# Как использовать ChatGPT как сопилот для мышления и кодинга

Источник: https://www.youtube.com/watch?v=qnzA9sMYEqI
Канал: Cognitive Revolution "How AI Changes Everything"
Опубликовано: 20.12.2023

---

В эпоху стремительного развития искусственного интеллекта понимание того, как превратить языковые модели в реальных соавторов, становится ключевым навыком для специалистов. В совместном выпуске подкастов «How Do You Use ChatGPT» и «The Cognitive Revolution» ведущий Дэн Шиппер и создатель Waymark Натан Лаундс детально разбирают практические сценарии использования ИИ в качестве «второго пилота» для мышления, программирования и аналитики. Опираясь на реальные кейсы от написания текстов до генерации кода без профильных знаний, эксперты формируют дорожную карту эффективного взаимодействия человека и современных больших языковых моделей.

## 🧠 Философия взаимодействия с ИИ: режим сопилота против делегирования
[[JUMP:04:02]]

Натан Лаундс выделяет два ключевых режима работы человека с искусственным интеллектом. Первый — это «режим сопилота» (co-pilot mode), характерный для стандартного интерфейса ChatGPT, когда пользователь решает задачи в реальном времени, ситуативно обращаясь к системе за подсказками и сохраняя за собой роль главного контролирующего агента. Второй режим — «делегирование» (delegation mode), подразумевающий полную передачу рутинных процессов ИИ, когда качество работы алгоритма становится достаточно стабильным, чтобы исключить необходимость проверки каждого шага человеком. По мнению Лаундса, автоматизация в режиме делегирования позволяет экономить колоссальные объемы ресурсов и масштабировать ранее недоступные процессы.

В текущей технологической индустрии, как утверждает спикер, пока отсутствует промежуточное звено — гибкое делегирование крупных подзадач «на лету» (ad hoc delegation). Ограничения современных ИИ-агентов заставляют пользователей балансировать между ручным управлением и жестко настроенными автоматизированными воркфлоу. Лаундс прогнозирует, что этот разрыв будет преодолен в ближайшее время, что позволит передавать автономным агентам масштабные куски работы в процессе повседневной активности.

Обсуждая долгосрочные последствия автоматизации когнитивного труда, Натан Лаундс разделяет двойственный взгляд на будущее ИИ, озвученный ранее Сэмом Альтманом. По словам спикера, индустрия имеет дело с силой, способной как привести к постдефицитной экономике всеобщего благосостояния, так и полностью уничтожить человечество. При этом Дэн Шиппер добавляет, что повседневное использование ИИ наглядно подсвечивает огромный объем скрытой рутины даже в высокоинтеллектуальном и романтизированных творческих профессиях.

## 📝 Микрозадачи в писательстве и концепция суммаризации
[[JUMP:12:42]]

По мнению Дэна Шиппера, текущее поколение текстовых моделей в сущности выполняет различные вариации суммаризации данных. Этот процесс лежит в основе программирования, создания текстов и принятия бизнес-решений, где человеку важно правильно скомбинировать и выстроить последовательность кратких выжимок. При этом Лаундс признается, что долгое время не мог интегрировать ChatGPT в свои писательские процессы из-за нежелания терять уникальный авторский голос.

В ответ Дэн Шиппер делится собственной методологией использования ChatGPT для точечных микрозадач при написании статей:

* **Генерация контекстных выжимок.** При подготовке материала о крахе криптобиржи FTX Шипперу требовалось кратко описать основы утилитаризма. Вместо многочасового перечитывания трудов философов ИИ выдал точную выжимку из трех предложений под конкретный контекст статьи.
* **Структурирование хаотичных мыслей.** Шиппер часто записывает свои размышления на диктофон во время прогулок, после чего ChatGPT транскрибирует запись и собирает тезисы в логические блоки.
* **Создание базовых планов.** Пайплайн работы с ИИ включает загрузку неструктурированного документа с цитатами и набросками для генерации базовой структуры (outline). По словам Шиппера, базовые планы ИИ часто подсвечивают очевидные решения, которые автор пропускает из-за чрезмерной погруженности в проблему.
* **Поиск метафор и формулировок.** ChatGPT используется для подбора идеальных литературных сравнений. Из 50 предложенных алгоритмом вариантов 49 могут оказаться бесполезными, но один подталкивает автора к верному решению.
* **Полноценное редактирование и критика.** ИИ выступает в роли доступного 24/7 редактора, оценивающего вступления к подкастам или важные имейлы перед отправкой.

## 💻 Разработка на React с нуля: создание модуля Prompt Coach
[[JUMP:23:57]]

Натан Лаундс рассказал о практическом кейсе создания нового программного модуля для Athena Chat — корпоративного веб-приложения на базе open-source решений, используемого для взаимодействия с клиентами. Будучи советником по ИИ в компании Athena, Лаундс стремился внедрить инструмент «промпт-коуча» (Prompt Coach) для обучения филиппинских исполнительных ассистентов грамотной работе с моделями. Задача модуля — перехватывать запрос человека, прогонять его через мета-промпт и выдавать рекомендации по улучшению формулировок (задание роли, указание формата вывода и т.д.).

В процессе обучения ассистентов Лаундс продвигает концепцию AAA — «Analysis Before Answer» (анализ перед ответом). Он подчеркивает, что принуждение модели выдавать мгновенный ответ без возможности «подумать вслух» резко снижает качество её работы. По наблюдениям спикера, старые методы многократного промптинга (few-shot / multi-shot), зародившиеся до эпохи инструктивных моделей 2022 года, сегодня зачастую вредят производительности современных систем вроде GPT-4, блокируя заложенное в них по умолчанию пошаговое рассуждение (Chain of Thought).

Для реализации модуля Лаундсу пришлось столкнуться с незнакомым для себя фреймворком React и сопутствующей инфраструктурой (Redux, Slice JS, Saga JS). Процесс пошаговой разработки с ChatGPT выглядел следующим образом:

1.  **Анализ структуры проекта.** Натан отправил ИИ базовый запрос о логике построения React-приложений, получив быстрый вводный туториал.
2.  **Генерация системных команд.** Чтобы ИИ проанализировал конкретное приложение, Лаундс попросил составить CLI-команду для вывода древовидной структуры каталогов, попутно решив проблему с установкой нужного системного пакета `tree`.
3.  **Локализация UI-компонентов.** Передав текстовую структуру файлов в чат, Натан описал алгоритму логику работы компонентов (sidebar, search, chat history) без загрузки самого исходного кода.
4.  **Визуальная отладка через функцию Vision.** Столкнувшись с тем, что новый модуль отображался не в той части экрана, Натан загрузил в ChatGPT скриншот интерфейса и кусок HTML-разметки, что позволило ИИ скорректировать стили и точечно исправить позиционирование элементов.

В результате за два-три часа непрерывного диалога Лаундс, не имея опыта в React, создал работающий модуль с цветовой кодировкой предупреждений. По его оценке, в эпоху до ChatGPT аналогичная задача потребовала бы от двух до трех дней работы и повлекла бы за собой огромное количество рутинного поиска ответов в Google.

## 📊 Генерация технических диаграмм для патентных заявок
[[JUMP:52:05]]

Еще одним примером соавторства стало создание Натаном Лаундсом архитектурных диаграмм для предварительной патентной заявки компании Waymark. Сервис Waymark автоматизирует создание видеороликов для малого бизнеса: скрипты парсят сайты компаний, языковая модель пишет сценарий, а алгоритмы компьютерного зрения подбирают релевантные изображения. 

Процесс автоматического проектирования графики включал несколько итераций:

* **Выбор синтаксиса.** Лаундс отправил в ChatGPT хаотичное текстовое описание архитектуры приложения («word vomit») и попросил предложить оптимальный формат для рендеринга схем. ИИ сравнил возможности синтаксисов Graphviz и Mermaid, оценив их способность отражать сложные ветвящиеся структуры.
* **Обход ограничений контекстного окна.** В ходе длительной переписки модель начала путаться в сгенерированном коде Graphviz (diagraph). Лаундс применил тактику «очистки памяти»: скопировал наиболее удачный вариант разметки, открыл абсолютно новый чат и попросил ИИ делать только точечные, локальные изменения без глобальной перестройки кода.
* **Цветовое кодирование логики.** На финальных этапах ИИ помог разметить процессы цветом — например, выделив зеленым действия пользователя, а также визуализировал параллельные процессы и зависимости этапов (например, невозможность выбора лучших картинок до завершения их эстетической оценки).

Сгенерированная текстовая разметка была перенесена в сторонний визуальный рендерер. Полученная диаграмма не только вошла в патентные документы, но и стала важным внутренним справочником для технической команды Waymark, наглядно объясняющим зависимости сложных процессов в коде. Дэн Шиппер прогнозирует, что в будущем подобные инструменты (вроде Diagram GPT) будут бесшовно встроены в интерфейсы текстовых моделей, позволяя редактировать графику прямо на лету.

## 🔍 Поисковые ИИ-инструменты и бытовая аналитика: «Стандарт Perplexity»
[[JUMP:1:01:36]]

Помимо разработки, ИИ эффективно решает задачи повседневного поиска информации. Натан Лаундс поделился личным опытом выбора подержанного минивэна для семьи. Покупка б/у автомобиля на сайтах дилеров сопряжена с анализом запутанных «уровней отделки» (trim levels) — пакетов опций (SE, SXT, AVP), определяющих наличие конкретных функций вроде люка или экрана для пассажиров.

Для анализа рынка Лаундс использовал сервис Perplexity, позиционируемый им как специализированный инструмент для поиска точных фактов и прямая альтернатива Google Search. С помощью Perplexity спикеру удалось:

* Систематизировать уровни комплектации минивэнов разных брендов за определенный временной промежуток.
* Выяснить точные годы внедрения базовых систем безопасности (камеры заднего вида, мониторинг слепых зон) в штатные комплектации.
* Определить исторический период появления встроенных USB-портов для зарядки гаджетов в автомобилях, чтобы избежать покупки устаревших моделей с разъемами для прикуривателя.

Этот опыт позволил Лаундсу сформулировать понятие «стандарта Perplexity» (per perplexity). Под этим термином подразумевается уровень верификации данных, который может не являться стопроцентной истиной в последней инстанции, но признается «достаточно хорошим» и достоверным для принятия практических бытовых и бизнес-решений без необходимости открывать первоисточники по ссылкам. Натан Лаундс рассматривает Perplexity как сильного конкурента традиционным редакционным сервисам обзоров уровня Wirecutter. По оценке Дэна Шиппера, ключевое преимущество платформы заключается в скорости браузинга и более высокой точности фактов по сравнению со стандартным поиском внутри ChatGPT.

## 🩺 Радикальный доступ к экспертизе: медицина и новые архитектуры ИИ
[[JUMP:1:10:56]]

Размышляя о горизонте планирования ИИ на ближайшие несколько лет, Натан Лаундс призывает доверять прогнозам лидеров индустрии, таких как Сэм Альтман из OpenAI и Дарио Амодеи из Anthropic, которые ожидают появления суперумных систем в обозримом будущем. Спикер подчеркивает, что модель может демонстрировать сверхчеловеческие результаты в конкретных прикладных областях, даже не обладая всемогуществом или абсолютной непогрешимостью.

В качестве примера Лаундс приводит недавнее исследование команды Google DeepMind в сфере здравоохранения. Ученые протестировали способность большой языковой модели ставить дифференциальные диагнозы на основе сложных, запутанных клинических случаев, опубликованных в медицинских журналах. Результаты эксперимента показали:

* Точность правильных диагнозов, поставленных изолированной ИИ-системой, составила около 60%.
* Точность практикующих врачей-людей, не прибегавших к помощи умных алгоритмов в рамках данного датасета, зафиксирована на уровне всего 30%.

По мнению Лаундса, такие показатели свидетельствуют о скором наступлении эпохи «радикального доступа к экспертизе». Сверхдешевые ИИ-консультанты экспертного уровня станут мощнейшим инструментом для обеспечения равенства возможностей в развивающихся регионах и семьях с низким доходом.

Технологический прогресс при этом не ограничится текущими решениями. Натан Лаундс уверен, что архитектура Transformer не является финальной точкой эволюции. Последние успехи в разработке моделей пространства состояний (State Space Models), включая архитектуру Mamba, демонстрируют явные преимущества в контексте долговременной памяти, скорости обработки данных и пропускной способности. Спикер предполагает, что будущие передовые ИИ-системы откажутся от монолитных структур и станут сложными композитами различных нейросетевых архитектур, повторяя модульный принцип устройства человеческого мозга.