Ви вступили на інженерну спеціальність. Попереду математичний аналіз, фізика, програмування, лабораторні роботи. Тим часом ШІ вже пише програми, розв’язує задачі й пояснює формули. Виникає цілком розумне запитання: навіщо витрачати роки на те, що машина виконує за хвилини?
Відповідь залежить від того, що ми називаємо інженерією. Якщо лише виробництво коду, креслень і розрахунків, частина цієї роботи справді автоматизується. Але інженер має ще з’ясувати, яку задачу варто розв’язувати, побудувати придатну модель, визначити обмеження й перевірити, чи працює рішення за межами демонстрації.
ШІ змінює інженерний фах, а фундаментальна освіта стає критичнішою для здатності ним керувати. Це висновок цієї статті, а не твердження, ніби дослідження вже виміряли зростання цінності кожного університетського предмета. Джерела показують конкретні складові: потребу робототехніки в математичних моделях, залежність наукового ШІ від предметних знань, значення якості даних і ризик підмінити навчання отриманням відповідей.
У книзі «Clarity Engineer» ця зміна описана через інженерну роботу з ясністю: перетворення неоднозначного наміру на вимоги, моделі й перевірювану реалізацію. Для першокурсника це означає, що навчатися потрібно не лише виконувати операції, а й розуміти, чому вони доречні та за яких умов дають правильний результат. [1]
Уявімо навчальний проєкт: робота, який пересувається теплицею, оцінює стан рослин і допомагає керувати поливом. На його прикладі можна побачити, чому майбутнє інженерії потребує різних фундаментальних дисциплін одночасно.
Що змінюється в роботі інженера
ШІ може запропонувати програму керування поливом. Але фраза «поливати, коли рослині бракує води» ще не є достатньою специфікацією. Як визначати нестачу води? Який датчик використати? Наскільки свіжим має бути вимірювання? Що робити, коли показники суперечать фотографії? Чи безпечно продовжувати роботу після втрати зв’язку?
Кожне запитання потребує знань про систему. Вдала відповідь залежить від фізики вимірювання, біології рослини, статистики похибок і правил керування обладнанням. Згенерувати код можна раніше, ніж розібратися в цих питаннях. Тоді програма лише закріпить невизначені або помилкові припущення.
Тому в освіті зростає значення повного ланцюжка: задача, модель, реалізація, перевірка, спостереження за роботою. У книзі цьому відповідають розділи про моделі систем, контракти та цикл перевірки. [1]
Програмувати й самостійно розв’язувати задачі все одно потрібно. Саме така практика формує розуміння, з яким ви згодом перевірятимете автоматично отримане рішення. Початківець не стає компетентним рецензентом лише тому, що має доступ до генератора відповідей.
Фізичний ШІ повертає нас до матеріального світу
Під фізичним ШІ тут маються на увазі системи, які сприймають середовище й діють у ньому: роботи, автономні машини, адаптивне виробниче обладнання. Їм недостатньо сформувати переконливий текст. Вони повинні взаємодіяти з предметами, рухатися й реагувати на зміни.
Один із прикладів — Gemini Robotics, представлений Google DeepMind у березні 2025 року. Розробники описують модель vision-language-action, яка поєднує зорову інформацію, мовні інструкції та керування діями, а також модель для просторового міркування. Це свідчення розвитку напряму, але не доказ універсальної надійності роботів: заявлені можливості мають конкретні умови випробувань. [2]
Робот у теплиці працює серед мокрих поверхонь, листя, тіней і людей. Камера не бачить усього, колеса можуть ковзати, а зв’язок — перериватися. Інженер має розуміти різницю між зображенням, оцінкою стану та самим фізичним станом. Здатність моделі впізнати горщик не доводить, що робот правильно оцінив відстань до нього або зможе вчасно зупинитися.
Звідси практичний висновок: розвиток ШІ, що діє у світі, робить знання про цей світ частиною проєктування й перевірки системи.
Математика дає змогу оцінити відповідь
Лінійна алгебра потрібна для координат, перетворень, станів систем і багатовимірних даних. Похідні та диференціальні рівняння описують зміни. Теорія ймовірностей допомагає працювати з неповними спостереженнями, а статистика — оцінювати результати експериментів. Оптимізація потрібна, коли доводиться обирати рішення за кількох обмежень.
Цей зв’язок добре видно в матеріалах курсу MIT «Underactuated Robotics»: робототехнічні задачі розглядаються через динаміку, керування та обчислювальні методи; серед передумов навчання названо лінійну алгебру й диференціальні рівняння. [3]
Для нашої теплиці математичне запитання може бути простим: наскільки можна довіряти датчику? Одне число на екрані не описує його точності. Потрібно зрозуміти розкид вимірювань, можливий систематичний зсув і наслідки помилки для рішення про полив.
Або система демонструє 95% правильних класифікацій стану рослин. Без інформації про частку різних станів, типи помилок і спосіб формування тестової вибірки ця цифра мало говорить про корисність системи. Якщо рідкісні, але важливі випадки розпізнаються погано, висока загальна точність може приховувати проблему.
ШІ здатен обчислити метрику. Інженер повинен обґрунтувати вибір метрики та пояснити, що вона залишає поза увагою. Тому на першому курсі варто запитувати не лише «як отримати число», а й «яке твердження про світ це число дозволяє зробити».
Фізика пояснює межі моделі
Розгляньмо спрощену оцінку зупинки робота на прямій:
\[ d \approx v\tau + \frac{v^2}{2a}. \]
Тут \(v\) — початкова швидкість, \(\tau\) — затримка перед початком гальмування, а \(a>0\) — величина сталого гальмівного прискорення. Перший доданок описує шлях за час затримки, другий — шлях гальмування. За цих припущень подвоєння швидкості збільшує другий доданок учетверо.
Це навчальна модель, а не готовий розрахунок безпечної дистанції. На реальну зупинку впливають зчеплення, нахил, навантаження, робота приводів і похибка оцінки швидкості. Саме фізична підготовка допомагає назвати ці припущення й помітити, коли формулу застосували за межами її придатності.
Поєднання фізики та машинного навчання вже є окремим дослідницьким напрямом. У роботі Karniadakis та співавторів розглядаються методи включення фізичних знань у навчання моделей, їхні можливості й обмеження. Закони та рівняння можуть допомагати моделі, проте не скасовують перевірки. [4]
Лабораторна робота тому має особливу цінність. Вона вчить бачити різницю між ідеалізованою схемою та вимірюванням, яке містить шум, втрати й невраховані чинники.
Біологія потрібна там, де система працює з живим
Для робота в теплиці виявити зміну кольору листка ще не означає встановити її причину. Одна зовнішня ознака може мати кілька пояснень. Рішення про втручання потребує знань про рослину, середовище та спосіб перевірки гіпотези.
Ширший приклад взаємодії ШІ й біології — AlphaFold 3. У статті Abramson та співавторів показано прогнозування структури комплексів, до яких входять білки, нуклеїнові кислоти, малі молекули та інші компоненти. [5]
Але прогноз структури сам по собі не встановлює всієї біологічної функції чи поведінки системи. Потрібно розуміти, що саме моделюється, які дані використано та яким експериментом перевірити висновок. У цьому й полягає освітній урок: інструмент відкриває нові можливості для предметного фахівця.
Біологія не є однаково центральною для кожної інженерної спеціальності. Для біоінженерії, агротехнологій, протезування, біосенсорів і взаємодії роботів із людиною її роль безпосередня. Для інших напрямів корисне базове розуміння живих систем і вміння співпрацювати з відповідними спеціалістами. Не потрібно ставати експертом у всьому; потрібно знати межі власної компетентності.
Філософія допомагає правильно поставити задачу
Філософські питання з’являються в інженерії щоразу, коли ми вирішуємо, що вважати знанням, поясненням, успіхом або допустимим ризиком.
Епістемологія — філософія пізнання — допомагає розрізняти спостереження, припущення й обґрунтований висновок. У нашому проєкті показник датчика, припущення про стан рослини та рекомендація поливу мають різний статус. Якщо система записує їх як однаково достовірні факти, помилки накопичуватимуться.
Етика потрібна вже під час вибору мети. «Максимізувати врожай» не визначає, скільки води дозволено витрачати, як врахувати умови праці людей і хто може зупинити автоматизоване рішення. Ці питання не зникають після вибору функції оптимізації: вони визначають її зміст.
Floridi та Cowls пропонують рамку етичних принципів ШІ, що охоплює користь, уникнення шкоди, автономію, справедливість і можливість пояснення та підзвітності. Це нормативна рамка для обговорення рішень, а не експериментальний доказ їхньої ефективності. [6]
Студентові філософія дає практику роботи з аргументами: визначити поняття, виявити приховане припущення, розглянути заперечення й пояснити власний вибір. Така практика потрібна ще до того, як ШІ почне реалізовувати поставлену задачу.
Керування даними та керування знаннями мають різні завдання
Для навчальної теплиці можна зібрати тисячі вимірювань. Але вони будуть малокорисними, якщо втрачено одиниці вимірювання, час, місце встановлення датчика або інформацію про його калібрування.
Керування даними охоплює структуру, якість, зберігання, доступ, версії та перетворення записів. Принципи FAIR пропонують орієнтири: дані мають бути знаходжуваними, доступними за визначеними умовами, сумісними й придатними до повторного використання. FAIR не означає, що всі дані потрібно безумовно відкрити: принципи допускають автентифікацію та авторизацію. [7]
Керування знаннями стосується також значення й підстав висновку. Хто вирішив, що певне правило поливу придатне для цього виду рослин? Які спостереження його підтримують? Для яких умов воно працює? Коли правило переглянули?
Сімейство специфікацій W3C PROV описує походження інформації через сутності, дії та відповідальних учасників. Це дає спосіб зберігати ланцюжок від джерела до результату. Саме по собі походження не гарантує істинності, але допомагає перевіряти й відтворювати висновки. [8]
У студентському проєкті для початку достатньо словника термінів, схеми даних, журналу експериментів і запису причин важливих рішень. Згодом можна додати онтології та графи знань. Графова база не є обов’язковою умовою якісного ШІ: технологію слід обирати під задачу. Важливо, щоб значення, джерела й обмеження інформації не губилися.
Логіка та верифікація перетворюють намір на перевірювану вимогу
Побажання «робот має працювати безпечно» надто загальне для перевірки. Конкретніше правило для навчального контролера: «коли спрацьовує аварійна зупинка, контролер не повинен видавати нову команду руху».
Тепер можна визначити стани системи, допустимі переходи й інваріант — властивість, яка має зберігатися. З’являються запитання про одночасні події: що буде, якщо команда руху й сигнал зупинки надійдуть майже разом? Що станеться після перезапуску?
Логіка потрібна для точного вираження умов і наслідків. Дискретна математика — для моделей станів і графів. Типи й контракти — для обмеження допустимих операцій. Тести, перевірка моделей і формальні докази надають різні види свідчень про коректність.
Ці методи мають промислове застосування. Newcombe та співавтори описали використання формальних специфікацій і перевірки моделей в Amazon Web Services для складних розподілених систем. Водночас вони наголошують: перевіряється модель, і її відповідність реальній системі залишається окремою інженерною відповідальністю. [9]
Тут важливо розрізняти верифікацію — відповідність реалізації заданим вимогам — і валідацію: чи відповідають вимоги та система реальній потребі. Можна бездоганно реалізувати правило поливу, яке шкодить рослинам. А доказ властивості програми не доводить справності датчика чи гальм.
Практична настанова для роботи із ШІ: критерії прийняття слід визначати до генерації рішення. Перевірка має спиратися на вимоги, незалежні вимірювання та належні інструменти. Повторне запитання до тієї самої моделі «чи все правильно?» такого підґрунтя не створює.
Отримати результат і навчитися його отримувати — різні досягнення
Дослідження Bastani та співавторів, опубліковане в PNAS у 2025 році, охопило майже тисячу учнів старшої школи на заняттях із математики. Доступ до GPT-4 допомагав виконувати тренувальні завдання. Однак група зі звичайним інтерфейсом допомоги показала гірші результати на подальшому іспиті без ШІ, ніж контрольна група. Тьютор із педагогічними обмеженнями значною мірою пом’якшував цей негативний ефект. [10]
Це дослідження конкретного шкільного контексту, а не вирок усім способам використання ШІ в університеті. Його важливий для нас висновок: успішність із доступним інструментом не можна автоматично ототожнювати із засвоєнням навички.
Для першокурсника корисний такий навчальний цикл:
- 1.
Спочатку самостійно сформулюйте задачу, припущення й приблизний план.
- 2.
Попросіть ШІ дати підказку, контрприклад або пояснити місце, де ви зупинилися.
- 3.
Перевірте відповідь за підручником, обчисленням, тестом чи експериментом.
- 4.
Закрийте підказку й відтворіть пояснення власними словами.
- 5.
Розв’яжіть схожу задачу зі зміненими умовами без допомоги.
Останній крок показує, чи можете ви переносити знання. Якщо після зміни умов залишається лише можливість повторити запит, варто повернутися до основ.
Освіті потрібен інший фокус
Освіта стає критичнішою як середовище формування самостійного інженерного судження. Це не означає, що будь-яка наявна програма автоматично відповідає новим потребам. Навчальний план, побудований переважно на відтворенні шаблонів, потребує перегляду.
Пропонований фокус — зберегти фундаментальні дисципліни та міцніше пов’язати їх із моделюванням, експериментом і перевіркою. Рутинні вправи залишаються корисними, коли формують навичку. Проте оцінювання має також показувати, чи студент розуміє припущення, знаходить помилки й може захистити рішення.
Для цього варто поєднувати роботу без ШІ з проєктами, де його використання дозволене й задокументоване. У першому випадку перевіряється власне розуміння. У другому — здатність застосовувати інструмент, контролювати якість і відповідати за результат.
На захисті проєкту корисно змінити одну умову: датчик відмовив, освітлення змінилося, дані запізнилися. Попросити студента пояснити, що зламається, яке припущення більше не діє та яку перевірку потрібно додати. Такий захист показує значно більше, ніж сама наявність робочої демонстрації.
Рамка компетентностей UNESCO для учнів охоплює людиноцентричне мислення, етику ШІ, техніки й застосування ШІ та проєктування систем. Вона не є готовим університетським навчальним планом, але підтримує ширший підхід до освіти, ніж опанування інтерфейсу чергового інструмента. [11]
На першому курсі не потрібно одночасно освоїти всі галузі. Варто добре вивчати математику й програмування, серйозно ставитися до фізичних експериментів, розвивати логічне мислення та вчитися працювати з джерелами. Предметну спеціалізацію можна поглиблювати через невеликі проєкти й співпрацю з іншими фахівцями.
Коли ШІ запропонує вам готове рішення, фундаментальна освіта дасть змогу поставити до нього змістовні запитання: що тут припущено, чим це підтверджено, де перестане працювати і як ми це перевіримо. Саме з такими запитаннями студент поступово стає інженером.
Джерела та їхній внесок
Матеріал підготовлено 31 жовтня 2026 року. Це тематичний огляд обраних джерел, а не систематичний огляд усієї літератури. Приклад тепличного робота, навчальний цикл і пропозиції щодо оцінювання є авторським синтезом. Джерела різного типу не прирівнюються між собою: експеримент досліджує результати навчання, технічні праці описують методи, а освітні та етичні рамки пропонують орієнтири.
- 1.
Pavlyshyn, V. (2026). Clarity Engineer: Code Is the Side Effect. Друге видання. Наданий автором PDF. Для статті використано вступ і тематичні фрагменти розділів 3, 4, 17, 18: когнітивна самостійність, моделі систем, перевірка, якість даних. Основні посилання на друковані сторінки: 2–4, 28–29, 40–42, 175–176, 189–190. Це концептуальне підґрунтя статті, а не незалежна емпірична перевірка змін професії.
- 2.
Google DeepMind (2025). Gemini Robotics brings AI into the physical world. Опис розробником моделей для робототехніки; джерело прикладу фізичного ШІ, а не незалежна оцінка безпеки. Публікація.
- 3.
Tedrake, R. Underactuated Robotics, MIT. Навчальні матеріали з динаміки, керування й робототехніки. Курс · Передумови навчання, весна 2024.
- 4.
Karniadakis, G. E., et al. (2021). Physics-informed machine learning. Nature Reviews Physics, 3, 422–440. Огляд включення фізичних знань у машинне навчання. DOI · Сторінка співавтора.
- 5.
Abramson, J., et al. (2024). Accurate structure prediction of biomolecular interactions with AlphaFold 3. Nature, 630, 493–500. Дослідження прогнозування структури біомолекулярних комплексів. Стаття.
- 6.
Floridi, L., & Cowls, J. (2019). A Unified Framework of Five Principles for AI in Society. Harvard Data Science Review. Нормативна рамка для обговорення етичних засад ШІ. Стаття.
- 7.
Wilkinson, M. D., et al. (2016). The FAIR Guiding Principles for scientific data management and stewardship. Scientific Data, 3, 160018. Принципи якості організації та повторного використання наукових даних. Стаття.
- 8.
W3C (2013). PROV-Overview: An Overview of the PROV Family of Documents. Огляд моделей і специфікацій для представлення походження інформації. Документ.
- 9.
Newcombe, C., et al. (2015). How Amazon Web Services uses formal methods. Communications of the ACM. Досвід застосування формальних специфікацій і перевірки моделей; також пояснює межі такого підходу. Публікація.
- 10.
Bastani, H., et al. (2025). Generative AI without guardrails can harm learning: Evidence from high school mathematics. PNAS, 122(26), e2422633122. Рандомізоване польове дослідження різниці між виконанням завдань із ШІ та подальшими результатами без нього. Повний текст · DOI.
- 11.