Образование для мастера и облака агентов

Фундаментальная позиция Академии Света и образовательных ресурсов XPower

Алексей Ананьин и группа «Эшелон»

26 сентября 2026 года

Мы строим наши академии как среду непрерывного развития интеллекта, специализированных агентов и людей, которые умеют с ними работать. Базовый интеллект связывает области знания. Облако агентов помогает следить за исследованиями, сопоставлять данные, выполнять расчёты и проверять решения. Мастер задаёт направление, организует работу команды и отвечает за то, что в итоге происходит с человеком, оборудованием и средой.

У этой позиции есть вполне практическая причина. Круг задач, с которыми мы работаем, давно вышел за границы одной профессии. В нём пересекаются биология, инженерия, космос, электричество и энергия в целом, архитектура, экономика, национальная безопасность, работоспособность человека и возможности больших человеческих сообществ. Каждая из этих областей продолжает меняться. Новые результаты появляются и внутри дисциплин, и на их пересечениях.

Поэтому академия должна помогать человеку ориентироваться в целом, углубляться там, где требуется его собственное суждение, и управлять постоянно обновляемой системой знаний. Единицей профессиональной работы для нас становится связка «мастер + команда людей + интеллект + агенты + средства измерения».

1 Почему у нашей академии такие широкие границы

Возьмём свет. У светильника есть электрическая мощность, спектр, оптика, тепловой режим, система управления и срок службы. У помещения есть геометрия, поверхности, дневной свет и сценарии использования. У человека есть зрительная задача, распорядок жизни, возраст, индивидуальные особенности и накопленная усталость. У организации есть расходы, производственные требования и ответственность за условия работы.

Один проект освещения поэтому требует нескольких языков сразу. Инженер рассчитывает установку. Архитектор видит пространство. Специалист по биологии формулирует вопросы о воздействии света на организм. Экономист проверяет стоимость владения. Руководитель эксплуатации оценивает ремонтопригодность и возможность поддерживать заданный режим годами. Качество общего решения зависит от того, насколько хорошо эти знания соединены.

В наших образовательных ресурсах работоспособность человека (human performance) включает способность видеть, воспринимать информацию, учиться, действовать точно, восстанавливаться и выдерживать нагрузку. Индивидуальная производительность относится к результатам конкретной деятельности. Под популяционной производительностью мы понимаем совокупную способность сообщества учиться, создавать, обслуживать инфраструктуру и поддерживать качество жизни. Здесь нужны ясные показатели и аккуратный переход между масштабами: результат лабораторного опыта с небольшой группой ещё предстоит проверить в школе, магазине, городе или отрасли.

Энергетика и национальная безопасность входят в этот круг через устойчивость инфраструктуры, доступность ресурсов, надёжность связи и вычислений, сохранение компетенций. Космос добавляет задачи ограниченных ресурсов, автономности, длительной эксплуатации и высокой цены ошибки. Опыт космической системы может подсказать полезный принцип для земного объекта; его применимость проверяется в конкретных условиях.

Прошлое даёт нам опыт долговечности, эксплуатации и неудач. Будущее требует работы со сценариями. Пограничная наука позволяет рассматривать идеи, которые ещё проходят проверку. Для каждого такого материала академия должна показывать его статус: воспроизводимый результат, предварительное наблюдение, модель, гипотеза или авторское предположение. Смелость вопроса должна сопровождаться точностью в отношении доказательств.

2 Поток знаний превосходит возможности одного специалиста

По нашей предварительной оценке, в широком круге интересующих нас тем ежедневно появляется порядка 350–600 научных статей. Это рабочая авторская оценка масштаба. Для её библиометрического подтверждения потребуется зафиксировать темы, базы, период подсчёта и правила удаления дублей, включая препринт и последующую журнальную публикацию одной работы.

Даже такой предварительный диапазон позволяет увидеть размер задачи. При десяти минутах на первичное знакомство с каждой работой получается около 58–100 часов ежедневно. Это условный расчёт трудоёмкости: полноценное изучение метода, проверка расчётов и сопоставление с предыдущими результатами потребуют дополнительного времени.

При этом профессиональная работа включает объект, людей, измерения, проектирование, договорённости и последствия решений. Человек может глубоко понимать своё дело и при этом физически пропускать важные изменения в смежных областях. Никакая программа повышения квалификации раз в несколько лет полностью эту проблему не решает.

Есть и другая трудность. Сам факт появления статьи ещё ничего не говорит о её практической ценности. Система должна находить повторы, видеть ограничения эксперимента, учитывать исправления и отзывы публикаций, сопоставлять противоречивые результаты. Нужен постоянный отбор знаний с сохранением возможности вернуться к первоисточнику.

Именно эту работу мы рассчитываем всё больше передавать интеллекту и агентам. Возможность автоматизированного охвата широкого потока требует проверки полноты и качества самого мониторинга. Список прочитанных документов сам по себе ещё не показывает, что система поняла предмет и сделала надёжный вывод.

3 Что мы понимаем под обучением интеллекта

Базовый интеллект в нашей модели представляет собой одну или несколько сильных моделей, способных понимать задачу, связывать предметные области и координировать работу. Специализированный агент получает определённую функцию, доступ к нужным источникам и инструментам, правила проверки и границы полномочий. Несколько агентов могут использовать одну базовую модель и при этом выполнять разные задачи.

Слово «обучение» здесь включает несколько разных процессов. Разработчики обучают и обновляют базовые модели. Мы формируем профессиональную среду их применения: проверенные материалы, словари, методики, расчётные инструменты, примеры, инструкции и испытания. При наличии оснований и ресурсов возможно отдельное дообучение модели на подготовленных данных.

Загрузка свежей статьи в базу знаний или передача её агенту в текущем задании обновляет доступную ему информацию. Изменение параметров самой модели требует отдельной процедуры. Для академии это различие существенно: она должна точно описывать, что обновилось, какая версия используется и какие проверки пройдены.

Агенту недостаточно выдать название профессии. Ему нужны рабочая задача, качественные исходные данные, пригодные инструменты и понятный критерий результата. Агент по светотехнике должен уметь обращаться к измерениям и расчётам. Агент по экономике должен показывать допущения и чувствительность модели. Агент по научным данным должен различать экспериментальный результат и интерпретацию авторов.

Облако агентов имеет смысл там, где функции можно разделить и затем согласовать. Число агентов мы связываем со сложностью задачи, ценой ошибки и стоимостью вычислений. Простому вопросу может быть достаточно одного исполнителя. Сложному проекту нужны несколько компетенций и отдельная проверка их совместимости.

4 Академия должна быть понятна человеку и пригодна для агентов

У нашей академии два адресата. Человеку нужна карта предмета: основные понятия, причинные связи, важные вопросы, типовые ошибки и понимание того, кого привлекать к работе. Агенту нужны материалы, которые можно надёжно найти, интерпретировать, применить и проверить.

Поэтому за каждой значимой методикой должны стоять источники, дата проверки, область применимости, ограничения и примеры. За расчётом должны быть видны формула, единицы измерения, исходные данные и допущения. За утверждением об эффекте должны быть понятны условия измерения и способ сравнения.

Для человека это может быть короткая статья, разбор объекта, разговор с мастером, лабораторная работа или обучение на реальной задаче. Для агента тот же материал может существовать как структурированная карточка, инструкция, набор данных и контрольные задания. Обе формы должны опираться на одну проверяемую основу.

Представим, что новая работа уточняет границы применимости используемого нами подхода. Академия должна помочь найти связанные уроки, расчёты, инструкции агентов и проекты, которым требуется пересмотр. Так обновление знания становится конкретной работой с последствиями.

Отдельная задача академии состоит в сохранении опыта мастеров. Нужно записывать, какие признаки они замечают на объекте, почему сомневаются в расчёте, как понимают состояние оборудования, в какой момент прекращают эксперимент. Такой опыт становится учебным материалом после разбора условий, проверки и ясного описания границ применимости.

5 Для чего нужен настоящий мастер

Мастер видит предмет целиком. Он или она понимает, какой результат нужен, кому он нужен, чем придётся заплатить и как проверить, что работа доведена до конца. При этом мастер сохраняет глубокую компетенцию в своём деле и умеет привлекать людей с другой специализацией.

Академия помогает ему расширять обзор. Световику полезно понимать, когда вопрос переходит в биологию, когда требуется экономический расчёт, когда решение упирается в эксплуатацию. Глубокую специальную работу можно распределять между агентами и профильными специалистами. Собственное понимание мастера должно быть достаточным, чтобы поставить вопрос, оценить ответ и заметить опасное упрощение.

У этой роли остаются вполне конкретные обязанности: определить цель и критерии качества; проверить исходные данные; установить полномочия исполнителей; организовать измерения и испытания; принять решение в пределах своей компетенции; обеспечить сопровождение результата. Для начинающего путь к такой роли проходит через практику под наблюдением опытных людей.

Профессиональное суждение формируется в работе с реальностью. Оно включает понимание того, чего мы пока не знаем. Мастер должен уметь остановиться, пригласить другого специалиста, потребовать повторное измерение и признать, что красивое решение пока не готово к внедрению.

Агенты помогают удерживать больше деталей, возвращаться к незавершённым действиям, замечать изменения и документировать результат. Команда людей обеспечивает дополнительные компетенции и работу на объекте. Для нас проверкой мастерства становятся завершённость, надёжность и долговечность созданного. Важен и срок после сдачи проекта, когда решение продолжает жить без автора рядом.

6 Как эта модель работает в Академии Света

Допустим, нужно обновить освещение магазина. Сначала мастер вместе с заказчиком определяет задачи: видимость товара, удобство работы, состояние пространства, энергопотребление, обслуживание. Если заявляется влияние на работоспособность или поведение людей, для такого утверждения заранее выбираются отдельные показатели и подходящий способ проверки.

Далее работа распределяется. Один агент собирает исходные данные и отмечает пробелы. Другой изучает научные источники по поставленным вопросам. Третий помогает рассчитывать световую среду. Четвёртый сопоставляет режимы управления и расход энергии. Пятый считает стоимость владения. Проверяющий агент ищет несовместимые допущения, слабые источники и ошибки в единицах измерения. Мастер и профильные специалисты разбирают полученные результаты.

Академия должна учить видеть место каждого вывода. Измерение освещённости описывает определённую характеристику световой среды. Утверждение о снижении ошибок сотрудников требует наблюдений за ошибками. Утверждение о росте продаж требует анализа продаж с учётом иных факторов. Связь между этими результатами предстоит установить.

Пилот помогает сопоставить проект с реальным объектом. Сохраняются исходные условия, фиксируются изменения и выбирается обоснованное сравнение. Сезон, ассортимент, трафик, состав смен и другие существенные факторы учитываются при оценке результата. Величина эффекта сопровождается описанием неопределённости.

После внедрения в академию возвращаются данные эксплуатации: отклонения, ремонт, жалобы, удачные решения и причины пересмотра. На их основе уточняются материалы для людей и инструкции для агентов. Так обучение получает обратную связь от действующего объекта.

7 Доверие строится через испытания

Мы считаем правильным оценивать рабочую связку «профессионал + агенты + инструменты» на конкретном классе задач. Человек должен продемонстрировать постановку задачи, понимание ограничений и способность проверить результат. Агенты должны пройти задания, в которых можно установить правильность ответа и качество действий.

Для такой оценки нужны в том числе неудобные случаи: неполные данные, устаревшая методика, противоречащие друг другу источники, неправдоподобно выгодный результат, выход за область компетенции. Хорошая система должна распознавать, когда необходимы дополнительные сведения или участие специалиста.

Согласие нескольких агентов имеет ограниченную доказательную силу. При общей модели, одинаковых источниках и сходных инструкциях они могут воспроизводить одну ошибку. Поэтому существенные выводы проверяются по первичным данным, расчётам, измерениям и, где это требуется, независимой экспертизой.

Для допуска к рабочей задаче мы предлагаем фиксировать версии моделей и инструментов, условия применения и срок пересмотра оценки. Существенное обновление системы служит основанием повторить относящиеся к нему испытания. Такая внутренняя оценка компетентности должна иметь точно заявленный статус и область действия.

Сама академия также должна быть проверяема. Её качество можно оценивать по достоверности материалов, скорости исправления ошибок, способности выпускников решать реальные задачи, качеству обслуживания объектов. Посещаемость уроков и количество выданных документов показывают лишь часть образовательной работы.

8 Кто уже развивает близкие подходы

У нашей позиции есть интеллектуальные предшественники и современные практические аналоги. Они совпадают с отдельными принципами нашей модели. По масштабу, назначению и степени готовности эти примеры различаются.

Дуглас Энгельбарт. В работе «Усиление человеческого интеллекта» (Augmenting Human Intellect, 1962) он рассматривал обученного человека вместе с инструментами, языком и методами как целостную систему. Развитие возможностей человека у него связано с совместным изменением всех этих частей. Для нашей академии это важная исходная мысль: инструмент, подготовка пользователя и организация труда должны развиваться согласованно. [1]

Google Co-Scientist. В мае 2026 года Google описал систему на базе Gemini, в которой специализированные агенты предлагают, критикуют, ранжируют и дорабатывают научные гипотезы. Исследователь получает предложения для дальнейшей работы. На той же странице биолог Риту Раман из MIT объясняет, как система помогает ей разбирать литературу, структурировать идеи и понимать, какую экспертизу искать у коллег. Это близкий пример сочетания учёного, агентов и человеческой исследовательской команды. Опубликованные применения относятся к определённым задачам; качество требует предметной проверки. [2]

Anthropic Research. В инженерном описании 2025 года компания раскрыла исследовательскую систему с ведущим агентом и специализированными исполнителями, которые изучают разные направления. Авторы отдельно разбирают постановку задач, инструменты, оценку качества и координацию. Они также отмечают высокую стоимость вычислений и ограничения для тесно связанных задач. Для нас это практическое основание соотносить устройство облака агентов с характером работы. [3]

Исследователи Harvard Business School, Wharton и команда P&G. В опубликованной в июне 2026 года работе «Кибернетический коллега» (The Cybernetic Teammate) описан эксперимент с 791 специалистом Procter & Gamble. В задачах продуктовых инноваций участники с ИИ лучше соединяли технические и коммерческие соображения; отдельные участники с ИИ достигали качества команд без ИИ. Авторы также выделяют сохраняющуюся ценность человеческого суждения при выборе идей. Среди авторов Итан Моллик и Карим Лахани. Эти результаты поддерживают идею совместной компетентности в изученных условиях; перенос в другие профессии требует проверки. [4]

Министерство энергетики США и Genesis Mission. Официальная программа объединяет научные данные, вычислительные системы, экспериментальные установки и ИИ, связывая исследования с энергетикой и национальной безопасностью. В её центре находится совместная работа научной инфраструктуры и интеллектуальных систем. Это пример институционального движения в близкую сторону. Заявленные цели программы следует оценивать отдельно от достигнутых результатов. [5, 6]

Эти примеры позволяют уверенно говорить, что сочетание человеческого профессионализма с распределённым интеллектом уже стало предметом серьёзных исследований и практических разработок. Наша собственная задача состоит в том, чтобы последовательно перенести эту логику в устройство отраслевой академии, подготовку мастеров и сопровождение реальных объектов.

9 Наша фундаментальная позиция

Области знаний, с которыми мы работаем, слишком обширны и подвижны для полного индивидуального охвата. Поэтому мы делаем ставку на постоянное развитие базового интеллекта и облака специализированных агентов. Академия должна обеспечивать их проверяемыми знаниями, методами и обратной связью от практики.

Человеку академия даёт ориентиры и путь к мастерству. Она помогает видеть предмет целиком, задавать точные вопросы, управлять агентами, привлекать нужных специалистов и проверять результат. При этом сохраняются собственная профессиональная подготовка, способность действовать и ответственность за решения.

Мы хотим, чтобы мастер мог работать с широтой знаний, которая раньше требовала большой организации, и опираться на людей там, где необходимы их опыт и участие. Его или её внимание должно доходить до качества установленного света, состояния оборудования, удобства человека и судьбы проекта после сдачи.

Именно для такой работы мы создаём Академию Света и развиваем наши образовательные ресурсы.

Формулировка для входа в академию

Область знаний, которой посвящена эта академия, обширна и постоянно меняется. Мы делаем ставку на непрерывное развитие базового интеллекта и облака специализированных агентов. Людям академия помогает ориентироваться в предмете, развивать мастерство, ставить задачи, управлять агентами и проверять результаты. В центре этой работы остаётся профессионал: он или она соединяет знания, команду и инструменты, принимает решения и отвечает за качество того, что происходит в реальности.

Источники

Источники проверены 26 сентября 2026 года. Оценка 350–600 публикаций в день принадлежит авторам статьи и требует отдельного библиометрического подтверждения.

[1] Douglas C. Engelbart. Augmenting Human Intellect: A Conceptual Framework. Stanford Research Institute, 1962. https://dougengelbart.org/content/view/138/

[2] Google DeepMind. Co-Scientist: A multi-agent AI partner to accelerate research. 19 May 2026. https://deepmind.google/blog/co-scientist-a-multi-agent-ai-partner-to-accelerate-research/

[3] Anthropic. How we built our multi-agent research system. 13 June 2025. https://www.anthropic.com/engineering/multi-agent-research-system

[4] Fabrizio Dell’Acqua et al. The Cybernetic Teammate: A Field Experiment on Generative AI and Teamwork. Organization Science. Published online 12 June 2026. DOI: 10.1287/orsc.2025.20702. https://pubsonline.informs.org/doi/10.1287/orsc.2025.20702

[5] U.S. Department of Energy. The American Science and Security Platform. https://www.energy.gov/undersecretaryforscience/genesis-mission/american-science-and-security-platform

[6] U.S. Department of Energy. Genesis Mission. https://genesis.energy.gov/