Часто вижу такой вопрос — и я сам его себе задавал. Я реализую проекты и строю системы на основе формализованных знаний по предметным областям (называю их Pack): формализованные сущности, различения, методы, типовые ошибки. Каждая сущность связана с другими. Всё версионируется в git.
И вот вопрос: зачем? ChatGPT знает всё. Claude может написать эссе на любую тему. Gemini прочитал интернет. Какой смысл вручную собирать то, что ИИ и так знает?
Я нашёл пять ответов, которые подтверждены исследованиями последних двух лет.
1. ИИ не знает в конкретном контексте — он вычисляет наиболее вероятный ответ
Когда вы спрашиваете ИИ «что такое системное мышление?», он выдаёт статистически наиболее вероятное продолжение текста на основе обучающих данных. Это не то же самое, что «знать лично для тебя в конкретном контексте». Лично для тебя контекст всегда уникальный.
Исследование Kandpal et al. (ICML, 2023) показало: LLM плохо выучивают факты, которые редко встречаются в обучающих данных. Sun et al. (NAACL, 2024) систематически проверили это: точность моделей резко падает на «хвостовых» сущностях (менее вероятных) — тех, которые упоминаются не миллионы раз, а десятки.
А теперь подумайте: знания вашей организации, ваши методы работы, ваши различения между «правильно» и «неправильно» в вашем контексте — это по определению длинный вероятностный хвост. Этого нет в обучающих данных ни одной модели или их вес ничтожно мал.
Конечно, ИИ может работать с этим знанием — но только если вы его структурировали и подали в контекст. Без этого ИИ отвечает «в среднем по интернету». Структурированная база знаний — это сырьё, которое превращает ИИ из универсального в лично вашего помощника.
2. Знание ≠ мировоззрение (и это ключевое различение)
Вот где становится по-настоящему интересно. Есть два принципиально разных типа знания:
- Описание — текст, формула, схема, код. Можно скопировать, отправить файлом, положить в репозиторий.
- Мировоззрение — скомпилированная способность применять знание. Живёт в голове агента. Можно передать инструкции (учебник человеку, CLAUDE.md — AI-агенту), но компиляция происходит у каждого агента по-своему — результат зависит от предшествующего опыта.
Это не философская абстракция — это подтверждённый когнитивной наукой факт. Джон Андерсон (теория ACT-R, 1993, 2004) описал процесс knowledge compilation — буквально «компиляция знания». Сначала человек держит инструкцию в рабочей памяти и последовательно выполняет шаги (декларативная стадия). Потом инструкции «компилируются» в процедурные правила, которые выполняются автоматически. Как компилятор превращает исходный код в машинный код.
Братья Дрейфус (1986) показали то же самое с другой стороны: эксперт не «знает больше правил», чем новичок. Он вообще не оперирует правилами. Его знание скомпилировано в интуицию.
А теперь критический факт: один и тот же «исходный код» компилируется по-разному у разных людей, каждый человек присваивает знания по-своему. Два человека читают одну и ту же книгу — и получают разные способности. Потому что у них разные «компиляторы» (разное предшествующее мировоззрение). Вероятно, в этой “ошибке” есть эволюционный смысл, поскольку разнообразие позволяет тестировать новое приспособление к жизни.
Нейробиологи из группы Саммерфилда (Nelli et al., Neuron, 2023) открыли, что люди способны к быстрой пересборке знаний — мозг реорганизует нейронные коды за считанные попытки. Обычные нейросети этого делать не могут.
3. Три рынка, а не один
Если принять различие между знанием и мировоззрением, то обнаруживается, что существуют три разных рынка:
Рынок знания — продажа описаний (книги, курсы, базы данных, API). Знание отчуждаемо: можно скопировать, продать, переслать.
Рынок компиляции — помощь в превращении знания в мировоззрение (образование, менторинг, тренинг, коучинг). Мировоззрение нельзя просто скопировать: можно передать инструкции, но компиляция требует практики самого агента — человека или ИИ.
Рынок открытий — создание нового знания из мировоззрения. Это обратный процесс: сначала эксперт «видит» что-то новое через призму своего скомпилированного опыта, потом де-компилирует это в описание, которое могут использовать другие. Менделеев не «знал» периодическую таблицу из книг — он увидел закономерность, потому что его мировоззрение позволило.
AGI обрушит первый рынок: если описание можно сгенерировать за секунды, оно становится commodity. Но AGI усилит второй и третий рынки. ИИ способен к рекомбинации — находить неожиданные связи в огромных массивах данных (AlphaFold нашёл структуры белков, которые не находили люди). Но рекомбинация — это усиление поиска, не порождение нового понимания. HBR (март 2025) подтверждает: GenAI перерисовывает кривые обучения, но ценность глубокой экспертизы растёт, а не падает.
4. Как на самом деле работает компиляция
Звучит красиво: «компиляция знания в мировоззрение». Но как это выглядит на практике?
Компиляция — это замкнутый контур: цель → метод → рабочий продукт → коррекция метода → следующая итерация. Как термостат: задал температуру, котёл работает по алгоритму, датчик измеряет результат, регулятор меняет алгоритм. Термостат не нуждается в мотивации — он просто замкнут.
Человек, который «вечно учится, но ничего не меняется» — это разорванный контур. Читает статьи (действие), но не создаёт ничего в физическом мире (нет рабочего продукта). Или создаёт, но не проверяет, работает ли метод (нет коррекции). Дисциплина не починит разорванный контур — его нужно замкнуть.
Таксономия Блума (1956, пересмотренная в 2001) даёт шкалу: запоминание → понимание → применение → анализ → оценка → создание. Шесть уровней глубины. Компиляция — это движение с первого уровня на шестой: от «я прочитал определение» до «я создаю новое, используя принцип как инструмент».
Вот конкретный пример. Возьмём принцип «аксиоматичность» (нулевой принцип: любая теория стоит на аксиомах, их нужно уметь находить и проверять). На уровне запоминания — человек знает слово «аксиома». На уровне понимания — может объяснить, зачем нужны аксиомы. На уровне применения — находит аксиомы в чужой теории. На уровне анализа — сравнивает аксиоматики двух подходов. На уровне создания — строит собственную модель от аксиом.
Каждый из этих уровней — отдельная ячейка: что человек должен уметь (can-do), какие типичные ошибки допускает, каким методом тренировать, как проверить. ИИ не может сгенерировать эту структуру «из головы» — потому что она построена на опыте обучения конкретных людей конкретным принципам.
И главное: компиляция — это не рывок, а ежедневная практика. Не три часа в субботу, а 25 минут каждый день. Как еда — встроена в день, не требует “героизма” и невозможно нагнать пропущенное. Прокрастинация живёт в зазоре между «надо» и «не знаю как». Уберите зазор правильной структурой — и она исчезнет.
5. Почему я строю именно такую систему
Вот что я строю: структурированные базы знаний (Pack), связанные между собой, с версионированием, с трассировкой источников. Плюс платформа, которая помогает компилировать эти знания в мировоззрение: подаёт нужные ячейки в нужном порядке, проверяет глубину понимания по Блуму (не запоминание, а применение и создание), адаптирует интерфейс к уровню пользователя.
Почему это выживет при AGI:
-
Pack — инфраструктура для context engineering. Anthropic (2025) показал: ценность создаёт не модель, а инженерия контекста — какое знание подать модели, в каком порядке. GraphRAG от Microsoft (2024) подтвердил: структурированный граф знаний превосходит плоский поиск. Pack’и — именно такие графы.
-
Организационная память переживает смену моделей. GPT-3 → GPT-4 → Claude → следующая модель. Модели меняются, Pack остаётся. Это инфраструктура, не инструмент.
-
Principal-agent problem. Рассел (2019) показал: даже идеальный AGI должен знать предпочтения принципала. Pack — способ кодифицировать эти предпочтения: что важно, что нет, какие ограничения, какие приоритеты. Без этого AGI оптимизирует не то.
-
Компиляция требует практики агента, не мощности инструмента. Можно дать человеку доступ к лучшему AGI мира — но системное мировоззрение от этого у него не появится. Появится оно от ежедневной практики с правильным знанием в правильном порядке: замкнутый контур, маленькие шаги, рабочий продукт каждую неделю, коррекция метода.
Итог
Собирать знания, когда ИИ «знает всё» — это не архаика. Это стратегическая позиция:
- Знание — это исходный код. Без него нечего компилировать.
- Мировоззрение — это скомпилированная программа. Без него знание мертво.
- Компиляция — это замкнутый контур. Цель, метод, рабочий продукт, коррекция. Каждый день. Без героизма.
- ИИ усиливает и то и другое. Но не заменяет ни одно.
- Платформа компиляции — это то, что выживет при AGI. Потому что AGI не может положить мировоззрение в голову человека. Это может только практика.
А практику нужно организовать. Для этого нужны знания. Структурированные. Связанные. Проверенные. Порезанные на ячейки правильного размера — чтобы каждый день, по 25 минут, контур крутился.
Именно это я и строю.
Ключевые источники:
- Kandpal et al. (2023). Large Language Models Struggle to Learn Long-Tail Knowledge. ICML
- Nelli et al. (2023). Neural knowledge assembly in humans and neural networks. Neuron
- Anderson (1993, 2004). Rules of the Mind / The Newell Test. ACT-R theory of knowledge compilation
- Dreyfus & Dreyfus (1986). Mind over Machine. Free Press
- Bloom et al. (1956, rev. 2001). Taxonomy of Educational Objectives
- Messeri & Crockett (2024). AI and illusions of understanding. Nature
- Anthropic Engineering (2025). Effective context engineering for AI agents
- HBR (2025). How Gen AI Could Change the Value of Expertise