Данное исследование посвящено когнитивному анализу логико-семантических структур LLM (Large Language Models) — одному из наиболее актуальных направлений современной лингвистики. В статье рассматривается проблема онтологического разрыва между процессами обработки языка в системах искусственного интеллекта и когнитивным восприятием человека. Актуальность исследования определяется растущим уровнем овладения LLM естественным языком и связанной с этим проблемой лингвистической редукции.

Основная проблема статьи заключается в том, что модели обрабатывают семантику не как подлинную семантическую категорию, а лишь как распределение токенов в пространстве статистических вероятностей и векторов. Такой подход приводит к редукции лингвистических уровней до простых алгоритмических шаблонов, т. е. к лингвистической редукции. В исследовании анализируется степень соответствия между логическими последовательностями в текстах, генерируемых LLM, и глубокими семантическими структурами, концептуальными метафорами и прагматическим контекстом, характерными для человеческого познания.

Цель исследования заключается в определении пределов логико-семантических возможностей крупных языковых моделей и выявлении их особенностей при редукции сложных семантических полей, характерных для человеческого языка. В экспериментальной части был проведен сравнительный анализ эффективности современных моделей, таких как GPT-4 и Llama 3, при решении логических парадоксов и задач, основанных на этнокультурных контекстах, на казахском и английском языках. Результаты показывают, что, хотя модели демонстрируют хорошие результаты на синтаксическом уровне, они испытывают значительные ограничения при глубоком семантическом выводе и раскрытии контекстуального значения. В заключительной части статьи дается оценка феномена «бессмысленной формы» в лингвистике искусственного интеллекта и делаются научные прогнозы о влиянии лингвистической редукции на будущую цифровую коммуникацию.