Понятие искусственного интеллекта, машинного обучения и генеративных моделей

Цель и планируемые результаты

Цель лекции: сформировать у слушателей системное представление об искусственном интеллекте, машинном обучении, нейронных сетях, генеративных моделях и больших языковых моделях (LLM, Large Language Model — «большая языковая модель»); раскрыть отличие алгоритмической автоматизации от систем, использующих машинное обучение; проиллюстрировать возможности и границы применения ИИ в профессиональной деятельности педагога.

Планируемые результаты: по завершении лекции слушатель сможет:

• объяснить различие автоматизации по явно заданным правилам и машинного обучения на одном педагогическом примере;
• объяснить связи между понятиями «ИИ», «машинное обучение», «нейронная сеть», «генеративная модель» и «большая языковая модель»;
• различить задачи классификации, прогнозирования и генерации;
• назвать две задачи, в которых ИИ может помочь педагогу, и два ограничения его применения;
• объяснить, почему сгенерированный материал требует педагогической проверки.

Введение

Уважаемые коллеги! Мы начинаем изучение программы повышения квалификации, посвящённой применению искусственного интеллекта в образовании. Сегодняшняя лекция — базовая. Она закладывает понятийный аппарат, без которого невозможно осмысленное и безопасное использование ИИ-инструментов в педагогической практике. Наша задача — не превратить вас в программистов или специалистов по данным. Наша задача — помочь вам понять, как устроены современные интеллектуальные системы, что они могут и чего не могут, где проходит граница между возможностями технологии и ответственностью педагога.

Мы будем двигаться от общего к частному. Сначала разберём, что такое искусственный интеллект и чем автоматизация по явно заданным правилам отличается от систем, обучаемых на данных. Затем рассмотрим, как устроены машинное обучение и нейронные сети, после чего — генеративные модели и большие языковые модели. Отдельно выделим возможности и границы применения ИИ в работе педагога. Подробные типичные ошибки больших языковых моделей будут рассмотрены в теме 1.2, а сравнение инструментов — в теме 1.3.

Основные понятия мы будем связывать с примерами из школьной практики; отдельные механизмы рассмотрим на общих технологических примерах.

Карта понятий: ИИ — самая широкая область; машинное обучение — одно из её направлений; нейронные сети — одно из семейств моделей машинного обучения; глубокое обучение связано с использованием многослойных нейронных сетей. Генеративность характеризует способность модели создавать контент. Большие языковые модели — важный для курса класс моделей работы с языком. Эти уровни не следует смешивать с основаниями классификации задач и данных.

1.1. Что такое искусственный интеллект

Термин «искусственный интеллект» был использован Джоном Маккарти в заявке 1955 года на проведение Дартмутского летнего исследовательского проекта. Сам проект состоялся летом 1956 года и стал одним из ключевых событий становления искусственного интеллекта как исследовательского направления.

Проверка теста с выбором ответа по заранее заданному ключу сама по себе не требует искусственного интеллекта. Программа сопоставляет ответ с эталоном и начисляет баллы по установленным правилам — это алгоритмическая автоматизация. Другая задача — распознать рукописный ответ на фотографии. Для её решения может использоваться модель машинного обучения, обученная на примерах рукописного текста. В одном сервисе могут сочетаться оба подхода: распознавание выполняет обученная модель, а сравнение с ключом — обычный программный алгоритм.

Практический ориентир. Для разбора любого сервиса полезно задать три вопроса: какую операцию он выполняет; где в ней применяются заранее записанные правила; какая часть, если такая есть, обучалась на примерах? Такой разбор точнее, чем вывод по названию сервиса или способу доступа к нему.

В Национальной стратегии развития искусственного интеллекта на период до 2030 года, утверждённой Указом Президента РФ от 10.10.2019 № 490 (в редакции Указа Президента РФ от 15.02.2024 № 124), используется определение ИИ через комплекс технологических решений, имитирующих когнитивные функции человека. Оно описывает возможности технологии и не отменяет алгоритмы. Фраза о поиске решений без заранее заданного алгоритма означает, что разработчик не обязан вручную прописывать ответ на каждый возможный пример: обучающая процедура и вычисления применяются в любом случае. Поэтому нормативное определение не следует понимать как утверждение об отсутствии алгоритмов.

С 1 сентября 2026 года действует Федеральный закон от 26.07.2026 № 243-ФЗ «О поддержке развития технологий искусственного интеллекта в Российской Федерации». Он регулирует отношения в сфере разработки, внедрения и применения больших фундаментальных моделей искусственного интеллекта. В законе к таким моделям относятся программы, которые служат основой для создания и доработки различных видов программного обеспечения, содержат не менее 1 миллиарда параметров и применяются для выполнения большого количества различных задач (статьи 1 и 3). Это нормативное определение не следует автоматически отождествлять с любой большой языковой моделью.

На этапе обучения модели показывают множество примеров рукописного текста и соответствующих расшифровок; параметры модели изменяются для улучшения результата. На этапе применения уже обученная модель получает новые записи и формирует ответ. Обработка нового документа сама по себе не означает переобучение или автоматическое повышение точности. Поэтому не следует считать, что любой ИИ-сервис автоматически «учится на вас» при каждом обращении. Условия использования пользовательских данных зависят от конкретного сервиса.

И программа с явно заданными правилами, и система машинного обучения работают с помощью алгоритмов. Различие состоит в том, как формируется способ решения задачи. При автоматизации по правилам разработчик задаёт условия и действия: например, «если ответ совпал с ключом, начислить один балл». При машинном обучении разработчик задаёт процедуру обучения, а параметры модели настраиваются на данных. Полученная модель применяется к новым примерам. Машинное обучение — один из подходов к созданию ИИ-систем, а не синоним всего искусственного интеллекта.

Рис. 1.1. Схема «Явно заданные правила и обучение на данных»

При использовании языковой модели ответ формируется на основе вероятностных закономерностей, усвоенных при обучении. Но модель и сервис — не одно и то же: сервис может дополнительно использовать поиск, документы или вычислительные инструменты. Поэтому нельзя утверждать, что любой ответ получен только из статистических закономерностей или только из интернета. Для оценки результата нужно понимать, на каком материале он основан, и проверять его.

Пример устройства сервиса. Сервис может найти нужный фрагмент в загруженном документе, передать его языковой модели и затем показать сгенерированный ответ вместе со ссылкой на источник. В такой цепочке поиск, модель и интерфейс выполняют разные функции; проверять нужно и найденный источник, и итоговую формулировку.

Вводные материалы иногда различают специализированный ИИ и общий ИИ (AGI, Artificial General Intelligence — «общий искусственный интеллект»). Специализированная система решает ограниченный круг задач, а общий ИИ — гипотетическая система с универсальными когнитивными способностями, критерии которых обсуждаются. Для нашей темы важно не прогнозировать сроки его появления, а оценивать конкретный инструмент по качеству решения педагогической задачи и ограничениям его применения.

1.2. Машинное обучение: как компьютер «учится»

Машинное обучение — направление искусственного интеллекта, в котором способ решения задачи формируется в процессе настройки модели на данных, а не только посредством заранее прописанных правил для каждого случая.

Аналогия с обучением человека помогает лишь частично. И ребёнок, и модель могут использовать множество примеров, но это не означает одинакового механизма обучения, понимания или мотивации. У модели есть вычислительная процедура и критерий качества; ей не следует приписывать человеческий опыт только потому, что результат выглядит осмысленным.

Рис. 1.2. Схема «Обучение и применение модели»

Обучение с учителем использует примеры с целевыми ответами. Например, модель учат распознавать части речи: ей показывают предложения, где каждое слово уже размечено человеком. После обучения она может определять части речи в новых предложениях. Качество результата зависит от качества разметки и сходства новых данных с условиями применения, поэтому нестандартный ответ требует дополнительной проверки.

Обучение без учителя работает с неразмеченными данными и помогает обнаруживать структуру. Например, система группирует учебные тексты по тематической близости без заранее заданных категорий. Полученные группы не обязательно совпадают с разделами программы, поэтому их интерпретация требует содержательного анализа. Этот подход чаще используется для разведочного анализа, а не для автоматического принятия педагогических решений.

Для понимания современных языковых моделей важно также обучение с самоконтролем (self-supervised learning). В нём обучающие задания и целевые ответы формируются из самих данных. Например, модель может учиться предсказывать следующий токен по предыдущему контексту или восстанавливать скрытые фрагменты текста. Для каждого такого примера не требуется отдельный ответ, вручную подготовленный разметчиком.

Обучение с подкреплением связано с выбором действий и получением сигнала награды. Агент учится выбирать действия так, чтобы увеличить суммарную награду. Например, игровой агент совершенствует стратегию по результатам партий. Простое повышение или понижение сложности задания само по себе не является наградой или штрафом и может быть обычным заранее заданным правилом. Поэтому адаптация сложности не доказывает применение обучения с подкреплением.

Как сопоставить подходы. Ориентируйтесь на источник целевого сигнала: при обучении с учителем ответ размечен человеком; при самоконтроле задание и ответ извлекаются из самих данных; при обучении с подкреплением модель получает сигнал награды за действия. Обучение без учителя направлено прежде всего на обнаружение структуры в данных, а не на заранее заданный правильный ответ.

Рис. 1.3. Схема «Основные подходы к обучению моделей»

Качество и состав обучающих данных существенно влияют на качество модели, но не являются единственными факторами: важны также способ обучения и условия применения. Ошибки, пробелы и дисбалансы в данных могут приводить к систематическим ошибкам и предвзятым ответам. Например, недостаточное представление женщин-учёных в обучающих материалах может повышать риск воспроизведения гендерных стереотипов. Это не означает, что модель обязательно сформирует конкретное утверждение или обладает собственными убеждениями.

1.3. Нейронные сети и глубокое обучение

Искусственная нейронная сеть — вычислительная модель из связанных элементов, преобразующих числовые представления данных. Входной слой получает значения, скрытые слои преобразуют их, выходная часть формирует результат нужного вида. Термин возник по аналогии с биологическими нейронами, но нейросеть не является точной копией мозга и сама по себе не свидетельствует о сознании или человеческом понимании.

Рис. 1.4. Упрощённая схема «Устройство искусственной нейронной сети»

В качестве учебного примера рассмотрим пороговый нейрон: он вычисляет взвешенную сумму входов, добавляет смещение и выдаёт 1, если полученное значение превышает заданный порог, и 0 — в противном случае. Это один из возможных примеров функции активации, а не универсальное описание всех нейронов.

Что означает «взвешенная сумма». Входы вносят разный вклад: одни значения усиливаются, другие ослабляются. Смещение позволяет сдвинуть условие срабатывания. Поэтому поведение нейрона определяется не только входными данными, но и параметрами, настроенными при обучении.

Рис. 1.5. Схема «Как работает один нейрон»

Глубокое обучение — направление машинного обучения с использованием многослойных нейронных сетей. В некоторых моделях обработки изображений последовательные преобразования позволяют переходить от локальных признаков к более сложным. Но нельзя утверждать, что каждый слой любой сети строго соответствует человеческому понятию или что увеличение числа слоёв само по себе гарантирует лучшее качество. Глубина — лишь одна из характеристик архитектуры.

Рис. 1.6. Схема «Глубокое обучение: от пикселей к образу»

Не следует автоматически приписывать модели человеческий способ понимания на основании того, что она создаёт связные ответы. Уверенный тон не гарантирует фактическую правильность, а по одному ошибочному ответу нельзя достоверно установить его причину. Педагог проверяет факты, термины, вычисления, цитаты, выводы и соответствие материала учебной задаче. Подробнее причины и типичные проявления ошибок рассмотрим в теме 1.2.

1.4. Генеративные модели: от анализа к созданию

Генеративные модели создают образцы данных на основе закономерностей, усвоенных при обучении, и условий, заданных при применении. Результатом может быть текст, изображение, звук или другой материал. Конкретный механизм зависит от типа модели: авторегрессионная языковая модель последовательно формирует токены, а диффузионная модель создаёт образец путём последовательного устранения шума. Генерация не означает гарантированную оригинальность, фактическую истинность или педагогическое качество.

При авторегрессионной генерации языковая модель получает контекст и оценивает вероятности следующего токена — единицы представления текста, которая может соответствовать слову, части слова или знаку. Процедура декодирования выбирает токен по заданному правилу, после чего шаг повторяется. Выбор не всегда сводится к самому вероятному варианту: на него могут влиять настройки генерации. Повторение запроса может приводить как к одинаковым, так и к разным ответам.

Важно различать. Ответ не хранится заранее как единый готовый текст: при авторегрессионной генерации он формируется по шагам. Вероятность следующего токена — это оценка возможного продолжения в данном контексте, а не вероятность истинности будущего утверждения.

Большая языковая модель, или LLM (Large Language Model — «большая языковая модель»), — языковая модель большого масштаба, обученная на значительных объёмах данных для решения задач обработки языка. В этом курсе основное внимание уделяется генеративным большим языковым моделям: они могут создавать и преобразовывать тексты, отвечать на вопросы, предлагать объяснения и варианты заданий. Однако не все большие языковые модели предназначены прежде всего для генерации продолжения текста. Языковая модель также не тождественна чат-сервису: сервис может дополнительно включать поиск, работу с файлами и другие инструменты.

Рис. 1.7. Схема «Как авторегрессионная языковая модель генерирует текст»

Модели можно описывать по разным основаниям. По характеру задачи различают классификацию объектов, прогнозирование значений и создание контента. По виду результата — модели генерации текста, изображений, аудио и видео. По способу построения и генерации выделяют, например, авторегрессионный подход и диффузию. По типам обрабатываемых данных — модели с одной модальностью и мультимодальные, работающие с несколькими видами данных. Эти характеристики могут сочетаться: одна система может быть генеративной и мультимодальной одновременно.

Классификация относит объект к категории, например определяет тему текста. Прогнозирование числового значения позволяет, например, оценить предполагаемое время выполнения задания по предыдущим наблюдениям. Генерация создаёт текст или другой материал. Это примеры задач, а не исчерпывающая классификация.

Диффузионные модели в упрощённом представлении обучаются восстанавливать данные после добавления шума и могут создавать новый образец путём последовательного удаления шума. Этот подход широко используется для изображений, но не ограничен ими. Не все генераторы изображений следует автоматически считать диффузионными, а механизм продолжения текста по токенам нельзя переносить на все генеративные модели.

Мультимодальная модель работает с несколькими видами данных, например принимает изображение и текст, а формирует текстовое описание. Поддержка разных входов не означает, что модель умеет создавать все те же виды данных на выходе. Для проверки результата уточняются конкретные возможности модели и реализации сервиса, а не выводятся из названия.

Пример. Система может принять фотографию школьной работы и вопрос учителя, а на выходе дать только текстовый комментарий. Чтобы понять её возможности, отдельно уточняют, какие данные она принимает и какие результаты способна создавать.

Рис. 1.8. Схема «Разные признаки описания моделей ИИ»

1.5. Возможности и границы применения ИИ в работе педагога

ИИ может поддерживать педагога при подготовке планов занятий, объяснительных текстов, вопросов и заданий, адаптации материалов к возрасту и уровню подготовки обучающихся, создании визуальных опор и вариантов обратной связи. Например, модель может предложить черновик задачи или способ представления, но педагог определяет образовательную цель и оценивает, действительно ли она улучшает урок.

Границы применения связаны не только с фактическими ошибками, но и с методическими. Условие «У Маши было три яблока, она отдала пять» не подходит как обычная задача на нахождение остатка для младших школьников: описанное действие невозможно без дополнительных условий. Для задачи с неотрицательным целочисленным ответом условие можно изменить: «У Маши было восемь яблок, она отдала пять. Сколько осталось?». При этом исходное условие можно использовать как специально организованное задание на поиск ошибки, если именно такова учебная цель.

Поэтому любой материал проверяется на предметную и фактическую точность, соответствие образовательным результатам, возрастную адекватность и методическую целесообразность. Адаптация — не просто сокращение текста: педагог оценивает терминологию и требуемый способ рассуждения конкретного класса. Подробнее ошибки больших языковых моделей рассмотрим в теме 1.2 учебного плана «Большие языковые модели: возможности, ограничения, типичные ошибки», а верификацию — в модуле 2.

Практический цикл проверки. Сформулируйте цель → проверьте содержание и источники → оцените возрастную и методическую уместность → отредактируйте материал → перечитайте его целиком. Если на любом шаге возникают сомнения, материал не используют без дополнительной проверки.

Для педагогической практики важен закреплённый в статье 4 закона № 243-ФЗ риск-ориентированный подход: перед использованием модели следует оценивать вероятность и масштаб возможного вреда, включая последствия для прав, свобод и законных интересов человека. Поэтому проверка материала, защита данных и выбор условий применения сервиса являются частью профессиональной работы, а не формальным дополнением. Статьи 8–10, регулирующие, среди прочего, документацию разработчиков, информационные предупреждения и уведомления пользователей о правах на результаты, вступают в силу 1 марта 2027 года. Их не следует понимать как уже действующую универсальную обязанность педагога маркировать любой созданный с ИИ текст: конкретные требования зависят от роли лица и ситуации применения.

1.6. Роль педагога в условиях распространения ИИ

Педагог работает в информационной среде, где наряду с учебниками, справочниками, цифровыми ресурсами и другими источниками обучающимся доступны ИИ-сервисы. Его задача — не только передавать информацию, но и помогать оценивать её достоверность, понимать содержание и применять знания. Педагог остаётся автором образовательного замысла: он определяет, какие результаты должны быть достигнуты и какими средствами, использует ИИ для генерации вариантов, но окончательный выбор остаётся за ним.

Как это выглядит в работе. Педагог выбирает задачу, формулирует критерии приемлемого результата, сопоставляет варианты и решает, что увидят его ученики. ИИ может ускорить подготовку вариантов, но не определяет за педагога, какой материал нужен конкретному классу.

Педагог сохраняет профессиональную обязанность проверять используемое содержание и оценивать последствия его применения. При этом распределение юридической ответственности зависит от обстоятельств и обязанностей участников и не сводится к утверждению «во всех случаях отвечает только учитель». Правовые и организационные основания рассматриваются в теме 1.4.

Рис. 1.9. Схема «Профессиональные роли педагога при использовании ИИ»

Выводы

• Понятия. Искусственный интеллект — широкая область; машинное обучение — одно из её направлений, нейронные сети — семейство моделей, а генеративность описывает способность создавать контент.
• Автоматизация и обучение. Оба подхода используют алгоритмы, но различаются способом формирования решения: правила задаются разработчиком, а параметры модели настраиваются на данных.
• Ограничения нейросетей. Нейросеть не является копией мозга, а связный и уверенно сформулированный ответ не доказывает понимание, фактическую точность или педагогическую пригодность.
• Возможности ИИ. Генеративные модели могут ускорить подготовку объяснений, вопросов, заданий и визуальных опор, но их результаты требуют проверки по содержанию, источникам, возрасту и учебной цели.
• Роль педагога. Педагог определяет образовательный замысел, проверяет материал и условия применения сервиса, редактирует результат и принимает окончательное решение о его использовании.
• Дальнейшее изучение. Понимание возможностей и границ ИИ помогает применять его продуктивно и безопасно; следующий шаг — более подробное изучение больших языковых моделей, их ограничений и типичных ошибок в теме 1.2.

Типичные ошибки в понимании понятий

Учебный пример для анализа

Пояснение о происхождении учебного примера

Для демонстрационного разбора используется специально составленный учебный пример ответа на запрос «Объясни тему “Круговорот воды в природе” для учеников 3 класса». Этот текст не является документально зафиксированным ответом конкретного ИИ-сервиса и не используется как доказательство поведения какой-либо модели. Если преподаватель заменяет его реальной генерацией, он указывает название сервиса, дату получения ответа и точный запрос. Вход слушателей в сервис не требуется.

Исходный текст для анализа

Демонстрационный ответ (синтетический пример для обучения): «Когда Солнце нагревает воду, она превращается в пар. Пар поднимается вверх и охлаждается. Получаются капли. Капли собираются в облака. Когда капель много, идёт дождь или снег. Вода снова попадает в реки, озёра и океан и может снова испариться».

Задание слушателям

Прочитайте учебный пример. Определите, какие формулировки можно сохранить, какие требуют уточнения, а какие необходимо исправить. Обоснуйте предложенные изменения.

Вопросы для обсуждения

• что соответствует содержанию и возрасту, а что требует проверки по источнику;
• есть ли в тексте фактические ошибки и неподтверждённые сведения;
• что следует упростить или изменить в соответствии с учебной целью;
• какие решения педагог должен принять самостоятельно.

Обсуждение проводится в пределах лекционного времени, без самостоятельной обязательной работы в сервисе. Дополнительное обращение к разрешённому образовательной организацией сервису возможно только как необязательное расширение материала.

Сначала предложите собственные исправления и обоснуйте их. Затем изучите приведённый ниже разбор и возможный исправленный вариант текста.

Критерии выполнения задания и обратная связь

Разбор примера

Что можно сохранить

• Испарение описывается как превращение воды в водяной пар; нагревание обычно ускоряет этот процесс.
• Охлаждение влажного воздуха связано с образованием мельчайших капель, из которых состоят облака.
• Осадки возвращают воду на землю, после чего процесс может повторяться.
• Короткие предложения и последовательность процессов в целом подходят для младшего школьного возраста.

Что требует уточнения или исправления

Возможный исправленный вариант текста

«Вода с поверхности водоёмов и влажной земли испаряется — превращается в невидимый водяной пар. Водяной пар переносится вместе с воздухом. При охлаждении влажного воздуха могут образовываться мельчайшие капли воды, из которых состоят облака. В облаках бывают и кристаллики льда. Капли укрупняются и могут выпадать дождём, а ледяные кристаллики растут и образуют снежинки. Вода возвращается на землю, попадает в водоёмы и почву. Круговорот продолжается». Это один допустимый вариант, а не эталон для дословного воспроизведения.

Педагогические решения, которые не передаются модели

• Определить, какие процессы должен связать ученик 3 класса и какой объём терминов допустим.
• Проверить научное содержание по доступному предметному источнику и не принимать связность текста как доказательство.
• Решить, что оставить, уточнить или заменить; после правки перечитать объяснение целиком.
• Обозначить происхождение учебного примера и не выдавать его за реальную генерацию конкретного сервиса.

Рабочие статусы проверки

• «Подтверждено в указанном объёме» — названы проверенный материал и способ проверки;
• «Установлена ошибка» — показано конкретное несоответствие;
• «Недостаточно оснований» — указано, каких сведений или действий не хватает;
• «Не проверялось» — проверка не выполнялась.

Эти статусы не заменяют правила оценивания организации.

Глоссарий

Искусственный интеллект

Область информатики, создающая системы, имитирующие когнитивные функции человека. Пример: языковая модель, генерирующая текст.

Машинное обучение

Направление искусственного интеллекта, в котором способ решения задачи формируется в процессе настройки модели на данных. Пример: система, которая учится распознавать почерк.

Нейронная сеть

Вычислительная модель, состоящая из соединённых нейронов, организованных в слои. Пример: сеть, распознающая кошку на фотографии.

Глубокое обучение

Направление машинного обучения, использующее многослойные нейронные сети для последовательного преобразования представлений данных. Пример: многослойная сеть, распознающая объекты на изображениях.

Генеративная модель

Модель, создающая новый контент на основе закономерностей обучающих данных. Пример: модель, создающая иллюстрацию по текстовому описанию.

Большая языковая модель (LLM, Large Language Model — «большая языковая модель»)

Языковая модель большого масштаба, обученная на значительных объёмах данных для решения задач обработки языка; генеративные большие языковые модели способны создавать и преобразовывать текст. Пример: генерация варианта объяснения темы по запросу педагога.

Большая фундаментальная модель искусственного интеллекта

Термин Федерального закона № 243-ФЗ: программа, служащая основой для создания и доработки различных видов программного обеспечения, содержащая не менее 1 миллиарда параметров и применяемая для выполнения большого количества различных задач. Пример: универсальная модель, на основе которой создаются сервисы для работы с текстом, изображениями и данными.

Промпт

Входные инструкции и контекст, задающие модели задачу; в рамках лекции рассматриваются прежде всего текстовые запросы. Пример: «Объясни тему “Дроби” для 5 класса».

Галлюцинация

Генерация фактически неверной информации, вымышленных источников и цитат. Пример: вымышленная цитата из Толстого.