Что такое ИИ, машинное обучение и LLM — карта местности

Зачем это нужно

Добро пожаловать в самый первый урок! Если вы никогда не программировали — вы ровно там, где нужно. Курс начинается с нуля и шаг за шагом доходит до того, что вы сами обучите небольшую языковую модель на своих видеокартах и разберётесь, как устроены DeepSeek, Qwen и Kimi изнутри.

Перед дальним походом полезно посмотреть на карту. В этом уроке нет обязательного кода и формул. Мы разберём слова, которые вы будете слышать весь курс, — ИИ, машинное обучение, нейросеть, LLM, токен, — поймём, как чат-бот на самом деле пишет ответ, чего он не умеет, и посмотрим на маршрут. После урока вы сможете за пять минут объяснить другу, как работает ChatGPT, — и это будет правдой, а не магией.

Как пользоваться уроками

• Слова с пунктирным подчёркиванием — термины. Наведите на них курсор (или нажмите на телефоне): появятся английский вариант и короткое пояснение.
• В конце урока — квиз. Ошибки из него сами попадут в тетрадь ошибок. Это не наказание, а материал для повторения.
• Внизу страницы есть кнопка «Отметить урок пройденным»: она ставит отметку в календаре занятий и добавляет карточки урока в повторение.

Матрёшка: ИИ → машинное обучение → нейросети → LLM

Эти четыре слова часто путают. На самом деле они вложены друг в друга, как матрёшка: каждое следующее — частный случай предыдущего.

flowchart TB
subgraph AI["Искусственный интеллект"]
  R["Правила, написанные людьми:<br/>шахматная программа, навигатор"]
  subgraph ML["Машинное обучение — правила из примеров"]
    C["Спам-фильтр, рекомендации товаров,<br/>оценка цены квартиры"]
    subgraph DL["Нейросети и глубокое обучение"]
      V["Распознавание лиц и речи,<br/>машинный перевод"]
      subgraph LLM["Большие языковые модели (LLM)"]
        G["ChatGPT, DeepSeek, Qwen,<br/>Kimi, GLM, Claude"]
      end
    end
  end
end
R ~~~ C
C ~~~ V
V ~~~ G

Каждый следующий круг — частный случай предыдущего

Искусственный интеллект — большая цель

Искусственный интеллектискусственный интеллект (ИИ)EN artificial intelligence (AI) (ИИ) — это не конкретная технология, а цель: заставить компьютер делать то, что раньше умел только человек. Играть в шахматы, переводить, узнавать лица, отвечать на вопросы. Сам термин придумали в середине 1950-х для летнего семинара 1956 года в Дартмутском колледже (США).

Долгое время ИИ строили из правил, написанных людьми. Шахматная программа Deep Blue, обыгравшая Гарри Каспарова в 1997 году, перебирала ходы по алгоритмам, которые придумали инженеры. Навигатор ищет кратчайший путь по точному алгоритмуалгоритмEN algorithmТочная последовательность шагов для решения задачи — как рецепт. Программа — это алгоритм, записанный на языке программирования. — пошаговому рецепту. Это тоже ИИ, хотя в нём ничего не «учится».

Проблема правил видна на простом примере. Попробуйте описать правилами, как отличить кошку на фотографии от собаки. «Если острые уши — кошка»? У овчарки тоже острые уши. Каждое правило ломается об исключения, и через неделю у вас тысяча правил, которые всё равно ошибаются.

Машинное обучение — правила из примеров

Машинное обучениемашинное обучениеEN machine learning (ML) переворачивает подход. Человек не пишет правила — он показывает примеры с ответами, а компьютер сам находит правило. Так учится ребёнок: ему не дают определение кошки, ему показывают сотню кошек.

	Обычная программа	Машинное обучение
Что даёт человек	Правила + данные	Данные + правильные ответы
Что получает	Ответы	Правило (его называют моделью)
Пример	«Если в письме слово “выигрыш” — спам»	10 000 писем с пометками «спам / не спам» → фильтр

Разберём на числах. Допустим, у нас есть данные о квартирах в одном районе:

Площадь, м²	Цена, млн ₽
30	3,0
45	4,5
60	6,0
80	8,0

Нетрудно заметить правило: цена ≈ 0,1 × площадь (то есть 100 тысяч рублей за квадратный метр). Квартира на 52 м² по этому правилу стоит около 5,2 млн. Вот и вся идея машинного обучения:

• МодельмодельEN model — форма правила: «цена = k × площадь».
• ПараметрпараметрEN parameter — число внутри модели, которое нужно подобрать. Здесь это k = 0,1.
• ОбучениеобучениеEN training — подбор параметров так, чтобы модель меньше ошибалась на примерах.
• Датасетнабор данных, датасетEN dataset — набор примеров, на которых учимся (наша таблица).

В жизни данные «шумные»: одна квартира с ремонтом, другая у шоссе. Точного правила нет, и обучение ищет такое k, при котором ошибка в среднем минимальна. Ровно это вы сделаете своими руками на ступени 2 — с кодом и графиками.

Нейросети — миллионы «ручек»

У модели «цена = k × площадь» один параметр. Чтобы узнавать лица или понимать речь, нужны модели с миллионами и миллиардами параметров. Самый успешный способ строить такие модели — нейронная сетьнейронная сетьEN neural network.

Представьте огромный микшерный пульт звукорежиссёра с миллионами ручек. На вход подаются числа (пиксели фотографии, слова текста), проходят через слои простых операций «умножить на число и сложить», а на выходе получается ответ. Каждая ручка — параметр (его ещё называют весом).

Обучение выглядит так:

1. Показываем пример — фото кошки.
2. Сеть отвечает «собака на 70%» — ошиблась.
3. Чуть-чуть поворачиваем каждую ручку в ту сторону, где ошибка станет меньше.
4. Повторяем миллионы раз на разных примерах.

Никто не настраивает ручки вручную: направление поворота вычисляет математика (производные и градиентный спуск — ступень 1). Когда слоёв много, говорят о глубоком обученииглубокое обучениеEN deep learning (deep learning). Слово «нейросеть» пришло из биологии, но современная нейросеть похожа на мозг примерно как самолёт на птицу: идея та же, устройство другое.

LLM — нейросеть, которая продолжает текст

Большая языковая модельбольшая языковая модель (БЯМ, LLM)EN large language model (LLM)В китайском «большая модель» («да мосин») — разговорное общее название для LLM и вообще foundation models. (LLM, large language model) — это нейросеть, обученная на огромном количестве текста решать одну задачу: угадывать следующий кусочек текста. Китайцы обычно говорят просто «большая модель» — «да мосин».

Насколько «большая»? Возьмём DeepSeek-V3 (декабрь 2024):

• 671 млрд параметров — ручек на нашем пульте. Причём на каждый кусочек текста работают только 37 млрд из них: модель состоит из множества «экспертов» и для каждого кусочка включает лишь нескольких. Об этом трюке (MoE) — на ступени 5.
• 14,8 трлн токенов (кусочков текста, о них чуть ниже) обучающего текста. Если читать по одному токену в секунду без сна и выходных, на это ушло бы около 470 тысяч лет.

ChatGPT, DeepSeek, Qwen, Kimi, GLM, Claude — всё это LLM, обёрнутые в удобный чат. Программу, с которой разговаривают текстом, называют чат-ботомчат-бот, ИИ-ассистентEN chatbot, AI assistantПрограмма, с которой разговаривают текстом. Современные чат-боты (ChatGPT, DeepSeek, Qwen Chat, Kimi) построены на LLM., а ИИ, который создаёт новый текст, картинки или код, — генеративным ИИгенеративный ИИEN generative AIИИ, который создаёт новый контент (текст, картинки, звук, код), а не только классифицирует готовый. В китайских документах часто пишут сокращённо — «генеративный AI», с английской аббревиатурой..

Как чат-бот пишет ответ: вид с высоты птичьего полёта

Вы задаёте вопрос, и ответ появляется на экране не сразу, а по кусочку, будто кто-то печатает. Это не спецэффект: модель действительно пишет по одному кусочку за раз. Вот весь путь целиком.

flowchart LR
A["Ваш текст:<br/>«Столица Китая —»"] --> B["Токены:<br/>кусочки текста"]
B --> C["Числа:<br/>номера токенов"]
C --> D["Нейросеть<br/>(миллиарды параметров)"]
D --> E["Вероятности<br/>следующего токена"]
E --> F["Выбор:<br/>« Пекин»"]
F -->|"добавляем к тексту<br/>и повторяем"| B

Цикл генерации: один оборот — один новый токен

Шаг 1. Текст режется на токены

Нейросеть не видит буквы — она работает с числами. Поэтому текст сначала нарезают на кусочки — токенытокенEN tokenВ разговорной речи и статьях китайцы чаще всего пишут просто «token». — и каждому кусочку сопоставляют номер из словаря. Токен — это обычно часть слова: частое слово может быть одним токеном, редкое разбивается на несколько.

Условный пример (настоящее деление зависит от конкретной модели):

Текст	Токены (условно)
«Карп прыгает»	«Карп» · « пры» · «гает»
«Hello, world»	«Hello» · «,» · « world»

Словари современных моделей огромны: у Qwen около 152 тысяч токенов, у DeepSeek-V3 около 129 тысяч. Как строить такой словарь, вы узнаете на ступени 4 и сами напишете токенизатор.

Шаг 2. Модель угадывает следующий токен

Получив номера токенов, нейросеть выдаёт вероятность для каждого токена словаря: насколько он подходит следующим. Это и есть предсказание следующего токенапредсказание следующего токенаEN next-token predictionГлавная задача языковой модели — по началу текста оценить вероятности следующего токена. Ответ чат-бота собирается из таких шагов по одному токену.. Условные числа для начала «Столица Китая —»:

Следующий токен	Вероятность
« Пекин»	0,92
« город»	0,03
« Бэйцзин»	0,01
…ещё 150 тысяч вариантов	всё остальное

Похоже на подсказки клавиатуры в телефоне, только клавиатура смотрит на 2–3 последних слова, а LLM — на весь разговор (до сотен тысяч токенов), и при обучении она «прочитала» огромную часть интернета.

Шаг 3. Выбор и повтор

Из вероятностей выбирается один токен — иногда самый вероятный, иногда случайный с учётом вероятностей (поэтому на один и тот же вопрос модель может ответить по-разному). Токен дописывается к тексту, и весь цикл повторяется. Ответ из 300 токенов — это 300 оборотов цикла. Остановка — когда модель выберет специальный токен «конец ответа».

Откуда у модели манеры ассистента

Если обучить модель только продолжать интернет-текст, получится эрудит со странностями. На вопрос «Как сварить борщ?» такая модель может продолжить список вопросов, как на форуме, вместо ответа. Поэтому обучение идёт в два этапа:

1. Предобучениепредобучение, претрейнEN pretraining (pretraining). Модель «читает» триллионы токенов и учится продолжать любой текст. Так она набирается знаний о языке и мире. Это самый дорогой этап: недели работы тысяч видеокарт.
2. Пост-трейнингпост-трейнинг, дообучение после претрейнаEN post-training (post-training). Модель доучивают на примерах диалогов «вопрос → хороший ответ», а потом — с помощью обучения с подкреплениемобучение с подкреплениемEN reinforcement learning (RL): модель пробует разные ответы, а за полезные и безопасные получает «награду» и начинает выдавать такие чаще. Эрудит проходит стажировку консультантом.

Аналогия: сначала студент прочитал всю библиотеку, потом научился отвечать на вопросы клиентов. С 2025 года популярны ещё и рассуждающиерассуждениеEN reasoning⚠️ В китайском одно слово («туйли») означает и «рассуждение» (reasoning), и «инференс» (inference). Смысл определяется по контексту. «Модель туйли» — reasoning-модель, «ускорение туйли» — ускорение инференса. модели — например, DeepSeek-R1. Перед ответом они пишут длинный черновик рассуждений: пробуют, проверяют себя, исправляются. Как этого добились с помощью обучения с подкреплением, вы разберёте на ступени 6.

Чего ИИ не умеет

LLM впечатляют, но у них есть системные слабости. Важно знать их с первого дня — особенно тому, кто будет учиться вместе с ИИ-помощником.

Умеет хорошо	Слабое место	Почему так
Объяснять, пересказывать, переводить	Галлюцинации: уверенно выдумывает факты, книги, функции в библиотеках	Модель обучена выдавать правдоподобный текст, а не проверять факты
Писать и объяснять код	Не знает событий после даты среза знаний	Учебные данные закончились в какой-то момент
Решать задачи с рассуждением	Ошибается в подсчёте букв и в длинной арифметике «в уме»	Видит токены, а не буквы и цифры по отдельности
Работать с инструментами (поиск, код)	Не помнит вас между разговорами и не видит текст длиннее своего «окна» (контекста)	Модель не меняется после обучения; её «память» — только текст, который ей подали в этом разговоре

Пара пояснений:

• ГаллюцинациигаллюцинацияEN hallucination — главный риск. Попросите модель рассказать про несуществующий роман Пушкина, и слабая модель охотно перескажет сюжет. Для того, кто учится программировать, опаснее всего выдуманные команды в коде (например, несуществующие функции из готовых наборов чужого кода — библиотек, о них в модуле 0.1): код выглядит убедительно, но не запускается.
• Дата среза знанийдата среза знанийEN knowledge cutoffМомент, на котором закончились обучающие данные модели. О более поздних событиях модель не знает, если ей не дать поиск.: модель не знает свежих новостей, если ей не дали поиск в интернете.
• Подсчёт букв. В слове «обороноспособность» 7 букв «о». Модели долго ошибались в таких вопросах: слово для них — несколько токенов, а не 18 отдельных букв. Современные рассуждающие модели справляются лучше, потому что «выписывают» слово по буквам в черновике.

Главное правило курса

ИИ-помощник — это репетитор, а не источник истины. Он отлично объясняет, но может ошибаться так же уверенно, как прав. Проверяйте его ответы запуском кода и первоисточниками. Как правильно учиться вместе с ИИ — в уроке 0.0.3.

Почему Китай — второй центр AI-мира

Ещё несколько лет назад почти все сильные модели делали в США. Сейчас у мира AI два центра, и второй — Китай. Вот факты, которые вы встретите в курсе не раз:

Лаборатория	Модели	Чем известна
DeepSeek	V3, R1, V4	Эффективное обучение, открытые веса по лицензии MIT
Alibaba	Qwen	Огромная линейка открытых моделей — от 0,6 млрд до сотен миллиардов параметров
Moonshot AI	Kimi	K2 — 1 трлн параметров, оптимизатор MuonClip
Zhipu (Z.ai)	GLM	GLM-4.5 и GLM-5 с открытыми весами
MiniMax	MiniMax-01, M1–M3	Эксперименты с эффективным вниманием для длинных текстов

«Момент DeepSeek». В январе 2025 года вышла DeepSeek-R1 — рассуждающая модель, сопоставимая с лучшими американскими моделями того времени, и с открытыми весами. Приложение DeepSeek поднялось на первое место в американском App Store, а акции NVIDIA за один день упали примерно на 17%. Позже статью о R1 опубликовал журнал Nature.

Эффективность вместо грубой силы. Из-за экспортных ограничений США китайские лаборатории не могут свободно покупать лучшие видеокарты NVIDIA. Им пришлось выжимать максимум из того, что есть: финальное обучение DeepSeek-V3 заняло около 2,8 млн GPU-часов на урезанных картах H800 — примерно 5,6 млн долларов по ценам аренды. Это только финальный прогон, без экспериментов и зарплат, но для модели такого уровня — удивительно мало. Как это сделано (MoE, MLA, FP8) — тема ступени 5.

Открытые веса. Модель с открытыми весамиоткрытые весаEN open weights можно скачать и запустить у себя. По отчёту Hugging Face за весну 2026 года, на китайские модели пришлось около 41% скачиваний за год, а у Qwen больше 113 тысяч производных моделей — больше, чем у Google и Meta вместе. Для нас это значит: лучшие учебные «подопытные» — Qwen и DeepSeek — бесплатно доступны и разобраны в открытых статьях.

Люди и образование. В Китае огромное сообщество разработчиков и бесплатные учебные материалы мирового уровня: книги и курсы Datawhale, «Dive into Deep Learning» на китайском (d2l-zh), лекции Ли Хунъи, учебная модель MiniMind. Мы будем опираться на них весь курс. А ещё Китай учит ИИ со школы — об этом ниже.

Китайский угол: ИИ учат со школьной парты

Как это началось. В 2016 году программа AlphaGo обыграла в го Ли Седоля, а в мае 2017-го — сильнейшего китайского игрока Кэ Цзе (3:0). В июле 2017 года Госсовет КНР выпустил «План развития искусственного интеллекта нового поколения». В нём прямо сказано: ввести курсы, связанные с ИИ, в начальной и средней школе и постепенно распространять обучение программированию.

Университеты. В 2019 году Министерство образования одобрило первую волну бакалаврских программ по специальности «Искусственный интеллект» — сразу в 35 вузах, включая Чжэцзянский и Нанкинский университеты. Только в 2020 году к ним добавились ещё 180 вузов, а к 2026 году таких вузов больше 600.

Школы. В конце 2024 года Минобразования КНР разослало уведомление об усилении ИИ-образования в школах с целью к 2030 году в основном охватить им все школы страны. Программа устроена по ступеням: младшие классы — почувствовать и попробовать ИИ, старшие классы начальной школы и средняя школа — понять и применить, старшая школа — делать проекты. А Пекин с осеннего семестра 2025 года ввёл во всех школах не меньше 8 уроков ИИ в учебный год — отдельным предметом или внутри информатики и других предметов. Другие регионы вводят похожие нормы: например, Ханчжоу — не меньше 10 уроков в год.

2026 год. В апреле пять ведомств во главе с Минобразования выпустили «План действий „ИИ + образование”»: к 2030 году ИИ-образование должно охватить все ступени — от начальной школы до вуза и обучения взрослых, а в вузах ИИ становится общеобязательной базовой дисциплиной для всех специальностей.

Что это значит для вас. Вы будете учиться по тем же принципам, на которых построена китайская система: от простого к сложному, по спирали, с постоянной практикой. Подробно о государственных программах, школьных учебниках и олимпиадах — в треке «Китайская линза»: Как Китай учит ИИ: от школы до университета.

Карта курса: от нуля до своей LLM

Курс устроен как путешествие по шести «островам» — эту идею мы взяли у китайского практического лагеря по большим моделям InternLM Camp Шанхайской лаборатории ИИ.

flowchart LR
L0["🏝 Вход<br/>ступень 0:<br/>Python, NumPy"] --> L1["🏝 Фундамент<br/>ступени 1–3:<br/>математика, ML, нейросети"]
L1 --> L2["🏝 Трансформер<br/>ступени 4–5:<br/>GPT с нуля, большие модели"]
L2 --> L3["🏝 Пост-трейнинг и системы<br/>ступени 6–7:<br/>SFT, GRPO, инференс"]
L3 --> L4["🏝 Приложения и фронтир<br/>ступени 8–10:<br/>RAG, агенты, своя LLM"]
L4 --> L5["🏝 Профессия<br/>ступень 11:<br/>работа, собеседования"]

Шесть островов курса ChinaAI

Ступень	Что вы научитесь делать	Часов
0. Инструменты и Python	Писать на Python и NumPy, работать в терминале и Git	27
1. Математика для ML	Вспомнить и применить ровно ту математику, на которой стоят нейросети	38
2. Основы ML	Обучать простые модели и честно измерять их качество	26
3. Нейросети	Написать нейросеть и автоград с нуля, освоить PyTorch	29
4. Языковые модели	Написать токенизатор и GPT с нуля, сгенерировать текст	51
5. Большие модели	Разобрать MoE, MLA, FP8 и обучить свою мини-LLM	53
6. Пост-трейнинг	Превратить модель в ассистента: SFT, LoRA, DPO, GRPO	33
7. Инференс и оценка	Запускать модели быстро и дёшево, измерять качество	15
8. Приложения	Строить RAG и агентов с инструментами	28
9. Мультимодальность и фронтир	Понимать модели для картинок и звука, следить за новинками, разбираться в безопасности ИИ	34
10. Выпускной проект	Собрать полный цикл: токенизатор → претрейн → SFT → GRPO → сервер → агент	30
11. Профессия	Работать «как на работе», проектировать ML-системы, пройти собеседование	108

Всего около 470 часов, из них около 110 — ступень «Профессия». При 8–10 часах в неделю ступени 0–10 займут 9–12 месяцев вместе с повторением, а «Профессия» — ещё 3–4 месяца. Три правила маршрута:

• Спираль. Темы возвращаются на новом уровне. Например, кодировку текста вы встретите в следующем уроке, потом при работе с файлами, а потом — при написании токенизатора.
• Сначала руками, потом фреймворк. Сначала пишем механизм сами на чистом Python, потом берём готовую библиотеку.
• Ваше железо. С 4 видеокартами по 32 ГБ вы на ступени 5 обучите учебную модель MiniMind за часы, а на ступени 6 дообучите настоящую Qwen. До ступени 5 хватит обычного процессора.

Практика

Эксперимент 1. Поговорите с LLM как исследователь

Откройте любой чат-бот: DeepSeek, Qwen Chat или другой, которым вы пользуетесь. Проделайте четыре опыта и запишите, что заметили:

1. Генерация по кусочку. Попросите длинный ответ («Расскажи историю шахмат на 10 абзацев») и посмотрите, как он появляется.
2. Случайность. Задайте один и тот же вопрос дважды в новых чатах («Придумай название для кота»). Ответы совпали?
3. Галлюцинация. Спросите о несуществующем: «Перескажи роман Пушкина „Карп и дракон”». Модель признаётся, что такого романа нет, или сочиняет?
4. Буквы. «Сколько букв „о” в слове „обороноспособность”?» Правильный ответ — 7.

Эксперимент 2. Языковая модель в 25 строк

Заглянем под капот. Ниже — настоящая, хоть и крошечная, языковая модель. Она «обучается» на четырёх предложениях: запоминает, какое слово шло после какого, и по этим подсчётам предсказывает следующее слово. Понимать каждую строку пока не нужно — комментарии после # объясняют идею. Запустить код можно в окне Python из следующего урока: вставьте его туда (можно ниже кода задания) и нажмите «▶ Запустить» — эта кнопка выполняет любой код.

from collections import Counter

# 1. Обучающий «корпус» — крошечный текст. Точка — тоже «слово».
text = ("карп плывёт против течения . "
        "карп прыгает через врата . "
        "карп становится драконом . "
        "дракон летит над рекой .")
words = text.split()          # режем текст по пробелам на слова

# 2. «Обучение»: для каждого слова запоминаем, какие слова шли после него
following = {}
for current, nxt in zip(words, words[1:]):
    following.setdefault(current, []).append(nxt)

# 3. «Модель»: вероятности следующего слова = доли в подсчёте
def predict(word):
    counts = Counter(following[word])
    total = sum(counts.values())
    return {w: round(c / total, 2) for w, c in counts.items()}

print(predict("карп"))
print(predict("."))

# 4. «Генерация»: много раз берём самое вероятное следующее слово
word = "дракон"
sentence = [word]
for _ in range(10):
    word = Counter(following[word]).most_common(1)[0][0]
    sentence.append(word)
print(" ".join(sentence))

Ожидаемый вывод:

{'плывёт': 0.33, 'прыгает': 0.33, 'становится': 0.33}
{'карп': 0.67, 'дракон': 0.33}
дракон летит над рекой . карп плывёт против течения . карп

Что здесь видно:

• После «карп» в тексте было три разных слова, поэтому у каждого вероятность ⅓. После точки два раза шёл «карп» и один раз «дракон»: ⅔ и ⅓.
• Генерация — тот же цикл, что у DeepSeek: предсказать → выбрать → дописать → повторить.
• Модель смотрит только на одно предыдущее слово, поэтому быстро начнёт ходить по кругу («карп плывёт против течения . карп…»). Настоящие LLM смотрят на весь текст сразу — за это отвечает механизм внимания (attention), который вы напишете на ступени 4.

Проверь себя

Проверь себя6 вопросов·

1 Как соотносятся эти понятия?

LLM ⊃ нейросети ⊃ машинное обучение ⊃ ИИИИ ⊃ машинное обучение ⊃ нейросети ⊃ LLMЭто четыре независимые технологииМашинное обучение ⊃ ИИ ⊃ LLM ⊃ нейросети

2 Вы делаете спам-фильтр. Что из этого — подход машинного обучения?

Написать 500 правил вида «если в письме слово „выигрыш" — спам»Собрать 10 000 писем с пометками «спам / не спам» и дать компьютеру найти закономерностьУдалять все письма от незнакомых адресов

3 Какие утверждения о том, как LLM пишет ответ, верны?Можно выбрать несколько ответов

Модель сначала придумывает весь ответ целиком, а потом показывает его по частям для красотыНа каждом шаге модель оценивает вероятности следующего токена и выбирает одинОтвет из 300 токенов — это примерно 300 оборотов одного и того же циклаТокен — это всегда ровно одно слово

4 В тексте игрушечной модели после точки два раза шло слово «карп» и один раз «дракон». С какой вероятностью модель предскажет после точки «карп»? Ответ — десятичная дробь с двумя знаками после запятой (можно писать через запятую или точку).

5 Модель уверенно рассказала о функции библиотеки, которой не существует. Как называется это явление? (одно слово)

6 Какие факты о китайском AI верны?Можно выбрать несколько ответов

Финальное обучение DeepSeek-V3 заняло около 2,8 млн GPU-часов на картах H800В Китае государственный план 2017 года предписал вводить курсы ИИ в школахКитайские лаборатории публикуют только закрытые моделиС осени 2025 года в школах Пекина — не меньше 8 уроков ИИ в год

Проверить ответы

Итоги

• ИИ ⊃ машинное обучение ⊃ нейросети ⊃ LLM. Машинное обучение находит правила по примерам; нейросеть — модель с миллионами «ручек»-параметров.
• LLM угадывает следующий токен. Ответ собирается в цикле: токены → модель → вероятности → выбор → дописать → повторить.
• Ассистент получается в два этапа: предобучение на триллионах токенов и пост-трейнинг на диалогах.
• У LLM есть системные слабости: галлюцинации, дата среза знаний, подсчёт букв. ИИ — репетитор, а не источник истины.
• Китай — второй центр AI-мира: сильные открытые модели, эффективное обучение и ИИ-образование со школы.

Дальше: как компьютер вообще выполняет программу — процессор, память, видеокарта, байты и кодировки. И первые строки на Python прямо в браузере.