ELIZA: почему чат‑бот 60‑х годов был сложнее простых регулярок
Статья раскрывает скрытую сложность ELIZA — не просто набор регулярных выражений, а продуманную систему шаблонов, контекстных правил и трансформаций, созданную в 1966 г.
В 1966 году Джозеф Вейценбаум из MIT выпустил ELISA (позже переименованную в ELIZA) — программу, имитирующую психотерапевта. На первый взгляд она выглядит как набор простых регулярных выражений, меняющих местоимения «я/вы» и задающих уточняющие вопросы. Однако, как подробно описывает статья на Habr AI, за этой «игрушкой» скрывается гораздо более продвинутая архитектура.
ELIZA использует скриптовый язык (так называемые DOCTOR‑скрипты), где каждое ключевое слово связывается с набором шаблонов и правил трансформации. При получении ввода система сначала ищет совпадения по ключевым словам, затем разбивает предложение на части (decomposition) и применяет правила пере‑сборки (reassembly) для генерации ответа. Такой подход позволяет сохранять контекст диалога, задавать уточняющие вопросы и даже «переходить» к новым темам без изменения базового кода.
Вейценбаум писал, что ELIZA состоит из около 5 000 строк Lisp‑кода, включающих более 200 правил и 30‑40 шаблонов. Программа также поддерживает вложенные скрипты, позволяющие переключаться между разными «персонажами» (например, «психолог», «законодатель», «доктор»). Это делает её предшественником современных rule‑based чат‑ботов и показывает, что даже в эпоху ограниченных вычислительных ресурсов можно построить гибкую систему диалога.
Статья подчеркивает, что ELIZA была задумана как пародия на поверхностность человеческого общения, но её архитектура оказалась настолько убедительной, что привела к появлению «эффекта Эллизы» — склонности людей воспринимать машинный текст как осмысленный. Подробнее читайте на Habr AI: https://habr.com/ru/companies/ispsystem/articles/1063210/
Для разработчиков и студентов это напоминание, что даже простые правила могут создавать убедительный диалог, если правильно организовать их иерархию. Понимание ELIZA помогает лучше оценивать ограничения современных LLM и вдохновляет гибридные подходы, где rule‑based слои дополняют генеративные модели.
