История развития искусственного интеллекта

Результаты обучения

После изучения урока вы сможете:

• объяснять математические и вычислительные предпосылки AI;
• различать предпосылки дисциплины и её институциональное оформление;
• сравнивать символический, экспертный, статистический и нейросетевой этапы;
• объяснять причины AI winters;
• связывать прорывы 2012, 2017 и 2020-х годов с данными, алгоритмами и вычислениями.

1. До названия AI: логика и вычисления

Математическая логика позволила описывать вывод формальными правилами, теория вычислимости — уточнить границы алгоритмических процедур, а электроника — построить универсальные программируемые машины. В 1943 году Уоррен Маккаллок и Уолтер Питтс опубликовали математическую модель искусственного нейрона. Это была абстрактная логическая модель, а не копия мозга: её значение состояло в демонстрации того, как сети простых элементов могут реализовывать логические операции.

Параллельно развивались кибернетика, теория информации, вычислительная техника и исследования обучения. Поэтому появление AI следует понимать как схождение нескольких научных линий, а не как изобретение одного человека.

2. 1950: вопрос Тьюринга

В статье Computing Machinery and Intelligence Алан Тьюринг предложил обсуждать вопрос «Могут ли машины мыслить?» через игру в имитацию. В популярной форме тест Тьюринга проверяет, может ли собеседник надёжно отличить машину от человека в текстовом диалоге. Это операциональная проверка определённого поведения, а не универсальная мера интеллекта и не тест сознания.

Система может убедительно поддерживать разговор, не демонстрируя человеческого понимания, намерений или субъективного опыта. Это различие особенно важно при оценке современных языковых моделей.

3. 1955–1956: Дартмут и название Artificial Intelligence

В августе 1955 года Джон Маккарти, Марвин Минский, Натан Рочестер и Клод Шеннон подготовили предложение провести летом 1956 года исследовательский проект в Дартмутском колледже. В документе использовалось выражение artificial intelligence. Среди задач назывались язык, абстракции, решение проблем и самоулучшение программ.

Дартмутский семинар стал символической точкой оформления AI как отдельной исследовательской области. Но до него уже существовали работы по логике, нейронным моделям и вычислениям; участники не придерживались единой теории.

4. 1950–1960-е: символический AI

Ранние программы работали с символами, понятиями, логическими выражениями и правилами. Logic Theorist Ньюэлла, Саймона и Шоу демонстрировал автоматизированное доказательство математических теорем. General Problem Solver исследовал решение задач через цели и операции. Эти системы показали, что часть рассуждений можно представить как поиск по пространству возможных шагов.

В середине 1960-х Джозеф Вейценбаум создал ELIZA — программу диалога, использовавшую шаблоны и преобразования фраз. Реакция пользователей показала, как легко приписать системе понимание, даже если её механизм достаточно прост.

5. 1970–1990-е: ограничения и AI winters

Демонстрации часто работали в узких условиях. В реальном мире возникали комбинаторный взрыв, недостаток вычислений, неоднозначность языка, хрупкость правил и трудность формализации знаний. Обещания скорого универсального интеллекта не совпадали с результатами.

AI winter — периоды снижения финансирования и интереса после завышенных ожиданий. Обычно говорят о спаде в 1970-х и ещё одном в конце 1980-х — начале 1990-х. Исследования не прекращались полностью: менялись приоритеты и источники финансирования.

Экспертные системы

В 1970–1980-х экспертные системы кодировали знания специалистов в виде фактов и правил, а механизм вывода применял их к конкретному случаю. Они были полезны в ограниченных областях, но дороги в сопровождении: правила требовалось извлекать, согласовывать, обновлять и проверять. Устаревшее знание могло приводить к неверному заключению.

6. 1980–2000-е: статистическое машинное обучение

Вместо ручного описания каждого правила всё чаще применяли модели, параметры которых оценивались по примерам. Развивались вероятностные методы, статистическое распознавание образов, деревья решений, методы опорных векторов и ансамбли. Разработчик задавал задачу, признаки и критерий, а параметры находились по данным.

Это не отменяло предметных знаний: требовалось проверять качество данных, исключать утечку целевой переменной и оценивать качество на независимых выборках.

7. 1997–2016: специализированные победы и deep learning

В 1997 году IBM Deep Blue победила чемпиона мира по шахматам Гарри Каспарова. Это был успех специализированной системы поиска и оценки позиций, а не доказательство общего интеллекта. В 2012 году AlexNet — глубокая свёрточная сеть — показала выдающийся результат на ImageNet. Её успех стал возможен благодаря сочетанию архитектуры, размеченных данных, GPU и эффективного обучения. В 2016 году AlphaGo победила Ли Седоля, объединив нейросети, поиск и обучение с подкреплением.

8. 2017–2020-е: Transformer и генеративный AI

В 2017 году статья Attention Is All You Need представила архитектуру Transformer, основанную на механизме внимания. Она стала основой многих современных языковых моделей. Развивались предварительное обучение на больших корпусах, instruction tuning и мультимодальные модели.

Публичный запуск ChatGPT в ноябре 2022 года сделал диалоговый интерфейс к большой языковой модели массовым явлением. Затем ускорилось развитие генерации изображений, аудио и видео, инструментов поиска и многошаговых сценариев. Но генеративные системы могут ошибаться и уверенно выдавать неверные сведения.

9. Почему история движется волнами

1. Новая идея предлагает способ представлять знания или обучать модель.
2. Прототип работает на контролируемой задаче.
3. Масштабирование выявляет ограничения данных, вычислений и метода.
4. Ожидания корректируются, финансирование и интерес могут снижаться.
5. Новые данные, вычислительные ресурсы и алгоритмы возвращают задачу в практическую повестку.

Старые подходы не исчезают: правила, поиск, статистика и нейросети применяются параллельно. Реальные системы часто гибридны.

10. Практическое задание