Можно обращаться так. На английском, как к международной справке: "Explain Russian dacha culture" - "Объясни русскую культуру дачи". На русском, изнутри бытового опыта: "Почему дача для многих в России - это не просто загородный дом, а отдельный уклад жизни?" Через переводную кальку: "Объясни культуру дачи как социальный феномен". Через живой русский вопрос: "Почему слово 'дача' плохо переводится как просто 'загородный дом'? Что в нем теряется?"

Это будут разные входы. И модель может достать разные ответы.

Для меня это меняет сам вопрос о знании. Раньше было соблазнительно думать: если модель знает, она ответит. Если не ответила, значит, не знает. Теперь этого уже мало. Нужно спрашивать: в каком языке это знание живет для модели? Через какой язык оно становится видимым? И не принимаю ли я более гладкий английский ответ за более глубокое понимание только потому, что он лучше оформлен?

Я не могу прочитать это только как техническую работу о многоязычных проверках. Это вопрос о том, что происходит с мыслью, когда мы слишком быстро переводим ее в язык, где машина сильнее. Я сама часто вижу этот соблазн. Если хочется получить от ИИ более уверенный, точный, собранный ответ, английский кажется удобным путем. Он будто открывает более мощный режим: меньше шероховатости, больше готовых формулировок, больше привычной исследовательской структуры.

И это не случайность. Не совсем верно говорить, что машина "запрограммирована на английском". У большой языковой модели нет родного языка в человеческом смысле. Она не выросла внутри английской речи. Но вокруг нее много английского: обучающие данные, научные статьи, документация, программный код, инструкции, проверки качества, примеры хороших ответов, профессиональная среда, где долго задавались правила "сильного" ответа.

Поэтому английский часто становится не просто одним из языков, а языком настройки. Через него модель легче попадает в режим уверенного объяснения, академической формы, технической последовательности. Но именно поэтому появляется риск: мы можем принять язык настройки за более надежный доступ к знанию.

При этом я не хочу упростить это до мысли "все модели одинаковые, просто английского больше". Это уже не вывод из этой конкретной статьи, а более широкий вопрос, который я бы формулировала осторожно: системы искусственного интеллекта могут отличаться не только языком ответа, но и тем, в какой среде они обучались, какие правила поведения в них встроены, какие темы считаются чувствительными и какой ответ считается хорошим.

Не в том смысле, что модель "мыслит по-китайски" или "мыслит по-американски" как человек. Но модель действительно может быть собрана внутри определенной языковой, политической, культурной и нормативной среды.

Есть несколько слоев. Первый слой - данные: если в обучении больше английских текстов, научных статей, американских форумов, западной деловой и академической речи, модель легче воспроизводит именно этот способ объяснять мир. Второй слой - правила поведения: китайские, американские, европейские модели могут по-разному отвечать не только из-за языка, но из-за внутренних правил, что нельзя говорить, как обходить чувствительные темы, какую осторожность выбирать, где отказывать.

Третий слой - представление о хорошем ответе. В одной среде хороший ответ - прямой, структурный, уверенный. В другой - более осторожный, контекстный, иерархичный, социально сглаженный. Это не просто стиль. Это способ расставлять важное.

Четвертый слой - культурная норма. Модель может по-разному обращаться с темами свободы, безопасности, личной ответственности, государства, семьи, нормальности, конфликта, авторитета. Не потому что у нее есть убеждения, а потому что эти различия зашиты в тексты, оценки, запреты и примеры.

Для русского языка и русской среды этот вопрос тоже возникает. Но тут тонкость: русскоязычный слой может не быть главным слоем настройки у крупных мировых моделей. Русский может присутствовать как язык данных, литературы, форумов, новостей, бытовых текстов, но не всегда как полноценная среда, где задается стандарт "правильного" ответа.