#событияМО | Круглый стол на тему «Искусственный интеллект в науке и образовании»

Арутюн Аветисян

Директор Института системного программирования РАН

На днях на совещании у Владимира Владимировича была однозначно поставлена задача ускоренного внедрения ИИ широким фронтом во все отрасли экономики — а значит, и в образование, и в науку. Но внедрять нужно на собственной научной базе; школы и компетенции для этого у нас есть.
Стратегический документ о развитии ИИ (апрель 2024 г.) закрепляет ключевой принцип: технологии должны быть доверенными — особенно там, где от них зависит безопасность людей. Образование и наука формально могут не относиться к критической инфраструктуре, но для общества это, очевидно, критические отрасли.
Государства выработали три подхода к регулированию ИИ. Европа пошла запретительным путём: социальный скоринг запрещён, биометрия в общественных местах ограничена, обсуждаются запреты гаджетов в школах. Ряд стран практически не регулирует ИИ. Россия — наряду с США и Китаем — выбрала гибридный, риск-ориентированный путь: степень контроля соразмерна уровню последствий. Там, где ставки невысоки (вход в метро), избыточное регулирование не нужно. Там, где речь идёт о медицине, образовании, критической инфраструктуре — оно обязательно. Технология при этом меняется быстрее любого нормативного акта, поэтому регулирование должно быть итеративным — донастраиваться каждые несколько месяцев и опираться на науку. Важная составляющая такого подхода — междисциплинарные научные группы (психологи, социологи, педагоги, IT-специалисты, математики), способные быстро реагировать на изменения.
Появляется ощущение, что если ИИ пишет код — программист может меньше делать, а студент — меньше думать. Это иллюзия: чем мощнее инструмент, тем выше цена ошибки и тем глубже должна быть экспертиза человека, который им управляет. Требования к программисту, преподавателю и ученику не снижаются, а растут. Мы учили таблицу умножения не ради неё самой — мы формировали математическое мышление. ИИ этой задачи не отменяет — он делает её более явной: понятийный аппарат, внутренняя логика дисциплины, способность распознать правдоподобную ошибку — это то, чего нельзя получить через запрос к модели.
Генеративный ИИ общего назначения — пройденный этап. Следующий — специализированные модели, и здесь возникают две структурные проблемы. Фрагментация специалистов: разметить ЭКГ для обучения медицинской модели не может обычный врач — нужен узкий эксперт. Фрагментация данных: медицинские данные никто не согласится собирать в едином ЦОДе — ни по правовым, ни по экономико-конкурентным причинам. Решение — технологии федеративного обучения, при которых модели обучаются на распределённых данных без их централизации. Где-то это ещё передовая наука, где-то уже промышленный стандарт. Задача — двигаться ко второму.
Важно не становиться заложниками технологий, которые внедряем. Показательный пример из другой области: несколько лет назад Швеция экстренно остановила полный переход на безналичные расчёты — после блэкаута в Южной Европе выяснилось, что при отключении инфраструктуры люди не могут купить даже предметы первой необходимости и лекарства. Решение оказалось простым: кассы с наличными должны остаться везде. ИИ несравнимо сложнее платёжных систем, и его уязвимости — иного порядка. Их нужно моделировать до массового внедрения: пилотировать, проходить через регуляторные гильотины, возвращаться с коррективами — и только тогда масштабировать. Не останавливая темп, но не теряя контроль.
Главное условие всего перечисленного — развитие собственной науки. Только на научном знании можно выстроить технологическую независимость.
Современные дискуссии об искусственном интеллекте находятся на раннем этапе: нет универсальных решений («серебряной пули»), а все существующие подходы – лишь частные мнения, основанные на ограниченном опыте. Тема требует дальнейшего осмысления.
Появление открытых кодов задолго до ИИ привело к значительному росту производительности труда среди программистов. Появление ИИ лишь усилило этот эффект, но не стало принципиально новым явлением.
По своей сути классическое образование не изменилось за тысячелетия — оно всегда было направлено на воспитание мыслителя, способного работать с любым инструментарием. Без фундаментальных знаний (например, в инженерии или гуманитарных науках) ИИ бесполезен. Он не способен заменить предметное знание, а может лишь дополнить его, помогая в решении сложных задач.
Исследования Стэнфорда и Института психологии РАН фиксируют деградацию когнитивных способностей при неправильном применении ИИ. Внедрение ИИ в образовательный процесс необходимо, но нужно разработать чёткий алгоритм реагирования на негативные последствия.
Особую опасность представляет бесконтрольное использование ИИ детьми: у них ещё не сформировалось критическое мышление, поэтому модель способна вместе с учебным материалом незаметно заложить другие установки.
Прямо сейчас и без серьёзных рисков ИИ можно внедрять как инструмент проверки работ: не для выставления оценок, а для снижения нагрузки на педагога и повышения качества обратной связи.
Именно педагоги должны стать проводниками новых технологий: осваивать инструменты, передавать навыки. Оставить их один на один с ИИ – значит обречь общество на провал.
ИИ показал себя хорошо там, где есть чёткие правила – как, например, в шахматах. Но реальный мир устроен иначе. Даже вождение в городе – не шахматная партия. Там, где среду можно полностью контролировать, автономные системы работают. Там, где она открыта и непредсказуема – человек остаётся незаменимым.
Первоначальное обучение модели только на «правильном» контенте невозможно, поскольку ее качество напрямую зависит от разнообразия данных. Решение: обучение на большой базе данных, затем – применение механизмов фильтрации информации в соответствие с культурными, правовыми и этическими нормами конкретного общества. Это не цензурирование, а адаптация под локальный контекст.
Человек уже не способен отличить сгенерированный контент от реального. Показательный случай: банкир перевёл $25 млн после видеоконференции, будучи убеждён, что общается с реальными коллегами. Это требует системного подхода: верификация видеозвонков при финансовых операциях, технологии маркировки генеративного контента, доступные каждому гражданину.
В России технологии маркировки генеративного контента («водяные знаки») находятся на стадии разработки. Гражданин должен иметь возможность нажать кнопку и узнать, является ли контент сгенерированным.

Дмитрий Савкин

Проректор по международному сотрудничеству МИФИ

Для технических университетов вопрос интеграции ИИ давно закрыт — это не факультативная повестка, а часть институциональной культуры. МИФИ — один из шести вузов, выигравших право создать Центр ИИ по итогам конкурса правительства. Специализация — промышленность и транспорт, работа с реальными индустриальными заказчиками.
В МИФИ ИИ понимается шире, чем генеративные функции и сервисы. Это интеллектуальные системы поддержки принятия решений и машинное обучение в конкретных отраслях: ядерная и лазерная физика, кибербезопасность, доверенный ИИ, создание цифровых двойников на основе больших данных и сложных обучающихся моделей.
Обсуждать ИИ в университетском контексте только через категорию технологических возможностей — значит упускать главное. Технический университет всегда был пространством практического применения технологий, но ИИ меняет не только то, что мы делаем, а то, как мы учимся и организуем научную работу. Это вызов образовательной модели. И ответ на него — задача национального масштаба: от качества подготовки кадров напрямую зависит технологический суверенитет страны.
Ключевая задача технического университета сегодня — не научить пользоваться ИИ, а подготовить специалистов, которые понимают его внутреннюю архитектуру, осознают ограничения и риски и способны задавать стандарты его применения. Нужны инженеры и исследователи, работающие на уровне больших архитектур, моделей и данных. Только хорошо подготовленный специалист способен отличить правдоподобный результат от корректного — и именно эта компетенция становится профессионально определяющей.
ИИ открывает новые инструменты: цифровые лаборатории, симуляторы, индивидуальные образовательные траектории. Но одновременно ставит вопрос: что происходит с инженерным мышлением, если часть инженерных задач мы передаём машине? Ответ однозначен: физика, математика, теория систем — не отменяются, а становятся ещё более значимыми. Чем мощнее инструмент, тем глубже должна быть экспертиза человека, который им управляет. Всё рутинное — накопление данных, поиск информации, первичная обработка — будет делать ИИ.
Методы машинного обучения уже меняют исследовательскую практику: ускоряют обработку экспериментальных данных, выявляют скрытые зависимости, сокращают путь от гипотезы до проверяемого результата. Но вместе с этим растёт цена ошибки. Расширение ИИ в науке требует одновременного усиления требований к воспроизводимости, качеству данных и прозрачности исследовательских процедур. ИИ должен укреплять научную добросовестность — а не размывать её.
Первый — качество кадров: готовить не пользователей, а тех, кто двигает технологию вперёд; не только применять ИИ, но и создавать его. Второй — ответственная интеграция в образование и науку на основе чётких академических и этических стандартов, в диалоге между техническими и гуманитарными вузами. Третий — роль университета как узлового звена между фундаментальной наукой, государственными приоритетами и реальным сектором экономики. Задача не в том, чтобы механически внедрить ИИ — задача в том, чтобы его развитие работало на качество образования, укрепление науки и развитие человека.

Андрей Байков

Проректор по научной работе МГИМО МИД России

Наши подходы — в технических университетах и в академической науке — во многом совпадают, и это неслучайно: мы стоим перед общими вызовами. В книге, которую мы сегодня представляем, это обозначено как искусственная социальность: вопрос о судьбе естественной среды общения, в которой человек формируется как особое социально-биологическое существо, но в которой социально все же доминирует, определяя ту культурную среду, где возникает и развивается цивилизация.
Эпоха, в которую мы входим, напоминает время, когда мускульная сила перестала быть производственной необходимостью: после механизации и автоматизации труда физическая форма превратилась в осознанный выбор — маркер дисциплины, стремления отличаться, быть лучше. Сегодня то же происходит с мышлением. По мере того как ИИ берёт на себя рутинный анализ и принятие базовых решений, тренировка человеческого интеллекта становится аналогом физической культуры. Умение глубоко анализировать, понимать контекст и оценивать социальную приемлемость решений превращается в главное конкурентное преимущество. Задача социогуманитарного университета — объяснить студенту: в условиях, когда можно не думать, сознательный выбор в пользу качественного мышления и есть залог ценности будущего специалиста.
Сам факт производства текста больше не ассоциируется с качеством. Мы по-прежнему готовим тех, кто хорошо пишет, говорит и аргументирует, — но постепенно признаем, что выпускаем не столько производителей текстов, сколько тех, кто способен взять ответственность за написанное. Это авторизаторы, по сути — контролёры ИИ: специалисты, обладающие компетенцией взвесить аргументы с точки зрения их валидности и, главное, оценить предложенное машиной с точки зрения социокультурной приемлемости. Умение сказать машине «нет» и предложить иной ход рассуждения требует ещё более глубокой подготовки в понимании контекста, в который погружён социум или институция.
Регулирование искусственного интеллекта — острая тема, которой занимаются все университеты за рубежом и в России. Мы внимательно изучили этот опыт. Представляемая сегодня книга — результат научного проекта при поддержке Эндаумента МГИМО, и одно из его практических приложений — разработка регламента использования инструментов ИИ. Он опирается на четыре принципа.

Презумпция использования. Мы исходим из того, что ИИ пользуются все. Тотальный запрет создаёт лишь организованное лицемерие, поэтому ИИ разрешён по умолчанию — но в разной степени.
Единый стандарт режимов допуска. Во многих университетах регулирование децентрализовано и отдано индивидуальным предпочтениям преподавателей — это создаёт у студентов принципиально разные горизонты ожиданий от курса к курсу. Мы вводим единый стандарт: режим допуска привязывается к компетенции, которую нужно сформировать. У нас их пять — от нулевого (ИИ запрещён, кроме базовых функций: редактуры, корректуры, форматирования) до четвёртого (ИИ полностью разрешён, в том числе для проработки аргументации и структуры). Чем выше допуск, тем выше требования к качеству итогового продукта.
Проверка компетенции. Преподаватель не превращается в следователя, выясняющего, использовал ли студент ИИ. Студент защищает результат в диалоге: объясняет логику, источники, аргументы — и преподаватель оценивает именно сформированность компетенции, независимо от того, насколько в работе поучаствовала машина.
Калибровка «дома — в аудитории». Студент должен указывать, какие инструменты использовал; ложная декларация повышает его дисциплинарную ответственность. Ключевой механизм контроля: задания на одну и ту же компетенцию должны иметь одинаковый допуск ИИ и дома, и в аудитории, а уровень домашних работ становится для преподавателя калибровочной шкалой при оценке аналогичных аудиторных.

ИИ заставляет нас быть одновременно внимательнее к этике и требовательнее к качеству. Мы настроены оптимистично: при должной разъяснительной работе общий уровень гуманитарного текста и аргументации растёт. Главное — выстроить со студентами доверительный диалог, который не заставляет их скрывать факт использования ИИ, а побуждает открыто декларировать его и производить более качественный текст. Именно так повышается общий уровень гуманитарной и социальной науки.
Результат образовательной деятельности – это набор сформированных компетенций. Для дипломата такими являются обобщение информации, написание аргументированного текста заданного объёма, перевод в обе стороны и т.д.
Каждая дисциплина в рамках образовательной программы должна содержать задания, направленные не только на развитие, но и на проверку сформированности конкретных навыков.
Устные форматы – экзамены, беседы по книге или аналитическому тексту, презентации – остаются принципиально свободными от ИИ. Именно они позволяют проверить глубину понимания и исключить зависимость от внешних инструментов.
Нагрузка на преподавателя возрастает: он сам обязан владеть всеми актуальными системами, чтобы распознать использование ИИ и направить студента в правильное русло.

Елена Зиновьева

Профессор МГИМО МИД России

У нас был большой авторский коллектив — молодые исследователи и состоявшиеся ученые, — собранный, чтобы комплексно посмотреть на проблему использования ИИ в образовании и выработать прикладные рекомендации для преподавателей социогуманитарных дисциплин.
Проект поддержан Эндаументом МГИМО и вёлся на двух уровнях — языковых и специальных кафедр. Мы провели анкетирование студентов и преподавателей о подходах, нормах и ожиданиях в сфере ИИ, изучили практики зарубежных вузов и регуляторные подходы разных государств. С учётом политологической специфики МГИМО отдельно проработали вопросы цифрового и технологического суверенитета и политической предвзятости ИИ: как нарративы генеративных моделей влияют на политические оценки и дискурс и как научить студентов критически их оценивать.
ИИ стал необходимым элементом образовательного процесса. Наши студенты — при всей высокой личной ответственности дипломатической и исследовательской работы — будут опираться на эти инструменты в повседневной деятельности. Преимущество получит тот, кто умеет критически отрефлексировать результаты, понимая вопросы политической предвзятости и технологического суверенитета. Планка профессии поднимается: хороший профессионал — это тот, кто может сделать лучше ИИ. Именно на это и нужно ориентировать студентов.

Структура руководства

Обзорная глава — как ИИ интегрируется в образование.
Этика использования ИИ в учебном процессе: разные подходы и их осмысление.
Грамотность преподавателя: навыки промптинга и постановки задач в новую эпоху искусственной социальности. Преподаватель перестаёт быть эксклюзивным носителем знаний и становится навигатором в мире, где знания избыточны, а ключевая компетенция — их критическая оценка. Он личным примером демонстрирует информационную гигиену, критическое мышление и готовность к постоянному обучению.
Интерактивные задания, апробированные на факультете международных отношений, факультете международной журналистики и других специальных кафедрах: типология, анализ реализации, базовые подходы к внедрению ИИ в гуманитарное образование на опыте преподавателей МГИМО. Одна из самых ценных глав.
Выявление некорректного использования ИИ. В руководстве мы приводим стилистические и лингвистические паттерны нейросетей, но определяющим остаётся живое общение. В эпоху искусственной социальности — это роскошь. По-видимому, именно в этом заключается главная ценность современного университета.
Список полезных инструментов ИИ для социогуманитарной сферы.

Информационная безопасность – отдельная компетенция: студент обязан понимать, на чьих серверах хранятся данные, что можно загружать в открытые системы, а что допустимо только в защищенном контуре.

Никита Неклюдов

Заместитель декана Факультета МО МГИМО

Остановлюсь на двух аспектах: как ИИ влияет на исследовательскую практику в социогуманитарных науках (спустя два с половиной года можно оценить первые последствия) и как это отражается в академической практике — на примере журнала «Международные процессы», чей подход созвучен тому, что реализует МГИМО. Речь именно о социогуманитарной сфере: критерии научного результата здесь иные, чем в точных и естественных науках — это текст, что задает другую оптику.

Первые последствия применения ИИ в исследовании

ИИ не дал ожидаемой экономии времени. Раскрыв массивы информации, он превратил ее недостаток в абсолютный избыток и добавил еще больше штрихов и так сложной социальной реальности. Не будучи волшебной палочкой, ИИ за счет поисковых мощностей требует от исследователя еще больше усидчивости, времени на перепроверку фактов и — главное — на их интерпретацию.
Преимущества есть — на уровне ниже. ИИ продуктивно решает базовые задачи: черновик письма, конспект, перевод, первичный мозговой штурм. Но задачи, требующие поиска причинно-следственных связей, интерпретации социальной реальности, абстрактного творческого мышления, — пока ему не по силам. В нашей сфере он малоэффективен и при работе с материалом, корректной и однозначной информации о котором в интернете попросту нет, — а аналитик в международных отношениях в режиме онлайн анализирует вещи ранее немыслимые.
Отсюда риск для рынка труда: могут исчезнуть специалисты низшего звена — помощники, стажеры. Высшей школе придётся воспитывать сразу руководителей среднего уровня, умеющих распознавать галлюцинации в своей сфере и способных на архитектурное планирование исследований, теоретизирование и постановку задач — и ИИ, и людям, работающим с ИИ.
Систематическое использование хронически приводит к мультипликации однообразных идей и формулировок. Читая тексты студентов, мы уже сталкиваемся с узнаваемым новоязом, позволяющим распознать ИИ без детекторов. Причина следующая: ИИ предлагает статистически наиболее вероятное, а не нетривиальное решение. Слабые аналитики с его помощью подтягиваются, а сильные при систематическом использовании рискуют потерять собственный голос.
Серьезный вызов образованию. Человек без фундаментальных знаний перед ИИ абсолютно бессилен. Критическое мышление — важнейшая защита от редких, но значимых по последствиям галлюцинаций ИИ. Если такую ошибку не заметить в исследовании, от которого зависят судьбоносные решения — во внешней политике, внешнеэкономической деятельности, — а ответ выглядит правдоподобно, человек перед ИИ беззащитен. Вызов в полной мере еще не осознан: наше поколение столкнулось с ИИ уже будучи сформировавшимися специалистами, а задача адаптировать образовательный процесс для следующего поколения еще впереди.

Как это решается на уровне академической публикации

Есть как минимум две модели регулирования ИИ. Радикально запретительная нам кажется непродуктивной: зафиксировать использование ИИ будет все сложнее. Мы придерживаемся декларационной модели, исходя из того, что полностью запретить ИИ нельзя и нужно работать с фактом его систематического использования.
Автор после направления статьи и получения рецензии заполняет декларацию об использовании ИИ. Есть и графа «не применялся», но к ней мы относимся скептически.
Базовый принцип, под которым подписываются все авторы: ИИ не может быть соавтором академического текста. Он не несет юридической субъектности и не может брать ответственность за написанное. Полная ответственность лежит исключительно на авторах-людях — субъектах академического знания.
В декларации выделены разделы: формулирование исследовательского вопроса и гипотезы (здесь ИИ особенно эффективен на этапе мозгового штурма); разработка методологии, включая написание кода для статистического анализа; лингвистическая и стилистическая правка (особенно ценна для неносителей языка); отработка комментариев рецензентов и формулирование ответов; технические задачи— оформление сносок, списка литературы, удержание объёма аннотации.

Применение ИИ в образовании

С одной стороны, ИИ упрощает подготовку (например, автоматическое создание презентаций без чтения книги). С другой, может привести к резкому снижению качества обучения.
Практика работы с книгами на кафедре прикладного анализа международных проблем МГИМО: одной книге посвящается вся пара – два академических часа. Студент заранее готовит рукописный конспект, при необходимости используя ИИ как инструмент освоения текста: книга загружается в закрытый проект в чате, и модель настраивается работать исключительно с этим текстом. Студент постепенно разбирает материал в диалоге с ИИ, а итогом становится написанный от руки конспект – единственное, с чем он приходит на семинар. Студент либо переписывает то, что ИИ объяснил, либо фиксирует собственные мысли – в любом случае он усваивает материал.
В аудитории действует режим без ИИ: преподаватель тоже приходит на занятие с рукописным конспектом по той же книге. Сам семинар строится как живой диалог: как интерпретировать книгу, не потеряла ли она актуальность.

Василий Виноградов

Эксперт Центра анализа и продвижения результатов научной деятельности МГИМО

Современные языковые модели плохо улавливают сложные связи — это связано и с процессом обучения, и с особенностями. Нарезка данных на токены обрубает скрытые смыслы, благодаря которым возникает юмор, общая конструкция считывается человеком, но теряется при обучении.
Более серьёзная проблема — быстрое устаревание датасетов. Модель обучена на данных 2025 года, а в 2026-м мы живём уже в новой реальности и новой системе, и проблему нужно решать.
RAG-системы. Модель используется не как «библиотекарь», а обращается к внешней базе знаний и на ее основе выдает ответ. Это решает проблему устаревания, но порождает новую: RAG — это векторная база, которая тоже нарезает тексты на куски. Эти куски нередко грубо обрубают информацию — самое интересное не попадает в ответ. Бывает и так, что ключевое знание размазано по тексту: рассчитываешь вычитать все из аннотации, а суть зарыта в середине статьи. RAG эту проблему не решает.
LLM в Википедии. Концепция Андрея Карпатого, одного из основателей OpenAI. Идея в том, чтобы просить ИИ не просто обращаться к документам, а создавать на основе системы знаний статьи википедийного формата со ссылками. Это решает проблему контекста: модель группирует знания, обобщает их и связывает между собой в единую систему. Это не противоречит RAG — их можно использовать вместе: одна LLM работает как редактор, создающий тексты, другая — как библиотекарь, который находит и выдает нужную информацию. Карпати фактически задал смену парадигмы: вопрос теперь не «где искать информацию», а «как ее удобно организовать».
Следующую версию учебника мы планируем организовать именно так. Бумажный учебник станет золотым стандартом — хранилищем самой проверенной информации, — но будет сосуществовать с цифровой формой как постоянно обновляемая система знаний. Это решает на корню ключевую проблему учебников — их быстрое устаревание. Авторы превращаются в верификаторов, которые читают обновления и нередко сами открывают для себя новое.
Сложные агентные системы с использованием ИИ — новый золотой стандарт. Из личного опыта: я активно использую агентные системы для написания кода. Это сильно облегчает жизнь: то, что раньше требовало много времени — например, дата-аналитический проект, — сейчас занимает минуты. Дальше я выступаю как проектный менеджер: верифицирую результат, проверяю статистическими методами, могу параллельно вести несколько проектов. За агентными системами будущее — не только как за инструментом, но и как за способом организации знаний. Рано или поздно именно языковые модели возьмут на себя структурирование знания.
Распространенная проблема – копирование студентами ответов из ИИ без понимания содержания. В результате преподаватели получают сгенерированный, поверхностный и некачественный материал, который легко распознается. Это не столько злой умысел, сколько отсутствие понимания того, как работают модели и какие риски они несут.
Агентные системы с верификацией источников (Perplexity, Deep Research) существенно снижают вероятность галлюцинаций по сравнению с прямыми запросами к базовой модели. Студентов необходимо обучать использованию различных инструментов и пониманию их ограничений.
Любой факт, особенно в узкоспециализированной области, должен проверяться вручную. Нельзя полагаться на ИИ как на единственный источник истины, поскольку он зачастую не могжет сказать «не знаю» – отсюда изобретенные источники и несуществующие цитаты (хотя современные модели с этим справляются лучше).
Один из способов повысить достоверность – перекрестная проверка: один и тот же вопрос задается нескольким моделям разной архитектуры, а при сравнении ответов выявляются противоречия.