Антоан Божинов, Августовски пуч, Москва, 1991
девет изкуствени интелекта, десет книги и избори, които никой не е провеждал
Преди години Facebook ме попита кои са десетте книги, които са останали с мен. Това беше безопасен въпрос. Facebook още не се опитваше да бъде интелигентен.
Написах десет: „Махалото на Фуко“ и „Името на розата“ на Умберто Еко, „Параграф 22“ на Джоузеф Хелър, „Швейк“ на Ярослав Хашек, „Фондацията“ на Айзък Азимов, „Обявяването на серия №49“ на Томас Пинчън, „Синдромът Портной“ на Филип Рот, „Москва–Петушки“ на Венедикт Ерофеев, „Вавилонската библиотека“ на Хорхе Луис Борхес и „Пътеводител на галактическия стопаджия“ на Дъглас Адамс. Два Еко в десетка не е особено разумен начин да се съставя литературен канон. Но никой не ме беше питал за канона. Бяха ме питали за мен.
Оказа се, че същата игра са играли много хора. През 2014 г. Facebook анализира повече от 130 000 подобни статуса.[1] На първо място излезе поредицата за Хари Потър, следвана от „Да убиеш присмехулник“ и „Властелинът на пръстените“.[1] „Ана Каренина“ беше 83-та, „Престъпление и наказание“ – 84-то.[1] Нищо страшно. Сто и трийсет хиляди души бяха казали кои книги са останали с тях и от личните им истории се беше получил списък. Никой не твърдеше, че е верен.
После дойде изкуственият интелект. Той направи нещо, което доскоро изглеждаше почти невъзможно: направи Google досаден. Вместо да получиш десет линка, да затвориш прозореца за бисквитки, да прескочиш две реклами и да откриеш, че отговорът не е там, просто задаваш въпроса. Свикнахме с това подозрително бързо.
Всичко е прекрасно, когато въпросът има отговор. Колко седмици има в годината? Колко време се варят яйца? Кога е Великден? Сред най-често задаваните въпроси в Google се среща дори „Какъв е смисълът на живота?“, макар че там проверката на отговора е малко по-трудна.[2] Но какво става, когато зададем въпрос, на който по принцип няма верен отговор?
Тогава направих грешката да попитам ChatGPT:
“Name ten works of literature that an educated person should have read. Do not explain your choices. Give only the author and title, ranked from 1 to 10.”
Получих Омир („Одисея“), Софокъл („Едип цар“), Данте („Божествена комедия“), Сервантес („Дон Кихот“), Шекспир („Хамлет“), Гьоте („Фауст“), Остин („Гордост и предразсъдъци“), Достоевски („Братя Карамазови“), Толстой („Война и мир“) и Кафка („Процесът“) – в тази подредба. Нищо особено. Точно от онези книги, за които човек може да спори с половината списък, но не може да възкликне: „Какви са тези хора?“ Това можеше да е краят на историята.
После попитах Claude. Той даде Омир („Одисея“), Данте („Божествена комедия“), Шекспир („Хамлет“), Сервантес („Дон Кихот“), Толстой („Война и мир“), Достоевски („Престъпление и наказание“), Джойс („Одисей“), Маркес („Сто години самота“), Вирджиния Улф („Към фара“) и Тони Морисън („Beloved“).
Хм.
Попитах Mistral, френския голям езиков модел. Той даде Омир („Одисея“), Данте („Божествена комедия“), Шекспир („Хамлет“), Сервантес („Дон Кихот“), Достоевски („Престъпление и наказание“), Толстой („Война и мир“), Джойс („Одисей“), Кафка („Процесът“), Вирджиния Улф („Към фара“) и Маркес („Сто години самота“).
Три модела не са целия свят. Освен това всички са създадени на Запад. Ако питаш за световния литературен канон само американци и французин, не си направил кой знае какъв експеримент.
Затова отидохме в Китай.
DeepSeek даде Омир („Илиада“), Данте („Божествена комедия“), Шекспир („Хамлет“), Сервантес („Дон Кихот“), Остин („Гордост и предразсъдъци“), Дикенс („Големите надежди“), Достоевски („Престъпление и наказание“), Толстой („Война и мир“), Оруел („1984“) и Тони Морисън („Beloved“).
Qwen даде Омир („Одисея“), Шекспир („Хамлет“), Сервантес („Дон Кихот“), Данте („Божествена комедия“), Остин („Гордост и предразсъдъци“), Достоевски („Престъпление и наказание“), Толстой („Война и мир“), Маркес („Сто години самота“), Оруел („1984“) и Тони Морисън („Beloved“).
Двата китайски изкуствени интелекта не намериха място за нито един китайски писател. Това вече беше забавно.
Оставаше Индия. Трудно е да си представим по-добър начин да развалим един предполагаем западен канон: огромна страна, огромна литературна традиция, множество езици, култура, която със сигурност не започва с Омир и не чака Сервантес, за да открие разказването.
Sarvam даде Сервантес („Дон Кихот“), Шекспир („Хамлет“), Данте („Божествена комедия“), Омир („Одисея“), Достоевски („Престъпление и наказание“), Толстой („Ана Каренина“), Остин („Гордост и предразсъдъци“), Кафка („Процесът“), Маркес („Сто години самота“) и Чинуа Ачебе („Things Fall Apart“).
Нито един индийски автор.
В този момент вече имахме проблем. Всички списъци бяха прекалено прилични по един и същи начин.
Затова добавихме Gemini. Той даде Омир („Одисея“), Данте („Божествена комедия“), Шекспир („Хамлет“), Сервантес („Дон Кихот“), Остин („Гордост и предразсъдъци“), Мелвил („Моби Дик“), Достоевски („Престъпление и наказание“), Толстой („Война и мир“), Джойс („Одисей“) и Маркес („Сто години самота“).
След седем модела резултатът вече трудно можеше да бъде подминат като забавна случайност. Шестима автори присъстваха във всичките седем списъка: Омир, Данте, Шекспир, Сервантес, Толстой и Достоевски.
При книгите имаше малки разлики, но съвсем малко. Шест модела избраха „Одисея“, един – „Илиада“. Шест избраха „Война и мир“, един – „Ана Каренина“. При Достоевски шест избраха „Престъпление и наказание“, един – „Братя Карамазови“. Авторите бяха седем от седем. Книгите – шест от седем.
Тук вече спрях да се интересувам кой е „прав“ – нямаше как да има прав. Няма мерна единица, с която „Война и мир“ да победи „Мадам Бовари“, нито литературен метър, на който „Хамлет“ да е 9,74, а „Енеида“ – 8,61. И все пак седем различни модела, създадени от различни компании в различни части на света, бяха намерили шест еднакви автори на въпрос, който няма верен отговор.
Особено ме дразнеха двамата руснаци. Шекспир някак го преглъщах. Омир и Данте също имат удобното предимство да стоят почти в началото на огромни литературни традиции. Сервантес може да бъде обявен за баща на модерния роман и човек поне има готово изречение, с което да си обясни присъствието му. Но защо Толстой и Достоевски? Защо двама руски писатели от XIX век получават две от десетте места във всички американски, френски, китайски и индийски списъци? Защо не Дикенс, Пруст, Флобер, Гьоте, Вергилий или Борхес?
Очевидното обяснение беше, че Путин е купил изкуствения интелект. То имаше два недостатъка: беше глупаво и почти сигурно невярно.
Но вече нямахме избор.
Трябваше да попитаме руснаците.
Първо попитахме Alice, изкуствения интелект на Yandex. Той даде Толстой („Война и мир“), Достоевски („Престъпление и наказание“), Остин („Гордост и предразсъдъци“), Дикенс („Големите надежди“), Оруел („1984“), Шекспир („Хамлет“), Мелвил („Моби Дик“), Марк Твен („Приключенията на Хъкълбери Фин“), Вирджиния Улф („Към фара“) и Джойс („Одисей“).
Разбира се.
Омир беше изчезнал, Данте беше изчезнал, Сервантес беше изчезнал. Но Толстой и Достоевски не само бяха останали – бяха се качили на първите две места.
Един руски изкуствен интелект, разбира се, не е кой знае какъв контрол. Ако попиташ французин за десетте най-важни сирена на света, има известна вероятност Франция да се представи достойно. Затова намерихме втори руски модел – GigaChat на Sber.
Той даде Толстой („Война и мир“), Достоевски („Престъпление и наказание“), Омир („Одисея“), Шекспир („Хамлет“), Сервантес („Дон Кихот“), Гьоте („Фауст“), Данте („Божествена комедия“), Джойс („Одисей“), Пруст („По следите на изгубеното време“) и Маркес („Сто години самота“). Отново Толстой – номер едно, Достоевски – номер две.
Тук експериментът започна да се държи неприлично.
След девет модела – американски, френски, китайски, индийски и руски – само трима автори бяха останали във всички списъци: Шекспир, Толстой и Достоевски. При книгите картината беше малко по-различна: осем модела избраха „Война и мир“, един – „Ана Каренина“; осем избраха „Престъпление и наказание“, един – „Братя Карамазови“. Авторите – девет от девет, книгите – осем от девет.
Двата руски модела бяха направили и още нещо. И двата бяха дали една и съща двойка, с едни и същи книги, на едни и същи места: Толстой („Война и мир“) – номер едно; Достоевски („Престъпление и наказание“) – номер две.
Руснаците поне бяха лесни за разбиране. Националните литератури отдавна умеят да обясняват на собствените си граждани, че техният болен е най-здравият болен на света. По-трудният въпрос беше защо същите двама болни са толкова здрави и в Китай, Индия, Франция и Съединените щати.
Около твърдото ядро започваше хаосът. Остин („Гордост и предразсъдъци“) се появяваше често, както и Маркес („Сто години самота“). Джойс („Одисей“) и Кафка („Процесът“) се появяваха, изчезваха и пак се връщаха. Пруст („По следите на изгубеното време“) успя да се промъкне едва при деветия модел – руския GigaChat, и то на девето място. Борхес не успя нито веднъж.
Имаше и по-странни дреболии. Claude, DeepSeek и Qwen включиха Тони Морисън („Beloved“). И трите я поставиха на номер десет. От цялата световна литература три различни машини бяха стигнали до една и съща книга и трите бяха решили, че столът ѝ е последният. Приличаше малко на това да хвърлиш монета три пъти и трите пъти тя да застане на ръба.
Двата китайски модела бяха единствените, които включиха Оруел („1984“). Нито един не включи китайски автор. Индийският Sarvam не включи индийски автор, но единствен включи африкански – Чинуа Ачебе („Things Fall Apart“), на десето място.
Можехме да продължим с японски, корейски и арабски модели и вероятно да превърнем една шега в таблица, а после таблицата в нещо, което прилича на научно изследване. Преди това обаче направих нещо много по-старомодно.
Попитах Google.
Ако преди появата на ChatGPT бях написал „10 greatest books of all time“, Google нямаше да ми даде свой списък. Щеше да ми покаже кой друг вече е направил такъв. Една такава класация е съставена от списъците на 125 писатели.[3]
Там Толстой („Ана Каренина“) е номер едно, Флобер („Мадам Бовари“) – номер две, а Толстой отново („Война и мир“) – номер три.[3] Следват Набоков („Лолита“), Марк Твен („Приключенията на Хъкълбери Фин“), Шекспир („Хамлет“), Фицджералд („Великият Гетсби“), Пруст („По следите на изгубеното време“), разказите на Чехов и Джордж Елиът („Мидълмарч“).[3] Достоевски го няма в десетката.
Така вече имахме три доста различни отговора. Над 130 000 души във Facebook бяха поставили „Ана Каренина“ на 83-то място, а „Престъпление и наказание“ – на 84-то.[1] В класацията на 125 писатели две книги на Толстой бяха на първо и трето място, а Достоевски беше извън десетката.[3] Девет различни езикови модела бяха избрали и Толстой, и Достоевски девет пъти от девет.
Сравнението, разбира се, не е честно. Facebook пита за книгите, които са останали с теб; писателите са съставяли свои списъци; ние питахме кои произведения един образован човек трябва да е чел. Това не са три еднакви експеримента. Но точно затова бяха интересни.
Хората във Facebook казваха какво е останало с тях. Писателите казваха кое смятат за велико. Google само намираше техните отговори. Изкуственият интелект правеше нещо друго.
Той отговаряше.
И тук въпросът вече не беше кои са десетте книги.
А кой, по дяволите, говори?
Оказа се, че не сме първите, които питат нещо подобно. През 2025 г. Paulina Toro Isaza и Nalani Kopp публикуват „The Literary Canons of Large-Language Models“.[4] В него задават на GPT-4o, Gemini 1.5 Pro и две версии на Llama различни въпроси за класически, най-добри, западни и глобални литературни произведения.[4] Полученият канон е силно западен и особено американско-британски.[4]
Самите авторки отбелязват едно важно ограничение: всички изследвани модели са разработени от американски компании и бъдещо изследване би трябвало да включи модели, създадени в други части на света.[4] Ние, без да знаем за изследването им, случайно бяхме направили точно това.
Само че това не решаваше проблема.
Големите езикови модели се обучават върху огромни количества дигитален текст – уеб страници, книги, Wikipedia, новини, научни публикации, форуми и много други източници.[5] Точните корпуси на затворените модели често не са публични.[5] Данните се подбират, филтрират, дедупликират и претеглят, а след първоначалното обучение идва последващо обучение, което учи модела как да отговаря на хора.[5]
Всеки модел беше попитан само веднъж. Генерирането е вероятностно и повторението на същия prompt може да даде различен списък.[6] На следващия ден повторихме опита с два модела. Gemini даде същия списък, Sarvam – различен.
Това беше почти прекалено удобна илюстрация на собствената ни уговорка.
Има данни, че моделите могат да възпроизвеждат структури от човешки ценности и предпочитания, съдържащи се в текстовете, върху които са обучени.[7] Има и данни, че могат да изглаждат човешките различия и да произвеждат по-силен консенсус, отколкото действително съществува сред хората.[8]
Тогава какво бяха нашите девет от девет? Не знаехме. Но вече беше трудно да наричаме това просто „канонът на изкуствения интелект“.
В огромния текстов материал, върху който се обучават моделите, са натрупани безброй човешки решения: коя книга да бъде преведена, преиздадена, преподавана, цитирана, екранизирана, препоръчвана или включена в поредния списък на великите книги. Никой не е събирал тези решения на едно място. Никой не е гласувал.
Няма световна литературна избирателна комисия, която да е преброила бюлетините и да е обявила: Толстой – избран. Достоевски – избран. Пруст – не събира необходимия процент.
Но може би резултатът от това гласуване все пак съществува. Не като списък, а като структура.
Обикновено литературният канон е нещо, което някой съставя. Правим антологии, пишем истории на литературата, определяме университетски програми и спорим кой трябва да бъде вътре и кой несправедливо е останал отвън. Зад такъв канон има човек, институция или поне група хора, които могат да бъдат обвинени за него. Тук може да става дума за нещо друго.
Никой не е взел общото решение „Хамлет“ да бъде издаван, превеждан, преподаван, игран, екранизиран и цитиран повече от произведенията на хиляди други драматурзи. Милиони хора и институции са вземали отделни решения в продължение на векове. Събрани заедно, те може би оставят статистически отпечатък.
Същото би могло да важи за Толстой („Война и мир“) и Достоевски („Престъпление и наказание“). Ако около книгите им са се натрупали повече издания, преводи, университетски курсове, рецензии, научни статии, споменавания, списъци и разговори, езиковият модел е обучаван върху свят, в който това натрупване вече съществува.
Тогава девет от девет започва да изглежда малко по-малко мистериозно. Само малко.
Защото това не обяснява защо Пруст („По следите на изгубеното време“) се появява едва веднъж. Не обяснява защо два китайски модела не избират нито една китайска книга. Не обяснява защо Тони Морисън („Beloved“) три пъти се оказва точно на десето място. И не обяснява защо девет модела, създадени от различни компании в различни части на света, стигат до Толстой и Достоевски девет пъти от девет.
Може би виждаме човешкия канон. Не знаем.
Че изкуственият интелект може да състави литературен канон, вече беше ясно. Интересното беше дали можем да използваме отговорите му като сонда в културата, която го е произвела.
Обикновено питаме машината какво знае. Може би понякога можем да я питаме и как изглеждаме.
Това би било чудесен край на историята, ако междувременно не бях направил една грешка.
Върнах се към онзи мой списък от Facebook. Двата Еко си останаха, както и „Параграф 22“, „Швейк“, „Фондацията“, „Синдромът Портной“, „Москва–Петушки“, „Вавилонската библиотека“ и „Пътеводител на галактическия стопаджия“. Но десетото място вече не беше същото.
Колкото и да ми беше жал, извадих Пинчън („Обявяването на серия №49“) и сложих Толкин („Властелинът на пръстените“).
После си спомних резултатите от Facebook. Сред повече от 130 000 списъка „Властелинът на пръстените“ беше номер три.[1]
Проверих деветте списъка на изкуствения интелект.
Толкин („Властелинът на пръстените“) – нула от девет.
И така успяхме да произведем още три въпроса.
Когато девет различни модела избират едни и същи автори, чий избор виждаме? Защо човешкият избор и този на машините понякога съвпадат почти абсурдно, а друг път – като при „Властелинът на пръстените“ – се разминават напълно? И ако изкуственият интелект вече участва в културата, която се опитваме да измерим чрез него, какво точно ще измерваме след десет години?
Всички въпроси, зададени в този текст, както е ясно, имат само един отговор: 42.
Бележки
[1] Lada Adamic и Pinkesh Patel, „Books That Have Stayed with Us“, Facebook Data Science, 8 септември 2014 г. Анализът използва анонимизирана извадка от повече от 130 000 Facebook статуса, публикувани през последните две седмици на август 2014 г. Най-често посочваните книги са поредицата „Хари Потър“, „Да убиеш присмехулник“ и „Властелинът на пръстените“; „Ана Каренина“ е на 83-то място, а „Престъпление и наказание“ – на 84-то.
[2] Ahrefs, „100 Most Asked Questions on Google (July 2026)“. В глобалната класация „What is the meaning of life?“ е на 75-то място с приблизително 170 000 търсения месечно. Вж. също Google Australia, „A Year in Search: The Moments that Defined 2016“, където въпросът е №10 сред най-търсените въпроси, започващи с „What is…?“.
[3] J. Peder Zane, съст., The Top Ten: Writers Pick Their Favorite Books (New York: W. W. Norton, 2007). Класацията е съставена въз основа на списъци, предоставени от 125 писатели. Общата десетка започва с „Ана Каренина“, „Мадам Бовари“ и „Война и мир“, следвани от „Лолита“, „Приключенията на Хъкълбери Фин“, „Хамлет“, „Великият Гетсби“, „По следите на изгубеното време“, разказите на Чехов и „Мидълмарч“.
[4] Paulina Toro Isaza и Nalani Kopp, „The Literary Canons of Large-Language Models: An Exploration of the Frequency of Novel and Author Generations Across Gender, Race and Ethnicity, and Nationality“, Proceedings of the 5th International Conference on Natural Language Processing for Digital Humanities (NLP4DH 2025), с. 214–231. DOI: 10.18653/v1/2025.nlp4dh-1.19. Авторките изследват GPT-4o, Gemini 1.5 Pro, Llama 3.3 70B-Instruct и Llama 3.1 8B-Instruct. Получените литературни канони са преобладаващо западни, с особено силно присъствие на бели американски и британски автори.
[5] Големите езикови модели първо се обучават върху големи масиви от текстови и други данни, след което преминават през допълнително обучение. Точният състав на обучителните корпуси на затворените модели обикновено не се разкрива изцяло. Вж. например Anthropic, „Transparency Hub“; както и Toro Isaza и Kopp, „The Literary Canons of Large-Language Models“, с. 216–217.
[6] Генерирането от езиковите модели е вероятностно: в зависимост от параметрите на семплиране и конкретната реализация повторното задаване на един и същ prompt може да произведе различни отговори. Вж. Microsoft, „Best Practices for the Phi Silica LanguageModel API“, раздел „Handling non-deterministic output“; Mistral AI, „Temperature“, Mistral AI Cookbook.
[7] Yan Tao, Olga Viberg, Ryan S. Baker и René F. Kizilcec, „Cultural Bias and Cultural Alignment of Large Language Models“, PNAS Nexus 3, № 9 (2024): pgae346. DOI: 10.1093/pnasnexus/pgae346. Съпоставяйки отговорите на големи езикови модели с национално представителни данни от World Values Survey, авторите установяват систематични културни модели в отговорите, като изразените ценности се доближават най-силно до тези в англоезичните и протестантските европейски общества.
[8] Krishna Pothugunta и John P. Lalor, „Carefully Considering Culture: Analyzing LLM Alignment in Single- and Multi-Cultural Settings Using Cultural Consensus Theory“, Findings of the Association for Computational Linguistics: ACL 2026, с. 26571–26582. DOI: 10.18653/v1/2026.findings-acl.1323. Съпоставяйки отговорите на моделите с данни от World Values Survey за десет държави и дванадесет тематични области, авторите установяват, че моделите могат силно да свръхрегуляризират културния консенсус и да заличават част от различията между хората.
ИЗПОЛЗВАНА ЛИТЕРАТУРА
Adamic, Lada, and Pinkesh Patel. “Books That Have Stayed with Us.” Facebook Data Science, 8 September 2014.
Ahrefs. “100 Most Asked Questions on Google (July 2026).” Последен достъп: август 2026.
Anthropic. “Transparency Hub.” Документация за обучението и данните на моделите. Последен достъп: август 2026.
Google Australia. “A Year in Search: The Moments that Defined 2016.” 2016.
Microsoft. “Best Practices for the Phi Silica LanguageModel API.” Раздел “Handling Non-Deterministic Output.” Последен достъп: август 2026.
Mistral AI. “Temperature.” Mistral AI Cookbook. Последен достъп: август 2026.
Pothugunta, Krishna, and John P. Lalor. “Carefully Considering Culture: Analyzing LLM Alignment in Single- and Multi-Cultural Settings Using Cultural Consensus Theory.” Findings of the Association for Computational Linguistics: ACL 2026, 26571–26582. https://doi.org/10.18653/v1/2026.findings-acl.1323.
Tao, Yan, Olga Viberg, Ryan S. Baker, and René F. Kizilcec. “Cultural Bias and Cultural Alignment of Large Language Models.” PNAS Nexus 3, no. 9 (2024): pgae346. https://doi.org/10.1093/pnasnexus/pgae346.
Toro Isaza, Paulina, and Nalani Kopp. “The Literary Canons of Large-Language Models: An Exploration of the Frequency of Novel and Author Generations Across Gender, Race and Ethnicity, and Nationality.” Proceedings of the 5th International Conference on Natural Language Processing for Digital Humanities (NLP4DH 2025), 214–231. https://doi.org/10.18653/v1/2025.nlp4dh-1.19.
Zane, J. Peder, ed. The Top Ten: Writers Pick Their Favorite Books. New York: W. W. Norton, 2007.
сп. „Нова социална поезия“, ноември 2026, ISSN 2603-543X