Тупик или недопонимание?
Все говорят: «LLM уперлись в потолок». Они генерируют текст, но не думают. Отвечают, но не планируют. Понимают цель, но игнорируют её — как мы уже писали в прошлой статье. Кажется, next-token prediction — тупиковая ветвь эволюции ИИ.
Но группа исследователей из Стэнфорда смотрит на проблему иначе. Они не отрицают ограничения. Они предлагают перестать ругать архитектуру и начать её дополнять.
Ключевая мысль: LLM — это не готовый AGI. Это его фундамент. Система 1 в терминах когнитивной науки. Быстрая, ассоциативная, интуитивная. Но ей нужен напарник — медленная, аналитическая, планирующая система 2.
System 1 и System 2: не просто метафора
Психолог Дэниел Канеман разделил мышление человека на две системы. System 1 работает автоматически, быстро, без усилий. Узнаёт лица, решает 2+2, ведёт машину по знакомой дороге. System 2 требует концентрации. Решает сложные уравнения, планирует бюджет, взвешивает аргументы.
Современные LLM — чистая System 1. Они выдают ответы на основе паттернов, выученных из данных. Быстро. Но без глубинного понимания. Без проверки логики. Без построения плана.
Проблема координации: где ломается ИИ
Представьте агента, который должен написать код, протестировать его, исправить ошибки и подготовить отчёт. Сегодняшние LLM-агенты либо выполняют задачи последовательно, теряя контекст, либо пытаются делать всё сразу, путая шаги. Как мы отмечали в статье о проектировании агентов, без stateful memory и чёткого планирования они быстро сбиваются с пути.
Координационный слой решает именно эту проблему. Он не генерирует контент. Он решает, КОГДА и КАК использовать LLM. Как дирижёр оркестра, который не играет на инструментах, но управляет музыкантами.
| System 1 (Текущие LLM) | System 2 (Координационный слой) |
|---|---|
| Генерирует следующий токен | Планирует последовательность шагов |
| Работает на ассоциациях | Работает на логическом выводе |
| Быстрая, но поверхностная | Медленная, но глубокая |
| Нет внутренней проверки | Верификация и откат ошибок |
Координационная физика: новая наука об управлении ИИ
Термин звучит как оксюморон. Физика? Координация? Но суть проста: как заставить множество компонентов (LLM, инструменты, память) работать согласованно для достижения сложной цели.
Проблема в том, что сегодня каждый пытается решить координацию через промпты. «Думай шаг за шагом». «Проверь свои рассуждения». Это костыли. Они работают в 60% случаев и сходят на нет при малейшем усложнении задачи. Фреймворки вроде KEF и o3 пытаются систематизировать подход, но всё ещё работают поверх архитектуры.
Координационный слой — это не промпт. Это отдельный модуль, обученный на задаче управления. Он принимает высокоуровневую цель, разбивает её на подзадачи, распределяет ресурсы, отслеживает прогресс и корректирует план при сбоях.
1 Принимает цель и контекст
Пользователь говорит: «Создай веб-приложение для управления задачами с авторизацией и уведомлениями». Координационный слой не начинает генерировать код. Он анализирует требования, выделяет ключевые компоненты, оценивает сложность.
2 Создаёт иерархический план
Backend API → База данных → Frontend интерфейс → Система аутентификации → Сервис уведомлений. Каждый компонент разбивается на подзадачи. План включает зависимости: нельзя писать frontend без готового API.
3 Координирует выполнение
Слой решает, какую LLM использовать для каждой задачи (кодирование, тестирование, документирование). Когда вызывать внешние инструменты. Как хранить промежуточные результаты. Он следит за тем, чтобы агент не терял нить, как это часто бывает в сложных многошаговых сценариях.
4 Проверяет и корректирует
Если LLM генерирует код с ошибками, координационный слой не просто передаёт ошибку обратно. Он анализирует тип ошибки, решает, нужно ли переписать модуль, добавить тесты или обратиться к документации. Он реализует то, что в статье о молчаливом учёном названо решением проблемы эпистемической асимметрии.
Почему это не просто ещё один фреймворк для агентов
Потому что координационный слой — архитектурное изменение, а не программная надстройка. Сегодняшние фреймворки (LangChain, AutoGen) пытаются координировать агентов через код. Координационный слой обучается координировать, как отдельная модель.
Разница как между программированием робота вручную (если объект А, сделай действие Б) и обучением робота понимать цели и планировать самостоятельно.
Координационный слой не заменяет LLM. Он использует их как «когнитивные мышцы». LLM остаются экспертами по генерации текста, кода, анализу. Слой — эксперт по управлению этими экспертами.
Что это меняет для разработчиков
Во-первых, перестаём ждать, когда LLM «поумнеют» сами по себе. Вместо этого думаем, как интегрировать их в архитектуры с явным планированием и координацией.
Во-вторых, меняется подход к созданию агентов. Вместо того чтобы впихивать всю логику в промпты (как в статье об Agent Skills), мы создаём отдельный модуль управления, который эти промпты генерирует и адаптирует динамически.
В-третьих, открывается путь к настоящей композиционности. Координационный слой может управлять несколькими LLM одновременно, специализированными на разных задачах, как суб-агенты в сложных системах.
Скептикам на заметку
«Но это просто ещё один уровень абстракции!» — скажут некоторые. Да. Но уровень абстракции, который решает фундаментальную проблему. LLM хороши в локальной когерентности, но ужасны в глобальном планировании. Координационный слой решает именно проблему глобального планирования.
«А кто будет обучать этот слой?» — справедливый вопрос. Исследователи предполагают обучение с подкреплением на симуляциях сложных задач. Модель будет получать reward не за каждый токен, а за успешное достижение конечной цели.
Самая сложная часть — создание среды, где координационный слой может учиться, не ломая всё вокруг. Но это уже инженерная задача, а не теоретический тупик.
Что дальше?
Идея не нова. Но её время пришло. Потому что мы уперлись в потолок качества простым масштабированием LLM. Добавление ещё триллионов параметров не научит GPT-5 планировать свой день.
Следующие два года в AI будут не про bigger models, а про better architectures. Координационный слой — одна из самых перспективных архитектурных идей.
Вместо того чтобы ждать прорыва от OpenAI или Google, стоит посмотреть на открытые проекты, которые экспериментируют с гибридными системами. Локальные LLM уже сегодня позволяют строить такие системы без миллионных бюджетов.
AGI не родится из одной мега-модели. Он родится из системы, где LLM отвечают за распознавание паттернов, а координационный слой — за мышление. Мы уже видим зачатки этого в самых продвинутых агентах. Осталось сделать следующий шаг — выделить координацию в отдельный, обучаемый модуль.
И тогда next-token prediction окажется не тупиком, а именно тем, чем и должен был быть — System 1 в паре с System 2.
