Учить ИИ — значит быть первопроходцем

Искусственный интеллект — это поле неустоявшегося знания. Фундаментальные изменения происходят раз в несколько месяцев, новые продукты выпускаются еженедельно, а обновления — ежедневно. Это означает, что нет и не может быть никакой устоявшейся, проверенной временем учебной программы. Более того, мало кто знает, как учить искусственному интеллекту прямо сейчас, и уж точно никто не знает, как это делать в будущем, даже самом ближайшем.

Но парадоксальным образом это новость позитивная для педагогов. В ситуации, когда основные принципы технологии могут радикально поменяться буквально на следующий день, главным инструментом педагога становится не точное твердое знание, но способность направлять и поддерживать учеников. Лучшее, что может сделать педагог, — помочь ученикам сформировать адекватное представление об отрасли и дать инструменты, чтобы они могли двигаться самостоятельно.

Если лучшее, что может сделать педагог, это научить разбираться в технологии искусственного интеллекта, то худшее — учить пользоваться ИИ-продуктами. Как минимум это бессмысленно, учитывая скорость обновления этих самых продуктов. Но что гораздо страшнее, такой подход формирует у ученика мышление потребителя, а не того, кто создает и управляет.

Очевидно, что нужно учить технологиям, лежащим в основании популярных продуктов. Внутри даже самых продвинутых ИИ-решений лежат нейронные сети. За нейронными сетями стоит машинное обучение. Казалось бы, что может быть проще? Нужно всего лишь научить машинному обучению, и все разберутся в искусственном интеллекте. Но, к сожалению, это не так.

Давайте на секунду отвлечемся от ИИ и поговорим о микроэлектронике. Абсолютно каждое электронное устройство действует согласно закону Ома. Любой, кто занимается электроникой, неминуемо осваивает закон Ома и правила Кирхгофа. Но знания фундаментальных законов не достаточно для того, чтобы запрограммировать микроконтроллер или собрать даже самое простое электронное устройство.

Учить нейронным сетям, говоря, что мы учим ИИ, все равно что учить закону Ома, утверждая, что мы учим микроэлектронике. Как и микроэлектроника, современный ИИ — это совокупность множества сложных технологий. Как программных, например, алгоритмы оптимизации, системы управления данными, так и аппаратных. ИИ разрабатывается и запускается на специализированном оборудовании. Даже профессионал не может одинаково хорошо разбираться во всех связанных с ИИ технологиях, и это точно не под силу педагогу. Но то, что ему под силу и должно быть сделано, — показать, что ИИ — это гораздо больше, чем только машинное обучение.

Если продолжить сравнивать обучение ИИ и обучение микроэлектронике, мы обнаружим еще одно сходство. В микроэлектронике мы используем готовые компоненты. Мы не делаем свои микроконтроллеры или диоды. Мы просто не можем их сделать, для производства нужны технологии и ресурсы, к которым у нас нет доступа. Поэтому мы находим подходящие под наши задачи компоненты и работаем с ними.

Такая же ситуация с искусственным интеллектом. Создание фундаментальной ИИ-модели (мощные и большие модели, например, от OpenAI, Meta, DeepSeek) требует ресурсов, которые мало у кого есть в мире: миллиарды долларов, тысячи инженеров, огромное количество данных и видеокарт. Ни при каких условиях кружок не может создать собственную фундаментальную ИИ-модель. Все, что мы можем делать в кружках, — работать с уже готовыми моделями. Но это тоже хорошая новость!

Во-первых, нам доступно огромное разнообразие готовых моделей. Со школьниками можно разобраться в том, какие модели существуют, в чем их отличия, как с ними работать. А во-вторых, использование готовых ИИ-моделей для своих задач ничуть не менее интересно, чем их создание.

Пока создатели ИИ соревнуются между собой и сравнивают модели на разных тестах, мы имеем возможность оценить, насколько хороши модели в реальных условиях. Довольно часто случается так, что модели, превосходно показавшие себя на тестах, не справляются с теми задачами, которые мы хотим решить. Оказаться в такой ситуации при обучении ИИ не только не страшно, но даже крайне желательно.

Мы всегда узнаем о технологии больше, когда что-то не работает, чем когда все сразу получается. Так мы узнаем об ограничениях технологии, о том, как она реально устроена. Такое знание очень ценно, и получить его можно только на практике.

И хотя узнать о том, что что-то не работает, полезно, еще полезнее попытаться заставить это что-то работать. Если одна модель не справляется с задачей или не подходит нам по каким-то причинам (например, она дорогая или медленная), мы можем попробовать подобрать другую. Или мы можем попробовать запустить ее с другими параметрами. Или настроить модель под себя, дообучить ее под наши цели. Или мы можем выяснить, что проблема вовсе не в ИИ.

ИИ запускается на специальном оборудовании. Мы взаимодействуем с ним через какой-то интерфейс. Мы управляем им вручную или через программу, написанную нами или кем-то другим. ИИ получает откуда-то данные. Это может быть запрос пользователя, данные с датчиков или из базы данных. Потом ИИ куда-то передает результаты своей работы: записывает в ту же или другую базу данных, выводит на экран, управляет устройствами или все это сразу. На каждом этапе и на каждом уровне ИИ взаимодействует с другими технологиями.

Ни одна технология, и в особенности ИИ, не существует в вакууме. Все потрясающие результаты, как и все сложности, вырастают из взаимодействия разных технологий. Это значит, что если мы хотим работать с ИИ, нам придется работать не только с ним. Следовательно, и учить искусственному интеллекту, ограничиваясь только им самим, нельзя.

Учить ИИ невероятно сложно, и никто доподлинно не знает, как это делать правильно. Но в этом есть особенная красота: каждый, кто учит искусственному интеллекту, становится первопроходцем. С каждым учеником, которому мы помогли сделать первые шаги в сфере ИИ, мы сами продвигаемся в другой и, вероятно, не менее сложной области — области технологического образования.