством записей звучащей речи. Такие языки — языки с ограниченными письменными ресурсами — называют малоресурсными. В настоящей статье мы представляем обзор современного состояния мультиязычности и поддержки малоресурсных языков в языковых моделях, а также проводим оценку способностей текущих моделей извлекать и классифицировать информацию из зачастую единственно доступного источника знаний для малоресурсных языков —дескриптивных грамматик. Мы предлагаем подход на основе метода дополненной генерации (Retrieval-Augmented Generation, RAG), позволяющий использовать такие описания для последующих задач, таких как машинный перевод. Наши тесты охватывают грамматические описания 248 языков из 142 языковых семей, фокусируясь на типологических характеристиках баз данных WALS [1] и Grambank [2]. Предлагаемый в работе подход обеспечивает первую комплексную оценку способности языковых моделей точно интерпретировать и извлекать лингвистические признаки в контексте, создавая критически важный ресурс для масштабирования технологий на малоресурсные языки. Код и данные доступны публично: https://github.com/al-the-eigenvalue/RAG-on-grammars.