SymFSM: что будет, если заставить ИИ сначала строить структуру решения, а потом отвечать

Последние пару лет все обсуждают одни и те же вещи: новые модели, агенты, RAG, огромные контекстные окна. Но если посмотреть на проблему глазами человека, который постоянно работает с анализом сложных систем, возникает другой вопрос.

А что если проблема не в знаниях модели?

Что если проблема в том, что она не контролирует собственную структуру рассуждения?

Для трейдера это выглядит знакомо.

Представьте аналитика, который каждый раз пишет инвестиционный отчёт с нуля. Он знает много фактов, быстро ищет информацию, красиво объясняет свои выводы. Но нигде не проверяет, существует ли вообще логическая цепочка между предпосылками и заключением.

Иногда он попадает в цель.

Иногда нет.

LLM сегодня работают примерно так же.

Возьмём обычный инвестиционный вопрос:

Какие направления бизнеса дадут максимальный рост выручки брокеру в течение ближайших трёх лет?

Обычная модель начнёт генерировать рассуждение сразу.

Она будет писать про ИИ, автоматизацию, инвестиционные платформы, подписки, мобильные приложения, маркетинг и ещё десятки идей.

Проблема в том, что модель не проверяет:

• достижим ли вывод;
• хватает ли исходных данных;
• не противоречат ли гипотезы друг другу;
• существует ли вообще путь от предпосылок к заключению.

Она просто генерирует наиболее вероятный следующий токен.

Вместо схемы: 

Запрос
→
Ответ

используется схема: 

Запрос

↓

Когнитивная карта задачи

↓

Проверка достижимости

↓

Поиск разрывов

↓

Перестройка структуры

↓

Ответ

То есть сначала строится модель решения.

И только потом запускается LLM.

На рынке огромное количество задач являются не текстовыми, а структурными.

Например:

Формирование инвестиционной стратегии

Есть:

• риск-профиль;
• ограничения по ликвидности;
• горизонт инвестирования;
• корреляции активов;
• требования по доходности.

Здесь важно не количество текста.

Важно понять:

достижима ли вообще поставленная цель при заданных ограничениях.

Анализ бизнес-модели компании

Часто нужно понять:

• какие драйверы роста реально работают;
• какие гипотезы противоречат друг другу;
• какие показатели являются следствием, а какие причиной.

То есть построить граф причинно-следственных связей.

Именно такие структуры SymFSM умеет анализировать автоматически.

Поиск сценариев развития

Например:

Что произойдёт с брокерским бизнесом при падении комиссий до нуля?

Или:

Какие новые источники прибыли останутся у брокеров через пять лет?

Такие задачи превращаются в граф достижимости состояний.

Система ищет не красивое объяснение, а возможные траектории развития.

Самая необычная часть проекта — использование конечных автоматов.

Каждый этап решения задачи представлен как набор состояний и допустимых переходов.

То есть система может вычислять:

• достижимость цели;
• наличие противоречий;
• тупиковые ветви;
• альтернативные маршруты решения.

Причём делает это не через токены, а через алгоритмы работы с графами и автоматами.

Поэтому стоимость анализа практически не зависит от того, сколько текста нужно написать в итоге.

Под капотом используется специализированное ядро анализа дискретных систем.

После построения индекса система может выполнять огромное количество запросов достижимости и переходов между состояниями.

На тестовых сценариях получается порядка:

1 миллиард вычислений состояний примерно за 29 секунд.

Для сравнения:

если пытаться исследовать такое пространство через обычую агентную систему, количество вызовов модели и расход токенов становятся астрономическими.

Именно здесь появляется основной выигрыш архитектуры.

Автоматы перебирают структуру.

LLM занимается только генерацией текста.

Нет.

Скорее наоборот.

SymFSM не заменяет модель.

Он работает поверх модели.

Можно использовать:

• OpenAI;
• Claude;
• Gemini;
• DeepSeek;

Разница в том, что модель перестаёт быть единственным источником логики.

Часть рассуждения переносится в вычислимую структуру.

Обычно агентные системы работают так: 

выбрать инструмент

→ выполнить инструмент

→ оценить результат

→ выбрать следующий шаг

SymFSM пытается делать другое.

Сначала вычислить пространство возможных решений.

И только потом запускать инструменты.

То есть задача становится ближе не к оркестрации действий, а к оркестрации пространства решений.

Для финансовых задач это выглядит особенно интересно, потому что большинство ошибок возникает не из-за отсутствия информации, а из-за неправильной структуры рассуждения.

Не знаю, станет ли такой подход новым стандартом для AI-систем.

Но сама идея выглядит необычно.

Последние годы рынок пытался сделать модели умнее.

SymFSM пытается сделать умнее сам процесс рассуждения.

И, возможно, именно здесь находится следующий большой шаг для прикладного ИИ — особенно в областях, где цена логической ошибки намного выше цены лишнего токена.