Спросите БРО про AI-грамотность

Мы не разбираемся и о том, как сказать, что ИИ не нужен Я, честно говоря, удивляюсь от того, что сейчас происходит с корпоративным ИИ. Ещё год назад все хотели «внедрить нейросеть». Желательно вчера. Генеративный ИИ, агенты, RAG, корпоративный чат, автоматизация процессов — список хотелок был бесконечным. Бюджеты выделялись с формулировкой «надо, а то отстанем». А сейчас пришло время считать деньги. Gartner в очередной раз подогрел ситуацию своими исследованиями: значительная доля ИИ-инициатив не доезжает до промышленного внедрения, а многие из тех, что доезжают, не показывают понятной окупаемости. Не потому, что ИИ — фигня. А потому, что его запускают как модный проект, а не как изменение конкретного бизнес-процесса. См. общую подборку исследований Gartner по ИИ. А вот их известный прогноз про то, что к концу 2025 года не менее 30% GenAI-проектов будут заброшены после пилота из-за качества данных, рисков, стоимости и неясной бизнес-ценности: И это, конечно, только разогнало рынок. Потому что ИИ в корпорации — это не «купить доступ к модели». И даже не «сделать красивый пилот для презентации правлению». Это данные, интеграции, безопасность, стоимость инференса, изменение регламентов, ответственность за результат и, главное, нормальная экономика. Если сотрудник сэкономил десять минут в день, а компания сожгла несколько миллионов на лицензии, инфраструктуру и команду внедрения — это не трансформация. Это дорогой способ почувствовать себя инновационными. Сейчас ко мне приходят владельцы бизнесов и ИТ-директора и почему-то мне уже некуда впихивать консультации (к слову, ценник уже дошел до 50к, чтобы хоть как-то снизить поток). Про диагностику зрелости я вообще молчу — 200к, чтобы хотя бы чуточку привести этот зоопарк инициатив в порядок. В моих лекциях я часто рассказываю про прогнозы и будущее — это, чтобы помечтать (но обосновано). Но это не отменяет работу уже сейчас, чтобы то самое будущее приблизить. Хотя бы ответить на простые вопросы: — что вообще имеет смысл запускать; — где будет измеримый эффект; — что надо закрыть до старта; — какие проекты пора честно убить; — кто отвечает за результат, а не за количество слайдов. Чувствую, что пока лето, я еще более или менее свободен, а вот к сентябрю мне опять придется как-то регулировать поток запросов. Самое смешное: чем дороже становится ИИ, тем дороже становится способность вовремя сказать «не надо». Я помогу)

ИИ в образовании уже внедряют. Вопрос не в том «нужно ли», а в том, успеем ли мы не оказаться догоняющими Пока одни школы и вузы осторожно присматриваются, другие уже перестраивают курсы под ИИ: автоматизируют подготовку материалов, меняют формат заданий, учат студентов работать с генеративными моделями как с инструментом (в кто-то уже строит AI-native университеты на севере) Хорошая новость — вход в это всё можно сделать без боли и бесплатно. В Москве работает ИИТО ЮНЕСКО — международный центр, который занимается тем, как технологии (включая ИИ) реально внедряются в образование. У них есть бесплатные онлайн-курсы на русском языке по генеративному ИИ для педагогов. Там не про «вау, ChatGPT пишет тексты», а про: ➡️как использовать ИИ в учебном процессе; ➡️какие форматы заданий теперь работают лучше; ➡️где риски и как не сломать обучение; ➡️как адаптировать свои курсы под новую реальность. Это хороший способ быстро выровнять понимание и не изобретать всё с нуля. Ссылка: https://iite.unesco.org/ru/highlights/onlajn-kursy-iito-unesco-po-generativnomu-ii-dlya-pedagogov/ Если вы уже чувствуете, что «что-то происходит, а мы пока наблюдаем» — это тот самый момент, чтобы включиться. Отправьте этот пост знакомым учителям и преподавателям, которые хотят не догонять изменения, а начинать делать ИИ-нативное образование у себя в школах и вузах. А в комментах можно дать свои рекомендации, где еще можно поучиться применению ИИ именно в образовании

В прошлом году в рамках деятельности Международного Альянса в сфере ИИ был опубликован масштабный форсайт-отчет «Горизонты искусственного интеллекта: какими будут технологии ИИ через 10 лет?» Этот труд подводит итоги технологического развития за прошлый год и предлагает комплексное видение эволюции ИИ вплоть до 2035 года, опираясь на глубокие исследования и экспертизу более 270 ученых из 36 стран . Ключевые направления развития В отчете подробно разобраны важнейшие векторы, которые будут определять будущее технологий в ближайшее десятилетие. Основное внимание экспертов уделено следующим темам: ➡️Развитие фундаментальных генеративных моделей и создание новых вычислительных архитектур . ➡️Эффективное управление ИИ, обеспечение его объяснимости и выстраивание безопасного взаимодействия в системе «человек-машина» . ➡️Социально-этические аспекты применения технологий, а также преодоление вызовов, связанных с растущей автономностью алгоритмов . Отчет успешно сочетает академическую повестку с актуальными отраслевыми трендами, предлагая продуманные дорожные карты для научных исследований и государственной политики в сфере ИИ . Эта публикация станет отличным инструментом для повышения ИИ-грамотности: она поможет как узкопрофильным специалистам, так и широкой аудитории лучше понять, к каким технологическим трансформациям нам предстоит адаптироваться. А теперь она доступна на eLibrary: https://elibrary.ru/item.asp?id=89287502 — читайте 🙌

Зачем нам прогнозировать будущее? Таким вопросом частенько открываю свои выступления перед тем, как рассказать о трендах развития технологий ИИ. Ответ обычно очевиден — чтобы планировать текущие действия и проверять на прочность нашу персональную стратегию. Спрогнозировать будущее человек пытался издревле — даже опирался на ложные предпосылки в виде положения звезд и дат рождения (астрологи, нумерологи и другие псевдо-причинно-следственно-связыватели — без обид😂) Часть прогнозов мы встречаем в научной фантастике (хотя это было в первую очередь фантазией автора), но именно так появляется вдохновение. Не случайно в различных техниках проектирования в том или ином виде присутствует фраза "Чтобы что-то воплотить, необходимо в первую очередь это представить". Вместе с коллегами из творческого объединения "Коллектив" тоже пофантазировали о том, как будет выглядеть будущее и чего нам ждать от развития технологий. Понравилось работать с профессионалами 🙌 Мои мысли (и знакомое лицо) можно посмотреть тут: https://www.youtube.com/watch?v=FQAOGvcgY34 Зеленый инновационный фон прилагается 😄😅😂

Упрощённо: ➖ training — обучение ➖ inference — применение обученной модели на практике Third-party inference означает, что приложение может использовать модель не только от своего создателя, но и от внешнего поставщика ("третья сторона") В нашем случае это означает: Claude Desktop умеет обращаться не только к собственным моделям Anthropic, но и к моделям, которые предоставляет Ollama 9️⃣Что такое API key API key — это ключ доступа к сервису через интерфейс для программ (поэтому и называется Application Programming Interface — интерфейс для взаимодействия программ) Он нужен, чтобы система поняла: ➡️ кто вы ➡️ к какому аккаунту вас привязать ➡️ какие у вас права доступа API key — это как электронный пропуск. Без него дверь сервиса не откроется, даже если вы знаете адрес. 1️⃣0️⃣ Что такое selector model / выбор модели Когда в приложении появляется список моделей, это называется выбор модели или model selector. Пользователь сам решает, какой “движок” использовать для конкретной задачи. Например: ✔️ одна модель лучше пишет код ✔️ другая лучше суммирует тексты ✔️ третья дешевле или быстрее 1️⃣1️⃣Что значит “для кода и сложных задач” Когда в новости рекомендуют модели “для coding and co-working tasks”, речь обычно о задачах, где нужно: ➖ писать и исправлять код ➖ понимать контекст проекта ➖ работать с несколькими шагами подряд ➖ использовать инструменты и файлы Здесь имеется в виду не коворкинг как офис, а совместная работа человека и ИИ над задачей. Например, вы ставите цель, а модель помогает по шагам: пишет код, комментирует, предлагает исправления. 1️⃣2️⃣Что такое tool calling Tool calling — это способность модели вызывать внешние инструменты. Не только “болтать текстом”, а, например: ✔️ открыть файл ✔️ выполнить команду ✔️ обратиться к поиску ✔️ запустить калькулятор ✔️ сходить в API какого-то сервиса (например, погоды) Это один из ключевых признаков полезного рабочего ИИ. Модель без tool calling часто только рассуждает. Модель с tool calling может не только рассуждать, но и действовать через инструменты. Представьте, что вашей домашней колонке дали руки и теперь она может нажимать на кнопки (а кнопка — это интерфейс). 1️⃣3️⃣ Что такое agentic behavior Agentic behavior — это поведение модели как агента, то есть системы, которая может не просто ответить один раз, а двигаться к цели в несколько шагов и выполнять действия. Например: 1. понять задачу 2. разбить её на этапы 3. выбрать инструмент 4. проверить результат 5. исправить ошибки По-русски это часто называют агентным режимом или агентным поведением. Это значит, что ИИ становится не просто собеседником, а полуавтономным помощником. 1️⃣4️⃣ Что значит “профиль Claude” Профиль в таком контексте — это набор настроек, через которые приложение работает по умолчанию. Если вы подключили Ollama и изменили конфигурацию, команда --restore возвращает стандартный режим работы Claude Desktop. То есть: ➖ было подключение к внешним моделям ➖ restore возвращает исходное состояние 1️⃣5️⃣Главная мысль для ИИ-грамотности Из этой новости полезно вынести не только технический факт, но и общий принцип: ➡️ Есть приложение ➡️ Есть модель ➡️ Есть поставщик модели ➡️ Есть способ доступа: локально или через облако ➡️ Есть инструменты, которые модель умеет вызывать Если что-то не понятно, то дайте знать — я попробую рассказать на доступном и понятном 🙌

Почему ты до сих пор работаешь без помощников Давно напрашивался такой пост! На днях вышла новость "Ollama 0.23 now supports Claude Desktop’s built-in third party inference." Я в искажении, что все давно наплодили своих агентов уже перестал воспринимать мир нормально 😅 Но оказалось, что большинство даже понятия не имеют, что происходит в мире ИИ — читают заголовки новостей и в мозгу происходит что-то вроде "Ой, сложно" и забивают. Сегодня попробуем поставить себе на службу немного ИИ (если не легион, то хотя бы взвод). И разберем детально важные мелочи. Небольшой гайд: как понять, что тебе делать на примере новости Когда мы читаем новость «Ollama теперь поддерживает third-party inference в Claude Desktop», она звучит сложно не потому, что технология слишком запутанная, а потому что в одном абзаце смешаны сразу несколько уровней: приложение, модель, облако, доступ и сценарий использования. Разберём это с самых азов. 1️⃣ Что такое ИИ-модель ИИ-модель — это программа, обученная работать с текстом, кодом, изображениями или другими данными. Если совсем просто, модель — это “движок мышления” (ой, как грубо, скажут наши разработчики), который генерирует ответы. Примеры моделей: Claude, Qwen, Gemma, GLM, Kimi, Gigachat, YaGPT... Представьте автомобиль 🚘 ✔️ модель — это двигатель ✔️ приложение — это салон и руль ✔️ облако — это сервис, через который двигатель вам доступен Пользователь часто видит только “машину”, но не всегда понимает, какой именно “двигатель” стоит внутри. 2️⃣ Что такое Claude Desktop Claude Desktop — это приложение Anthropic для работы с ИИ на компьютере. То есть это не сама модель как таковая, а интерфейс, через который вы общаетесь с моделью. Проще говоря: 👉 Claude Desktop — это окно общения 👉 модель — это то, кто именно вам отвечает Интерфейс — это внешний способ взаимодействия с системой. Кнопки, поле ввода, история чатов, выбор модели — всё это интерфейс. 3️⃣ Что такое Anthropic Anthropic — это компания, которая делает модели семейства Claude. Когда мы говорим “Claude”, мы обычно имеем в виду ИИ-модель от Anthropic, а когда говорим “Claude Desktop” — приложение этой компании. 4️⃣ Что такое Ollama Ollama — это платформа, которая позволяет запускать и использовать разные ИИ-модели. Раньше многие знали Ollama прежде всего как удобный способ запускать модели локально, то есть на своём компьютере. Но теперь у Ollama есть и облачный слой, через который можно получать доступ к моделям через интернет. Локально значит “на вашем устройстве”, а не на чужом сервере. Это важно для приватности, контроля и иногда для скорости. 5️⃣ Что такое Ollama Cloud Ollama Cloud — это облачная часть Ollama, где модели доступны не с вашего ноутбука, а с удалённых серверов. Это значит: ➡️ вам не обязательно иметь очень мощный компьютер ➡️ модель работает “где-то в облаке” ➡️вы подключаетесь к ней через интернет Облако — это чужая вычислительная инфраструктура, к которой вы получаете доступ как к сервису. Не нужно устанавливать всё самому — вы просто подключаетесь и пользуетесь. 6️⃣Что значит “Claude Desktop теперь видит модели Ollama” Раньше Claude Desktop ассоциировался прежде всего с моделями Claude. Теперь в этом приложении можно выбирать и другие модели, которые доступны через Ollama Cloud. То есть: ➡️ снаружи у вас всё ещё Claude Desktop ➡️ внутри может работать уже не Claude, а другая модель Это важное понимать для вашей ИИ-грамотности: приложение и модель — не одно и то же. Частая ошибка пользователя: “Я работаю в Claude, значит отвечает Claude” Теперь это не всегда так. Корректнее думать так: Я работаю в приложении Claude Desktop, но отвечает та модель, которую я выбрал” 7️⃣Что такое LLM LLM расшифровывается как Large Language Model, то есть “большая языковая модель”. Это тип ИИ-моделей, которые умеют: ✨ писать тексты ✨ отвечать на вопросы ✨ переводить ✨ анализировать документы ✨ писать код ✨ вести диалог Claude, Qwen, Gemma и многие другие — это LLM. 8️⃣Что значит inference Inference — это запуск модели “в боевом режиме”, когда она уже не учится, а отвечает на ваш запрос.

Умрет ли профессия инженера, как сейчас говорят о программистах? С ходу хочется сказать, что нет, ведь дело идет о физических процессах и проектировании — попробуй спроектировать многоступечатый редкутор или найти решение при противоречивых требованиях к инженерной системе! (всем, кто сдает Курсовую работу по Конструированию приборов — отдельный привет!) Но если вспомнить о тех ИИ-инструментах, которые появляются в области инженерии... К слову, каких инструментах? Время небольшого обзора! 😄🙌 🔧 1. Генеративное проектирование (Autodesk Fusion, Siemens NX, PTC Creo) Инженер задаёт ограничения: нагрузки, материалы, способы производства, целевой вес. ИИ генерирует сотни вариантов конструкции. Классика жанра — GM и Autodesk: из 8-компонентной сборки крепления ремня безопасности ИИ сделал 1 деталь, которая на 40% легче и на 20% прочнее оригинала. Никакой мистики — чистая топологическая оптимизация. 🌊 2. ИИ-ускоренное моделирование (Ansys SimAI, Neural Concept, SimScale) Самое больное место в инженерии — симуляции CFD и FEA могут занимать часы и дни. ИИ-модели, обученные на исторических данных симуляций, предсказывают результаты за минуты. Neural Concept — один из лидеров этого направления — в декабре 2025 года привлёк $100M инвестиций, и сокращает количество полных симуляций Ansys более чем на 90%. 🤖 3. Ansys Engineering Copilot Буквально «GitHub Copilot для инженеров-симулянтов». Встроен прямо в интерфейс Ansys Mechanical, Fluent, Discovery и других продуктов начиная с версии 2025 R2. Работает на базе GPT-4o, опирается на 50 лет накопленной экспертизы Ansys, и помогает как новичкам (онбординг, обучение), так и экспертам (отладка сложных моделей, оптимизация). Прямо в окне симуляции, без переключения контекста. 📡 4. Предиктивное техническое обслуживание (IoT + ИИ) ИИ-системы, получающие данные с IoT-датчиков (вибрация, температура, давление), предсказывают поломки оборудования до их наступления. Rolls-Royce снизил затраты на техобслуживание двигателей на 30%, ThyssenKrupp повысил надёжность лифтов на 50%. Это уже не экзотика — это стандарт в промышленности Индустрии 4.0. 🏗 5. Цифровые двойники и строительный контроль (Matterport Cortex AI, Buildots) ИИ сравнивает фактический ход строительства с BIM-моделью, выявляя расхождения в реальном времени. Для гражданских инженеров — революция в управлении проектами. ☠️Так умрёт ли инженер? Скорее эволюционирует. Рутина — расчёты «в лоб», стандартная документация, простые итерации — всё это уходит к инструментам. Остаётся то, что делает профессию профессией: системное мышление, работа с противоречивыми требованиями, валидация результатов ИИ и ответственность за решение. Инженер с ИИ победит инженера без ИИ. Но ИИ без инженера — это просто дорогой калькулятор, которому никто не поставил правильную задачу. 😉 ———- P.S. 9 апреля буду выступать в Ассоциации студентов технических университетов Европы — BEST (Board of European Students of Technology), которая в России располагается в моей альма-матер МГТУ им. Баумана. Поговорим со студентами Бауманки (и гостями лучшего инженерного вуза 😎) о том, как строить карьерный путь в постоянно меняющихся условиях. Парусные метафоры будут обязательно 😁😁😁⛵️⛵️ Тема: Из инженера в управленцы и обратно. На что делать ставку при построении карьеры — детали тут

Nemotron 3 Super: новый «мозг» для ИИ‑агентов от NVIDIA 😎🧠 (время чтения: 1 минута) теперь всегда буду предупреждать, сколько времени вы потратите сегодня на ИИ-грамотность NVIDIA выкатили Nemotron 3 Super — открытую модель под сложные ИИ‑агенты, а не просто «чатик». Это 120B параметров с ~12B активных на токен: по качеству — тяжёлый класс, по ресурсам — ближе к средним моделям. Зачем он нужен? 🤖 👉Создание умных агентов, которые умеют планировать, звать инструменты и доводить задачи до результата. 👉Работа с огромными объёмами текста и кода: документы, регламенты, репозитории. 👉Запуск в своём контуре: можно строить корпоративных ИИ‑ассистентов без зависимости от внешних облаков. Главные фишки 🔧 ➡️Гибрид Transformer + Mamba: тянет длинные контексты без превращения в «черепаху». ➡️Контекст до 1M токенов: целые кодовые базы, пачки документов, история взаимодействия. ➡️Mixture‑of‑Experts: как команда экспертов — на каждый запрос подтягиваются нужные «специалисты». ➡️Ускоренная генерация (Multi‑Token Prediction): быстрее и более связные ответы. Почему это важно для ИИ‑грамотности 🌍 Такие модели двигают нас от «поиграться с ИИ» к реальным рабочим системам: 1️⃣долгоживущие ИИ‑наставники, 2️⃣персональные агенты, понимающие ваш контекст, 3️⃣инструменты для обучения, анализа документов и развития цифровых сервисов.

Запустился четвертый сезон менторской программы в Бауманке Я второй раз участвую в этой программе Бауманского братства в качестве одного из наставников и искренне верю, что преемственность должна формироваться не только на уровне семьи, но и на уровне сообществ. Бауманское сообщество выпускников — одно из самых сильных, и родство по духу инженерного дела действительно работает (проверил на своем опыте). Для тех бауманцев, кто хочет повышать свою грамотность, а также кому будет необходим ментор до лета, чтобы прокачаться — заполняйте анкету. https://forms.yandex.ru/u/664c4e37e010dbd905cb1c55/

Не торопитесь с ИИ — только 5% успешных кейсов «GenAI Divide: State of AI in Business 2025» — отчёт, опубликованный инициативой NANDA Массачусетского технологического института (MIT). Исследование проводилось с января по июнь 2025 года и представляет собой предварительный отчёт по реализации генеративного ИИ (GenAI) в бизнесе. Некоторые выводы отчёта: ➡️Несмотря на глобальные инвестиции в размере 30–40 млрд долларов, 95% организаций не получили измеримой отдачи от проектов GenAI, а оставшиеся 5% смогли на этом заработать. ➡️AI-инструменты (ChatGPT, GitHub Copilot и другие) получили широкое распространение: более 80% компаний экспериментировали с ними, и почти 40% уже развернули такие решения для сотрудников. ➡️Генеративный ИИ активно пробуется в рабочих процессах, но пока не трансформирует бизнес в широком масштабе. ➡️Главным барьером для масштабирования GenAI-систем оказалась неспособность к обучению: большинство решений не сохраняют контекст, не адаптируются и не улучшаются по мере использования. ➡️Проекты с внешними технологическими партнёрами имеют вдвое больший успех по сравнению с внутренними разработками. Исследование было основано на 150 интервью с руководителями, опросе 350 сотрудников и анализе 300 публичных кейсов внедрений ИИ.

Что гендиру надо знать об ИИ, чтобы внедрить его в бизнес-процессы? Мы спросили об этом Рустама Боровика, руководителя направления Центра человекоцентричного ИИ «Сбербанка». Как только записали полуторачасовую лекцию про ИИ для новой программы Школы гендира - так сразу и спросили 😎. А Рустам с удовольствием ответил, потому что тема - любимая и захватывающая. Интересный ответ - в видео. #ГД_мнение 📲 Присоединяйтесь к нам в МАХ #ИИ #автоматизация #эффективность

ИИ‑модели впервые по‑настоящему помогли решить задачу Эрдёша Вообще что это? Это сложная математическая задача, которая много лет оставалась открытой. Это хорошая история, чтобы понять, как ИИ реально работает в науке, а где — просто маркетинг. ​ Коротко: что вообще произошло Пол Эрдёш оставил сотни трудных задач; для математиков решить «задачу Эрдёша» — это знак очень высокого уровня. ​ Осенью 2025 года один из руководителей OpenAI заявил, что GPT‑5 «решила десять нерешённых задач Эрдёша», но потом оказалось, что модель всего лишь нашла уже существующие решения в статьях. ​ В начале 2026 года связка GPT‑5.2 и специального математического ИИ Aristotle действительно помогла получить новое решение одной из задач Эрдёша, а затем его формально проверили и оформили как научную работу. ​ Как ИИ «решал» задачу по шагам На самом деле это не было магией одной кнопки — это командная работа людей и нескольких моделей. ​ Модель GPT‑5.2 Thinking придумала общую идею подхода к решению и стратегию доказательства на обычном математическом языке. ​ GPT‑5.2 Pro превратила эту идею в подробное доказательство и оформила его в формате LaTeX, как полноценную научную статью. Математический ИИ Aristotle переписал доказательство на строгий язык Lean, чтобы компьютер мог проверить каждый шаг без доверия «на слово». ​ Двое энтузиастов с Reddit — один из них студент‑математик — управляли процессом: ставили задачу, направляли поиск и помогали довести доказательство до понятного людям вида. ​То есть ИИ здесь — мощный «сосоздатель», но не независимый гений, который сам придумал задачу, сам её понял и сам решил. Чему учит эта история с точки зрения ИИ‑грамотности Эта новость — отличный пример, как не вестись на громкие фразы и при этом не обесценивать реальные достижения ИИ. Важно спрашивать: «Что именно сделал ИИ?» В случае с ложным «прорывом» GPT‑5 просто нашла уже известные решения, а база задач просто не была обновлена. В случае с новой задачей было именно новое доказательство и его формальная проверка. ​Проверка — ключевой элемент. Формальное доказательство в Lean означает, что компьютер прошёлся по логике шаг за шагом и не нашёл ошибок, а не просто «поверил» тексту, сгенерированному моделью. ​ Роль людей никуда не делась. Люди ставили задачи, отбирали идеи, вычищали ошибки, оформляли результат и брали на себя ответственность за публикацию. Для ИИ‑грамотного читателя любая фраза вроде «ИИ решил сложную задачу» автоматически превращается в набор уточняющих вопросов: ➡️Это новое знание или переоткрытие уже известного? ➡️Как именно проверяли результат? ➡️Какую работу сделали люди, а какую — модели? Что это значит для разных людей Эта история полезна не только математикам, но и всем, кто живёт в мире, где ИИ становится нормой. Для «обычных» пользователей: ИИ уже умеет не только писать тексты и рисовать картинки, но и участвовать в серьёзных научных задачах — но всегда в связке с людьми и проверкой. Не нужно ни паниковать («нас заменят»), ни идеализировать («теперь ИИ сделает всё за нас»). ​ Для студентов и специалистов: ИИ превращается в полноценный исследовательский инструмент — от генерации идей до формальных доказательств. Выиграют те, кто умеет: ​ ➡️ставить ИИ чёткие задачи; ➡️критически смотреть на его ответы; ➡️связывать человеческий язык, формальные системы (типа Lean) и реальные задачи. Для тех, кто читает новости об ИИ: каждый громкий заголовок вроде «ChatGPT решил задачу Эрдёша» можно проверить тремя простыми вопросами: ➡️Что было до этого известно по теме? ➡️Как именно проверили результат? ➡️Кто (люди и организации) отвечает за работу и готов выйти с именем и статьей? Такие истории помогают увидеть ИИ не как магию, а как инструменты, с которыми можно осмысленно сотрудничать, если понимать их сильные стороны, ограничения и уметь задавать правильные вопросы.

Спросите БРО про AI-грамотность pinned «Привет всем в новом году? Здорово, что вам удалось вернуться в рабочий режим — а если ещё только прогреваете мотор или не знаете как начать, то давайте включим режим ИИ-продуктивности Когда энергии и когнитивного буфера не хватает, чтобы собрать все мысли…»

Привет всем в новом году? Здорово, что вам удалось вернуться в рабочий режим — а если ещё только прогреваете мотор или не знаете как начать, то давайте включим режим ИИ-продуктивности Когда энергии и когнитивного буфера не хватает, чтобы собрать все мысли и заняться делом, очень хорошо помогают трекеры и чек-листы — говорят, что сейчас вообще бич таких инструментов и люди перестали мыслить. Я с этим не согласен. Чек-лист — по сути является выверенной технологией получения умственного результата (поверьте дипломированному технологу из Бауманки, ха-ха). Я лично, когда не знаю с чего начать, использую ИИ-помощника, чтобы собрать себя в кучу, сгрузить разрозненные обрывки мыслей и составить четкий план действий. Ловите и берите на вооружение! Помоги мне составить чек-лист с действиями, которые мне необходимо сделать, чтобы плавно вернуться к работе после длительного перерыва (например, после праздников). ​ Сделай акцент на том, чтобы сначала навести порядок в голове и задачах, а уже потом переходить к глубокому фокусу. ​ Сейчас я озадачен несколькими делами (список может быть сырым, противоречивым и неполным): [здесь вставь список дел из головы — всё, что есть, без структуры] Пожалуйста: Уточни у меня 3–7 вопросов, чтобы лучше понять мой контекст, приоритеты и ограничения (дедлайны, энергия, встречи, личные обязательства). ​ На основе моих ответов: Структурируй задачи по категориям: «срочно и важно», «важно, но не срочно», «рутина/поддержка». ​ Предложи простой чек-лист первых шагов на 1–2 рабочих дня, который поможет разогреться и войти в рабочий ритм без перегруза. ​ Для каждого пункта чек-листа добавь краткое описание, зачем это нужно, и пример формулировки задачи в списке дел. Включи в чек-лист обязательные «возвратные» действия после перерыва: разбор почты/чатов, актуализация списка проектов, сверка календаря, определение 1–3 главных результатов на ближайшие дни. ​ В финале дай очень краткий «режим минимальной программы» на случай, если у меня мало энергии (3–5 микрошагов по 5–15 минут каждый). ​ Если какие-то мои задачи сформулированы слишком общо или размыто, предложи несколько конкретных вариантов, как их можно переформулировать в понятные, выполнимые шаги. ————— P.S. Если путь лидера сообщества может быть вам интересен, а также вы неравнодушны к морю и ветру, то добро пожаловать в канал. Там пишу больше о том, что в сердце, и готов к открытому диалогу. Я тоже начал новое в этом году — благодаря встрече с Алексеем Стаценко (канал) понял, что необходимо рассказать о том, как ведется работа над развитием Сообщества яхтинга и парусного спорта "Зелёные паруса" ⛵️, которым я занимаюсь уже 4-й год.

Мои друзья, делюсь с вами своим выступлением, которое было неделю назад в Газпромбанке на Business Analysis Day. Удалось рассказать о трендах ИИ для рынка труда, а также поделиться свежими мыслями об изменении структуры штата больших компаний. Еще раз большая благодарность коллегам из ГПБ за такое яркое событие прошлой недели! Видео на RUTUBE

Как ИИ меняет науку Научный прогресс всегда строился на цикле: кто-то что прочитал, задался вопросом, что-то изучил, не нашел ответа и начал исследовать сам, поисследовал, написал статью, а потом кто-то другой ее прочитал и задался вопросом… В этом бесконечном цикле накопления знаний мы достигли того, что теперь даже не можем посчитать общее количество научных статей в мире (да-да, единого реестра не найдете). Но по оценкам их насчитывают уже порядка 100 млн, а к 2030 году человечество за свою историю создаст уже более 30 млрд. Какая роль ИИ здесь и что важно отметить для своей грамотности? Сейчас для науки уже есть целый стек ИИ‑инструментов: от “агентов” для глубокого обзора литературы (Gemini Deep Research, Elicit, OpenAI‑подобные системы) до специализированных платформ “ИИ для науки” вроде решения Сбера. Ниже — по типам задач, с акцентом на реально доступные сейчас вещи и на то, чем они полезны исследователю ИИ уже сейчас перепрошивает научный цикл — но чтобы пользоваться этим, нужна новая форма грамотности: ИИ‑грамотность исследователя. Это не про «уметь спрашивать у чат‑бота», а про то, как встроить ИИ в науку так, чтобы он усиливал мышление, а не подменял его. Что ИИ уже умеет в науке? 🔍 искать и структурировать литературу под вашу задачу, выхватывая ключевые работы из миллионов публикаций — в том количестве данных, что есть сейчас можно положить жизнь, чтобы изучить всё. 🤯 помогать формулировать гипотезы, предлагать возможные объяснения и даже варианты дизайна экспериментов — ваша фантазия может быть вооружена инструментом, который усилит ее по всем направлениям. 📊 ускорять анализ данных и моделирование, автоматизируя рутинные шаги и проверку разных моделей; 📇 поддерживать написание текстов: от черновика статьи до правки языка под требования журнала. Важно видеть в этих системах не магический оракул — "подскажи мне, зеркальце..". Это инструмент, который расширяет вашу память, скорость поиска и вариативность мышления, но не заменяет критическое суждение и ответственность за выводы. На что обратить внимание исследователю и ученому? Для исследователя ИИ‑грамотность сегодня — это минимум четыре компетенции: 1️⃣Понимать, где ИИ уместен: какие этапы цикла исследования можно делегировать (поиск, черновое резюмирование, генерация идей), а какие остаются в зоне вашей экспертизы (постановка вопроса, выбор метода, интерпретация). 2️⃣Оценивать надежность результата: отличать факты от галлюцинаций, уметь требовать ссылки на источники, перепроверять ключевые утверждения по первичной литературе, а не доверять красивым ответам. 3️⃣Работать с конфиденциальностью и этикой: понимать, какие данные нельзя отправлять в облачный сервис, как анонимизировать датасет, как корректно указывать вклад ИИ при публикации. 4️⃣Честно оформлять использование ИИ: сообщать, где именно вы применяли ИИ (напр., при редактировании текста или проверке кода), и не выдавать машинно сгенерированные результаты за проведенные эксперименты. Типичные ошибки использования ИИ в науке ⚠️подмена чтения статей чтением ИИ‑пересказов, из‑за чего теряются нюансы методологии и ограничений; ⚠️некритичное копирование сгенерированных обзоров, где смешаны статьи разных доменов или некорректно интерпретированы результаты; ⚠️доверие сгенерированному коду и расчетам без проверочных тестов и репликации; ⚠️«рисование» красивых графиков и иллюстраций без реальных данных или с неполным описанием методов. ИИ‑грамотность как раз и нужна, чтобы видеть эти риски и выстраивать вокруг ИИ защитные практики: чек‑листы проверки, двойное рецензирование внутри группы, явные правила команды по использованию ИИ. ИИ не отменяет научный цикл «прочитал — задал вопрос — исследовал — написал — вдохновил других». Он делает его быстрее, плотнее и шумнее. И от уровня нашей ИИ‑грамотности зависит, превратится ли этот шум в новую волну научных прорывов или просто в еще один слой информационного мусора. Перешлите вашему другу-ученому и, возможно, мы с ним сделаем что-то великое 🙌

PINN в Бауманке: ИИ и физика У большинства людей нейросети — это мемчики и картинка для резюме, но давай по-честному: крутейшие образы создаёт не тот, кто умеет тыкать мышкой, а тот, кто осознаёт глубокие законы реального мира. Вот здесь начинается история про PINN — физически информированные нейросети. Это как если бы в одной колбе смешали кодинг, физику и бешеный экспериментаторский дух реального инженера. У Бауманки, моей альма-матер, всегда был свой рецепт: никаких чартов ради LinkedIn, только hardcore — проверка идей железом и задачами, что невозможно найти в методичках. PINN в Бауманке — это не про сухие статьи, а про реальную работу с тепловыми потоками в лаборатории, расчёты обрушения конструкций или нестандартные кейсы из нефтянки и энергетики. У нас этим занимаются в Лаборатории Креатеха — и это не просто учебные эксперименты. Там берут реальные задачи, прокачивают через PINN и находят решения, которые до этого не выглядели возможными. Практичность для Бауманки — не клише. Это ДНК инженерной культуры, где всегда ценились те, кто не боится создать что-то реально новое, зайти туда, где никто не бывал. PINN здесь не просто модный инструмент, а оружие для тех, кто готов менять реальность, а не только обсуждать тренды ИИ на конференциях с кофебрейком и стикерами (простите — грешен 😂). Хочешь по-настоящему разобраться в ИИ? Не ищи готовых рецептов — смело ныряй в лаборатории, где реально пахнет горячим пластиком и микросхемами. Там, где физика, интеллект и эксперимент сходятся в одной точке, и рождается то, что никто другой даже представить не мог. Именно такой подход всегда определял Бауманку — и остаётся её главной фишкой в XXI веке. P.S. на днях общался со своим новым менти в рамках программы "Менторы МГТУ им. Баумана" — говорят, что на программах включают ИИ в диссциплины, а сами программы сделаны только на 1-3 курс, потому что очень непредсказуемо, что будет через несколько лет. Но тем не менее я с трепетом жду, когда каждый талантливый школьник сможет экспериментировать в фаблабе при поддержке ИИ в тотальном потоке инженерного творчества (в лучших традициях сцен из первого "Железного человека").

В эпоху ИИ не удивляешься ничему... Или нет?) Про безграмотность в канале по ИИ-грамотности тоже нужно рассказывать. Хочется поделиться примером из личного опыта — тем более, что совсем свежее 👀 "Спасибо" Почте России за сгенерированный ответ на мое обращение об утере посылки — целый месяц понадобился, чтобы мне ответить 😁 Спасибо, госпоже Захаровой, руководителю группы отдела по работе с обращениями, что подписали такое сокровище, которое я буду показывать на лекциях по ИИ-грамотности в качестве примера "как делать не надо". Что ж Почта России — запускай генератор отработки обращений) Посмотрим, найдете ли вы мою посылку или сгенерируете ответ) ——————————— У всего есть своя обратная сторона. И, конечно, повальное применение ИИ «направо и налево» может привести к казусам. Не забывайте про контроль 😉