Нейросеть это 50 890 чисел: обучил свою за полсекунды

13 лет я в маркетинге, а нейросетями плотно занимаюсь последние года три: закидываю задачу, получаю результат, продаю внедрения клиентам. Всё это время внутрь я не лез. Мне казалось, что там непостижимая математика высших уровней, которую без профильного образования не осилить.

Потом стало обидно за самого себя. Я сел с Claude Code, попросил его написать простую нейросеть с нуля, и она обучилась распознавать рукописные цифры за полсекунды на моём обычном ноутбуке.

И тут случилось то, чего я не ожидал. Я не почувствовал, что всё оказалось просто. Я почувствовал азарт: к этой теме, оказывается, можно подступиться. Внутри действительно живут числа и арифметика. Но чем дальше я смотрел, тем яснее понимал, что от моей игрушечной сети до GPT или Claude расстояние примерно как от бумажного самолётика до космического корабля. В техническом смысле я всё ещё лягушонок в океане. Просто теперь у этого океана для меня появились законы.

В этой статье я показываю нейросеть изнутри: из чего она состоит, что выучила за эти полсекунды, почему ошибается и остаётся уверена в себе на 99%, как устроены модели с рассуждением, где они врут и на чём вокруг всего этого сегодня зарабатывают. Со своими замерами и живыми ценами рынка.

Что такое нейросеть простыми словами и из чего она состоит

Нейросеть это программа, которая учится на примерах вместо того, чтобы работать по правилам, написанным человеком. Устроена она из 3 частей.

Нейрон. Маленький оценщик. У него есть вход (числа), и он выдаёт одно число: насколько увиденное похоже на то, что он ищет. Ничего человеческого в нём нет, это строка арифметики.

Вес. У каждого входа своя значимость, и она записана числом. Вес это степень доверия нейрона к конкретному входу: «вот эту точку картинки я считаю важной, а вон ту почти не смотрю». Именно веса и есть всё «знание» нейросети. Больше внутри ничего нет.

Слой. Нейроны стоят рядами. Первый ряд смотрит на исходные данные, второй смотрит уже на выводы первого, третий на выводы второго. Чем дальше ряд, тем более сложные вещи он различает: первый видит палочки и дуги, а последний уже цифру целиком.

Обучение выглядит так. Сети показывают пример с готовым ответом, она отвечает своё, ответы сравниваются, и все веса чуть-чуть сдвигаются в ту сторону, где ошибка меньше. Потом ещё пример. И ещё. Миллионы раз. Никто не пишет правило «у четвёрки верх разомкнут»: правило само проступает в весах, как тропинка проступает на газоне от того, что по нему ходят.

Дальше в статье я показываю это на живой сети, которую можно обучить за полсекунды.

Чем нейросеть отличается от обычной программы

Разницу лучше объяснить случаем из моей практики.

В 2015 году я осваивал Яндекс.Директ и вёл рекламу доставки пиццы. Экономика не сходилась, и я решил уронить цену клика огромной семантикой: собрал 1 400 000 ключевых фраз вроде «смотреть сериал такой-то» и вручную чистил этот список вечерами. Правила, по которым фраза оставалась или вылетала, жили у меня в голове, и переносил я их в таблицу руками, строчка за строчкой.

Вот это обычная программа: правила придумывает человек, машина их исполняет.

Нейросеть работает наоборот. Правила она выводит сама, по примерам. Возьмём простую задачу: отличить рукописную четвёрку от девятки. Классический подход требует описать признаки: «у четвёрки верх разомкнут, у девятки замкнута петля». Дальше идут десятки условий, и каждое разваливается на первом же кривом почерке. Именно поэтому распознавание рукописного текста тридцать лет считалось нерешаемой задачей.

Нейросети никто не описывает ни петли, ни хвостики. Ей показывают 60 000 картинок с подписями «это 4», «это 9», и запускают обучение: миллионы раз машина сдвигает веса, пока её ответы не начнут совпадать с подписями. Правила остаются внутри в виде чисел. Человек их не писал и прочитать не может.

Отсюда 3 следствия, из которых растёт вообще всё остальное:

• нейросети нужны примеры, а не инструкции: там, где примеров нет, она бесполезна;
• её решения не разбираются построчно, как код, потому что внутри не логика, а веса;
• она отвечает вероятностями: «скорее всего, это 4».

Важная оговорка про ИИ-сотрудников. Правило «без примеров никак» относится к обучению самой сети. Когда вы настраиваете готовую модель под свою задачу через промпт, действует обратная механика: примеры диалогов и скриптов часто загоняют ИИ-продавца в шаблон, и он начинает отвечать заученными репликами вместо живого разбора ситуации. Там сильнее работают роль, правила и границы. Подробно это разобрано в пошаговой инструкции по запуску ИИ-продавца.

Для бизнеса разница переводится просто. Там, где результат обязан быть верным в 100% случаев (расчёт налога, проводка платежа), нейросеть не нужна. Там, где человек тратил время на однотипную неточную работу (ответить клиенту, разобрать заявку, набросать текст, найти нужное в куче документов), она забирает эту работу себе.

Как я обучил свою нейросеть за полсекунды

Расскажу по шагам, что именно я делал, потому что со стороны это выглядит сложнее, чем оказалось.

Чем работал. На ноутбуке у меня открыт терминал: это окно, где команды пишутся текстом, без кнопок и меню. В нём живёт Claude Code, помощник от Anthropic, который умеет писать программы и тут же их запускать. Разговариваешь с ним обычными словами, как в чате.

О чём попросил. Дословно смысл просьбы был такой: напиши нейросеть с нуля, без готовых библиотек для машинного обучения, обучи её узнавать рукописные цифры на классическом наборе MNIST, замерь точность до обучения и после каждого прохода, и покажи, что у неё внутри.

Что он сделал. Написал файл на Python примерно на 30 строк арифметики, скачал набор MNIST (70 000 картинок с рукописными цифрами: 60 000 для обучения, 10 000 для проверки), запустил обучение и вывел результат прямо в терминал.

Что я увидел. Строчки с точностью после каждого прохода по картинкам и время работы. Всё обучение заняло 0,5 секунды. Именно обучение сети на 60 000 примерах, без подготовки данных и установки программ.

Никаких видеокарт и облаков я не арендовал. Ноутбук обычный, без отдельной видеокарты для нейросетей, а это важная деталь: когда говорят про обучение ИИ, обычно представляют серверные стойки и счета на тысячи долларов. Так и есть, но только для больших моделей. Маленькая сеть под узкую задачу учится на том же ноутбуке, на котором вы смотрите ролики.

Теперь по устройству. Каждая картинка для машины это 784 числа (28 × 28 клеток), где 0 означает белое, а 255 чёрное. Никаких «изображений» внутри нет, есть столбик чисел.

Числа проходят через два слоя. В первом слое 64 нейрона, и у каждого своя пачка из 784 весов: по одному на каждую точку картинки. Нейрон перемножает точки на свои веса и выдаёт одно число, насколько увиденное похоже на то, что он ищет. Второй слой берёт эти 64 оценки и превращает в 10 итоговых, по одной на каждую цифру. Побеждает наибольшая.

Всё знание такой сети это 50 890 чисел. У больших моделей вроде GPT или Claude весов сотни миллиардов, но принцип ровно тот же.

Само обучение выглядит скучно, и в этом его честность. В начале все веса случайные, и сеть угадывает наугад: мой замер до обучения дал 12,72% правильных ответов из 10 000, примерно как бросать десятигранный кубик. Потом через неё прогоняются 60 000 картинок с ответами, и после каждой порции веса чуть-чуть сдвигаются туда, где ошибка меньше.

Мой замер, 04.09.2026, ноутбук без отдельной видеокарты. Все пять проходов заняли 0,5 секунды.

Обратите внимание на последнюю строку: пятый проход дал результат хуже четвёртого. Это нормальное явление, у него есть название: сеть начинает подстраиваться под конкретные учебные картинки вместо общих признаков. Так что «учить подольше» не значит «получится лучше».

Что она выучила: шаблоны, которые никто не программировал

Дальше самое интересное. У каждого из 64 нейронов первого слоя ровно 784 веса, то есть столько же, сколько точек в картинке. Значит, эти веса можно разложить обратно в квадрат 28 × 28 и посмотреть глазами, какую форму нейрон высматривает.

На картинке 8 таких карт из 64. Оранжевое значит «здесь я жду штрих», синее значит «здесь я жду пустоту». Видно горизонтальные перекладины, наклонные палки, кольца и петли. Ни одну из этих деталей никто не программировал: сеть нашла их сама за полсекунды, потому что с ними реже ошибалась.

Вот этот момент меня и зацепил сильнее всего. Все эти годы я слышал про «электронный мозг» и относился к теме с почтением, а тут увидел, как из простого перемножения чисел сама собой появляется форма. И появилось желание копать дальше: если так работает игрушечная сеть на цифрах, то на том же принципе, только в миллиард раз крупнее, работает и модель, которая пишет мне тексты. Понять её целиком я не надеюсь, но перестать бояться этой темы уже получилось.

Она ошибается и остаётся уверена в себе

Моя сеть за полсекунды научилась узнавать цифры лучше, чем в 96 случаях из 100. Но 368 картинок из 10 000 она распознала неправильно, и я вытащил те ошибки, в которых она была уверена сильнее всего.

Восьмёрку она назвала четвёркой с уверенностью 99%. Шестёрку назвала единицей, тоже 99%. Пятёрку назвала шестёркой, снова 99%. Здесь вылезает свойство, о которое больно спотыкается почти каждый, кто ставит нейросеть в рабочий процесс: механизма сомнения у неё нет. Она всегда выдаёт какой-то ответ и всегда прикладывает к нему число, похожее на уверенность.

Кое-что полезное в этом числе есть. По моему замеру, средняя уверенность на правильных ответах 96,7%, на ошибочных 65,4%. То есть в среднем модель сомневается чаще там, где ошибается. Только это статистика по десяти тысячам случаев. В вашем конкретном она ничего не гарантирует: отдельная ошибка спокойно приезжает с оценкой 99%.

Практический вывод, который я вынес для себя и повторяю ученикам: закладывайте не «ошибается редко», а «ошибается уверенно». Отсюда обычные приёмы: сомнительные случаи уходят человеку, идёт выборочная проверка, необратимые действия агенту не доверяют. В статье про ИИ-агентов, нейросотрудников и ИИ-ассистентов это разобрано на рабочих сценариях: агент действует сам там, где цена ошибки минута времени, и не действует там, где цена ошибки деньги клиента.

Забавная деталь: ошибается она по-человечески. Чаще всего путает 7 с 9 (35 раз) и 4 с 9 (34 раза), ровно те пары, которые и я разбираю с трудом в чужом почерке.

А как же модели с рассуждением

Справедливый вопрос, который мне задали сразу: если механизма сомнения нет, то что делают рассуждающие модели? Они же прямо показывают ход рассуждения перед ответом.

Разберу честно, потому что тут легко впасть в две крайности сразу.

Рассуждающая модель (её называют reasoning-моделью) перед ответом генерирует для себя черновик рассуждения: разбивает задачу на шаги, проверяет промежуточные выводы, иногда возвращается и переписывает. По устройству это тот же самый механизм предсказания следующего кусочка текста, просто модель сначала пишет длинный внутренний монолог, а уже потом короткий ответ. Такие модели заметно точнее в задачах, где нужны логика, счёт и многошаговый разбор.

Что это меняет: ошибок в рассуждениях действительно становится меньше, а на сложных задачах разница большая. Именно поэтому серьёзную работу я отдаю моделям с рассуждением, а быстрые мелочи обычным.

Чего это не меняет: калиброванной уверенности всё равно нет. Модель может выстроить стройную цепочку и прийти к неверному выводу, а показанный ход мысли не обязан совпадать с тем, что происходило внутри на самом деле. Моя же ловушка с несуществующим законом, о которой ниже, это ровно тот случай: рассуждать про выдуманный документ можно очень убедительно.

Поэтому правило остаётся прежним: рассуждение улучшает качество, но не заменяет проверку. Отдельный разбор рассуждающих моделей я поставил в план портала, тема большая.

ИИ, машинное обучение, нейросеть, языковая модель: кто кому родня

Эти четыре слова используют как синонимы, хотя они вложены друг в друга, как матрёшки.

Матрёшка складывается так: генеративный ИИ и языковые модели это частный случай нейросетей, нейросети это частный случай машинного обучения, машинное обучение это частный случай искусственного интеллекта. Обратное неверно: далеко не всякий ИИ является нейросетью. Шахматный движок или маршрутизатор такси могут вообще не содержать обучения.

Отдельно разведу два слова, которые в разговоре слиплись намертво: «нейросеть» и «сервис». ChatGPT это сервис, за которым стоит модель GPT. Алиса это сервис Яндекса. GigaChat это сервис Сбера. Одна модель может работать в десятке сервисов, и наоборот: за одним окном чата может стоять несколько моделей. Так устроен OpenRouter, через который доступ к сотням моделей идёт по одному ключу.

Если хочется закрепить термины, у меня есть отдельные разборы: что такое промпт и как писать запросы, чем открытые модели отличаются от закрытых и что такое API.

Как модель пишет текст: проверил на 800 тысячах слов своих статей

С картинками разобрались: на входе числа, на выходе номер цифры. С текстом принцип тот же, только модель предсказывает следующий кусочек.

Проверил я это на своём материале. Взял все 269 статей портала (10,2 млн знаков, 799 297 слов, из них 43 353 разных) и построил простейшие языковые модели, которые предсказывают следующее слово по предыдущим. Нейросети тут не нужны, достаточно посчитать, какое слово в моих текстах чаще шло после какого.

Вот что вышло при разной длине «памяти». Каждый раз модель начинала со слова «нейросеть» и дописывала продолжение сама.

Память 0 слов, то есть просто частота слов:

нейросеть один промпт telegram-группа пример именно 45. информации получает
среде: с не бывают 24, свадебного дорисовка следующий месте и, сколько,. —, сайт

Память 1 слово:

нейросеть? фильтрум обрабатывает и бизнес этот показатель — нестабильно
и запускай ниже — а не может уехать от привычных чат-ботов — совет по итогам разговора

Память 3 слова:

нейросеть для бизнеса, заглядывайте в телеграм-канал дмитрия борейчук — 13 лет практики
в маркетинге, воронках продаж и ии-инструментах для бизнеса и аналитики

Третий вариант читается почти как живая фраза, хотя внутри нет ни грамматики, ни смысла, только счётчик сочетаний. Меня это одновременно восхищает и слегка пугает: узнаваемый голос собирается из статистики. Именно этот эффект и масштабировали большие языковые модели, только «память» у них десятки и сотни тысяч слов, а вместо счётчика внутри нейросеть с сотнями миллиардов весов.

Второе, что видно на своём корпусе: предсказание всегда вероятностное. После слова «нейросеть» в моих текстах (301 случай) шло: «для» в 20,6%, запятая в 9,3%, «не» в 5,0%, «в» в 4,7%, тире в 3,3%, «бесплатно» в 3,0%. Модель каждый раз бросает нагруженный кубик по такому списку. Отсюда две вещи, которые все замечают на практике:

• один и тот же запрос даёт разные ответы, и так это и устроено;
• ответ можно сделать почти одинаковым, если попросить сервис снизить «температуру», так называется ручка случайности.

И третье, ради чего этот раздел вообще писался. Модель обучена продолжать текст правдоподобно, истинность продолжения она не проверяет. Правдоподобное и правдивое совпадают часто, но не всегда, и это подводит к следующему замеру.

Почему русский текст обходится дороже английского

Модель работает с токенами, то есть кусочками текста, а не с буквами или словами целиком. Русский режется на кусочки мельче, чем английский, потому что английского в обучающих данных было больше. А платят именно за токены.

Я взял один и тот же текст в двух версиях, русской (318 знаков) и английской (322 знака), и прогнал через 5 моделей, замерив, во сколько токенов каждая его превратила.

Мой замер, 04.09.2026, через OpenRouter.

Разброс между моделями оказался больше, чем я ожидал: тот же абзац стоит 81 токен у Gemini и 152 у Claude, почти вдвое. На разовых запросах этого не заметишь. На потоке в тысячи диалогов в месяц разница превращается в живые деньги, и считать её надо по цене за ваш конкретный текст, а прайс за миллион токенов тут обманчив. Как считать расход на реальном потоке переписки, я разбирал в статье про бесплатные нейросети и их пределы.

Где модели врут: проверил 6 штук выдуманным законом

Самое опасное свойство языковых моделей в том, что они одинаково уверенно отвечают и когда знают, и когда не знают. Я проверил это ловушкой: задал вопрос у 6 моделей про Федеральный закон № 512-ФЗ «О маркировке контента, созданного искусственным интеллектом». Закона с таким номером и названием не существует, я его выдумал.

Мой замер, 04.09.2026, одинаковый вопрос всем моделям.

3 ответа из 6 пересказали несуществующий закон вместе с датами и формулировками, и ни в одном не было оговорки про неуверенность. Это не поломка конкретной модели, это прямое следствие устройства: продолжение текста «Федеральный закон № 512-ФЗ регулирует…» существует всегда, даже когда закона нет.

Заодно я проверил две классические ловушки прошлых лет: подсчёт букв в слове «обороноспособность» и сравнение чисел 9.11 и 9.9. Здесь все 6 моделей ответили верно. То, на чём они массово спотыкались два года назад, закрыто. А выдумывание фактов никуда не делось.

Для работы это значит вот что: у модели можно брать структуру, черновик, разбор, идею. Любую проверяемую конкретику (номер закона, цену, дату, статью расхода) проверяйте по первоисточнику. Кстати, рамочный закон об ИИ в России действительно появился, только называется иначе: Федеральный закон от 26.07.2026 № 243-ФЗ «О поддержке развития технологий искусственного интеллекта в Российской Федерации», текст на официальном портале правовой информации, подписан 26 июля 2026 года. На таком соседстве выдумки и ловятся: настоящий документ рядом есть, поэтому придуманный выглядит правдоподобно.

Копать вглубь или делать результат

Это главный вопрос для всех, кто впервые заглянул внутрь темы. И мой ответ на него поменялся.

Долго я считал, что мне туда незачем: есть инструменты, есть результат, а внутренности пусть изучают инженеры. Теперь думаю иначе. Полсекунды обучения и 30 строк арифметики дали мне то, чего не давали годы использования: я стал увереннее говорить про ИИ. В переговорах с клиентом, в своих текстах, в спорах о том, что модель может, а чего не может. Мне больше не стыдно сказать, что я работаю с искусственным интеллектом, потому что за словами появилось хоть какое-то понимание устройства. И я намерен копать дальше.

Только денег само по себе это понимание не приносит. Деньги приносит другое, и об этом ниже.

Раскладываю на 3 уровня. Ни один из них не правильный, у каждого своя отдача.

Первый уровень окупается быстрее всего и почти ничего не требует. Человек, который научился ставить задачу модели и проверять ответ, за месяц закрывает то, на что раньше уходила неделя. Минус ровно один, зато серьёзный: этот уровень доступен всем, поэтому цена работы падает, что хорошо видно по биржевым ценникам ниже.

Второй уровень это место, где сегодня лежат основные деньги. Не из-за математики (её там нет), а потому что бизнесу нужен работающий процесс: заявка пришла, бот ответил, данные легли в CRM, менеджер получил горячий контакт. Здесь важны границы применимости: где модель сорвётся, сколько это будет стоить в месяц, что делать с ошибками. Как это выглядит вживую, разобрано в полном гайде по ИИ-сотрудникам.

Третий уровень это отдельная профессия. Он нужен, если вы собираетесь обучать модели, работать с закрытыми данными на своём железе, идти в исследования. Тут без математики никак: производные, линейная алгебра, статистика. Люди приходят к этому годами, и коротких путей я не знаю.

Отдельно про соблазн «сначала разберусь, потом начну». Он дорого обходится, я это видел много раз на учениках: человек потихоньку читает, а тема за это время уезжает вперёд. Разумный порядок такой: первый уровень сразу, второй параллельно первым заказам, третий только если вы точно идёте в разработку моделей.

Что глубина реально даёт:

• вы начинаете считать: сколько токенов, сколько денег, где предел;
• вы понимаете, почему модель ошиблась, и чините причину вместо переписывания промпта наугад;
• вы отличаете задачу, посильную нейросети, от задачи, где нужен обычный код или человек;
• вам сложнее продать курс за 200 000 ₽ с обещанием «ИИ заменит вам отдел».

Чего глубина не даёт: клиентов, кейсов и денег. Их даёт выпуск работающих штук в реальный мир.

Что почитать и посмотреть: проверенный список

Здесь материалы, которые объясняют устройство. Все ссылки я проверил лично, они открываются.

Бесплатное на русском:

Англоязычное, но самое ценное:

Книги на русском, с наличием и ценами «Читай-города» на 04.09.2026:

Про доступ. Видеокурсы Karpathy и 3Blue1Brown живут на YouTube, который в России работает неровно: страницы открываются, а видео может не грузиться без VPN. Текстовые материалы (udlbook, Alammar, Wolfram, Hugging Face) открываются напрямую, я проверял. Русскоязычные курсы на Stepik работают без оговорок.

Где на этом зарабатывают: пути, направления и живые цены

Теперь про деньги, и начну с рамки, потому что её обычно путают.

Первое: путь. Их 3, и они про формат вашей занятости.

Второе: направление. Тут вариантов заметно больше, чем принято перечислять:

• производство контента: тексты, картинки, озвучка, ролики, оформление соцсетей;
• услуги вокруг чужого бизнеса: разбор аудитории, тексты для сайта, скрипты продаж, аналитика;
• внедрение ИИ-сотрудников: продавцы, поддержка, боты, интеграции с CRM;
• разработка на нейросетях: сайты, лендинги, небольшие сервисы;
• арбитраж трафика и партнёрские программы ИИ-сервисов;
• свои паблики и каналы на ИИ-контенте с монетизацией;
• обучение: курсы, наставничество, корпоративные тренинги;
• свои продукты: микро-SaaS, шаблоны, порталы, подписные сервисы.

Полная карта направлений с расчётами лежит в отдельной статье: заработок на ИИ в 2026 году. Там же разобраны арбитраж и партнёрки и путь к своему сервису.

Третье: что конкретно покупают. Это уже витрина товаров, а не модель дохода. Я посмотрел, сколько сегодня стоят такие товары на бирже Kwork: это нижний, самый массовый край рынка, зато честный, там видно, за что платят прямо сейчас.

Мой замер 05.09.2026: по каждому запросу три страницы выдачи, 72 предложения, медиана и границы, между которыми лежит половина предложений. Верхний край выше многократно: самое дорогое предложение по ИИ-агентам стоит 445 000 ₽, но это одна работа, а не рынок.

Что из этой таблицы видно. Картинки и промпты стоят дёшево, и это ожидаемо: порог входа нулевой, предложение огромное. Половина предложений по чат-ботам и агентам держится в диапазоне от 3 000 до 10 000 ₽, то есть за сборку рабочего процесса платят в 5–10 раз больше, чем за запрос к нейросети. И это только биржа: то же внедрение напрямую бизнесу стоит в разы дороже, потому что там платят не за бота, а за закрытую задачу.

Дальше практика по направлениям. В контенте выигрывают те, кто поставил производство на поток: у меня про это есть разбор нейромультиков для Reels с полными промптами и статья про заработок на видео. В услугах хороший вход через биржи, как получать лидов на Kwork, и через прямые продажи без готовых кейсов. Во внедрении ИИ-сотрудников у меня выложены готовые промпты под ниши: клининг, строительство домов, турагентства, детские сады. В разработке всё сдвинул вайбкодинг: сайт сегодня собирает один человек в диалоге с моделью, и это разобрано в статьях как создать сайт для бизнеса с помощью ИИ и сколько стоит сайт в 2026 году.

Общее у всех направлений простое: платят за снятую с человека задачу. Понимание внутренностей помогает не обещать невозможного, но само по себе оно не продаётся.

С чего начать на этой неделе

План для того, кто хочет и разобраться, и получить результат.

1. День первый. Возьмите одну свою рабочую задачу (ответы клиентам, разбор заявок, тексты) и решите её с нейросетью полностью, до готового результата. Не пробуйте, а доведите.
2. День второй. Прочитайте разбор про промпты и переделайте вчерашний запрос так, чтобы он стал повторяемым и его можно было отдать другому человеку.
3. День третий. Определитесь с инструментом: какую нейросеть выбрать под задачу и что доступно бесплатно. Посчитайте, во что обойдётся ваш поток за месяц.
4. День четвёртый. Соберите первого ИИ-сотрудника на своей задаче в Ное: агент собирается в диалоге, подключается к Авито, Телеграму, WhatsApp и CRM без программирования. По ссылке с портала стартовый баланс удваивается: 1 000 ₽ вместо 500 ₽, этого хватает на первые сотни диалогов, чтобы понять, сходится ли экономика. Что представляет собой платформа целиком, я разбирал в обзоре Ноя.
5. День пятый. Соберите себе сайт или лендинг в том же кабинете и поставьте на него форму, которую обрабатывает ваш агент. Пошагово это описано в статье как создать сайт для бизнеса с помощью ИИ.
6. Выходные. Если тема зашла и хочется вглубь, начинайте курс МФТИ на Stepik или посмотрите серию 3Blue1Brown. Это уже не про заработок, а про удовольствие разобраться.

Тем, кто делает сайты и внедрения на заказ, а не себе, есть отдельная программа для студий, фрилансеров и агентств: клиентские проекты, партнёрские отчисления и возможность продавать не разовый лендинг, а работающие процессы.

Частые вопросы

Нейросеть и искусственный интеллект это одно и то же?

Нет. Искусственный интеллект это общее название для программ, решающих «человеческие» задачи, а нейросеть это один из способов такую программу получить. Бывает ИИ без нейросетей (шахматные движки, алгоритмы маршрутизации) и нейросети в задачах, которые никто не назвал бы интеллектом, например сжатие изображений.

Есть ли у нейросети мышление?

Внутри числа и арифметика: слои перемножают входные значения на выученные веса и выдают оценки вариантов. Ощущение осмысленности возникает потому, что модель обучена на текстах, которые писали думающие люди. Наглядное доказательство даёт мой замер: 3 модели из 6 уверенно пересказали содержание закона, которого не существует. При этом масштаб больших моделей таков, что спорить об их «понимании» продолжают всерьёз даже исследователи.

Сколько стоит обучить свою нейросеть?

Зависит от задачи. Модель под узкую задачу учится на обычном ноутбуке: моя сеть для распознавания цифр обучилась за 0,5 секунды и заняла 50 890 чисел. Дообучение готовой открытой модели под свои данные это уже аренда видеокарты, от сотен рублей в час. Обучение большой языковой модели с нуля стоит миллионы долларов, этим занимаются единицы компаний.

Можно ли разобраться без математики?

На уровне пользователя и сборщика решений математика не нужна вообще. Нужны логика, умение ставить задачу и считать деньги. Математика становится обязательной на третьем уровне, когда вы обучаете или переделываете сами модели.

Почему нейросеть выдумывает факты?

Потому что обучена продолжать текст правдоподобно, а не проверять истинность. Для запроса про несуществующий закон правдоподобное продолжение всё равно существует, модель его и выдаёт. Лечится это не уговорами, а проверкой конкретики по первоисточнику и подключением к модели ваших собственных данных.

Какую нейросеть выбрать новичку из России?

Из работающих без ухищрений: Алиса от Яндекса, GigaChat от Сбера, а также сервисы-посредники вроде OpenRouter, дающие доступ сразу к сотням моделей. Подробное сравнение с ценами и оговорками есть в разборе какую нейросеть выбрать под задачу.

Нужно ли платить за нейросеть, чтобы начать?

Нет. Бесплатных лимитов хватает, чтобы освоиться и понять, ваша это тема или нет. Деньги появляются там, где начинается поток: тысячи диалогов, генерация видео, работа агента круглосуточно. Тогда и считают расход на токенах, и здесь важно помнить, что русский текст режется на большее число кусочков, чем английский.

Правда ли, что нейросети заменят специалистов?

Пока происходит другое: они забирают часть задач, а не профессии целиком. Мой замер показывает почему: модель ошибается уверенно, и там, где ошибка стоит денег, всё равно нужен человек, который проверит. Меняется состав работы: меньше рутины, больше постановки задач и проверки результата.

Что в итоге

Нейросеть это программа, которая вывела правила из примеров и хранит их в виде весов. Я показал это на живом опыте: 50 890 чисел, полсекунды обучения, 96% точности и 368 ошибок, в которых она была уверена на 99%. То же самое устройство, только в миллионы раз крупнее, лежит за ChatGPT, Claude и GigaChat.

Разбираться тут долго, и один вечер даёт только первый проблеск. Зато проблеск настоящий: тема перестаёт быть закрытой дверью, появляется желание копать дальше и пропадает страх говорить о ней вслух. Дальше выигрывает не тот, кто дольше читал, а тот, кто раньше собрал работающую штуку и отдал её живым людям. Возьмите одну свою задачу на этой неделе, а глубину добирайте параллельно.