🧠 AI - просто о сложном

Обучение ❌ Ошибки

Мы разобрались, как учат нейросети. Но что идёт не так?

✅ Нейросеть не программируют, а обучают на миллиардах примеров
✅ Она не знает правил, она запоминает паттерны и строит карту смыслов
✅ Чем больше данных — тем точнее результат

📍Но если она учится на наших текстах, она неизбежно учится и на наших ошибках. Когнитивные искажения, логические дыры, стереотипы, банальные опечатки — всё это становится частью её «знаний»?

📍 Если нейросеть не умеет сомневаться, значит, она может выдать любую чушь с абсолютной уверенностью?

💡 Но главный вопрос: остались ли эти ошибки в современных моделях, или ИИ уже научился их исправлять?

👉 Я решила проверить - результаты в следующем посте

📽️ Искусственный интеллект будущего (Россия, 2026)

В прошлом посте мы разобрали, на чём учатся российские нейросети, точки роста и возникающие сложности, и почему суверенитет — это не гордость, а необходимость

📍А сейчас предлагаю увидеть это глазами людей, которые это создают, посмотрев документальный 🎬 фильм «Искусственный интеллект будущего» (2026)

Четырехсерийный документальный проект, который рассказывает об эволюции ИИ, российских разработках и их применении в области медицины, космоса и обучения

💡Ищите на официальный мультимедийные платформах

Россия: Свой путь или «сделать независимо»

Мы разобрали США и Китай. Россия выбирает третий путь — путь технологического суверенитета. Это не просто про ИИ. Это про независимость в мире, где технологии стали оружием

📍Российские ИИ-модели — это ответ на вопрос: «Что делать, если завтра отключат все западные сервисы?»

❗️ Главная цель — суверенитет, из бюджета выделяются миллиарды на дата-центры, облачные платформы и кадры. Цель — чтобы ключевые модели работали на своем "железе" и своем ПО

👉 Сбер - полная самостоятельность
Сбер создал флагманскую модель GigaChat на базе собственной архитектуры NeONKA. Это разработка с нуля 0️⃣
❗️Сбер тратит колоссальные ресурсы на фундамент, чтобы контролировать каждый этап. Их стратегия — не зависеть от чужих решений
❗️ Модель выложена в открытый доступ, но под полным контролем Сбера

👉 Яндекс выбрал гибрид: и свое, и чужое
YandexGPT 5 Lite — полностью обучена с нуля, а вот флагман YandexGPT 5 Pro инициализирован весами китайской Qwen - ее не начинали учить с нуля — взяли натренированную Qwen и дообучали на росийских данных
❗️Яндекс экономит время и деньги на флагмане, закрывая задачу быстро, а легкую модель развивает с нуля для экспериментов. Их стратегия — быть на рынке здесь и сейчас

👉 А что делать тем, у кого нет миллиардов?
Для большинства российских компаний и стартапов путь «с нуля» закрыт — это огромные бюджеты и годы работы
❗️Они берут открытые модели (Qwen, DeepSeek, LLaMA) и дообучают их на своих узких данных. Это называется fine-tuning, например, медицинский стартап берет модель с открытым кодом и дообучает на тысячах историй болезней на русском языке
❗️Такой подход дает локальную экспертизу без гигантских бюджетов

❌ Главный враг — железо
Доступа к современным чипам Nvidia нет - санкции. Поэтому государство вкладывается в разработку своих чипов (серия «Эльбрус», Baikal) и создание распределенных вычислительных кластеров. Пока это слабее Nvidia, но инженеры учатся квантизации и сжатию — чтобы выжимать максимум из того, что есть

⭕️ Ключевое преимущество РФ — локализация и безопасность
Западные модели "ломаются" на русских падежах. Российские понимают ментальность. А главное — они работают в изолированных контурах:
данные не покидают Россию
модели защищены от внешних атак и не передают телеметрию за рубеж

⭕️ В России сильная математическая школа, которая готовит инженеров для развития собственных нейросетей
Гидроэлектростанции дают дешевую энергию, холодный климат снижает затраты на охлаждение, а атомные дата-центры - новый тренд в обеспечении энергией
- - - - - -
💡 Суверенитет — это не про то, чтобы быть лучшим. Это про то, чтобы не исчезнуть, если завтра отключат интернет и заблокируют софт

Сбер представил «Гига Агента»

Пока мы обсуждали китайский масштаб и американский фундамент, пока я готовила пост про обучение нейросетей в РФ, Сбер тихо сделал свой ход

📍Что еще за агент? Это ИИ, который не просто болтает, а делает: управляет календарём, работает с документами, ведёт переписку, исследует информацию, создаёт отчёты и презентации. Звучит заманчиво 😻

Чем отличается от чат-ботов?
✅ Работает автономно и в фоновом режиме
✅ Запоминает контекст между сессиями
✅ Задаёт уточняющие вопросы, если чего-то не хватает

❗️Уже доступен в Agents Space — площадке, где можно создавать и использовать агентов без настройки серверов и моделей
Жду выходных, что попробовать 😇
Ссылка на Гига Агента
---
💡 Мы переходим от эпохи «диалогов с ИИ» к эпохе «ИИ-помощников, которые живут своей жизнью»

Китай: Масштаб или «сделать доступно»

Продолжая тему «гигантов», сегодня - про Поднебесную

📍Китайские ИИ модели — это про масштаб, инженерную эффективность и открытость
Здесь нужны практики, которые заставят ИИ работать здесь и сейчас

👉 В Китае исторически сильна ручная разметка данных. Огромные команды готовят датасеты, опираясь на информацию из супер-приложений — WeChat и Alipay. Объем данных колоссальный!

👉 Санкции лишили Китай топовых чипов Nvidia, инженерам пришлось дожимать старые видеокарты и чипы Huawei
❗️Они перешли на архитектуру Mixture of Experts (MoE), когда вместо одного гигантского мозга, при ответе пользователю, используется множество узких специалистов и диспетчера, которые для каждого вопроса включают только профильных экспертов, оставляя остальных "спать"
❗️Архитектура MoE позволяет китайским разработчикам обучать и запускать модели, которые по возможностям сравнимы с американскими флагманами, но на 20–40% дешевле

👉 Обученные модели напрямую интегрируются в гос. сервисы, платежные системы и промышленность - миллиард пользователей получают доступ к агентам за один клик
❗️Государство субсидирует пользование через "вычислительные ваучеры" и льготные кредиты на AI-продукты, покрывая до 80% стоимости вычислений
❗️ Открытый исходный код (модели Qwen и DeepSeek выкладываются в общий доступ) помогает местным стартапам строить свои продукты без огромных вложений

👉И конечно, китайцы следят за соответствием национальным стандартам и идеологическим требованиям КНР

💡 На выходе - рабочая, дешевая и доступная система. Она может уступать в глубине, но обслуживает миллиарды и стоит копейки
- - - - -
👉Пока американцы шлифуют идеал, китайцы захватывают рынок через масштаб

США: Фундамент или «сделать красиво»

Китай и США — главные игроки на ИИ. Но подходы к обучению моделей радикально отличаются. Это два разных пути развития технологии

📍Американские компании — это про глубину, фундаментальную науку и закрытые экосистемы

👉Здесь собирают элиту с докторскими степенями из MIT и Stanford. Их задача — изобрести новый математический алгоритм. Это олимпийский 🥇 спорт в мире математики

👉Рядом с ними работает целая армия специалистов по безопасности. Они тратят месяцы на то, чтобы объяснить нейросети, что такое «хорошо» и «плохо» по меркам западной политкорректности. Сложные этапы фильтрации токсичности, согласование ценностей - делают модель предсказуемой и вежливой

👉Отдельная группа выжимает каждый байт из видеопамяти дефицитных Nvidia H100. Они строят сложнейшие системы охлаждения для дата-центров, потому что обучение одной модели тратит электричество как небольшой город

⁉️Почему так сложилось?
В США исторически сильна академическая наука. Университеты генерируют идеи, а корпорации забирают лучших выпускников + гигантские бюджеты, при которых можно позволить себе роскошь искать идеал, а не компромиссы

💡На выходе - идеальный, выверенный, но очень дорогой продукт. Модель говорит глубоко и корректно
- - - - -
👉 Пока другие пытаются догнать, американцы переизобретают математику

🎬 Рекомендую посмотреть британский научно-фантастический фильм «Из машины» (2014), фильм в том числе показывает как в человеческих хоть и вымышленных реалиях обучались машины (роботы)

Создатель ИИ Натан показывает своему гостю, как он обучал андроида Аву: "Я включил каждый микрофон и камеру на всех мобильных телефонах по всей планете и перенаправил данные в Blue Book. Это неограниченный ресурс голосового и мимического общения"

⬇️⬇️Коротко, ёмко, без спойлеров⬇️⬇️

Фильм исследует сложные вопросы границ искусственного интеллекта и вопрос о том, может ли машина обладать сознанием или же она лишь имитирует его
Также рассматривается природа человечности и то, что делает человека человеком. Поднимается опасность слепой веры в технологии, и история Авы становится предостережением о последствиях создания жизни, способной превзойти своего создателя
Сквозь историю проходит тема одиночества, и все участники — Калеб, Нейтан и Ава — связаны взаимным недоверием, но при этом каждый из них стремится к свободе

Букварь - человеку, датасет (dataset)- нейросети

❗️Датасет (набор данных) - это большая коллекция примеров, на которых учится нейросеть

Если обучение нейросети — это сборка сложнейшего механизма, то сырые данные❌— это горы перепутанных деталей от разных конструкторов с погнутыми шестерёнками и лишними винтиками⚙️🗑️

Подготовленный датасет — это идеально отсортированные ♻️по ячейкам болты, гайки и микросхемы, готовые к монтажу по чертежу

❗️Весь этот процесс превращения хаоса в идеальный конструктор состоит из 6 жёстких этапов:

1️⃣ Сбор (Crawling & Scraping)

Специалисты-«охотники» собирают всё: дампы Википедии, архивы книг, миллионы форумов и корпоративную документацию
🌀На выходе — гигантская куча неструктурированного текста.

2️⃣ Очистка (Cleaning) — самая трудная часть

Из текста вырезают весь технический мусор:
❎ HTML-теги и лишние пробелы
❎ дубликаты (иначе ИИ решит, что одна фраза — это главный закон Вселенной)
❎ персональные данные
❎ бессмыслицу из случайных символов.

3️⃣ Фильтрация качества и токсичности 🛡️

Нейросеть учится на том, что читает. Если скормить ей агрессивные форумы — она станет грубой.
❎ удаляются оскорбления и призывы к насилию
❎ отсеиваются слишком примитивный язык
❎ проверяются факты (особенно в медицине и юриспруденции)

4️⃣ Разметка и аннотация (Labeling)

Здесь люди объясняют машине смысл
Они классифицируют отзывы (позитив👍/негатив👎), выделяют имена и даты и, самое важное, сравнивают ответы ботов

5️⃣ Токенизация и форматирование

Слова режутся на частые подстроки — слоги, окончания, корни, каждой присваивается номер. Такая минимальная смысловая единица называется токен ❗️
Добавляются маркеры начала и конца, чтобы модель понимала структуру

6️⃣ Создание обучающих пар (Pairs)

Данные раскладывают в обучающую пару
➡️[вход] - что дают нейросети на вход
➡️[выход] - что она должна дать в ответ
Например, если модель только предобучается: «Лев Толстой написал роман...» [вход]-> «Война и мир»[выход]

---

💡 Золотое правило звучит так: «Мусор на входе — мусор на выходе»
Чем чище и разнообразнее данные, тем умнее и вежливее ваш будущий цифровой помощник

XIII Петербургский международный форум здоровья («ПМФЗ-2025»)
Татьяна Владимировна Черниговская

Серл был прав….но не во всем 🤖

Эксперимент «Китайская комната» доказал, что комната с правилами — это не про разум. Но современные нейросети — это не комната с правилами, а бесконечная паутина чисел, где смысл рождается из расстояний, а не из инструкций

✏️Представьте, что вы не заучиваете словарные статьи, а рисуете звёздную карту

✏️Каждое слово — это не буквы, а координаты в многомерном космосе:

🤴 «Король» — точка с координатами [0.8, -0.2, 1.1, ...]
👸«Королева» — [0.85, 0.3, 1.0, ...]
🙎‍♂️«Мужчина» — [0.9, -0.5, 0.2, ...]
🙍‍♀️«Женщина» — [0.1, 0.6, 0.3, ...]

Эти числа модель вычислила сама во время обучения, читая терабайты текстов. Она просто заметила: слова «король» и «мужчина» часто оказываются рядом в предложениях. А «королева» и «женщина» — тоже.

И тут происходит магия 🪄

❗️Если взять вектор «Король», вычесть вектор «Мужчина» и прибавить вектор «Женщина», то математически мы оказываемся ближе всего к точке ... «Королева»

✅ Король − Мужчина + Женщина ≈ Королева

Модель не знает, что такое «пол», «монархия» или «брак». Она просто видит геометрию смыслов: расстояние между точками, направление стрелок, плотность скоплений
———
Современный ИИ по-прежнему не «чувствует», не осознаёт себя в человеческом смысле. Но он работает совсем не так, как описывал философ. И это делает его одновременно и более мощным, и более загадочным