Gyvename laikotarpiu, kurį ateityje tikriausiai prisiminsime kaip vieną didžiausių technologinių lūžių žmonijos istorijoje. Dirbtinis intelektas nebėra mokslinės fantastikos sąvoka. Jis rašo tekstus, generuoja vaizdus, analizuoja duomenis, rašo programinį kodą, verčia kalbas, kuria muziką ir padeda žmonėms atlikti užduotis, kurioms anksčiau reikėdavo valandų ar net dienų.
Tačiau kartu su šia revoliucija atsirado keistas paradoksas.
Kuo galingesni tampa mūsų įrankiai, tuo labiau kai kurie žmonės mano, kad jiems nebereikia mokytis.
Ir būtent čia gali slypėti viena didžiausių klaidų, kurią galime padaryti AI eroje.
Dirbtinis intelektas nėra problemų sprendėjas mūsų vietoje. AI yra įrankis.
O įrankio vertę nulemia ne pats įrankis, bet žmogus, kuris žino, kaip juo naudotis.
AI nėra magiška lazdelė
Įsivaizduokime žmogų, kuris niekada nesimokė programuoti, nesupranta tinklų, nežino, kaip veikia operacinės sistemos ir neturi supratimo apie kibernetinį saugumą.
Jis gauna prieigą prie vieno pažangiausių AI modelių pasaulyje.
Ar tai automatiškai paverčia jį programuotoju?
Ne.
AI gali parašyti jam kodą. Tačiau jis vis tiek turi suprasti, ką tas kodas daro.
Jeigu programa neveikia, žmogus turi mokėti nustatyti, kodėl.
Jeigu AI pateikia neteisingą informaciją, žmogus turi gebėti tai pastebėti.
Jeigu sugeneruotas kodas sukuria saugumo spragą, kažkas turi ją aptikti.
Jeigu AI pasiūlo sprendimą, kuris teoriškai atrodo puikiai, bet praktiškai negali būti įdiegtas, žmogus turi suprasti technines realijas.
Todėl paradoksalu, tačiau AI pasaulyje bazinės žinios tampa ne mažiau svarbios – jos tampa dar svarbesnės.
AI gali padėti žmogui, kuris moka 0 ir 1, bet jis taip pat gali labai įtikinamai suklaidinti žmogų, kuris nežino, ką reiškia tie 0 ir 1.
Pavojingiausia AI iliuzija – „man nebereikia mokytis“
Pastaraisiais metais galima pastebėti dar vieną reiškinį.
Žmogus išmoksta parašyti gerą užklausą AI modeliui, gauna gražiai atrodantį rezultatą ir pradeda manyti, kad jau moka tą darbą.
Tačiau yra didžiulis skirtumas tarp gebėjimo gauti atsakymą ir gebėjimo suprasti problemą.
AI gali parašyti Python programą.
Bet ar žinai, kodėl ji veikia?
AI gali sukurti SQL užklausą.
Bet ar žinai, ką ji daro su tavo duomenų baze?
AI gali parašyti tinklo konfigūraciją.
Bet ar supranti, kokį srautą leidai į savo sistemą?
AI gali pasiūlyti kibernetinio saugumo sprendimą.
Bet ar gali patikrinti, ar tas sprendimas iš tikrųjų saugus?
Štai kodėl mokymasis netampa nereikalingas. Jis tampa AI naudojimo pagrindu.
Technologijų darbo vietos ne dingsta – jos keičiasi
Dalis žmonių šiandien žiūri į AI ir galvoja:
„Kam mokytis programuoti, jeigu AI gali programuoti?“
„Kam mokytis kibernetinio saugumo, jeigu AI gali aptikti grėsmes?“
„Kam mokytis duomenų analizės, jeigu AI gali analizuoti duomenis?“
Tai panašu į klausimą, kodėl reikia mokytis vairuoti, jeigu automobilis turi automatinę pavarų dėžę.
Automatinė pavarų dėžė nepanaikina vairuotojo poreikio suprasti kelią.
Lygiai taip pat AI nepanaikina technologinių specialistų poreikio. Jis keičia tai, ką tie specialistai daro.
Pasaulio ekonomikos forumo „Future of Jobs 2025“ ataskaita prognozuoja, kad iki 2030 m. dėl įvairių ekonominių ir technologinių pokyčių bus sukurta apie 170 mln. naujų darbo vietų, o apie 92 mln. gali būti išstumtos, todėl bendras balansas būtų apie 78 mln. naujų darbo vietų. Ataskaita taip pat nurodo, kad AI ir didieji duomenys, tinklai bei kibernetinis saugumas ir technologinis raštingumas yra tarp sparčiausiai augančių įgūdžių.
Tai nėra garantija, kad kiekvienas programuotojas automatiškai turės darbą.
Tai reiškia kai ką svarbesnio:
žmogaus įgūdžiai keičiasi.
Ateities specialistas gali būti žmogus, kuris moka naudotis AI, o ne žmogus, kurį pakeičia AI
Įsivaizduokime du programuotojus.
Pirmasis moka programuoti, bet ignoruoja AI.
Antrasis moka programuoti ir supranta, kaip AI gali padėti jam analizuoti kodą, generuoti testus, ieškoti klaidų, dokumentuoti sistemas ir automatizuoti pasikartojančias užduotis.
Kas turi pranašumą?
Antrasis.
Todėl ateities klausimas nebūtinai bus:
„Ar AI pakeis mano profesiją?“
Daug naudingesnis klausimas:
„Kaip mano profesija atrodys, kai ją atliksiu kartu su AI?“
Tai didžiulis skirtumas.
AI gali būti konkurentas, tačiau jis taip pat gali tapti vienu galingiausių mokytojų ir darbo įrankių, kokį žmogus kada nors turėjo.
Kibernetinis saugumas taps dar svarbesnis
Kuo daugiau mūsų gyvenimo persikelia į skaitmeninį pasaulį, tuo daugiau atsiranda dalykų, kuriuos reikia apsaugoti.
Banko sąskaitos.
Medicininiai duomenys.
Valstybės infrastruktūra.
Įmonių tinklai.
Debesijos sistemos.
Išmanieji automobiliai.
Gamybos įrenginiai.
IoT įrenginiai.
AI sistemos.
Ir dabar – patys AI modeliai.
AI ne tik padeda saugumui. Jis taip pat gali būti naudojamas atakoms automatizuoti, socialinei inžinerijai, kodo analizei ir kitoms kibernetinėms operacijoms.
Tai reiškia, kad mums reikės žmonių, kurie supranta ne tik AI, bet ir kaip apsaugoti AI naudojančias sistemas.
Pasaulio ekonomikos forumas tinklų ir kibernetinio saugumo įgūdžius įvardija tarp sparčiausiai augančių įgūdžių, o informacijos saugumo analitikus ir saugumo valdymo specialistus – tarp augančių profesijų.
Todėl žmogus, kuris šiandien pradeda mokytis Linux, tinklų, Python, sistemų administravimo ir kibernetinio saugumo pagrindų, nebūtinai ruošiasi praeičiai.
Jis gali ruoštis ateičiai.
O tada atsiranda kvantinė kompiuterija
Jeigu AI revoliucija atrodo didelė, kvantinė kompiuterija gali būti dar vienas technologinis pokytis, kurio pasekmes šiandien dar tik pradedame suprasti.
Kvantinis kompiuteris nėra tiesiog „greitesnis kompiuteris“.
Jis naudoja kitokius skaičiavimo principus, paremtus kvantinės mechanikos reiškiniais. Tam tikroms problemoms tai gali suteikti galimybių, kurių klasikiniai kompiuteriai neturi.
Tačiau kvantinė kompiuterija turi ir kitą pusę – kibernetinį saugumą.
Dalis šiandien naudojamos kriptografijos remiasi matematinėmis problemomis, kurias pakankamai galingi kvantiniai kompiuteriai teoriškai galėtų išspręsti daug efektyviau. Dėl to jau dabar kuriama postkvantinė kriptografija.
JAV Nacionalinis standartų ir technologijų institutas (NIST) ragina pradėti migraciją prie postkvantinių kriptografijos standartų dar prieš atsirandant kriptografiškai reikšmingiems kvantiniams kompiuteriams.
Tai reiškia, kad kvantinė kompiuterija nėra vien mokslininkų tema.
Ji susijusi su:
- kibernetiniu saugumu;
- kriptografija;
- finansais;
- duomenų apsauga;
- debesijos infrastruktūra;
- ryšiais;
- moksliniais tyrimais;
- programavimu;
- matematika;
- nacionaliniu saugumu.
Ir tam reikės žmonių.
Žmonių, kurie šiandien dar tik pradeda mokytis.
Nereikia pradėti nuo universiteto laboratorijos
Viena didžiausių klaidų, kurią daro žmonės, galvodami apie technologijų karjerą, yra įsitikinimas, kad norint pradėti reikia brangaus universiteto diplomo, dešimčių tūkstančių eurų ir dešimties metų pasiruošimo.
Taip nėra.
Žinoma, universitetinis išsilavinimas gali būti labai vertingas, ypač tokiose srityse kaip kvantinė fizika, inžinerija ar pažangūs moksliniai tyrimai.
Tačiau pirmuosius žingsnius galima pradėti praktiškai kiekvienam.
Internetui tapus milžiniška biblioteka, didžiausia kliūtis dažnai nebėra informacijos trūkumas.
Didžiausia kliūtis yra disciplina.
„Coursera“ ir kitos mokymosi platformos
Tokios platformos kaip „Coursera“ leidžia mokytis iš universitetų ir technologijų įmonių sukurtų programų.
Svarbu suprasti, kad nemokamos galimybės skiriasi priklausomai nuo konkretaus kurso. „Coursera“ šiuo metu siūlo nemokamas pirmųjų modulių peržiūras daugelyje kursų, o kai kuriuose mokymosi programose taip pat galima gauti visą turinį be sertifikato arba kreiptis dėl finansinės pagalbos.
Yra net pradedantiesiems skirtų kibernetinio saugumo kursų, kuriems nereikia ankstesnės patirties.
Dar įdomiau – 2026 m. „Anthropic“ kartu su „Coursera“ pristatė penkis nemokamus AI kursus, skirtus praktiniam AI raštingumui ugdyti.
Tačiau „Coursera“ neturėtų būti vienintelis kelias.
Yra:
- „YouTube“;
- universitetų atviri kursai;
- dokumentacija;
- „GitHub“;
- „freeCodeCamp“;
- „Khan Academy“;
- oficialios technologijų įmonių mokymo platformos;
- „Raspberry Pi“ mokymosi ištekliai;
- bendruomenės ir forumai;
- praktiniai projektai.
Svarbiausia ne tai, kiek kursų baigei.
Svarbiausia – ką sugebi sukurti po jų.
Raspberry Pi: mažas kompiuteris, kuris gali tapti laboratorija
Čia atsiranda viena mano mėgstamiausių mokymosi priemonių – „Raspberry Pi“.
„Raspberry Pi“ yra puikus pavyzdys, kaip technologijų mokymasis gali tapti praktiniu procesu.
Tu ne tik skaitai apie Linux.
Tu įdiegi Linux.
Tu ne tik skaitai apie Python.
Tu parašai Python programą.
Tu ne tik mokaisi apie tinklus.
Tu gali sukonfigūruoti tinklo įrenginį.
Tu ne tik skaitai apie elektroniką.
Tu prijungi LED.
Tada mygtuką.
Tada jutiklį.
Tada ekraną.
Tada kamerą.
Tada sukuri serverį.
Tada sukuri robotą.
Tada prijungi AI.
Ir staiga teorija tampa realiu daiktu ant tavo stalo.
Oficialūs „Raspberry Pi“ mokymosi ištekliai siūlo nemokamas pamokas nuo Python, Git ir GUI pagrindų iki fizinio skaičiavimo, elektronikos ir kamerų.
„Raspberry Pi“ taip pat turi projektų, kuriuose galima mokytis robotikos, kriptografijos, tinklų, jutiklių, automatizavimo ir net AI.
O 2026 m. išleisti praktiniai projektai jau apima kompiuterinę regą, kalbos atpažinimą, mašininį mokymąsi ir net didelių kalbos modelių paleidimą vietiniame „Raspberry Pi“ įrenginyje.
Tai yra būtent toks mokymasis, kurio mums reikės ateityje.
Mokykis ne tam, kad žinotum – mokykis tam, kad galėtum padaryti
Yra didžiulis skirtumas tarp žmogaus, kuris gali pasakyti:
„Aš mokausi Python.“
ir žmogaus, kuris gali pasakyti:
„Aš sukūriau Python programą, kuri paima duomenis iš API, juos apdoroja, išsaugo duomenų bazėje ir pateikia juos per interneto sąsają.“
Antrasis turi projektą.
Projektas yra įrodymas.
Jeigu prie projekto dar gali pridėti GitHub saugyklą, dokumentaciją, nuotraukas, vaizdo įrašą ir paaiškinimą, kaip sistema veikia, jau turi kažką, ką gali parodyti potencialiam darbdaviui.
Tai ypač svarbu technologijų pasaulyje.
Ką reikėtų mokytis?
Jeigu žmogus šiandien pradėtų nuo nulio, aš siūlyčiau ne bandyti iš karto tapti „AI ekspertu“, o susikurti pagrindą.
1. Kompiuterių pagrindai
Suprask:
- kaip veikia CPU;
- RAM;
- saugykla;
- operacinė sistema;
- failų sistemos;
- procesai;
- programos;
- komandų eilutė.
2. Linux
Išmok naudotis terminalu.
Suprask failų teises, procesus, paketus, tinklo komandas ir sistemos žurnalus.
Linux žinios yra labai naudingos sistemų administravimo, debesijos, kibernetinio saugumo ir programavimo srityse.
3. Python
Nebūtina iš karto tapti profesionaliu programuotoju.
Išmok:
- kintamuosius;
- sąlygas;
- ciklus;
- funkcijas;
- klases;
- failus;
- API;
- JSON;
- bibliotekas;
- klaidų valdymą.
4. Git ir GitHub
Išmok sekti savo kodo pakeitimus.
Dar svarbiau – pradėk kelti savo projektus.
5. Tinklai
Suprask:
- IP adresus;
- DNS;
- HTTP/HTTPS;
- TCP/IP;
- maršrutizavimą;
- ugniasienes;
- VPN;
- prievadus;
- pagrindinius tinklo protokolus.
6. Kibernetinis saugumas
Tik tada pradėk gilintis į:
- autentifikaciją;
- šifravimą;
- pažeidžiamumus;
- grėsmių modeliavimą;
- žurnalų analizę;
- saugų sistemų konfigūravimą;
- incidentų valdymą.
7. AI
Mokykis ne tik naudoti ChatGPT ar kitą AI sistemą.
Suprask:
- kas yra modelis;
- kas yra mokymo duomenys;
- kas yra inferencija;
- kas yra tokenai;
- kas yra konteksto langas;
- kodėl modeliai gali klysti;
- kaip vertinti AI atsakymus;
- kaip AI integruoti į programas.
8. Elektronika
Čia „Raspberry Pi“ tampa neįtikėtinai naudingu įrankiu.
Mokykis:
- įtampos;
- srovės;
- rezistorių;
- GPIO;
- jutiklių;
- I2C;
- SPI;
- UART;
- mikrovaldiklių.
9. Kvantinės kompiuterijos pagrindai
Kai jau turi programavimo ir matematikos pagrindus, gali pradėti domėtis:
- kubitais;
- superpozicija;
- susietumu;
- kvantiniais vartais;
- kvantiniais algoritmais;
- kvantine kriptografija;
- postkvantine kriptografija.
Nebūtina iš karto kurti kvantinio kompiuterio.
Pirmiausia reikia suprasti, kodėl jis skiriasi nuo klasikinio kompiuterio.
AI naudok kaip mokytoją, o ne kaip ramentą
Vienas geriausių būdų mokytis šiandien yra naudoti AI kartu su tradiciniu mokymusi.
Pavyzdžiui, vietoj:
„Parašyk man Python programą.“
galima klausti:
„Paaiškink, kaip galėčiau pats sukurti šią programą. Duok man užduotį ir tikrink mano sprendimą, bet nepateik galutinio atsakymo.“
Tai visiškai kitoks mokymosi būdas.
AI tampa korepetitoriumi.
Gali paprašyti jo:
- paaiškinti sąvoką paprastais žodžiais;
- sukurti praktinį pratimą;
- pateikti klaidą, kurią turi ištaisyti;
- peržiūrėti tavo kodą;
- užduoti klausimus;
- sukurti testą;
- paaiškinti, kodėl tavo sprendimas neveikia;
- pasiūlyti kitą problemos sprendimo būdą.
Tokiu būdu AI ne atima iš tavęs mąstymą.
Jis padeda tau mąstyti geriau.
Ateities pranašumas priklausys ne nuo to, kas turi AI
Beveik visi turės AI.
Tai reiškia, kad pats priėjimas prie AI nebebus didelis pranašumas.
Pranašumas bus žmogus, kuris turi:
AI + žinias + kritinį mąstymą + praktinius įgūdžius.
Žmogus, kuris supranta programavimą ir naudoja AI, bus stipresnis už žmogų, kuris tik moka kalbėtis su AI.
Žmogus, kuris supranta kibernetinį saugumą ir naudoja AI, bus stipresnis už žmogų, kuris tik paprašo AI „apsaugoti mano kompiuterį“.
Žmogus, kuris supranta elektroniką ir AI, gali sukurti fizinius įrenginius, kurių vien tik programinės įrangos specialistas negali sukurti.
Žmogus, kuris supranta matematiką, programavimą ir kvantinę kompiuteriją, gali pradėti dirbti srityje, kuri šiandien dar tik formuojasi.
Mes neturime bijoti technologijų – turime išmokti jas suprasti
Technologinė revoliucija jau vyksta.
Klausimas nėra, ar ji įvyks.
Klausimas – ar mes joje būsime tik vartotojai, ar ir kūrėjai.
Galime praleisti valandas naudodamiesi technologijomis nesuprasdami, kaip jos veikia.
Arba galime atsukti laikrodį atgal į pradžią ir pradėti mokytis.
Nusipirkti „Raspberry Pi“.
Įdiegti Linux.
Parašyti pirmą Python programą.
Sugadinti ją.
Pataisyti.
Sukurti GitHub projektą.
Išmokti tinklus.
Išmokti kibernetinio saugumo.
Išmokti naudotis AI.
Tada pradėti domėtis kvantine kompiuterija.
Po metų galbūt dar nebūsime ekspertai.
Bet būsime visiškai kitame taške nei buvome pradžioje.
Ir tai yra svarbiausia.
Nes technologijų pasaulyje niekas nereikalauja, kad pirmą dieną žinotum viską.
Reikia tik pradėti.
Didžiausias ateities įrankis vis dar yra žinios
AI gali sugeneruoti kodą.
Bet žinios leidžia suprasti, ar kodas geras.
AI gali pateikti atsakymą.
Bet žinios leidžia suprasti, ar atsakymas teisingas.
AI gali pasiūlyti sprendimą.
Bet žinios leidžia suprasti, ar jis apskritai tinka problemai.
AI gali pagreitinti mokymąsi.
Bet tik žmogus nusprendžia, ko mokytis ir kodėl.
Todėl AI era nėra žmogaus žinių pabaiga.
Galbūt tai yra jų nauja pradžia.
Mes turime galimybę gyventi laikotarpiu, kai vienas žmogus, turintis nešiojamąjį kompiuterį, internetą, kelis pigius elektronikos komponentus ir prieigą prie AI, gali išmokti dalykų, kuriems ankstesnėms kartoms reikėdavo universitetų laboratorijų, brangios įrangos ir didžiulių bibliotekų.
„Raspberry Pi“ gali būti tavo laboratorija.
„Coursera“ gali būti tavo klasė.
„GitHub“ gali būti tavo portfolio.
AI gali būti tavo mokytojas.
Internetas gali būti tavo biblioteka.
Tačiau tu vis dar turi būti mokinys.
Nes ateityje nebūtinai laimės tie, kurie turi geriausią AI.
Gali būti, kad laimės tie, kurie geriausiai supranta, kaip jį panaudoti.