Гулливеру нужен корабль домой. Капитан узнаёт, что пассажир — хирург, и соглашается взять с него половину обычной платы: в пути тот будет лечить команду. Он мог бы всю дорогу рассказывать о невероятных странах. Капитану достался ещё и человек, который поможет заболевшему матросу. Большое путешествие встретилось с очень понятным делом.
С историей ИИ удобно знакомиться тем же способом. Подойти к каждому большому достижению и спросить: какую работу ему здесь поручили? В одном месте исследователь предлагает способ разговора с машиной. В другом компьютер выбирает шахматный ход. В третьем сеть различает изображения. Из этих разных работ и складывается интересная история.
Возьмём пять поворотов и по одному первичному артефакту к каждому. Даты будут держать порядок, а сами задачи покажут, почему появлялись новые способы решения. К концу получится небольшая карта, по которой легче понять и современный разговорный ИИ.
История искусственного интеллекта начинается с хороших вопросов
В 1950 году Алан Тьюринг публикует работу Computing Machinery and Intelligence. Он берёт вопрос о мышлении машин и предлагает рассматривать более определённую ситуацию: игру с вопросами и письменными ответами, где участники скрыты от спрашивающего.
Это важное движение мысли. Вместо бесконечного спора о значении слова «думать» появляется обсуждаемая процедура: кто с кем общается, что видит спрашивающий, какие ответы получает. Исследователь получает устройство опыта: можно поставить участников на места и обсудить, что считать результатом. У большого вопроса появляется рабочий стол.
В нашей карте первая карточка поэтому называется «Как поставить проверяемый вопрос». Работа 1950 года формулирует подход к исследованию. Подробные правила игры и споры о критерии заслуживают отдельного разбора; здесь важен сам переход от общего впечатления к описанным условиям.
Полезный домашний вопрос такой же: что именно вы хотите получить от помощника? Короткое приглашение, найденное расхождение в таблице, объяснение незнакомого слова — разные результаты. У каждого можно увидеть, что получилось, не решая заодно всю философию сознания.
Дартмут: сначала предложение, затем исследовательское лето
Следующий артефакт — предложение Дартмутского исследовательского проекта, датированное 31 августа 1955 года. Джон Маккарти и соавторы предлагают собрать группу летом 1956-го. В названии уже стоит artificial intelligence — искусственный интеллект.
В тексте есть большой замысел: исследовать, как машины могут пользоваться языком, образовывать понятия, решать задачи и улучшать свою работу. Рядом — вполне земная организация: участники, семинары, подготовительные материалы и расходы. Большая область складывается из вопросов, над которыми люди собираются работать вместе.
Заметьте две даты. 1955-й относится к самому предложению, 1956-й — к намеченному летнему проекту в Дартмуте. На нашей карте они остаются рядом. Сам Дартмутский колледж подтверждает, что исследователи собрались в 1956 году. Так понятно, что именно мы датируем.
Есть ещё деталь, которая ломает простую картину «раньше были только правила, потом внезапно появились сети». Среди направлений предложения уже стоят нейронные сети. Их обсуждали за много десятилетий до современных разговорных сервисов. Новые волны развивали и меняли старые исследовательские линии.
Пять дат, которые удобно держать перед глазами
Даты относятся к выбранным работам и событиям. Карта помогает увидеть повороты, а подробную летопись можно продолжать между ними.
| Дата | Артефакт | Что берём для понимания |
|---|---|---|
| 1950 | Работа Тьюринга | Общий вопрос превращается в описанную процедуру |
| 1955 / 1956 | Предложение и Дартмутский проект | Область получает программу исследований |
| 1997 | Матч Deep Blue с Каспаровым | Поиск и оценка вариантов дают сильный результат в шахматах |
| 2012 | Работа о глубокой сети для ImageNet | Признаки изображений учатся на примерах |
| 2017 | Attention Is All You Need | Transformer строит работу с последовательностями на внимании |
У таблицы есть приятное свойство: она помещается на одной странице. А у вас появляется маршрут по источникам. Каждый экспонат можно снять с полки и рассмотреть поближе: вот вопрос, вот способ, вот результат. Можно выбрать интересный поворот и посмотреть, что сделали авторы, вместо попытки запомнить сразу полсотни названий.
Deep Blue: сильный шахматный ход вырос из поиска
В мае 1997 года Deep Blue компании IBM выигрывает матч у действующего чемпиона мира Гарри Каспарова при стандартном турнирном контроле. История системы у IBM показывает долгую подготовку: вычисления, оценку позиций, базы окончаний и работу с шахматными специалистами.
Чтобы почувствовать устройство задачи, представьте свою партию. Вы можете сделать несколько ходов. На каждый соперник ответит, потом снова придётся выбирать вам. Варианты ветвятся: за одним удачным на вид ходом может ждать ответ, который вы пропустили. Программа быстро рассматривает позиции и оценивает, куда они ведут; правила задают допустимые действия.
На третьей карточке нашей карты — «Поиск и оценка в ясной задаче». Шахматы дают понятный мир: доска, фигуры, допустимые ходы и результат партии. В нём можно построить систему, которая действует сильнее выдающегося игрока. Её умение раскрывается за доской — там есть место, где оно действительно выдержало проверку.
Поэтому слово «сильнее» здесь имеет точный предмет: шахматный матч. Для работы с семейным письмом понадобятся другие входные данные и другой способ проверки. В этом и интерес истории: исследователи выбирают устройство решения под конкретную задачу, а успех делает этот выбор видимым.
AlexNet: учиться различать изображения по примерам
В 2012 году Алекс Крижевский, Илья Суцкевер и Джеффри Хинтон публикуют работу о классификации ImageNet глубокой свёрточной сетью. В аннотации описана сеть, обученная различать тысячу классов изображений, и использование графических процессоров для ускорения обучения.
Классификация означает выбор категории для примера. Допустим, перед вами фотографии чайника, собаки и велосипеда. У объектов разные формы, ракурсы и фон. У собаки меняется ракурс, за чайником висит велосипед, на велосипеде едет человек с собакой. Ручной перечень видимых признаков быстро обрастает исключениями. Обучение использует множество примеров, чтобы подбирать внутренние параметры сети и находить полезные для различения закономерности.
Глубокая сеть проводит изображение через несколько слоёв обработки. Представления постепенно меняются так, чтобы помогать задаче. В выбранной работе это распознавание категорий. Фотографию подают на вход, предполагаемый класс получают на выходе; результат сравнивают с известной меткой.
Сравните с шахматной доской. Там заранее известны правила движения фигур и возможные ходы. Здесь надо разобраться в разнообразии изображений по примерам. Сдвиг заметен: часть работы, которую трудно расписать вручную, переносится в обучение по данным.
Четвёртая карточка — «Обучение представлений». Сами сети появились гораздо раньше этой публикации: мы уже видели их в Дартмутском документе. Здесь рассматриваем конкретный сильный результат глубокого обучения на изображениях и способ, которым авторы его получили.
Transformer: учитывать связи в контексте
В 2017 году Ашиш Васвани и соавторы представляют Attention Is All You Need. Они предлагают архитектуру Transformer, построенную на механизмах внимания; в работе показаны результаты на задачах машинного перевода. На пятой карточке появится «Связи внутри последовательности».
Слово «внимание» звучит по-человечески, но здесь обозначает вычислительный механизм. При обработке элемента модель учитывает связи с другими элементами контекста. В объяснении Google этот механизм показан через отношения между словами.
Возьмём фразу: «Чемодан не поместился в багажник, потому что он был слишком большим». Чтобы понять, к чему относится «он», нужно посмотреть на всю фразу. Если заменить последнее слово на «маленьким», придётся заново оценить, о каком предмете идёт речь. Такой пример помогает почувствовать, зачем при обработке языка учитывать окружающие слова. Он поясняет идею; настоящая сеть делает численные вычисления.
Семейство архитектур Transformer стало основой многих языковых моделей. Модели, которые продолжают текст, строят новые элементы последовательности по уже имеющемуся контексту. Так от работы с языковыми связями мы выходим к знакомой сцене: вы пишете просьбу в чат и получаете ответ.
В исходной статье 2017 года демонстрируются определённые задачи, прежде всего перевод. Разговорные помощники развивались дальше. На карте полезно оставить обе ступени: архитектурная работа и приложения, которые на подобных подходах строят позднее.
Прежние инструменты пригодились и после новых поворотов
Подходы выбирают и сочетают под дело. Хронологическая дата сама по себе не выбирает лучший инструмент.
Историю легко вообразить лестницей: новая ступень появилась, старую разобрали. Для практики удобнее мастерская. В ней остаются разные инструменты, а под очередное дело собирают подходящий набор.
Допустим, вы готовите приглашение на встречу. Языковой помощник предлагает несколько формулировок — от спокойной до такой торжественной, будто на открытие вашей беседки прибудут три монарха. Но дату и адрес вы берёте из своего расписания, число мест сравниваете с ограничением комнаты, список участников проверяете по таблице. Тут вполне уживаются генерация, поиск сведений и простые правила.
Этот пример можно сделать собственным первым действием. Возьмите короткую задачу и назовите три вещи: какой материал уже есть, что помощник должен выдать и как вы поймёте, что результат пригоден. После пяти исторических карточек такие вопросы звучат конкретнее: какую работу нанимаем выполнять нашу систему?
Соберите свою карту с помощью ИИ
Откройте DeepSeek и выберите один источник из статьи. Начать можно с короткой аннотации AlexNet. Прочитайте её, вставьте в чат вместе с названием и датой, затем попросите:
Хочу разобраться в истории ИИ на одном первичном источнике. Вот название, дата, ссылка и текст фрагмента. Объясни обычными словами: какую задачу ставили авторы, что предложили, какой результат описали и как его проверяли. Держись переданного фрагмента. Для незнакомого термина дай один бытовой пример и отдели этот пример от фактов работы. Если чего-то в тексте нет, скажи, какой раздел нужно открыть дальше. Затем задай мне один вопрос, чтобы проверить, понял ли я главное.
Помощник здесь выполняет понятную работу: переводит сложную аннотацию в связное объяснение и помогает выбрать следующий фрагмент. Исходник остаётся рядом. Если в ответе появился новый год или чужой результат, найдите место, откуда он взят, и поправьте свою карточку по источнику.
После объяснения сверяйте факты с исходной работой. Бытовая аналогия помогает понять механизм, но не становится историческим событием.
Запишите итог четырьмя короткими строками: кто и когда, задача, предложенный способ, описанный результат. Повторите с другой работой, если интересно сравнить подходы. Подробности формулировки запроса можно взять из разбора помощи ИИ под свою задачу.
Вопросы и ответы об истории ИИ
Почему в краткой карте нет всех ранних машин и программ?
Мы выбрали пять первичных артефактов, по которым видно изменение вопросов и подходов. Между ними происходило много работы. Карту можно расширять: добавить новую карточку с источником и посмотреть, какой поворот она объясняет.
Почему Дартмут связывают с 1956 годом, а документ датирован 1955-м?
Документ предлагает провести летний проект в следующем году. На шкале различаются дата предложения и время самого проекта. Обе нужны, если вы рассказываете историю по источникам.
Нейросети начались с распознавания изображений в 2012-м?
Исследовательская линия старше: она прямо названа в предложении 1955 года. Работа 2012-го — наш выбранный пример глубокого обучения изображений, с конкретной сетью, данными и результатом.
Что даёт эта история для обычной работы с чатом?
Привычку связывать способность с задачей и проверкой. Убедительный абзац, точный ответ по вашим документам и верно посчитанная сумма требуют разных проверок. Начните с одной небольшой вещи и посмотрите на получившийся результат.
Куда перейти после своей первой карточки?
Попробуйте применить помощника к своему письму, заметке или вопросу. В практике первых задач можно выбрать посильное начало, а в клубе — продолжать пробовать и задавать вопросы по ходу работы.
Капитан Гулливера сумел увидеть в необыкновенном путешественнике человека для конкретной нужной работы. С машиной полезно разговаривать столь же предметно: вот материал, вот дело, вот результат, который хотим увидеть. Тогда история искусственного интеллекта становится хорошей картой для собственной практики. На судно берём того помощника, чьё умение понадобится в пути.