Что такое генеративный AI
Объясняем, чем генеративный AI отличается от классических алгоритмов и почему LLM — это не поисковик и не база данных.
Генеративный AI: откуда взялось это название
Слово «генеративный» означает, что модель создаёт новый контент, а не просто ищет его в готовых записях. В отличие от классических алгоритмов (которые, например, фильтруют спам по заранее заданным правилам), генеративные модели обучаются на огромных массивах данных и учатся воспроизводить паттерны — в тексте, коде, изображениях, звуке.
Чем это отличается от классического AI
| Классический AI | Генеративный AI | |---|---| | Правила написаны вручную | Паттерны выучены из данных | | Отвечает «да/нет» или числом | Генерирует свободный текст/контент | | Хрупок при новых данных | Гибко обобщает на новые ситуации | | Прозрачен | Труднее объяснить, почему такой ответ |
Классический пример классического AI: фильтр спама, который смотрит на слова «выиграй», «бесплатно», «срочно» и блокирует письмо. Это работает, но добавьте одно новое слово-триггер — и нужно вручную обновлять правила.
Генеративная модель обучена на примерах «спам/не спам» и сама выявляет признаки — в том числе контекстные, которые человек не догадался бы прописать.
Что умеет генеративный AI сегодня
- Текст: написать, переписать, перевести, резюмировать, ответить на вопрос
- Код: сгенерировать, объяснить, отладить, написать тесты
- Изображения: DALL-E, Midjourney, Stable Diffusion
- Аудио: синтез речи, клонирование голоса
- Видео: генерация коротких клипов (Sora, Runway)
- Мультимодальность: принимать картинки/PDF на вход и давать текстовый ответ
Почему это не поисковик
Поисковик находит существующие страницы. LLM генерирует ответ на лету — по статистическим паттернам, усвоенным из обучающих данных. Это значит:
- Ответ может не существовать нигде в интернете — модель его придумала
- Ответ может быть правдоподобным, но ложным (галлюцинация)
- Нет ссылки «это взято отсюда» по умолчанию — если нужны источники, нужно RAG или поиск
Практический вывод
Воспринимайте LLM как очень быстрого, начитанного коллегу, который прочитал почти всё, но иногда уверенно врёт. Его вклад ценен, но требует верификации в критических задачах.
Правильная установка:
LLM = ускорение черновика + генерация идей + объяснение концептов
НЕ = авторитетный источник фактов без проверки
Откройте ChatGPT или Claude. Задайте один вопрос, ответ на который вы точно знаете. Оцените точность ответа. Затем задайте вопрос о чём-то узкоспециализированном в вашей сфере и проверьте ответ по собственным знаниям. Запишите, где модель ошиблась.
Скопируйте и адаптируйте под свой контекст. Текст в треугольных скобках — то, что нужно заменить.
Объясни мне концепцию <тема> так, как будто я умный профессионал, но в этой области — полный новичок. Используй аналогии из повседневной жизни. После объяснения дай 3 вопроса, которые я должен задать, чтобы убедиться, что понял правильно.
- Принимают ответ модели за факт без проверки — особенно опасно в цифрах, датах, именах.
- Думают, что "умный" ответ = правильный ответ. Модель умеет звучать уверенно даже когда ошибается.
- Сравнивают AI с поисковиком и разочаровываются, что нет ссылок — это разные инструменты с разными сильными сторонами.
- Попросите модель указать степень уверенности: "Насколько ты уверен в этом ответе? Что может быть неточным?"
- Используйте модель для генерации черновика, а верификацию оставьте себе — это самый быстрый рабочий процесс.
- Для фактических задач включайте поиск (Perplexity, ChatGPT с веб-доступом) — это решает проблему галлюцинаций с источниками.
Когда нужно быстро сгенерировать черновик, объяснить концепцию, провести мозговой штурм или переработать уже существующий текст.
Когда критически важна фактическая точность и нет возможности проверить ответ — например, медицинские или юридические решения без экспертного ревью.