Единственный AI-словарь, который вам понадобится в этом году
Вы когда-нибудь чувствовали себя потерянным в море AI-терминов? Ещё вчера все говорили про нейросети, а сегодня уже обсуждают AGI, мультимодальные модели и агентные системы. При этом термины «искусственный интеллект», «машинное обучение» и «глубокое обучение» часто используют как синонимы, хотя это разные концепции.
В этой статье мы собрали для вас исчерпывающий AI-словарь, который охватывает все ключевые понятия — от базовых до самых современных. Вы узнаете не только определения, но и то, как эти технологии применяются на практике. Мы ссылаемся на официальные документы, исследования и реальные кейсы, чтобы вы могли доверять каждому термину.
Этот словарь будет полезен как новичкам, которые только начинают погружаться в тему, так и профессионалам, которые хотят структурировать свои знания и быть в курсе последних тенденций. Давайте разберёмся с основными понятиями, начиная с фундамента.
Основные термины: от ML до AGI
Искусственный интеллект (ИИ, AI)
Определение: Область компьютерных наук, занимающаяся созданием систем, способных выполнять задачи, которые обычно требуют человеческого интеллекта: обучение, рассуждение, восприятие, понимание естественного языка.
Практический пример: Когда вы используете поиск по фотографиям в Google Фото, вводя запрос «собака на пляже», система распознаёт объекты на снимках — это и есть работа ИИ.
Источник: John McCarthy, один из основателей AI, определил эту область как «науку и инженерию создания интеллектуальных машин» (J. McCarthy, "What is Artificial Intelligence?", 2007).
Машинное обучение (Machine Learning, ML)
Определение: Подмножество искусственного интеллекта, которое позволяет системам автоматически обучаться на основе данных без явного программирования. Модели ML выявляют закономерности в данных и используют их для прогнозирования.
Пример: Система рекомендаций Netflix. Она не запрограммирована вручную предлагать вам фильмы — она анализирует вашу историю просмотров, ставит лайки и дизлайки, а затем предсказывает, что вам понравится. Согласно отчёту Netflix, 80% просмотров на платформе приходят именно от рекомендаций (Netflix Technology Blog, 2020).
Глубокое обучение (Deep Learning, DL)
Определение: Подмножество машинного обучения, которое использует нейронные сети с множеством слоёв (отсюда «глубокое») для обработки данных. Это основа современных AI-прорывов — от GPT до AlphaFold.
Пример: Распознавание изображений. Модель глубокого обучения, например, YOLO (You Only Look Once), может за долю секунды обнаружить на изображении все объекты — от пешеходов до дорожных знаков. YOLO используется в беспилотных автомобилях Tesla.
Генеративный ИИ (Generative AI, GenAI)
Определение: Тип AI, который создаёт новый контент — текст, изображения, музыку, код — на основе обучающих данных. В отличие от дискриминативных моделей, которые просто классифицируют данные, генеративные модели генерируют что-то новое.
Примеры:
- ChatGPT (OpenAI) — генерирует текст, отвечает на вопросы, пишет код.
- DALL-E 3 (OpenAI) — генерирует изображения по текстовому описанию.
- GitHub Copilot (GitHub/Microsoft) — помогает программистам писать код, предлагая автодополнения.
Общий искусственный интеллект (AGI)
Определение: Гипотетический тип ИИ, который обладает способностью понимать, учиться и применять знания на уровне человека (или выше) в любой интеллектуальной задаче. Сегодняшние системы — это узкий ИИ (Narrow AI), они превосходят человека только в конкретных задачах (например, игра в шахматы или распознавание лиц).
Статус: AGI пока не существует. Многие исследователи, включая главу OpenAI Сэма Альтмана, оценивают появление AGI не ранее 2030-х годов (OpenAI Blog, 2024).
Большие языковые модели и архитектуры
Большая языковая модель (Large Language Model, LLM)
Определение: Модель глубокого обучения, обученная на огромных объёмах текстовых данных. LLM понимают и генерируют человеческий язык, а также могут выполнять задачи, требующие «рассуждений»: перевод, суммаризация, ответы на вопросы, написание кода.
Ключевые примеры:
- GPT-4o (OpenAI) — мультимодальная модель, обрабатывает текст, изображения и звук.
- Gemini 1.5 Pro (Google DeepMind) — модель с контекстным окном до 1 миллиона токенов.
- Claude 3.5 Sonnet (Anthropic) — модель, ориентированная на безопасность и точность.
Трансформер (Transformer)
Определение: Архитектура нейронной сети, предложенная Google в 2017 году. Она стала основой для всех современных LLM. Ключевое нововведение — механизм внимания (attention), который позволяет модели обрабатывать все части входных данных одновременно, а не последовательно, как в старых рекуррентных сетях.
Источник: V. Vaswani et al., "Attention Is All You Need" (2017). Эта статья — одна из самых цитируемых в истории машинного обучения.
Токен (Token)
Определение: Единица данных, которую обрабатывает языковая модель. Токен может быть словом, частью слова или символом. Например, слово "AI" — это один токен, а слово "невероятно" может быть разбито на три токена: "не", "вероят", "но".
Практическое значение: Ограничения по длине запроса и ответа в API (например, контекстное окно в 128 000 токенов у GPT-4o) напрямую влияют на то, сколько текста вы можете отправить и получить. Стоимость использования API тоже часто считается за токены.
Контекстное окно (Context Window)
Определение: Максимальное количество токенов, которое модель может «запомнить» при обработке запроса. Чем больше контекстное окно, тем больше информации модель может учесть при генерации ответа.
Пример: Gemini 1.5 Pro имеет контекстное окно в 1 миллион токенов. Это позволяет обрабатывать целые книги (например, «Войну и мир»), видеотранскрипты длительностью до 11 часов или огромные массивы кода.
Prompt Engineering и интеракция
Промпт (Prompt)
Определение: Входной запрос, который пользователь отправляет модели. Качество промпта напрямую влияет на качество ответа. Хороший промпт — чёткий, конкретный и содержит контекст.
Пример плохого промпта: «Напиши статью про AI». Результат: общая, поверхностная статья.
Пример хорошего промпта: «Напиши статью для блога на тему "Что такое LLM?" для начинающих разработчиков. Используй простые примеры, сравни с традиционным программированием. Объём: 1000 слов. Включи раздел про ограничения моделей». Результат: структурированный, полезный контент.
Prompt Engineering
Определение: Дисциплина, изучающая, как формулировать промпты для получения наилучших результатов от AI-моделей. Это включает техники: few-shot learning (дать примеры в промпте), chain-of-thought (попросить модель «рассуждать вслух»), системные промпты (указать роль модели).
Метод Chain-of-Thought (CoT): Исследование Google (Wei et al., 2022) показало, что если попросить модель объяснить свои рассуждения пошагово, точность решения математических задач возрастает с 18% до 57%.
RAG (Retrieval-Augmented Generation)
Определение: Техника, при которой модель сначала ищет релевантную информацию во внешней базе знаний (например, в корпоративной документации), а затем генерирует ответ на основе найденного. Это решает проблему галлюцинаций и устаревших знаний.
Пример: Чат-бот службы поддержки компании использует RAG: когда клиент спрашивает «Как вернуть товар?», бот ищет актуальную политику возврата из базы знаний компании и генерирует ответ на её основе, а не полагается только на свои внутренние знания.
Галлюцинация (Hallucination)
Определение: Ситуация, когда AI-модель генерирует убедительный, но фактически неверный ответ. Это происходит, потому что модель не «знает» факты — она предсказывает наиболее вероятные последовательности токенов на основе своих обучающих данных.
Пример: На вопрос «Кто выиграл Олимпийские игры 2024 года в беге на 100 метров?» модель может уверенно назвать атлета, который никогда не выигрывал золото. Всегда проверяйте факты, особенно в профессиональных контекстах.
Этические и практические аспекты
Смещение (Bias)
Определение: Систематическая ошибка в результатах работы модели, вызванная искажениями в обучающих данных. Если данные содержат предубеждения (например, гендерные или расовые), модель их воспроизведёт.
Пример: Исследование MIT Media Lab (2018) показало, что системы распознавания лиц от крупных компаний допускают ошибки в 35% случаев для темнокожих женщин и только в 0,8% для светлокожих мужчин. Причина — несбалансированность обучающих наборов данных.
Как бороться: Использовать репрезентативные датасеты, применять техники дебиасинга, проводить аудит моделей на разных демографических группах.
Выравнивание (Alignment)
Определение: Процесс настройки AI-модели, чтобы её поведение соответствовало человеческим ценностям и намерениям. Это включает обучение с подкреплением на основе обратной связи от человека (RLHF).
Пример: OpenAI использует RLHF для того, чтобы ChatGPT отказывался давать опасные советы (например, как приготовить запрещённые вещества) или генерировать оскорбительный контент.
Тонкая настройка (Fine-tuning)
Определение: Процесс дообучения предобученной модели на специфическом наборе данных для улучшения её работы на конкретной задаче. Это дешевле и быстрее, чем обучение модели с нуля.
Пример: Компания может взять базовую модель Llama 3 (Meta) и дообучить её на своей корпоративной документации, чтобы получить чат-бота, идеально знающего внутренние регламенты.
AI-агенты (AI Agents)
Определение: Автономные системы, которые могут воспринимать окружающую среду, принимать решения и выполнять действия для достижения целей. Современные LLM-агенты используют языковую модель как «мозг», который планирует действия и использует инструменты (API, браузер, калькулятор).
Пример: Агент AutoGPT (2023) может получить задачу «Найди лучшие книги по AI на Amazon и отправь мне ссылки на почту». Он разбивает задачу на шаги: поиск в Google, посещение Amazon, сбор ссылок, отправка email — и выполняет их без участия человека.
Тенденции 2026 года
Мультимодальность
Определение: Способность модели одновременно обрабатывать и генерировать данные разных типов: текст, изображения, звук, видео. Это стандарт для всех ведущих моделей 2025-2026 годов.
Пример: GPT-4o может «видеть» изображение, слышать голос пользователя и отвечать текстом или голосом. Вы можете сфотографировать холодильник и спросить «Что можно приготовить из этих продуктов?» — модель увидит продукты и предложит рецепты.
Маленькие языковые модели (SLM)
Определение: Компактные версии LLM, которые могут работать на устройствах с ограниченными ресурсами — смартфонах, ноутбуках, IoT-устройствах. Они жертвуют некоторой точностью, но выигрывают в скорости и приватности.
Примеры: Gemma 2B (Google), Phi-3-mini (Microsoft). Phi-3-mini, при размере всего 3.8 миллиарда параметров, показывает результаты, сопоставимые с моделями вроде Llama-2-7B (Microsoft Research, 2024).
Edge AI
Определение: Выполнение AI-моделей на устройстве пользователя (смартфон, камера, автомобиль), а не в облаке. Это снижает задержки, повышает приватность и позволяет работать без интернета.
Пример: Функция «Режим кино» на iPhone (Apple) использует Edge AI для автоматического размытия фона в реальном времени — все вычисления происходят на устройстве, никакие данные не отправляются в облако.
Модели-рассуждатели (Reasoning Models)
Определение: Новый класс моделей (например, o1 от OpenAI), которые тратят больше времени на «размышления» перед ответом. Они разбивают сложные задачи на подзадачи, проверяют себя и исправляют ошибки.
Пример: Модель o1 показала результаты, сопоставимые с аспирантами-физиками на сложных задачах по физике и химии (OpenAI, 2024). Она решает задачи, с которыми обычные LLM не справляются, но требует значительно больше вычислительных ресурсов.
Заключение
Мир искусственного интеллекта стремительно развивается, и каждый год появляются десятки новых терминов. Мы постарались собрать самые важные из них — от фундаментальных понятий до последних трендов 2026 года. Этот словарь станет вашим надёжным компасом в мире AI, независимо от того, начинаете ли вы свой путь или уже работаете в этой сфере.
Помните главное: технология — это инструмент. Понимание терминов помогает не только говорить на одном языке с разработчиками и исследователями, но и принимать осознанные решения — когда доверять AI, а когда проверять его результаты. Сохраняйте эту статью в закладки и возвращайтесь к ней по мере необходимости. А если вы хотите системно изучить AI-навыки, обратите внимание на современные образовательные платформы — многие из них предлагают структурированные программы по работе с LLM и промпт-инжинирингу.
Комментарии