В 1967 году советский учёный Михаил Моисеевич Бонгард опубликовал книгу «Проблема узнавания», а в приложение к ней положил сто визуальных головоломок. Двенадцать лет спустя Дуглас Хофштадтер включил их в «Гёдель, Эшер, Бах» и написал фразу, которую цитируют до сих пор: умение решать задачи Бонгарда лежит очень близко к ядру «чистого» интеллекта, если такая вещь вообще существует. В августе 2026 года инженер Мэтт Ходжес нарисовал от руки новую задачу Бонгарда, которой гарантированно не было ни в одном обучающем корпусе, и дал её двум фронтирным моделям. Обе решили. Одна за три с половиной минуты, вторая за пятнадцать.

Эта история интересна не только результатом. Она про то, как программа, придуманная Хофштадтером в 1979 году, жутко точно предсказала устройство современного ИИ, и про то, почему аргумент «это просто pattern matching» с каждым годом работает всё хуже.

Что такое задачи Бонгарда

Задача Бонгарда это визуальная головоломка из двух наборов картинок. Все изображения слева обладают некоторым скрытым свойством, а все изображения справа им не обладают или обладают противоположным. Задача решающего: найти это свойство. Это что-то среднее между «найди отличия» и матрицами Равена из тестов IQ.

Простой пример от самого Бонгарда: слева фигуры образуют примерно треугольные контуры, справа примерно четырёхугольные. Пример посложнее от Хофштадтера: слева кривые линии длиннее прямых, справа наоборот. Обратите внимание на формулировки: «примерно», «длиннее». Ответ не проверяется линейкой, он существует на уровне абстракции, и именно это отличает задачи Бонгарда от геометрических упражнений.

Свойство может касаться чего угодно: количества элементов, их взаимного расположения, топологии, симметрии, стиля линии. А иногда, как выяснилось в эксперименте Ходжеса, свойство оказывается числовым там, где линия на картинке кричит «я про геометрию».

Программа, которую Хофштадтер придумал в 1979 году

В главе «Artificial Intelligence: Prospects» Хофштадтер не просто показал головоломки, а вообразил, как должна быть устроена программа, способная их решать. Читаешь это описание сегодня и ловишь себя на мысли, что он перечисляет компоненты современных нейросетевых систем, только без нейросетей.

Первый этап он назвал препроцессингом: программа выделяет значимые признаки и отображает их на мини-словарь понятий вроде «отрезок», «кривая», «горизонталь». Из элементарных форм собираются «круг», «прямой угол», «вершина». Это почти дословно то, что мы теперь называем обучением представлений. Свёрточные сети учат внутренние представления, полезные для различения изображений, просто в виде распределённых чисел, а не аккуратного словаря. А CLIP идёт ещё дальше и учит представления картинок и текстов в общем пространстве, так что описание на естественном языке указывает на визуальное понятие.

Дальше программа ищет описания высокого уровня: «справа от», «перпендикулярно», «равномерно распределены». И строит описания описаний, замечая закономерности в том, как описаны отдельные картинки. Современная параллель: работы по relational reasoning, где модель представляет не только объекты, но и отношения между ними.

Потом самое интересное. Одних описаний мало. Программа должна решать, куда смотреть и какие свойства отфильтровать. Описание может быть совершенно верным и при этом бесполезным для различения сторон. Хофштадтер предложил шаблоны и «детекторы одинаковости», которые срабатывают, когда несколько примеров сходятся к одному описанию. Сегодня это узнаётся в подходах к мета-обучению, где примеры классифицируются по расстоянию до общего прототипа. Его «семантическая сеть», в которой все известные существительные и прилагательные связаны по смыслу, это эмбеддинги слов, только описанные за три десятилетия до word2vec.

И главное: никакая гипотеза не жёсткая. Идея, которая не совсем подходит, не отбрасывается, а ослабляется, модифицируется или «соскальзывает» к родственному понятию. Фигура может считаться грубым экземпляром того, чему она не удовлетворяет точно. Группа объектов может внезапно стать единым объектом более высокого уровня, если задача намекает смотреть так. Это аналоговое рассуждение в чистом виде, и вся архитектура держится на том, что представления остаются предварительными, а гипотезы верхнего уровня могут менять само описание исходных картинок.

«Просто pattern matching» как аргумент

Самое популярное возражение против современного ИИ звучит так: это «всего лишь» статистическое распознавание паттернов, а настоящее рассуждение и интеллект по другую сторону границы. Споры о том, что на самом деле делают reasoning-модели, продолжаются и сейчас, свежая статья в Quanta Magazine от июля 2026 года целиком посвящена вопросу, рассуждает ли ИИ «не по тем причинам».

Хофштадтер заметил эту ловушку сорок лет назад. Он описывал именно распознавание паттернов и одновременно помещал его рядом с ядром интеллекта. Его «распознаватель паттернов» должен решать, что в изображении важно, описывать отношения между частями, сравнивать примеры, отбрасывать верные, но нерелевантные наблюдения, строить предварительные гипотезы и иногда пересматривать сами понятия, которые использует. А в конце найти паттерн, которого нет ни в одной отдельной картинке, но который существует на уровне всей коллекции.

Если всё это называется pattern matching, то фраза ничего не говорит о том, разумна ли машина. Она описывает семейство вычислений, чьи пределы зависят от того, какие паттерны доступны, насколько абстрактными они могут стать и узнаются ли в ситуациях, непохожих на прежние. Соберите всё, что должна делать программа Хофштадтера, и попробуйте сказать, где заканчивается распознавание и начинается рассуждение. Исследователи до сих пор используют задачи Бонгарда, чтобы прощупывать эту границу, свежая работа на arXiv за февраль 2026 года как раз об этом.

Эксперимент: классическая задача и незапланированный ответ

Ходжес начал с задачи BP 155 из классического набора. GPT-5.6 Sol быстро выдал решение: правило в прямых углах. Слева ни одна фигура не содержит двух прямых отрезков, встречающихся под 90 градусами, справа в каждой фигуре есть хотя бы один прямой угол, обычно в виде Г-образного или прямоугольного угла. Завитки и петли это отвлекающий манёвр.

Загвоздка в том, что Хофштадтер задумывал другое решение: слева кривые длиннее прямых, справа короче. Но решение модели тоже валидно. Одно правило глобальное и количественное, другое локальное и категориальное, а примеры в задаче не различают их. Модель нашла непредусмотренный автором ответ, и это само по себе любопытно: «неправильное» решение оказалось не ошибкой, а альтернативной абстракцией.

Claude Fable 5 на той же задаче дал два ответа, и оба неверные. Первый утверждал, что слева нет прямых штрихов вообще, хотя углы там очевидно есть. Второй говорил о количестве несвязанных кусков туши, но и этому правилу в левом наборе нашлись контрпримеры. В терминах Хофштадтера это сбой на этапе препроцессинга: описания картинок содержали признаки, которых в изображениях просто не было. Архитектура Хофштадтера предполагает давление сверху вниз, когда гипотеза меняет описание, и поэтому требует постоянно сверять пересмотренные описания с самой картинкой. Иначе плохое раннее описание превращается в сфабрикованное доказательство. Что и произошло.

Задача, которой не было в обучающих данных

Ходжес ожидал, что модели просто воспроизведут известный ответ из предобучения, но ни одна этого не сделала. Тогда он нарисовал собственную задачу: картинки с точками, разделёнными линией. Такой задачи в природе до августа 2026 года не существовало.

Правило оказалось числовым. Линия делит точки на две группы, размеры которых это соседние числа Фибоначчи. Шесть левых картинок это ровно первые шесть соседних пар последовательности в перемешанном порядке: 0 и 1, 1 и 1, 1 и 2, 2 и 3, 3 и 5, 5 и 8. Правые картинки дают пары, которые соседними числами Фибоначчи не являются: 2 и 4, 2 и 2, 0 и 3, 2 и 5, 3 и 3, 4 и 5. Некоторые построены как почти-попадания: в паре 2 и 5 оба числа из последовательности, но не соседние, а 3 и 3 повторяет один член вместо пары соседей.

GPT-5.6 Sol думал около трёх с половиной минут и решил. Claude Fable 5 работал минут пятнадцать и тоже получил правильный ответ, причём описал его даже глубже: каждая левая картинка это маленькая иллюстрация самой рекурренты, два предыдущих члена сидят по разные стороны линии и складываются в сумму.

Красота задачи в том, что линия поначалу кричит «геометрия», но её положение важно только потому, что она разбивает точки на два количества. Решающий должен сгенерировать описания, решить, какая информация важна, перейти от геометрии к числу, сравнить примеры как множество и заметить отношение, общее для левого набора. Это дословно процесс, который Хофштадтер описал в 1979 году.

Что это доказывает и чего не доказывает

Ходжес сам осторожен в выводах. То, что обе модели решили новую задачу, не доказывает наличие рассуждения. То, что Fable провалился на BP 155, не доказывает его отсутствие: ошибка была построена на визуальном описании, которое просто ложно, а это сбой восприятия, а не логики.

Но один вывод он делает уверенно: формулировка «это всего лишь распознаватель паттернов» перестаёт работать как отмахивание. В его задаче распознавание потребовало выбрать, на что обращать внимание, сменить геометрическую рамку на числовую, сравнивать примеры как набор и найти отношение в задаче, которой модели никогда не видели. Если всё это умещается в pattern matching, то сама фраза оставляет открытым почти всё, что нас интересует в вопросе об интеллекте системы.

Есть и практический слой. История с Fable показывает конкретный режим отказа фронтирных моделей: уверенный, связный аргумент, построенный на выдуманном наблюдении. Модель не «запуталась в логике», она описала картинку неправильно и дальше честно рассуждала о несуществующем. Для всех, кто использует мультимодальные модели в реальных задачах, это напоминание: проверять стоит не только цепочку рассуждений, но и исходные описания, на которых она стоит.

Где попробовать самому

Гарри Фундалис ведёт полный индекс задач Бонгарда с сотнями головоломок от самого Бонгарда, Хофштадтера и других авторов. Есть и разросшаяся онлайн-энциклопедия OEBP. Попробуйте решить пару штук до конца, прежде чем открывать ответ. Это отрезвляет: задачи, которые выглядят очевидными после подсказки, сопротивляются на удивление долго. И вы заметите, что ваш собственный процесс подозрительно похож на программу Хофштадтера: сначала геометрия, потом количество, потом «а что если смотреть на это как на одну группу».

Часто задаваемые вопросы

Кто придумал задачи Бонгарда?

Советский учёный Михаил Бонгард, специалист по распознаванию образов. Он включил первую сотню задач в приложение к книге «Проблема узнавания» 1967 года. Широко известными их сделал Дуглас Хофштадтер, разобрав задачи в «Гёдель, Эшер, Бах» в 1979 году.

Могут ли современные ИИ решать задачи Бонгарда?

Да, но нестабильно. В эксперименте Мэтта Ходжеса от августа 2026 года GPT-5.6 и Claude Fable 5 решили новую нарисованную от руки задачу про числа Фибоначчи, которой не было в обучающих данных. При этом на классической задаче BP 155 одна модель нашла валидное, но не задуманное автором решение, а вторая ошиблась, опираясь на неверное описание картинки.

Почему задачи Бонгарда считают тестом на интеллект?

Потому что их решение требует не одного навыка, а целого связанного процесса: выбрать релевантные признаки, отбросить верные, но бесполезные наблюдения, строить и пересматривать гипотезы, менять уровень абстракции. Хофштадтер называл это умение близким к ядру «чистого» интеллекта, и исследователи используют такие задачи до сих пор.

Чем задачи Бонгарда отличаются от матриц Равена?

Матрицы Равена проверяют способность продолжить закономерность в последовательности. Задачи Бонгарда требуют открыть само свойство, разделяющее два множества, и это свойство может быть любого типа: геометрическим, топологическим, числовым. Пространство возможных ответов открытое, а не задано вариантами.

Итог

Задачи Бонгарда пережили своего создателя, пережили эпоху экспертных систем и сейчас переживают волну «это просто статистика». Программа, которую Хофштадтер вообразил в 1979 году, читается как чертёж современного мультимодального ИИ: препроцессинг признаков, описания отношений, гибкие понятия, давление гипотез на восприятие. А эксперимент 2026 года показывает, что фронтирные модели уже решают задачи, которых не существовало до момента теста, и одновременно способны уверенно рассуждать о несуществующих деталях картинки. Оба факта важны, и оба не дают закрыть вопрос об интеллекте в ту или другую сторону. Хотите понять, на что способны эти системы на самом деле, возьмите карандаш, придумайте свою задачу и дайте её модели. Результат расскажет больше, чем любой бенчмарк.