Искусственный интеллект (ИИ, artificial intelligence, AI) — это область информатики, которая создает программы, решающие задачи, для которых человеку нужно мышление: распознать изображение, понять текст, выбрать ход в игре, спрогнозировать спрос. Этим же словом называют и сами такие системы.
Содержание
Важно сразу развести три слоя, которые в разговорах часто смешивают. ИИ — это цель и вся область. Машинное обучение (ML) — один из способов ее достичь: программа не получает готовых правил, а находит закономерности в примерах. Нейросети — одно из семейств моделей машинного обучения. Большие языковые модели (LLM), на которых работают современные чат-ассистенты, — частный случай нейросетей.
Ниже разберем, какой бывает ИИ, как он учится (с маленьким примером на Python), где применяется в 2026 году и чего он не умеет.
Мини-словарь: ИИ, ML, нейросеть, LLM
| Термин | Что это | Пример |
|---|---|---|
| Искусственный интеллект | Вся область и ее цель: автоматизировать задачи, требующие мышления | Шахматная программа, система распознавания речи |
| Машинное обучение | Подход внутри ИИ: модель подбирает параметры по данным, а не по вручную написанным правилам | Спам-фильтр, обученный на размеченных письмах |
| Нейросеть | Семейство моделей ML из множества простых вычислительных узлов со связями-весами | Модель, которая находит лица на фото |
| Глубокое обучение | Обучение нейросетей с большим числом слоев | Распознавание речи, машинный перевод |
| Генеративная модель, LLM | Модель, которая создает новый контент; LLM — языковая модель, обученная на больших текстовых корпусах | Чат-ассистент, генератор изображений по описанию |
Упрощенная мнемоника: каждое следующее понятие — подмножество предыдущего (ИИ -> ML -> нейросети -> LLM). Граница упрощения: не весь ИИ — это машинное обучение. Экспертные системы на правилах «если — то», алгоритмы поиска и планирования (например, классический шахматный перебор) тоже относятся к ИИ, хотя ничему не учатся на данных.
Слабый и сильный ИИ
По широте задач обычно выделяют два вида.
- Слабый (узкий) ИИ, narrow AI — решает конкретный класс задач: распознает речь, рекомендует фильмы, переводит текст. Все системы, которые реально работают сегодня, относятся к этому виду.
- Сильный ИИ (общий, AGI) — гипотетическая система, способная обучаться и решать любые интеллектуальные задачи на уровне человека, переносить опыт между областями. Такой системы пока не существует, а сроки ее появления — предмет споров, а не установленный факт.
Где здесь современные LLM? Они заметно шире классических узких систем: один чат-ассистент пишет код, переводит, пересказывает документы. Но общим интеллектом в строгом смысле их не считают: модель не имеет собственных целей, может уверенно ошибаться и не гарантирует корректность рассуждений. Корректнее говорить о моделях общего назначения внутри слабого ИИ.
Как ИИ учится: правила против данных
Разницу между «запрограммировать» и «обучить» проще всего увидеть на спам-фильтре. Первые фильтры работали по правилам: программист вручную писал «если в письме есть слово X — это спам». Правила быстро устаревали: спамеры меняли слова, а список приходилось поддерживать руками.
Подход машинного обучения другой. Мы даем программе примеры писем с метками «спам» и «не спам», а она сама подсчитывает, какие слова чаще встречаются в каждом классе. Ниже — минимальный наивный байесовский классификатор без внешних библиотек (Python 3.8+).
import math
from collections import Counter
# 1. Обучающие примеры: текст письма и метка
train = [
("выиграй приз бесплатно", "спам"),
("бесплатно получи приз сейчас", "спам"),
("скидка только сегодня бесплатно", "спам"),
("встреча завтра в офисе", "не спам"),
("отчет по проекту во вложении", "не спам"),
("созвон по проекту завтра", "не спам"),
]
# 2. Обучение: считаем, как часто слова встречаются в каждом классе
words = {"спам": Counter(), "не спам": Counter()}
docs = Counter()
for text, label in train:
words[label].update(text.split())
docs[label] += 1
vocab = set(words["спам"]) | set(words["не спам"])
def score(text, label):
total = sum(words[label].values())
s = math.log(docs[label] / len(train))
for w in text.split():
# сглаживание +1: незнакомое слово не обнуляет вероятность
s += math.log((words[label][w] + 1) / (total + len(vocab)))
return s
def predict(text):
return max(words, key=lambda label: score(text, label))
# 3. Предсказание на новых письмах
for msg in ["получи бесплатно приз", "отчет завтра", "купи слона"]:
print(f"{msg!r} -> {predict(msg)}")Программа напечатает три строки:
'получи бесплатно приз' -> спам
'отчет завтра' -> не спам
'купи слона' -> спам
Что здесь произошло по шагам:
- Данные. Шесть размеченных писем — это обучающая выборка. Правил про слово «бесплатно» в коде нет.
- Обучение. Цикл подсчитывает частоты слов по классам. Эти частоты и есть параметры модели.
- Предсказание. Для нового письма модель считает, в каком классе такие слова встречались правдоподобнее, и выбирает класс с большим счетом. Логарифмы нужны, чтобы произведение маленьких вероятностей не ушло в ноль.
Третья строка показывает главную границу любого обученного ИИ. В письме «купи слона» нет ни одного знакомого модели слова, но она все равно уверенно выдает ответ «спам». Причина не в смысле письма, а в арифметике: в спам-примерах чуть меньше слов (11 против 12), поэтому сглаженная вероятность незнакомого слова там немного выше.
Модель не знает, что она чего-то не знает, — она всегда выдает ответ. Исправление в реальных системах: больше и разнообразнее данные, порог уверенности (например, «не уверен — оставить во входящих») и проверка качества на отложенных примерах, которые модель не видела при обучении.
Современные системы устроены намного сложнее — миллионы и миллиарды параметров вместо двух таблиц частот, — но цикл тот же: данные -> обучение параметров -> предсказание -> проверка ошибок.
Как работают большие языковые модели
LLM — это нейросеть, обученная на больших текстовых корпусах предсказывать следующий фрагмент текста (токен) по предыдущим. Упрощенно генерация выглядит так: модель получает запрос, оценивает вероятности возможных продолжений, выбирает токен, добавляет его к тексту и повторяет шаг.
После базового обучения модели дообучают следовать инструкциям и отвечать в формате диалога, в том числе с помощью оценок от людей. Поэтому ассистент не просто продолжает текст, а отвечает на вопрос.
Отсюда следуют практические свойства LLM:
- Галлюцинации. Модель генерирует правдоподобный текст, а не извлекает проверенные факты из базы. Она может уверенно назвать несуществующую статью, функцию библиотеки или дату. Ответы по фактам нужно проверять.
- Граница знаний. Модель знает то, что было в обучающих данных до определенной даты. Свежие события она может получить, только если система подключает поиск или внешние документы (так работает подход RAG — поиск по базе и передача найденного в запрос).
- Зависимость от формулировки. Один и тот же вопрос, заданный по-разному, может дать разные ответы.
Генеративные модели работают не только с текстом. Похожие идеи применяют для генерации изображений, речи, музыки и видео, а мультимодальные модели принимают на вход сразу текст и картинку.
Где применяется ИИ в 2026 году
Сферу применения удобнее выбирать от задачи, а не от технологии.
| Задача | Какой ИИ обычно используют | На что обратить внимание |
|---|---|---|
| Фильтрация спама, антифрод в платежах | Классическое ML на табличных и текстовых признаках | Ложные срабатывания, смена поведения мошенников |
| Рекомендации в магазинах, музыке, видео | Рекомендательные модели по истории действий | Качество данных о пользователях, приватность |
| Распознавание речи, голосовые ассистенты | Нейросети для речи и языка | Акценты, шум, редкие термины |
| Анализ медицинских снимков | Компьютерное зрение как помощь врачу | Решение принимает специалист, модель — второе мнение |
| Помощь в программировании, текстах, поддержке | LLM и чат-ассистенты | Проверка кода и фактов, утечка данных в запросах |
| Прогноз спроса, логистика | ML на временных рядах | Модель ломается при резкой смене условий |
Во многих задачах бизнеса LLM не нужна: для прогноза продаж или скоринга часто достаточно классических моделей на табличных данных, которые проще, дешевле и лучше объясняются.
Ограничения и риски ИИ
- Данные определяют качество. Если в обучающей выборке есть перекос, модель его воспроизведет — например, будет хуже работать для групп, которых в данных мало.
- Нет гарантии правильности. Модель оптимизирует точность в среднем на данных, а не корректность каждого ответа.
- Сложно объяснить решение. У больших нейросетей трудно показать, почему выбран именно этот ответ; для кредитов и медицины это отдельная проблема.
- Приватность. Все, что отправлено во внешний сервис ИИ, может храниться у провайдера. Коммерческие и персональные данные в запросы без политики компании отправлять не стоит.
- Регулирование. Правила для ИИ-систем появляются в разных странах и различаются по юрисдикциям.
Коротко об истории
- 1950 — Алан Тьюринг в статье «Вычислительные машины и разум» предлагает «игру в имитацию», позже названную тестом Тьюринга.
- 1956 — Дартмутский семинар; термин «искусственный интеллект» закрепляется благодаря Джону Маккарти (позже он создал язык Lisp).
- 1966 — программа ELIZA Джозефа Вейценбаума имитирует диалог по шаблонам.
- 1970-е и конец 1980-х — периоды спада интереса и финансирования, «зимы ИИ».
- 1997 — IBM Deep Blue выигрывает матч у Гарри Каспарова. Это был перебор ходов с оценочной функцией, а не обучение в современном смысле.
- 2010-е — прорыв глубокого обучения в распознавании изображений и речи; 2017 — архитектура трансформер, на которой построены LLM.
- 2020-е — массовое распространение генеративных моделей и чат-ассистентов.
Выводы
- Искусственный интеллект — область и цель, машинное обучение — способ, нейросети — семейство моделей ML, LLM — нейросети для текста.
- Все существующие сегодня системы относятся к слабому ИИ; сильный ИИ пока гипотеза, а не продукт.
- Обученная модель находит закономерности в данных и всегда выдает ответ, даже когда данных для ответа нет, — поэтому нужны проверка и порог уверенности.
- LLM генерируют правдоподобный текст и могут ошибаться в фактах; их ответы нужно проверять.
- Выбор технологии начинается с задачи: во многих случаях классическое ML проще и надежнее, чем генеративная модель.
Где применяется / связь с практикой
Чтобы перейти от общего понимания к работе с моделями, нужны три вещи: Python, базовая математика (вероятности, линейная алгебра на уровне векторов и матриц) и практика на реальных данных — от подготовки выборки до оценки качества модели. Пример со спам-фильтром выше — это та же схема «данные -> обучение -> проверка», только в миниатюре.
Освойте тему на практике
Системно пройти этот путь с разбором классических алгоритмов и нейросетей можно на курсе «Machine Learning. Basic». Если хочется сначала посмотреть на формат и темы, подойдут бесплатные открытые уроки Otus.
FAQ
Чат-ассистент понимает, что ему пишут?
Он строит ответ по статистическим закономерностям языка, выученным на текстах. Есть ли в этом понимание в человеческом смысле — открытый вопрос, но на практике важнее другое: ответы по фактам надо проверять.
Прошли ли современные модели тест Тьюринга?
В отдельных экспериментах собеседники не всегда отличают модель от человека в коротком диалоге. Но тест проверяет умение имитировать разговор, а не наличие общего интеллекта, поэтому считать его критерием сильного ИИ некорректно.
Нужно ли знать математику, чтобы пользоваться ИИ?
Чтобы пользоваться готовыми сервисами — нет. Чтобы обучать и оценивать свои модели — нужны основы теории вероятностей, статистики и линейной алгебры.
