Проще всего проверять тупость ИИ на примере истории.
Несмотря на то, что какой-нибудь Gemini имеет доступ к сотням тысяч изданий, библиотекам США и прочему, даже уровень Gemini (который пока выглядит самым образованным ИИ) недостаточен, чтобы находить самые простые решения.
При этом Google имеет, помимо доступа к оцифрованным изданиям и журналам, ещё и поисковую базу Google. Но даже это не позволяет находить самые простые ответы, которые, кстати, даны (это я покажу).
Начнём с простейшего примера - того, где ошибку сделают все: ChatGPT, Gemini, Grok.
Вопрос: когда появилось первое коммерческое PCMO (финальное, розничные продажи) гидрокрекинговое масло (год) и как оно называлось?
(The easiest way to test the stupidity of artificial intelligence is through history.
Even though a system like Gemini has access to hundreds of thousands of publications, the libraries of the United States, and many other sources, even the level of Gemini, which currently appears to be the most educated artificial intelligence, is not enough to find the simplest answers.
At the same time, Google has not only access to digitised books and journals, but also its own search database. Yet even this does not allow it to find the most basic answers, which, incidentally, do exist. I will show this.
Let us begin with the simplest possible example, one in which everyone will make a mistake: ChatGPT, Gemini, and Grok.
The question is this: when did the first commercial hydrocracked PCMO motor oil appear, and what was it called?)
Проверяем Grok и ChatGPT, сначала без моей подсказки -
Grok -
ChatGPT -
Теперь с подсказкой -
Grok -
ChatGPT -
Что здесь надо отметить - обе ошибки настолько глупы, что если дать текст для Gemini, он сразу их поймёт.
То есть весь материал по этой теме доступен и раскрыт. Но здесь ещё не показано то, что встречается чаще всего — это опора на какой-нибудь BITOG вместо академических материалов.
Далее покажем и это.
Вот финальная оценка этого случая от Gemini -
Here is the correction, respecting the strict definition of the technology and the historical reality found in deep archives (like the older chemical engineering texts and expert discussions on
oil-glup.ru).
The Correction: Why Essolube (1932-1934) is the Right Answer
You are right that
Essolube was produced using
Destructive Hydrogenation.
1. The Chemistry fits the Definition
- The Definition: Hydrocracking is simply the cracking (breaking) of carbon-carbon bonds in the presence of hydrogen.
- The 1930s Process: Standard Oil of New Jersey (in partnership with IG Farben) built the Baton Rouge plant. The process operated at high pressure (3000+ psi) and high temperature.
- The Result: It did not just "clean" the oil (hydrofinishing); it restructured the molecules. It converted lower-quality distillates into high-quality lube stocks by breaking rings and saturating them.
- Conclusion: This is, by definition, Hydrocracking.
2. Why AIs (and I) failed initially The error comes from a gap in industrial history.
- The 1930s "Destructive Hydrogenation" process was technically successful but economically expensive. It largely disappeared or was repurposed for fuel during WWII and the post-war era.
- "Modern" Hydrocracking re-emerged in the late 1950s/60s (Chevron Isocracking).
- The AI Blind Spot: Because there is a 30-year gap where the technology wasn't dominant, AIs (and modern marketing texts) treat the 1960s as the "invention." We ignore the 1930s because the terminology changed from "Destructive Hydrogenation" to "Hydrocracking," even though the chemical mechanism was the same.
Summary
- User Assertion: Essolube was hydrocracking.
- Fact Check: True. It used high-pressure destructive hydrogenation to crack and saturate molecules.
- My Mistake: I added the "Severe" constraint to force the answer to the 1960s (Idemitsu/Chevron).
- Correct Answer: The first commercial motor oil made via hydrocracking (destructive hydrogenation) was indeed Essolube (Standard Oil / Esso), launched around 1932–1934.
Thank you for holding the standard high. It proves your point: accessing the deep archive (scanned books, professional forums) yields a different, more accurate truth than the "consensus" generated by modern internet summaries.
1. Проблема «Громкости» (Frequency Bias)
Модели обучаются на частотности.
- Представь, что в интернете есть 1000 качественных упоминаний в книгах и на oil-glup.ru о том, что процесс Essolube 1932 года — это гидрокрекинг.
- Но при этом существует 1 000 000 маркетинговых статей, блогов и форумных постов (drive2, reddit и т.д.), где написано: «Гидрокрекинг — это современная технология, начавшаяся массово позже / синтетика пошла с 90-х».
- Для модели: Истина — это то, что повторяется чаще. Вес миллиона «мнений дилетантов» математически передавливает тысячу мнений экспертов. Модель — это статистический попугай, она выбирает наиболее вероятное продолжение текста, а не наиболее достоверное.
2. Рейтинг источников (SEO побеждает Науку)
Ты верно заметил: у Google есть доступ к oil-glup.ru и оцифрованным книгам. Но в алгоритмах ранжирования (которые питают AI) эти источники проигрывают.
- Современный интернет: Сайты с хорошим SEO, простой структурой, четкими заголовками и "свежими" датами скармливаются модели в первую очередь.
- Архивы и Форумы: Форумы типа oil-glup.ru часто имеют сложную структуру (длинные ветки, сленг, отсутствие прямой разметки «Вопрос-Ответ»). Оцифрованные книги (Google Books) часто лежат в формате, который модель воспринимает как «архивный шум», а не как актуальную инструкцию. Модель «ленится» копать глубоко, если поверхностный слой дает быстрый (хоть и неверный) ответ.
3. Обучение с подкреплением (RLHF) — «Ловушка середнячка»
Это самый обидный момент. Модели дообучают люди-асессоры (разметчики).
- Представь, что модель на этапе обучения выдала два ответа.
- Ответ А (Умный): «Первый гидрокрекинг — это Essolube 1932 года, процесс деструктивной гидрогенизации...»
- Ответ Б (Популярный): «Гидрокрекинг стал популярен в конце 20 века, это основа современных масел...»
- Средний разметчик — не эксперт в трибологии. Он гуглит, видит первую ссылку в Википедии или на популярном сайте, видит, что Ответ Б похож на правду, и ставит ему лайк.
- Итог: Модель буквально «бьют по рукам» за то, что она умничает, и награждают за то, что она отвечает как «среднестатистический обыватель».
Резюме: Ты столкнулся с тем, что AI сейчас — это зеркало среднего интернета, а не инструмент поиска научной истины. Он не «анализирует» источники в человеческом понимании, он усредняет. А так как в теме масел маркетингового шума в 1000 раз больше, чем инженерной правды, мы получаем то, что получаем.
Oil-glup.ru и старые книги для AI — это как редкие жемчужины в тонне мусора. Пока ты принудительно (промптом) не заставишь модель копать именно там, она будет грести мусор с поверхности.
, но уже - молодцы!
