Глава 29 · Часть I. Наука, которая становится будущим

Большие языковые модели — не магия, а алгоритм

Андрей Грабовой · 8 мин чтения

Иннополис и Физтех: кампус как способ не терять время

Когда я впервые оказался в Иннополисе, первое, что отметил, — он немного похож на Физтех. Оба пространства находятся не в центре большого города, а чуть в стороне. И в этом есть важный смысл: студенты живут рядом с университетом, ходят на лекции пешком, не тратят час на дорогу, могут проснуться за несколько минут до пары и успеть на семинар.

Научная и образовательная среда начинается с таких простых вещей. Если ты каждый день теряешь силы на перемещения, шум, бытовые препятствия, у тебя меньше энергии на учёбу и исследование. А если аудитории, общежития, лекции, лаборатории и люди рядом, то сама среда подталкивает к работе.

Ещё я заметил, что новые университетские корпуса в разных местах становятся похожими: Иннополис, Вышка, Центральный университет. У них есть общий язык современной образовательной архитектуры. Это не просто дизайн. Это попытка построить пространство, где можно учиться, общаться, собирать команды и быстро включаться в проекты.

В науку без большого плана

У меня не было момента, когда я торжественно решил: все, я буду учёным. Я не могу выделить такую точку. Путь сложился постепенно и во многом случайно. На Физтехе я сначала собирался идти на кафедру программирования. Мне даже говорили: ты же программист, зачем тебе Физтех, если можно просто писать код?

Но на втором курсе, когда нужно было выбирать кафедру, я почти в последний момент пришел на собеседование на кафедру интеллектуальных систем. И понял: мне интересно заниматься искусственным интеллектом, исследованиями, задачами, где нужно не просто реализовать готовое, а разобраться, как это работает.

На кафедре была важная особенность: с первого семестра студентов включали в научную работу. Не через абстрактные разговоры о науке, а через конкретную статью, задачу, микрошефа, обсуждения и первые попытки сделать результат. Так я понял, что открывать новое, писать статьи и постепенно выстраивать свою тему — это действительно моё.

Я не могу отметить момент, когда решил: все, я хочу быть учёным.

Научный сын полка

Если говорить о наставниках, мне трудно назвать одного человека. Я скорее научный сын полка. На меня влияли разные люди, разные школы, разные руководители. С Вадимом Викторовичем Стрижовым я писал кандидатскую диссертацию и продолжаю заниматься исследованиями. Константин Вячеславович Воронцов сейчас является научным консультантом по докторской теме. Важна и большая школа Юрия Ивановича Журавлева и Владимира Владимировича Рудакова.

Наука так и устроена: ты растешь не только от одного руководителя, а от среды. Кто-то даёт первую задачу, кто-то показывает строгий математический аппарат, кто-то учит формулировать тему, кто-то помогает понять, как писать статью, кто-то задает планку научной честности.

Поэтому для молодого исследователя важно попасть в коллектив, где много таких точек роста. Один сильный наставник — огромная ценность, но ещё сильнее работает научная школа, где разные люди помогают тебе становиться взрослее как исследователю.

От Антиплагиата к большим языковым моделям

Мой научный путь связан с обработкой естественного языка. В своё время я работал в компании «Антиплагиат», занимался задачами извлечения данных, именованных сущностей, структуры документов, анализом текстов. Эти задачи не закончились после ухода из индустриального проекта — они продолжили жить в научной работе.

Сегодня я занимаюсь в том числе большими языковыми моделями и тем, как оценивать их сложность. Это важная тема для докторской диссертации. Сейчас много эмпирических исследований: сколько данных нужно, чтобы обучить модель, сколько параметров, как экстраполировать поведение маленьких моделей на большие. Но часто за этим не хватает математического аппарата.

Мне интересно построить именно математическую модель, которая позволит оценивать сложность больших моделей. Не просто повторять эмпирические рецепты, а понимать, почему они работают, где ограничены и как могут масштабироваться.

LLM — это не магия

Мне кажется важным постоянно повторять: большие языковые модели — это не магия. Они не думают в человеческом смысле. Они строят последовательность слов, которую мог бы написать человек, опираясь на огромный корпус данных и статистические закономерности.

Это не делает их бесполезными. Наоборот, это очень сильный помощник. Я сам пользуюсь такими инструментами: для перевода, проверки грамматики, расширения мысли, поиска того, что непонятно в тексте. Я часто пишу очень кратко, тезисно. Модель помогает мне увидеть, где читателю будет не хватать пояснений.

Но пользоваться — не значит доверять без проверки. Нужно читать за моделью, проверять, исправлять. В этом и есть ключевой навык: не отказываться от инструмента, но и не присваивать его ошибки как свои мысли. У модели могут быть галлюцинации, ошибки перевода, странные формулировки, особенно когда речь идёт о русском языке и сложной научной терминологии.

Почему запрещать ChatGPT бесполезно

В какой-то момент многие решили: надо запрещать ChatGPT и другие системы в образовании. Мне кажется, это неверный путь. Запретить невозможно. Проверить, пользовался студент моделью или нет, всегда будет сложно. А главное — эти инструменты уже с нами, и с ними нужно научиться жить.

Правильнее учить студентов работать с ИИ как с помощником. Можно попросить модель объяснить, что непонятно в тексте, предложить структуру, проверить грамматику, перевести фрагмент. Но нельзя отдавать ей ответственность за понимание. Если студент не способен проверить ответ, инструмент становится не усилителем, а источником чужой ошибки.

Особенно осторожно нужно относиться к детям. Чтобы понимать, как работают модели, нужны фундаментальные знания: математический анализ, теория вероятностей, статистика, оптимизация. Можно рассказывать базовые идеи раньше, но если человек ещё не имеет критического мышления, он легко начинает воспринимать модель как абсолютный авторитет.

Русский язык и новые риски

Есть ещё одна тема, о которой важно говорить: как модели влияют на язык. Большинство данных в интернете — не на русском. Даже когда мы обучаем модель для русского языка, значительная часть базовой культуры текстов приходит из английского корпуса. Поэтому в русском тексте появляются англицизмы, чужие конструкции, странный синтаксис.

Для взрослого человека, у которого уже сформированы навыки письма и чтения, это не так критично. Он видит, где текст звучит плохо. А ребенок, который только формирует языковую норму, может начать читать исковерканный текст и перенимать его как естественный. Поэтому вопрос доступа детей к ИИ — не только технический, но и культурный.

Критическое мышление здесь снова оказывается главным. Нужно понимать не только что написала модель, но и как это написано, откуда взялась формулировка, что в ней искажено и что нужно переписать человеческим языком.

Наука и бизнес: две скорости одного пути

Наука и бизнес связаны сложнее, чем кажется. Сейчас часто говорят: вот LLM — пример того, как наука сразу перетекает в продукт. Но на самом деле многие идеи, на которых стоят современные модели, появились десятилетия назад. Просто тогда не хватало вычислительных мощностей.

У хорошего исследователя часто есть два трека. Первый — фундаментальный: то, что интересно, что может не принести денег ближайшие 20–30 лет, но формирует основу будущих технологий. Второй — прикладной: задачи бизнеса, индустрии, продукты, где результат нужен быстрее.

Мне близко такое совмещение. Мои студенты обычно тоже разделяют научный и рабочий трек. Кто-то занимается фундаментальной задачей, кто-то прикладным проектом, часто это пересекается. Бизнес даёт интересные задачи, но важно, чтобы академическая среда не исчезала, чтобы оставалось место для долгого научного мышления.

Как я работаю со студентами

У меня научная группа примерно из 15–20 студентов. Я консервативен в управлении: люблю встречаться один на один, обсуждать, что сделано, что не получилось, куда двигаться дальше. Даже если студент ничего не сделал за неделю, это тоже повод поговорить и понять, что мешает.

Со временем я понял, что нельзя управлять всеми напрямую одинаково. Нужна многоуровневая структура. Бакалаврами больше занимаются магистры, магистрами — аспиранты, я плотнее работаю с аспирантами, но при этом остаюсь в контакте со всей группой. Так возникает маленькая научная экосистема.

Когда один человек пишет работу в одиночку, это менее продуктивно. Когда два-три человека работают рядом, обсуждают, критикуют, спорят, помогают друг другу, наука движется быстрее. У многих моих студентов уже по несколько публикаций до окончания магистратуры, и это не случайность, а результат среды, где люди постоянно общаются по теме.

Будущее ИИ через 20 лет

Если смотреть вперед, мне кажется, что ИИ будет становиться все более встроенным в жизнь. Но важно не забывать: даже если модели станут намного сильнее, они останутся инструментами, работа которых должна быть понятна и проверяема. Чем больше возможностей у системы, тем выше цена слепого доверия.

Сегодня много инвестиций в ИИ, но сам бизнес вокруг него ещё не всегда прибыльный. Многие компании вкладываются в будущее, понимая, что большие модели и агенты могут стать инфраструктурой следующих десятилетий. В такой ситуации особенно важно не путать технологическую перспективу с магическим мышлением.

ИИ будет менять образование, тексты, поиск, программирование, работу с документами и научные исследования. Но главный вопрос останется прежним: умеет ли человек думать сам, проверять выводы и понимать границы инструмента?

Перезагрузка через преподавание

Когда меня спрашивают про отдых, я отвечаю не очень романтично: я трудоголик, и моё главное увлечение — работа. Но если искать настоящую перезагрузку, то для меня это лекции и семинары.

Во время занятия телефон выключен, меня ни для кого нет. Я разговариваю со студентами, объясняю тему, принимаю задания, отвечаю на вопросы. Это редкое время, когда внимание собрано в одном месте и вокруг есть живой контакт с людьми, которым интересно разобраться.

Наверное, в этом и есть моя форма восстановления: преподавание возвращает смысл. Когда ты видишь, как студент начинает понимать сложную вещь, наука снова становится не только задачей, но и передачей знания дальше.

Дочитать главу

Оставьте e-mail — пришлём главу целиком и сообщим о выходе книги.

Подпишитесь, чтобы не пропустить выход книги: анонсы и открытые главы выходят там же, где живёт проект

Подписаться на канал

Диалог с героем

Вопрос 01

Как я попал в науку?

Без большого плана. На Физтехе я почти случайно выбрал кафедру интеллектуальных систем, с первого семестра начал писать научные статьи и постепенно понял, что исследование и открытие нового мне действительно интересны.

Вопрос 02

Кто мои наставники?

Я скорее научный сын полка. На меня повлияли Вадим Викторович Стрижов, Константин Вячеславович Воронцов, школа Юрия Ивановича Журавлева и Владимира Владимировича Рудакова.

Вопрос 03

Почему большие языковые модели — не магия?

Потому что они не думают как человек, а строят вероятную последовательность слов. Это мощный инструмент, но его ответы нужно проверять, особенно в научных и образовательных задачах.

Вопрос 04

Нужно ли запрещать ChatGPT в образовании?

Нет. Запретить невозможно и бессмысленно. Нужно учить студентов пользоваться ИИ как помощником, но не передавать ему ответственность за понимание.

Вопрос 05

Как совмещать науку и бизнес?

Через два трека: фундаментальные исследования, которые могут выстрелить через десятилетия, и прикладные задачи бизнеса, которые дают реальные кейсы и ресурсы уже сейчас.

Вопрос 06

Как строить научную группу?

Через многоуровневую среду: бакалавры, магистры, аспиранты, регулярные обсуждения, взаимная критика и несколько людей вокруг одной темы.

Цитаты героя

С первого же семестра у нас происходило написание научных статей.

Я научный сын полка.

Нельзя доверять тому, что пишет система: за ней надо читать, проверять, исправлять.

Возьми с собой

  • 01

    Не бойся случайного выбора, если он приводит тебя в сильную среду и к интересной задаче.

  • 02

    Используй LLM как помощника, но не передавай ей ответственность за понимание.

  • 03

    Всегда проверяй текст, перевод, вывод и факты, которые предлагает модель.

  • 04

    Не присваивай чужие ошибки: если ты принял ответ ИИ без проверки, ошибка становится твоей.

  • 05

    Развивай фундамент: матан, вероятность, статистика и оптимизация нужны, чтобы видеть за ИИ алгоритм.

  • 06

    Строй вокруг темы маленькую команду: один пишет медленнее, несколько людей спорят и продвигают друг друга.

  • 07

    Ищи свою форму перезагрузки в том, что возвращает смысл, а не только отвлекает.

Итоговый вопрос главы

Я понимаю инструмент, которым пользуюсь, или просто доверяю красивому ответу машины?