Чему вы научитесь

Расчётное время: 30 минут

К концу этого урока вы сможете:

• Объяснить, что такое предсказание следующего токена как основной механизм генеративного ИИ, и почему оно обеспечивает как беглость, так и галлюцинации

• Определять задачи на континууме предсказания следующего токена (хорошо проторенная дорожка vs. новая территория)

• Выявлять специфичность (имена, даты, цитаты, статистику) как зону, где концентрируется фабрикация

• Распознавать функции продукта (цитаты, сигналы неопределённости, ограниченная генерация, схема генератор-проверяющий), которые смягчают это ограничение

Как ИИ-модели используют предсказание следующего токена

(4 минуты)

Генеративный ИИ больше похож на высокоразвитый автодополнение, чем на поисковую систему. Он пишет ответы слово за словом, основываясь на том, что обычно следует за предыдущим. Это единственное свойство даёт вам и беглость, и галлюцинации.

Автодополнение в масштабе

Основные выводы

• Предсказание следующего токена означает, что генеративный ИИ пишет ответы слово за словом, основываясь на том, что обычно следует за предыдущим.

• Зона возможностей: задачи, напоминающие те, которые модель видела множество раз (резюмирование, форматирование, объяснение распространённых понятий).

• Зона ограничений: новая или редко встречающаяся территория, а также любые задачи, требующие различать «истинное» и «звучит правдоподобно».

• Фабрикация концентрируется в специфичных деталях: имена, даты, статистика, цитаты, URL, прямые цитаты. Чем точнее утверждение, тем больше оно требует проверки.

• Функции продукта, такие как цитаты, сигналы неопределённости, ограниченная генерация и циклы генератор-проверяющий, специально созданы для того, чтобы отодвигать это ограничение дальше.

• 4D-связь: Предсказание следующего токена — это основа для распознавания. Знание того, что ответ был сгенерирован, подсказывает вам, какую именно проверку к нему применить.

Упражнения

Упражнение: Тест на проверку

Зачем? Теперь вы знаете, что тот же самый генеративный процесс, который делает ИИ беглым, — это и есть причина его фабрикации. Пора увидеть это на своём опыте, в той области, где вы сможете это обнаружить.

Вернитесь к своему списку задач и выберите задачу, в которой вы наиболее уверены как эксперт. Вам нужен предмет, в котором вы разбираетесь, потому что вам нужно будет проверить, что пришло в ответ. Запишите пять конкретных проверяемых фактов из этой области: должность человека, дату публикации, статистику, спецификацию продукта, прямую цитату, URL. То, что вы знаете как достоверное и можете подтвердить самостоятельно.

Теперь проведите три теста:

• Тест 1: Зона возможностей. Попросите ИИ объяснить или резюмировать хорошо известное понятие в вашей области. Что-то популярное и хорошо документированное. Оцените беглость. Проведите выборочную проверку контента. Это то, как ощущается зона возможностей: плавно, уверенно и в основном точно.

• Тест 2: Специфичность под давлением. Попросите ИИ предоставить пять проверяемых специфичных фактов в вашей области: привести три источника, назвать автора, привести точные цифры, предоставить URL. Проверьте каждый из них. Оцените по пятибалльной шкале: сколько было полностью точных? Если ИИ фабрикует, обратите внимание, насколько уверенно он это делал.

• Тест 3: Работа механизма выборки. Запустите тот же запрос на специфичные факты в новом диалоге. Сравните два ответа. Что осталось неизменным? Что изменилось? Вариативность, которую вы видите, — это работа механизма выборки в предсказании следующего токена.

Дополнительное задание: Проведите Тест 2 снова, но в инструменте с включёнными цитатами (например, в режиме Research в Claude). Оцените результат ещё раз. Меняет ли наличие источников для проверки итоговую оценку?

Рефлексия по уроку

• Смогли бы вы обнаружить фабрикации в области, в которой не разбираетесь?

• Посмотрите на свой список задач: какие из них находятся преимущественно в зоне возможностей, а какие требуют специфичных деталей, нуждающихся в проверке?

Что дальше

Предсказание следующего токена объясняет, как ИИ генерирует текст. Далее мы рассмотрим, из чего он генерирует: свойство «Знания». Что модель действительно знает, откуда берутся эти знания и где есть пробелы?

Обратная связь

По мере прохождения курса нам было бы интересно узнать, как вы применяете его концепции в своей работе, а также получить ваши отзывы. Поделитесь своей обратной связью [здесь](#).

Благодарности и лицензия

Copyright 2026 Anthropic. Оригинальная работа, основанная на Рамке грамотности в области ИИ, разработанной профессором Риком Даканом (Художественный колледж Ringling) и профессором Джозефом Феллером (Университетский колледж Корка). Распространяется по лицензии CC BY-NC-SA 4.0.