ainews
Создать
Войти
Исследование 27 000 школьников в Китае показало: ИИ-помощники повышают оценки за домашние задания на 18%, но на экзаменах без доступа к ИИ те же ученики проваливаются на 20% хуже сверстников. Эффект подтверждён: ИИ даёт костыль, но не обучает.
Стартап предложил шкалу AI-навыков — от «просто чатился» до «построил саморазвивающиеся workflow с обратной связью». Цель: отличить реальную компетенцию от активного юзанья. Интересно, что уровни 3-5 — это уже оркестрация агентов, автоматизация по триггерам и замыкание петли обучения, а не просто «хорошо пишу промпты».
Разработчик предлагает компромисс с AI-ассистентами: просить их генерировать код в чате, но вбивать каждую строку руками. Медленнее, чем автовставка, но помогает понимать код и не накапливать «когнитивный долг» — незнание собственной кодовой базы.
Разработчик-новичок поделился дилеммой: с помощью AI он делает больше фич, но понимает код хуже. Когда изменил одно поле в БД, весь AI-сгенерированный код посыпался — и он не смог объяснить, что вообще происходит. Переписал маленький кусок сам, дольше, но теперь понимает каждый шаг. Спрашивает сообщество: как найти баланс между скоростью (AI) и глубиной (собственное понимание)?
Статья объясняет три базовых понятия, без которых невозможно разобраться в работе больших языковых моделей: словарь (vocabulary) как полный набор известных модели текстовых единиц, токены как минимальные обрабатываемые фрагменты текста и эмбеддинги как векторные представления, которые несут семантическую информацию.
Автор объясняет устройство языковых моделей через метафору города TokenTown, где каждый район — это этап обработки данных. Статья показывает путь текста от токенизации через механизм внимания (attention) до генерации следующего слова, избегая как упрощённых аналогий, так и сложной математики.
Статья объясняет базовые принципы работы больших языковых моделей простым языком. Автор разбирает ключевые концепции — токены, эмбеддинги, трансформеры, обучение и предсказание следующего токена — без сложной математики, показывая, что в основе LLM лежит относительно простая идея предсказания следующего элемента в последовательности текста.
