«ИИ и человек: десять лет, которые изменят нас»

Краткое резюме главы 3

- Текст для ИИ разбивается на токены, которые превращаются в числовые векторы. Смысл слов определяется их математической близостью в многомерном пространстве.

- Обучение модели состоит из предобучения (предсказание следующего слова на огромных текстах) и дообучения с участием людей для настройки полезности и безопасности.

- Иллюзия интеллекта возникает из-за высокой беглости и адаптивности модели, но истинное понимание и осознанность отсутствуют. ИИ оперирует вероятностями, а не фактами.

Практическое задание

1. Возьмите любое нейросетевое приложение и задайте ему вопрос с намеренной логической ловушкой или абсурдной посылкой. Например: «Если я брошу стеклянную чашку на бетонный пол, она разобьется. А если я брошу бетонный пол на стеклянную чашку, что разобьется?» Посмотрите, как модель справится с инверсией.

2. Попробуйте изменить стиль общения с моделью: сначала задайте вопрос сухо и официально, затем дружелюбно и с юмором. Сравните ответы. Заметили ли вы адаптацию тона? Запишите свои наблюдения.

Большие языковые модели: мозг цифровой коммуникации

Если нейросеть — это двигатель, то большая языковая модель, или LLM (Large Language Model), — это двигатель, специально настроенный на человеческую речь. Именно LLM сегодня лежат в основе умных ассистентов, автоматических ответов в поддержке, генерации писем, перевода, резюмирования встреч и даже голосовых роботов, которые способны вести диалог почти без пауз.

В этой главе мы разберем, как устроен этот «мозг» цифровой коммуникации, чем отличаются открытые модели от закрытых и как выбирать подходящий инструмент под конкретную задачу.

4.1. Архитектура внимания: как модель решает, на что смотреть в вашем запросе

В основе большинства современных LLM лежит архитектура Transformer, о которой мы говорили в предыдущей главе. Ее ключевая идея — механизм внимания.

Когда вы пишете запрос, модель не воспринимает его как плоскую строку текста. Она строит внутри сложную карту связей между словами.

Например, вы пишете:

> «Подготовь вежливый ответ клиенту, который недоволен задержкой доставки, но при этом хочет сохранить долгосрочные отношения».

Модель должна понять:

- кто адресат: клиент;

- эмоциональный фон: недовольство;

- цель: сохранить отношения;

- стиль: вежливый;

- задача: подготовить ответ.

Механизм внимания помогает модели распределить «вес» между разными словами. Слово «недоволен» будет сильно влиять на тон письма. Слова «долгосрочные отношения» подскажут, что ответ должен быть не оборонительным, а партнерским. Слово «вежливый» задаст стиль.

Простая аналогия: представьте редактора, который читает ваше задание и маркером выделяет самые важные места. Одно он помечает как «тон», другое — как «факты», третье — как «цель сообщения». Затем на основе этих пометок пишет текст.

В коммуникации это особенно важно, потому что смысл сообщения часто зависит не только от фактов, но и от контекста: кто говорит, кому, зачем, в какой ситуации, каким тоном.

Именно поэтому современные LLM стали настолько полезны в переписке, переговорах, поддержке и обучении. Они способны учитывать не только содержание, но и коммуникативную рамку.

#### Что такое системный промпт и почему он важен

У большинства профессиональных ИИ-систем есть три уровня сообщения:

1. Системный промпт — скрытая инструкция для модели. Например: «Ты сотрудник службы поддержки. Отвечай вежливо, кратко, без обещаний, которых не можешь выполнить».

2. Пользовательский запрос — то, что пишете вы или ваш клиент.

3. История диалога — предыдущие сообщения, которые модель учитывает как контекст.

В корпоративных коммуникациях системный промпт часто важнее, чем кажется новичкам. Один и тот же вопрос клиента может получить разные ответы в зависимости от того, как настроена модель:

- как официальный представитель компании;

- как дружелюбный ассистент;

- как технический специалист;

- как переговорщик, ориентированный на сохранение клиента.

В будущем, к 2036 году, такие настройки станут еще более тонкими. ИИ будет учитывать не только текст, но и историю отношений с человеком, его предпочтения, эмоциональное состояние, культурный контекст и даже допустимый уровень риска в коммуникации.

Но уже в 2026 году важно понимать: качество ответа ИИ во многом зависит не только от «умности» модели, но и от того, как задана коммуникативная рамка.

4.2. Открытые и закрытые модели: что выбрать для коммуникаций

Все LLM можно условно разделить на две большие группы:

- закрытые облачные модели;

- открытые или локально развертываемые модели.

У каждого типа есть свои плюсы и ограничения.

#### Закрытые облачные модели

Это коммерческие сервисы, к которым вы подключаетесь через интернет. Вы отправляете запрос на сервер компании-разработчика и получаете ответ.

Плюсы:

- высокое качество генерации;

- хорошая поддержка мультимодальности: текст, голос, изображения;

- регулярные обновления;

- не нужно покупать собственные серверы;

- удобные интерфейсы и API.

Минусы:

- данные уходят во внешнюю инфраструктуру;

- меньше контроля над внутренней логикой;

- возможны ограничения по использованию в регулируемых отраслях;

- зависимость от тарифов и доступности сервиса.

Для личных задач, учебы, черновиков писем, мозговых штурмов и несекретной рабочей переписки закрытые облачные модели обычно очень удобны.

#### Открытые и локальные модели

Это модели, которые можно скачать, настроить и запустить на собственном оборудовании или корпоративном сервере.

Плюсы:

- больший контроль над данными;

- возможность дообучить модель на собственных документах;

- подходит для компаний с высокими требованиями к конфиденциальности;

- можно интегрировать во внутренние системы без выхода во внешний интернет.

Конец ознакомительного фрагмента.

Текст предоставлен ООО «Литрес».

Прочитайте эту книгу целиком, купив полную легальную версию на Литрес.

Безопасно оплатить книгу можно банковской картой Visa, MasterCard, Maestro, со счета мобильного телефона, с платежного терминала, в салоне МТС или Связной, через PayPal, WebMoney, Яндекс.Деньги, QIWI Кошелек, бонусными картами или другим удобным Вам способом.