Машина готовит набор, глаз учится сам

Вся глава сводится к одному: различение растёт из множества собственных эпизодов «отнёс к категории — сразу узнал ответ» на разнообразных образцах. Тренировке нужны две вещи: материал, на котором учиться, и сами попытки. Раз появились генеративные модели, естественно спросить, что из этого можно отдать машине. Подготовку тренировки отдать можно, сами эпизоды различения — нельзя.

Что можно отдать

Самая трудоёмкая часть тренировки — подготовка набора. Для упражнения Серия различений с обратной связью нужно шестьдесят образцов двух близких категорий, разных во всём несущественном, и на обороте каждого — правильный ответ с признаками. Раньше на такую колоду уходили часы поиска. Машина хорошо соберёт большой и разнообразный набор образцов, сгенерирует вариации, опишет признаки категорий. Если попросить модель подобрать фасады модерна и ар-деко разных городов, в разную погоду, снятые с разных точек, на подготовку уйдут минуты.

Но у этой помощи есть условие: метки в наборе проверяет человек или первоисточник. Набор, в котором образцы одной категории похожи чем-то несущественным, учит именно этому несущественному: Келлман называет случайные признаки бичом обучения категориям (Бич обучения категориям). Если все «модерновые» фасады модель подобрала на фотографиях одного архива с одинаковым тёплым светом, вы выучите свет. А ошибочная метка в колоде учит ошибке. Проверка по музейному каталогу или справочнику превращает дешёвый набор в учебный.

С вариациями нужна та же осторожность. Вариация полезна для тренировки, когда отличается от образца тем признаком, который вы учитесь видеть: тот же плакат с другим интерлиньяжем, тот же экран с другой иерархией кнопок. Но как раз такая точная правка даётся машине с трудом. Сааринен, о котором речь ниже, замечает, что генерация изображений начинает сбоить, чем больше итераций, и что трудно заставить ИИ изменить одну конкретную вещь одним конкретным образом. Поэтому каждую сгенерированную пару стоит проверить глазами: отличается ли она тем, чем должна, и только этим.

Чего отдать нельзя

С эпизодами различения так не выйдет. Перцептивное обучение происходит в вашем восприятии, и чужие ответы его не заменяют: обычное обучение фактам и процедурам, по Келлману, мало продвигает экспертное узнавание, а многое в нём идёт неосознанно. Модель может написать безупречное описание признаков ар-деко, но прочитать такое описание — то же самое, что прослушать лекцию: правило выучено, а глаз не изменился. Глазу нужно самому ошибиться на сороковой карточке и сразу увидеть правильный ответ.

Что бывает, если этот шаг пропустить, хорошо описал Карри Сааринен, сооснователь и генеральный директор Linear, бывший руководитель дизайна в Airbnb и Coinbase. В заметках «Some Notes on AI» (апрель 2026) он формулирует парадокс экспертизы (expertise paradox): ИИ часто кажется самым впечатляющим там, где вы знаете меньше всего. В областях, которые вы понимаете глубоко, вы видите пробелы. Результат близок, но не совсем точен: он упускает контекст, выдумывает детали, выбирает очевидный путь или его приходится долго направлять, прежде чем он станет полезным. В областях, которые вы знаете хуже, тот же результат кажется волшебством, потому что вам не хватает суждения, чтобы увидеть, чего в нём нет. Сааринен видит в этом своего рода эффект амнезии Гелл-Манна (Gell-Mann Amnesia) и эффект Даннинга — Крюгера, только в большом масштабе.

Из этого Сааринен делает вывод: экспертиза делает ИИ труднее в использовании, но и ценнее, если умеешь с ним работать. Эксперты видят слоп, но они же умеют направлять модель, ограничивать её и оценивать результат. Ценность экспертизы с приходом ИИ никуда не девается, она смещается к направлению, суждению и знанию того, как выглядит хорошее. О программировании он пишет то же короче: вкус, ограничения и последнее суждение по-прежнему за экспертом.

Что из этого следует

Отсюда понятно, зачем тренировать глаз, когда сгенерировать можно что угодно. Без натренированного глаза не видно слопа: выход модели в чужой для вас области будет казаться хорошим ровно потому, что вы не знаете, как выглядит лучшее. Это та же мазня Юма, которая восхищает того, кто не видел лучшего, только сделанная за секунды и в любом количестве. Чем больше вокруг сгенерированного, тем дороже глаз, который отличает близкое от точного.

Из всей главы складывается практический рецепт. Модель собирает набор, человек проверяет метки по первоисточнику и разнообразит всё несущественное, а потом садится и сам проходит эпизоды: смотрит, отвечает, сразу узнаёт ответ, ошибается и снова смотрит. Модель здесь работает как ассистент преподавателя, который раскладывает карточки, а не как ученик, который сдаёт экзамен за вас: экзамен в этой тренировке и есть обучение.

Только у этой тренировки есть неприятное следствие. Глаз начинает видеть больше, чем умеет рука, и собственная работа вдруг перестаёт нравиться. Об этом разрыве следующая глава, она начинается с карточки Вкус уже видит, рука ещё не умеет.