ИИ для инженера: карта трека и текстовая версия лекции
Этот трек — текстовая версия лекции «Все что нужно знать про ИИ айтишнику: алгоритмы, промптинг и мышление». Полтора часа устного рассказа разобраны на 16 глав, которые читаются, ищутся поиском по порталу и ссылаются на нужную минуту записи.
Смотреть лекцию целиком: YouTube · Rutube · VK Video. Страница видео с полным списком таймкодов — здесь.
Зачем этот трек, если на портале уже четыре трека про ИИ
Портал разбирает ИИ глубоко и по частям: машинное обучение — про алгоритмы обучения по данным, нейронные сети — про архитектуры и математику под капотом, ИИ-инженерия — про то, как встроить готовую модель в продакшн, SBSE — про поисковую оптимизацию в разработке.
Чего не было — маршрута «с нуля». Человек, который слышал слова «токен», «контекстное окно», «RAG» и «агент», но не понимает, как они связаны между собой и с обычным программированием, не знает, с какого из четырёх треков начинать.
Этот трек — как раз такой маршрут. У него три свойства, которых нет у остальных:
- Он идёт по исторической линии, а не по темам. Сначала вопрос «откуда в детерминированном компьютере берётся случайность», потом цепи Маркова, потом машинное обучение, потом нейросети, потом LLM. К моменту, когда появляется слово «трансформер», у вас уже есть словарь, чтобы понять, зачем он.
- Он не учит писать код с моделями. Он объясняет, что происходит внутри, чтобы вы перестали воспринимать ответ модели как магию, а начали как результат работы известного механизма с известными ограничениями.
- Он честно отделяет факт от мнения. Там, где в лекции звучит позиция автора, а не проверяемое утверждение, это помечено.
Если после трека захочется практики — идите в ИИ-инженерию. Если захочется математики — в нейронные сети.
Карта трека
Порядок глав не совпадает с порядком лекции в двух местах, и это сделано намеренно. Токены (07) идут перед железом (08), потому что нельзя объяснить, что считает видеокарта, не объяснив сначала, что такое токен. Вопрос «думают ли нейросети» (09) стоит после обоих, потому что честный ответ на него требует и того, и другого.
| # | Глава | Таймкод | О чём |
|---|---|---|---|
| 01 | Предсказуемость: какой вопрос на самом деле решает ИИ | 00:00 | Почему компьютер не умеет в случайность и зачем ему понадобились вероятности |
| 02 | Цепи Маркова: предсказание без понимания | 05:00 | Первая работающая модель «угадай следующее слово» — и она до сих пор внутри всего |
| 03 | Машинное обучение: картинки, звук, текст | 12:15 | Как решают задачи распознавания, когда правило можно выписать руками |
| 04 | Нейросети: как обучают модель | 19:32 | Что значит «обучить», откуда берутся веса, кто такой учитель |
| 05 | Представления: почему модель «не знает», как выглядит мир | 21:10 | Модель видит не котика, а числа; отсюда все её странности |
| 06 | Большие языковые модели: от T9 до трансформера | 30:13 | Что именно добавил трансформер к предсказанию следующего слова |
| 07 | Токены, контекстное окно и память диалога | 38:04 | Почему диалог с моделью дорожает с каждым сообщением |
| 08 | Железо: почему для ИИ нужны видеокарты | 36:39 | Что такое инференс с точки зрения счёта и памяти |
| 09 | Могут ли нейросети думать | 34:20 | Самый частый вопрос лекции и самый неудобный ответ |
| 10 | Промптинг: RCTF и STAR | 43:32 | Шаблон запроса, который работает и с моделью, и с руководителем |
| 11 | Продвинутый промптинг: ZS, FS, CoT, CoV, ToT | 53:53 | Пять техник, каждая дороже предыдущей — и когда какая оправдана |
| 12 | Диффузионные модели: как генерируются изображения | 01:00:30 | Почему картинка рождается из шума, а не рисуется слева направо |
| 13 | RAG, MCP и агенты | 01:14:51 | Как модель получает доступ к вашим данным и вашим действиям |
| 14 | Провайдеры, фрейминг и цензура | 01:20:55 | Почему один и тот же вопрос в двух сервисах даёт разные по смыслу ответы |
| 15 | SDD, оркестрация и разговоры о замене специалистов | 01:35:30 | Разработка через спецификации и что на самом деле меняется в профессии |
Сквозная мысль трека
Если из полутора часов лекции нужно вынести одно предложение, то вот оно:
Языковая модель не понимает ваш вопрос — она подбирает продолжение текста, которое статистически похоже на правильный ответ.
Всё остальное в треке — следствия. Модель уверенно выдумывает, потому что «правдоподобно» и «верно» для неё одно и то же. Диалог дорожает, потому что памяти у модели нет и всю историю приходится пересылать заново. Промптинг работает, потому что он сужает множество правдоподобных продолжений. RAG нужен, потому что в весах нет ваших документов. Ответы разных провайдеров расходятся, потому что «правдоподобно» задаётся тем, на чём и как модель выравнивали.
системный промпт +
история + запрос] C --> D[Прямой проход
на GPU] D --> E[Распределение
вероятностей
следующего токена] E --> F[Выбор токена] F --> G{Конец ответа?} G -->|нет| C G -->|да| H[Детокенизация] H --> I[Текст ответа] style E fill:#5b21b6,color:#fff style D fill:#1e40af,color:#fff
Обратите внимание на петлю F → C. Модель не пишет ответ целиком — она добавляет по одному токену и каждый раз перечитывает всё, что было. Это одна схема объясняет и стоимость, и латентность, и то, почему длинный диалог начинает «забывать» начало.
Что этот трек не делает
Честные границы важнее обещаний.
| Не разбираем здесь | Где разобрано |
|---|---|
| Математику обратного распространения ошибки | Перцептрон и backprop |
| Устройство self-attention и позиционных кодировок | Внимание и трансформеры |
| Конкретные алгоритмы обучения: SVM, бустинг, кластеризация | Трек по машинному обучению |
| Продакшн-RAG: чанкинг, гибридный поиск, реранжирование | RAG и продвинутый RAG |
| Оценку качества, evals, бенчмарки | Оценка и бенчмарки |
| Prompt injection и безопасность агентов | Безопасность и инъекции |
| Генетические и муравьиные алгоритмы | Трек по SBSE |
Как читать
Трек линейный: каждая глава опирается на предыдущую и почти не опирается на следующие. Если времени мало, минимальный полезный маршрут — главы 01, 02, 06, 07, 09, 10. Этого достаточно, чтобы перестать удивляться поведению чат-бота.
В каждой главе есть ссылка на минуту видео, с которой начинается её тема. Если текст показался сжатым — там же в записи то же самое с рисунками на доске и живыми примерами.
Отдельно про даты. Всё, что связано с названиями моделей, ценами, размерами контекстного окна и сравнением провайдеров, устаревает за месяцы. Лекция прочитана 31 мая 2026 года, и в главах такие места помечены явно. Механизмы, которым посвящена основная часть трека, живут дольше.
Что дальше
Начнём с вопроса, который лектор задаёт первым и который кажется не имеющим отношения к ИИ: почему обычный компьютер в принципе не умеет генерировать случайные числа, и что из этого выросло.
