Знания

⏱️ Примерное время: ~12 минут · 🎯 Урок 6 курса «Возможности и ограничения ИИ» · 🎬 видео

Чему вы научитесь

Примерное время: 30 минут

К концу этого урока вы сможете:

Объяснять, как знания ИИ-модели формируются в процессе обучения и почему у них есть жёсткая граница актуальности (knowledge cutoff).
Предсказывать, какие темы попадают в зону возможностей (частые, недавние в обучении, согласованные) в противоположность пограничной зоне (редкие, появившиеся после границы обучения, нишевые, спорные).
Распознавать устаревание, неравномерный охват, унаследованную предвзятость и «амнезию источников» как характерные сбои в знаниях.
Понимать веб-поиск, извлечение данных (retrieval/RAG) и использование инструментов как продуктовые возможности, которые компенсируют это ограничение.

Понимание пробелов в знаниях ИИ-моделей

(5 минут)

Модель знает то, с чем она столкнулась во время обучения, — и только это. По умолчанию нет просмотра интернета в реальном времени, нет жизненного опыта, и есть жёсткая остановка на границе актуальности знаний. Практический вопрос не в том, «знает ли это ИИ?», а в том, «насколько хорошо это было представлено в том, что он прочитал?».

Что модель прочитала и когда перестала читать

Перед чтением

Вы просите ИИ объяснить новостное событие прошлой недели. Насколько тщательно вам нужно проверить результат? Выберите точку на шкале и зафиксируйте свою догадку.

Выберите точку, затем зафиксируйте свою догадку. Урок откроется, как только вы это сделаете.

Проверьте свою интуицию

Зафиксируйте свою догадку выше, чтобы сравнить её с типичным расположением.

Настройте под себя

Ключевые выводы

То, что знает генеративный ИИ, целиком берётся из обучающих данных и заморожено на границе актуальности знаний. Без инструментов у него нет доступа к какой-либо информации после этой даты. Зона возможностей: темы, которые встречались часто, недавно (в пределах обучения) и согласованно в обучающих данных. Зона ограничений: редкие, появившиеся после границы обучения, нишевые, локальные или спорные темы. Характерные сбои: устаревание, неравномерный охват, унаследованная предвзятость в том, что считается «по умолчанию» или «нормой», и неспособность указать, откуда взялось знание. Веб-поиск, извлечение данных (RAG/MCP) и использование инструментов существуют именно для того, чтобы закрывать эти пробелы, давая модели доступ к информации, на которой её никогда не обучали.
Зона возможностей: темы, которые встречались часто, недавно (в пределах обучения) и согласованно в обучающих данных.
Зона ограничений: редкие, появившиеся после границы обучения, нишевые, локальные или спорные темы.
Характерные сбои: устаревание, неравномерный охват, унаследованная предвзятость в том, что считается «по умолчанию» или «нормой», и неспособность указать, откуда взялось знание.
Веб-поиск, извлечение данных (RAG/MCP) и использование инструментов существуют именно для того, чтобы закрывать эти пробелы, давая модели доступ к информации, на которой её никогда не обучали.
Связь с 4D: неравномерность знаний — это сердцевина Делегирования. Понимание того, где модель «хорошо укомплектована», а где «тонка», подсказывает вам, когда передавать задачу ей, когда подавать контекст самостоятельно, а когда обращаться к другим источникам.

Упражнения

Практика: тест на постороннего

Зачем? Вы знаете, что знания модели широки, но заморожены и сформированы тем, что попало в её обучающие данные. Теперь вы точно нанесёте на карту, где она хорошо укомплектована, а где тонка — в вашей конкретной области.

Вернитесь к своему списку задач и выберите одну задачу. Относительно этой задачи выпишите:

Две темы, которые являются общепринятыми, хорошо задокументированными и стабильными. Из тех, что знает любой осведомлённый коллега.
Две темы, которые являются нишевыми, локальными, недавними или быстро меняющимися. Отраслевой жаргон, региональные нормы, что-то изменившееся за последний год.
Одно «предположение по умолчанию», в котором посторонние для вашей области часто ошибаются. (Кто типичный клиент. Как выглядит «стандартный» случай. Какой инструмент люди реально используют против того, о котором пишут в прессе.)

Теперь проведите три проверки:

Проверка 1: Охват. Спросите об одной общепринятой теме и одной нишевой теме из вашего списка. Сравните глубину и точность. Обратите внимание, сигнализирует ли ИИ о неуверенности по-разному в двух случаях, или оба ответа звучат с одинаково уверенной интонацией.
Проверка 2: Устаревание. Спросите о чём-то, что, как вы знаете, недавно изменилось в вашей области: обновление нормы, выход инструмента, смена руководства, пересмотренный стандарт. Признаёт ли ИИ границу актуальности? Подаёт ли устаревшую информацию как актуальную? Отказывается ли отвечать? Запишите, что произошло.
Проверка 3: Предположения по умолчанию. Не называя своё предположение напрямую, задайте вопрос, который выявил бы, склоняется ли ИИ к взгляду постороннего. Например, если «стандартный» клиент в вашей области отличается от того, что предполагает большинство, попросите ИИ описать типичного клиента. Отметьте, что он считает нормой.

Вернитесь к своему списку задач и добавьте вторую пометку: для каждой задачи отметьте, можете ли вы опереться на знания модели, или вам нужно принести знания самостоятельно — через контекст, документы или поиск.

Дополнительная цель: повторите проверку на устаревание с включённым веб-поиском. Сравните, что изменится. Это извлечение данных в действии.

Размышление над уроком

Какая одна область вашей работы, где вы теперь осознаёте, что нужно подавать контекст, а не предполагать, что модель им располагает?
Выявила ли проверка предположений по умолчанию что-то, что вас удивило?

Что дальше

Знания охватывают то, что модель усвоила во время обучения. Рабочая память охватывает то, на что она обращает внимание прямо сейчас: ваш промпт, ваши документы, ваш разговор. У этого свойства самая жёсткая граница из всех четырёх.

Обратная связь

По мере прохождения курса нам будет очень интересно узнать от вас, как вы применяете концепции из курса в своей работе, а также любые ваши отзывы. Поделитесь обратной связью здесь.

Благодарности и лицензия

Copyright 2026 Anthropic. Оригинальная работа на основе фреймворка AI Fluency, разработанного проф. Риком Дэйканом (Ringling College of Art and Design) и проф. Джозефом Феллером (University College Cork). Выпущено под лицензией CC BY-NC-SA 4.0.