Новый ИИ предсказывает ваш следующий ответ на основе прошлых разговоров

Исследователи из MIT разработали систему на основе LLM, которая изучает повторяющиеся шаблоны из недель реальных разговоров человека, чтобы предсказывать их вероятное следующее разговорное поведение.

Если бы ИИ мог действительно получить доступ к вашей жизни и действительно был бы разрешён знакомиться с вами в течение длительного или даже постоянного периода, он, скорее всего, смог бы предсказывать ваши действия, решения — и даже следующую фразу, которую вы, вероятно, скажете; всё это основываясь на том, что он усвоил из тысяч часов анализа ваших взаимодействий.

Те из нас, кто привык использовать большие языковые модели (LLM), такие как ChatGPT и Claude, давно заметили эту тенденцию к «предвидению потребностей», явно основанную на нашей истории использования; и, предположительно, приветствовали её, поскольку сохранение памяти и контекста теперь является критической точкой трения при построении рабочей взаимоотношения с ИИ‑системой.

Однако предоставление внепланового и даже «в прямом эфире» информации о вашей жизни и коммуникациях системе ИИ, управляемой коммерческой компанией, является, можно сказать, потенциальной угрозой конфиденциальности и безопасности; хотя сервис стал бы гораздо полезнее, соблазн компании делиться вашими данными, вместе с риском неловкой и опубликованной утечки в интернете или вывода данных», может сделать такой уровень интеграции ИИ и человека неблагоразумным.

Если бы у нас могли быть хорошие вещи…

Ну, мне пришлось сначала выдать «предупреждение общественной службы», прежде чем заняться интересной новой статьёй из MIT, которая, кажется, существует в лучшем мире, где такие данные могли бы быть изолированы в безопасных и действительно надёжных кругах, так что истинная мощь аналитического ИИ могла бы быть направлена на реальную пользу отдельного человека.

Новая работа предлагает систему, в которой, с разрешения пользователя и при контроле им получаемых данных, умные часы, которые он носит, постоянно записывают его разговоры, чтобы извлекать поведенческие шаблоны:

From the new MIT paper, an illustration of the proposed behavioral prediction pipeline. Conversations collected over several weeks reveal a recurring behavioral pattern, which is then used to predict the user’s likely next behavior and deliver a smartwatch reminder before the anticipated action occurs. Source

Статья — под названием Before You Say It: Anticipating Verbal Behavior from Longitudinal Everyday Conversations with LLMs — описывает эксперимент, в котором более 1 000 часов естественных (т. е. спонтанных, реальных) разговоров четырнадцати участников были собраны с помощью умных часов, транскрибированы, преобразованы в структурированные поведенческие истории и переданы Gemini 2.5 Pro вместе с поведенчески‑специфичными подсказками и извлечёнными правилами поведения, чтобы предсказать, какой будет следующая разговорная реакция каждого пользователя.

(И теперь может стать ясно, почему этой новой статье нужен некоторый контекст о конфиденциальности)

Новое исследование фактически представляет собой полевой эксперимент для (некоторых) авторов их предыдущей публикации 2026 года Mind Mapper*, расширяя эту раннюю работу, переводя её теорию в практику и проверяя, могут ли извлечённые поведенческие шаблоны действительно предсказывать следующую разговорную реакцию пользователя в реальном времени, а не просто описывать повторяющиеся тенденции.

Четыре автора заявляют:

‘Наши результаты показывают, что ситуационно‑специфические поведенческие шаблоны, полученные из длительных разговоров, могут существенно улучшать предсказания вербальных поведенческих тенденций пользователей. Ключевым преимуществом нашего подхода является представление их в виде читаемых человеком контекстно‑зависимых шаблонов с явными условиями‑исключениями, которые пользователи могут проверять и уточнять.’

‘Участники ценили эту прозрачность, [многие оценили] возможность читать, исправлять и задавать личные цели для их выводимых шаблонов.’

‘Участники также размышляли о собственных стратегиях изменения поведения, предлагая, как проактивные системы могли бы помочь, перенаправляя внимание, предлагая альтернативы и поднимая переосмысления, связанные с их целями.’

‘Это указывает на предвидящий ИИ, который работает совместно с пользователями — основывая вмешательства на шаблонах, которые они распознают, и стратегиях, которые они уже считают эффективными.’

Метод

Упомянутый выше Mind Mapper служит фундаментом новой системы, предлагая рабочий процесс, разработанный для извлечения повторяющихся поведенческих правил из недель записей разговоров умными часами, а не для прямого предсказания будущей речи или опираясь на общие или прежние наборы данных. В рабочем процессе Mind Mapper все записанные разговоры транскрибировались, анонимизировались и обрабатывались через многоэтапный конвейер GPT‑5**.

(Обратите внимание, что из‑за ограничений более старой статьи мы не можем, как обычно, предоставить её изображения, поскольку доступные в публичном доступе версии низкого разрешения нечитаемы)

From the new paper, an illustration of the behavioral prediction pipeline. Conversations collected over several weeks are converted into context-dependent behavioral rules, which are refined with supporting and contradictory evidence, before being applied to new conversations to predict the user’s most likely next conversational response.

Конвейер генерирует кандидатные ‘if‑then’ поведенческие правила (т. е. правила, связывающие разговорные ситуации с вероятными реакциями); ищет подтверждающие и противоречивые доказательства; объединяет перекрывающиеся правила; отбрасывает слабые гипотезы; и назначает оценки уверенности и вероятности.

Участники

Четырнадцать англоязычных взрослых носили умные часы в обычной повседневной жизни в течение семи‑десяти дней. На‑устройстве детектор голосовой активности записывал участников только тогда, когда фиксировал речь, отправляя 2‑3‑минутные аудиоклипы на удалённый сервер для обработки.

Участникам выплачивали $100, и они должны были уведомлять всех рядом находящихся о том, что разговоры записываются, а также получать согласие других людей перед каждой такой интеракцией.

Транскрипция и проверка

Аудиоклипы обрабатывались моделью Nova‑3‑meeting от Deepgram, которая транскрибировала разговоры и различала говорящих. После этого в качестве модели проверки говорящего использовался SpeechBrain, сопоставляющий голос участника с 20‑секундным образцом регистрации.

Модель spaCy Named Entity Recognition (NER) заменяла любые упомянутые имена, а также другую персонально идентифицируемую информацию, анонимными заполнителями. Исходный аудиофайл затем удалялся, а только зашифрованные AES‑256‑GCM транскрипты хранились локально на умных часах.

После периода сбора участники могли просматривать каждую из своих транскрипций через веб‑интерфейс, удаляя всё, что они не хотели включать в исследование, и корректируя метки говорящих или контекст разговора при необходимости.

В среднем было удалено лишь 0,16 % транскрипций, а 2,48 % сегментов были помечены как неправильно классифицированные, что дало набор данных из 15 066 реплик у четырнадцати участников — 57 % приписывается носителю часов, 43 % — другим говорящим. Средняя длина реплики составляла 49 слов.

(Однако, хотя статья не затрагивает этот вопрос, можно предположить, что участники оставались относительно бдительными, чтобы не вовлекаться в слишком личные вербальные обмены, пока носят часы.)

Транскрипты дополнительно очищали, удаляя очень короткие обмены, а также типичные речевые дисфлюенции, такие как ‘err’ и ‘um’; затем объединяли фрагментированные предложения в полные реплики. Это сократило окончательный набор данных до 9 901 реплики.

Для оценки подхода Gemini 2.5 Pro просили предсказать следующую реплику каждого участника, основываясь на разговоре до текущего момента. Затем её производительность сравнивали по трем входным вариантам: только история разговора; конденсированные резюме разговоров; и новые поведенческие правила Mind Mapper, позволяя напрямую измерить вклад выученных шаблонов.

GPT‑5 использовался в качестве автоматического судьи для оценки предсказаний, а отдельная человеческая оценка подтверждала надёжность его оценок.

Данные и тесты

Результаты тестов показывают, что базовые методы, протестированные авторами, существенно уступали их подходу, основанному на шаблонах, при этом точность постоянно повышалась по мере накопления разговорных данных:

Test results comparing three prediction approaches. Left, prediction accuracy improves steadily as more conversational data becomes available only when the system used learns behavioral patterns, while the baseline approaches change little. Right, the same approach achieves substantially higher scores on participant-identified intention-to-change conversations.

Авторы утверждают, что система особенно эффективно предсказывала поведения, которые участники явно хотели изменить.

Валидационное исследование с 40 независимыми человеческими оценщиками подтвердило автоматическую оценку, поставив метод, основанный на шаблонах, на первое место в 43 % проверенных сценариев, по сравнению с 24 % для полного контекста; 18 % для zero‑shot; и 15 % для нарративных резюме.

Человеческие оценки тесно совпадали с оценками модели по коммуникативному намерению, специфичности и функциональной сложности, что, по мнению авторов, подтверждает целесообразность использования автоматических судей для оценки разговорного поведения.

Два последующих исследования проверяли, как люди реагируют на свои извлечённые шаблоны и могут ли такие предсказания действительно помочь изменить привычки. Сначала участники просматривали свои правила, отмечая поведения, которые они хотели бы прекратить; через несколько месяцев они возвращались, чтобы обсудить применённые стратегии и какие «подталкивания» ассистента действительно помогли бы в повседневной жизни.

Участники отметили 114 привычек, которые они хотели бы избавиться, охватывающих 912 разговорных моментов. При тестировании на этих обменах метод, основанный на шаблонах, легко опереживал стандартные подходы примерно на 40 %; авторы считают, что система лучше всего работает при предвидении закоренелых привычек, которые люди активно стремятся изменить.

Авторы делают вывод:

‘В совокупности наши результаты предоставляют доказательства того, что вербальное поведение, специфичное для отдельного человека, может быть предсказано на основе длительных разговорных данных.’

‘Это открывает новые возможности для будущих контекстно‑осознанных, предвидящих, проактивных и персонализированных систем ИИ.’

Заключение

За исключением сильно регулируемых государством применений, в основном касающихся государственного здравоохранения и психиатрических сценариев, и при отсутствии любого открытого или скрытого принуждения людей к участию (например, снижения государственных страховых премий, если они участвуют)…трудно представить использование этого подхода, которое не ставило бы под угрозу конфиденциальность и личную святость участников — особенно если он будет связан с агентными структурами, способными сопоставлять записанные разговорные данные с цифровыми или другими типами данных, относящимися к индивидууму.

Статья MIT рисует интересный и слегка терапевтический контекст для подхода (например, предоставление контекстно‑осознанных напоминаний о диете); однако такая схема, скорее всего, привлечёт агрессивный интерес и инвестиции рекламодателей, учреждений исправительных служб, страховщиков и значительного числа других корпоративных или государственных структур, желающих узнать больше о том, что у нас в голове.

Если когда‑либо возникнет убедительный аргумент в пользу изолированного, полностью принадлежащего пользователю локального ИИ, то он будет в системах вроде этой, которые имеют столь серьёзные последствия в случае утечки.

Тем не менее, история рекламных и наблюдательных технологий за последние годы склоняется к безразличию потребителей — может ли такое безразличие действительно распространиться даже на систему столь инвазивную и всепроникающую, как эта?

* Гораздо более защищённая публикация, без публично доступных изображений высокого разрешения, хотя текст можно прочитать, пройдя несколько препятствий.

** Не стоит переоценивать, но более старая статья значительно труднее доступна, поэтому будьте настойчивы!

Первый раз опубликовано в четверг, 20 августа 2026 года