Представьте домашний кукольный театр. Дракон сделан из зелёного носка, корона вырезана из бумаги, ширма держится на двух стульях. Пока одна рука занята драконом, второй неудобно писать приглашение. Исполнитель смотрит на пустой экран с выражением «У меня вообще-то премьера».
Герой уже есть, день выбран, осталось позвать гостей. Здесь особенно приятно поручить помощнику маленькую понятную работу и получить слова, с которых можно начать.
В заметке уже есть главное: «Пятница, 19:00. Домашний спектакль про носочного дракона. Приглашаем друзей. Нужен тёплый короткий текст». Из этой записи можно получить несколько приглашений и выбрать подходящее.
У Нитобэ конторщики после закрытия лавок пересказывают истории о героях японского прошлого — Нобунаге и Хидэеси. Воображение переносит людей с прилавка в мир подвигов. Нам для собственного маленького представления хватит стульев, носка и нескольких удачных фраз. Посмотрим, какую работу здесь получает ИИ.
Генеративный искусственный интеллект создаёт вариант по условиям
Откройте обычный текстовый чат DeepSeek и вставьте свою заметку. Начать можно прямо с неё, без отдельной большой анкеты:
Пятница, 19:00. Домашний спектакль про носочного дракона. Приглашаем друзей. Помоги написать тёплое короткое приглашение. Сохрани день, время и героя. Не придумывай адрес и длительность. Если для текста нужно что-то уточнить, задай один вопрос.
Помощник использует исходный материал и формирует ответ. Возможный вариант приглашения можно написать так:
В пятницу в 19:00 у нас домашняя премьера. Носочный дракон уже примерил корону и ждёт друзей на спектакль. Приходите посмотреть, что он задумал!
Здесь новые фразы построены вокруг данной заметки. Это пример подходящего текста, с которым можно сравнить свой ответ. Дракон с короной появился в нашем замысле, а день и время взяты из исходной записи.
У генерации есть вход — заметка и просьба. Есть выход — конкретная формулировка. Мы можем попросить иной тон, сократить приглашение или предложить ещё один вариант. Получится другой текст для той же цели.
В обзоре IBM генеративный ИИ описан через создание содержимого по запросу: текста, изображений, звука и других форм. В нашем первом опыте достаточно одного текстового чата и своего маленького события.
Сочинить, распознать и найти
Теперь изменим просьбу, оставив событие тем же.
| Что просим | Какой результат нужен | По чему проверяем |
|---|---|---|
| Написать новое приглашение | Формулировка, которой у нас ещё не было | Подходят ли слова друзьям, сохранены ли день и время |
| Определить вид готового текста | Категория: приглашение, отзыв или инструкция | Для нашего образца подходит «приглашение» |
| Найти прошлогоднее приглашение | Тот самый существующий файл или запись | Найденный источник и его содержимое |
Выбор категории называют классификацией. Для поиска в своих файлах нужен доступ к ним: обычная просьба в чате сама этот доступ не создаёт.
Разница находится в желаемом результате. Новое правдоподобное приглашение не заменит прошлогодний файл, если вы ищете его прежний текст. А одно слово «приглашение» не поможет позвать друзей, если требовались готовые фразы.
При этом один современный помощник может сочетать несколько способов работы. Он способен получить найденный материал и составить по нему ответ. Тогда полезно различать источник и новую формулировку, даже если оба показаны в одном окне.
И наоборот: языковая модель может написать название категории в виде обычного ответа. По форме это текст, но задача человека всё равно состояла в выборе ярлыка. Поэтому смотрим, о чём попросили и что получили.
Откуда берётся умение писать такие фразы
До нашего разговора модель обучали на данных. Во время обучения система подбирает внутренние числовые настройки — параметры. Так она усваивает закономерности: какие элементы встречаются вместе, как устроены тексты, какие продолжения подходят к данному окружению.
Когда вы отправляете заметку, уже обученная модель применяет эти настройки к новому входу. Это этап использования модели. Для текстового помощника он заканчивается сформированным ответом.
Понятное сравнение — репетиция и выступление. На репетициях исполнитель освоил способы работы, на выступлении использует их в конкретной сцене. У модели усвоенное представлено числовыми параметрами, а данная сцена — входным материалом. Новая заметка даёт условия для ответа.
В учебном словаре Google обучение определено через постепенную настройку параметров по примерам. Применение обученной модели для ответа на запрос разобрано отдельно, в статье об inference.
Для нашей задачи достаточно держать рядом две цепочки:
- Данные → обучение → обученная модель.
- Ваша заметка → применение модели → приглашение.
Между ними есть связь, но они происходят по-разному. Наш короткий запрос использует уже появившееся умение модели.
Что меняется, когда вы просите ещё один вариант
Допустим, первый текст оказался слишком торжественным. Вы пишете: «Сделай проще, мы зовём близких друзей. Корону оставь, день и время сохрани». В истории диалога появился новый материал, который помогает составить следующий ответ.
Изменился контекст текущей задачи: теперь помощнику яснее тон и обязательные детали. Сам по себе такой повторный запрос ещё не означает отдельное новое обучение модели с изменением её параметров.
Поэтому удобно работать короткими адресными уточнениями. Вы уже видите получившийся вариант и можете назвать конкретную правку: убрать официальный оборот, оставить одну шутку, не менять время. Не приходится каждый раз начинать разговор с нуля.
В другом новом разговоре подробности этой премьеры могут отсутствовать. Дайте нужную заметку снова, если хотите опереться на неё. Долговременная память и использование диалогов для развития сервиса зависят от его устройства и настроек; в нашем примере опорой служит материал текущего чата.
Здесь человек постепенно уточняет замысел, а помощник создаёт версии. Полезно сохранять ту, которая действительно подходит: скопировать итог в свою заметку, перечитать и уже из неё готовить приглашение друзьям.
Новый текст и новые сведения проверяются по-разному
Фразу про корону можно оценить по замыслу: дракон у нас действительно носочный, корона лежит рядом. Если хочется более спокойного приглашения, шутку легко заменить.
Пятница и 19:00 — условия нашего события. Их сверяем с исходной записью. Даже красивый вариант с субботой и 18:00 не соответствует этой задаче: гости придут к другой премьере, которой у нас нет. Для проверки есть отдельная опора — своя заметка, написанная до ответа.
Полезно разделить текст карандашом мысленно: здесь условия события, а здесь способ их выразить. День и время оставляем точными; дракон может ждать друзей, волноваться за корону или приглашать на спектакль своей репликой. В этой части у нас есть пространство для вариантов.
Схема работы получается такой:
Вход → генерация → результат → независимое основание.
Последняя часть означает простой вопрос: с чем сравнить конкретное утверждение? В приглашении день и время сравниваем с договорённостью. Если ответ рассказывает о расписании театра, ищем его опубликованное расписание. Если помогает посчитать места, возвращаемся к списку гостей и расчёту.
Для домашнего приглашения важнее, чтобы друзья поняли событие и услышали ваш голос. Отберите подходящие слова, поправьте чуждую вам интонацию, сохраните точные условия. Если текст звучит как торжественное открытие государственного носочного театра, а вы зовёте двоих друзей, снизьте торжественность одной правкой. Вечер снова станет вашим.
Что ещё можно создать по тому же замыслу
После приглашения можно развить спектакль: придумать короткую реплику дракона, несколько вариантов названия, описание бумажной декорации. Для каждой просьбы задавайте понятный результат.
Например: «Дай дракону реплику перед выходом. Он любит аплодисменты, но стесняется короны. Одна короткая фраза». Здесь исходные черты персонажа управляют новым текстом.
Если хочется нарисовать афишу или озвучить героя, понадобится инструмент, поддерживающий именно изображения или звук. Сначала назовите новую цель: нужна картинка, на которой дракон узнаваем, или звуковая реплика, которую удобно включить перед выходом? Тогда проще выбрать подходящую возможность сервиса.
Общая технология охватывает разные виды содержимого. Конкретный инструмент берём под нужный выход, сохраняя черты нашего персонажа. Они переходят в новую просьбу из вашего замысла, а не возникают автоматически из названия технологии.
Такие переходы описаны и в вводном курсе Google: генеративные модели различают по входам и выходам. Читателю удобно начать с уже посильного результата, а затем выбрать следующую форму.
У нашего театра уже появилось приглашение. Следующая небольшая задача может родиться из него: что скажет дракон человеку, который пришёл первым? Теперь человек выбирает продолжение по своему интересу, и у каждого нового шага есть понятный предмет.
Если пока трудно сформулировать просьбу
Расскажите помощнику то, что знаете: событие, материал, желаемый вид результата. Можно написать обычной репликой:
Хочу позвать друзей на домашний спектакль. У меня есть герой и день, но не получается написать приглашение. Помоги понять, какие сведения тебе нужны. Спрашивай по одному и жди ответа.
Человек не обязан заранее знать профессиональное название задачи. Помощник может уточнить аудиторию и тон, затем предложить вариант. Важно читать каждый ответ и возвращать его к тому, что вы действительно задумали.
Если появились непонятные термины, попросите объяснить их на том же приглашении. «Покажи на моём тексте, что было входом, где получился новый вариант и чем я могу его проверить». Так объяснение сразу получает предмет.
Когда захочется увереннее составлять такие просьбы для собственных дел, пригодится запрос под свою задачу. Переходите к нему с имеющейся заметкой или первой версией — у вас уже есть материал для улучшения.
Вопросы и ответы о новом тексте
Достаточно спросить «Ты уверен?»?
Обычный повтор «Ты уверен?» может дать ещё одну уверенную фразу. В нашей задаче полезнее попросить показать в результате день, время и героя, а затем самим сравнить их с исходными тремя условиями.
Каждый ответ обязательно уникален?
Есть и вопрос авторской новизны. «Создан новый вариант» описывает способ получения этого ответа. Он может содержать знакомые обороты и совпадать с уже существующими фразами; одной генерации недостаточно, чтобы объявить текст уникальным произведением.
Оставьте себе маленький результат
Сохраните выбранное приглашение и положите рядом исходную заметку. Проверьте пятницу, время и героя. Прочитайте текст вслух: так легче услышать, какие слова вы сами никогда бы друзьям не сказали.
Теперь вы различаете новое приглашение, ярлык «приглашение» и найденный прошлогодний файл. Понимаете, почему очередная реплика использует обученную модель, и знаете, куда смотреть при проверке результата. Генеративный искусственный интеллект стал понятен через конкретную работу.
В «Первопроходцах» можно продолжать свои опыты с ИИ, обсуждать вопросы и дорабатывать проекты. Для отдельного начала есть бесплатная практика первых шагов.
Дракон ждёт за ширмой. В приглашении у него есть день, время и зрители; в резюме — бумажная корона и носочная родословная. Для первой роли вполне достаточно. Можно выходить.