Нейросети: учиться, работать, зарабатывать. Практическое руководство по ИИ

Олег Панкратов

Нейросети: учиться, работать, зарабатывать. Практическое руководство по ИИ

Часть I. Фундамент: как устроен и с чем работает ИИ

Глава 1. Общие понятия ИИ

Начнём с эксперимента

Прежде чем читать дальше, сделайте одну вещь. Откройте любой чат с ИИ — ChatGPT, GigaChat, DeepSeek, тот, что есть под рукой, — и отправьте ему такой запрос:

Моя бабушка каждый день варила компот из ревеня на Марсе.

Расскажи, как прошёл её вчерашний день.

Бред? Конечно. Бабушки на Марсе не варят компоты. Но посмотрите, что ответит машина. Скорее всего, она спокойно сочинит вам историю: как бабушка проснулась в марсианской оранжерее, проверила грядки с ревенем, пожаловалась на пыльную бурю. Уверенно, складно, с деталями.

Только что вы увидели две главные вещи про современный ИИ. Первая: он умеет говорить так, что хочется слушать. Вторая: он не отличает правду от выдумки — и сам об этом не догадывается.

Вся эта глава — про то, чтобы вы научились видеть за плавной речью машины то, что там происходит на самом деле. Без формул и без заумных слов. К концу главы вы будете понимать, чем ИИ отличается от обычной программы, как он вырос за последние семьдесят лет, какие задачи ему по зубам и где у него слепые пятна. Это фундамент: на него опирается всё остальное в книге.

Понять

Повар и рецепт: чем ИИ отличается от обычной программы

Представьте, что вы наняли повара и дали ему точнейшую инструкцию: «Возьми 200 граммов муки, добавь два яйца, мешай ровно три минуты, выпекай при 180 градусах сорок минут». Если инструкция правильная — получится хлеб. Если вы ошиблись в одной строчке — получится кирпич. Повар не исправит вашу ошибку: он делает строго то, что написано.

Так работает обычная программа. Программист заранее прописывает каждый шаг: «если пользователь нажал сюда — сделай то-то». Компьютер послушно выполняет. Спам-фильтр старого образца работал именно так: человек вручную составлял список подозрительных слов, и письмо со словом «выигрыш» отправлялось в спам. Мошенники быстро догадались писать «выигрыш» с ошибкой — и фильтр ломался. Каждую новую хитрость приходилось описывать человеку.

А теперь представьте другого повара. Вы не даёте ему рецепт. Вместо этого вы сажаете его в ресторан и говорите: «Смотри. Вот сто тысяч заказов и сто тысяч блюд, которые понравились гостям. Разберись сам, что к чему». Через месяц он готовит хлеб, которому его никто не учил напрямую, — потому что сам углядел закономерности: вот такое тесто при такой температуре обычно поднимается.

Это и есть искусственный интеллект в его современном виде. Ему не пишут правила. Ему показывают примеры, а правила он выводит самостоятельно. Спам-фильтр на ИИ прочитал миллионы писем и сам научился отличать мошеннические — даже если в них опечатки, которых человек никогда не видел.

Отсюда главная развилка:

•

Обычная программа:

человек пишет правила → машина применяет их к данным → получается ответ.

•

ИИ (машинное обучение):

человек даёт данные и правильные ответы → машина сама находит правила → потом применяет их к новым данным.

Это переворачивает всё с ног на голову. Программист больше не объясняет машине, как решать задачу. Он подбирает ей «учебник» — данные, — и машина учится сама.

Семьдесят лет взлётов и заморозков: как ИИ вырос

История ИИ похожа на кардиограмму: подъём, эйфория, разочарование, спад — и снова вверх. Знать её полезно не ради дат, а ради одного урока: каждый раз, когда ИИ обещали «вот-вот всё», наступала пауза. Это помогает трезво смотреть и на сегодняшние заголовки.

1950 — вопрос, с которого всё началось. Английский математик Алан Тьюринг опубликовал статью «Вычислительные машины и интеллект» и задал дерзкий вопрос: могут ли машины мыслить? А раз ответить на него напрямую трудно, Тьюринг предложил практическую проверку — знаменитый тест Тьюринга. Человек переписывается с невидимым собеседником. Если он не может понять, человек на том конце или машина, — считай, машина мыслит. Семьдесят лет спустя мы переписываемся с чат-ботами каждый день, и вопрос «а мыслит ли она» не стал проще.

1956 — рождение науки. Летом в Дартмутском колледже в США собрался семинар: Джон Маккарти, Марвин Мински, Клод Шеннон, Натаниэль Рочестер и ещё десяток исследователей. Именно Маккарти придумал для новой области название — «искусственный интеллект». Учёные были полны оптимизма: казалось, лет за двадцать машины сравняются с человеком. Уже через год Фрэнк Розенблатт построил перцептрон — первую обучающуюся модель, грубо подражающую нервной клетке. Пресса писала о нём как о зачатке мыслящей машины.

1970-е — первая «зима». Оптимизм уперся в реальность: компьютеры были слабые, данных мало, а обещания — громкие. Финансирование сократили, интерес угас. Периоды таких разочарований прозвали «зимами ИИ».

1980-е — бум экспертных систем, и снова зима. Появился новый хит: экспертные системы. Идея — собрать знания живых экспертов в гигантскую кучу правил «если… то…». Врачебная система MYCIN, например, по симптомам предлагала диагноз. Бизнес вложился, но правила оказалось дорого писать и мучительно обновлять. К началу 1990-х пузырь сдулся — вторая зима.

1997 — машина обыграла чемпиона. Суперкомпьютер Deep Blue компании IBM победил Гарри Каспарова в шахматах. Громкая победа, но честно говоря, это был триумф грубой силы: машина перебирала миллионы позиций в секунду, а не «понимала» игру.

2012 — переворот. На соревновании по распознаванию изображений ImageNet победила программа AlexNet — и победила с огромным отрывом. Её секрет: глубокие нейронные сети плюс мощные графические процессоры и горы данных. С этого момента началась современная эпоха: подход, который десятилетиями считался тупиковым, вдруг заработал.

2016 — игра, которую нельзя перебрать. Программа AlphaGo от DeepMind обыграла Ли Седоля, одного из сильнейших игроков мира в го. В го вариантов больше, чем атомов во Вселенной — перебор бессилен. Машина выиграла интуицией, которую наработала, сыграв миллионы партий сама с собой.

2017 — архитектура, изменившая всё. Сотрудники Google опубликовали статью с дерзким названием «Attention Is All You Need» («Внимание — это всё, что вам нужно»). В ней описали архитектуру «трансформер». На ней построены практически все современные языковые модели — те самые, с которыми вы разговариваете в чатах. Подробно разберём её в главе 2.

2022 — ИИ вышел на улицу. 30 ноября OpenAI запустила ChatGPT. Миллион пользователей — за пять дней. Сто миллионов — примерно за два месяца: быстрее, чем любое приложение в истории до этого. Для сравнения: TikTok понадобилось на ту же отметку около девяти месяцев. К октябрю 2025 года у ChatGPT было уже порядка 800 миллионов пользователей в неделю — примерно каждый десятый житель планеты. ИИ перестал быть темой для лабораторий и стал бытовым инструментом, как поисковик или смартфон.

Вывод из этой кардиограммы простой: прогресс ИИ идёт рывками, и каждый рывок случался тогда, когда сходились три вещи — данные, вычислительная мощность и удачная идея. Сейчас сошлись все три сразу, поэтому рывок такой сильный.

Матрёшка: машинное обучение, нейросети, глубокое обучение

Эти три слова постоянно путают, а между ними простое отношение — как у матрёшки.

Самая большая кукла — искусственный интеллект. Это общее название для всего, где машина делает то, что раньше считалось уделом человеческого ума: распознаёт речь, играет в шахматы, пишет тексты.

Внутри неё — машинное обучение (ML). Это подход, при котором машина учится на примерах, а не на жёстких правилах — наш «повар без рецепта». Способов учиться на примерах много, и нейросети — лишь один из них.

Ещё глубже — нейросети. Математическая конструкция, вольно вдохновлённая мозгом: много простых «нейронов», связанных между собой. Показал пример — чуть-чуть подправил связи, показал миллион примеров — сеть «выучила» закономерность. Слово «нейрон» тут скорее метафора: до настоящего мозга этой схеме как до луны.

Самая маленькая кукла — глубокое обучение. Это нейросети, у которых много-много слоёв, отсюда «глубокие». Глубина позволяет им угадывать очень тонкие закономерности. Неглубокая сеть ответит «на фото есть кошка», а глубокая разглядит больше: кот рыжий, зол, и снимок сделан вечером.

Когда в новостях пишут «ИИ сделал то-то», в девяти случаях из десяти речь о глубоком обучении. Но держать в голове всю матрёшку полезно: не всякий ИИ — нейросеть, и не всякая умная программа — вообще ИИ.

Четыре работы, которые умеет ИИ

За всеми чудесами стоят всего четыре типа задач. Увидев их, вы сможете разобрать любую новость про ИИ на составные части.

1. Классификация — разложить по полочкам. Это спам или нет? На рентгенограмме есть патология или нет? Отзыв злой или довольный? Машина смотрит на объект и называет категорию. Самая массовая и самая «невидимая» работа ИИ: она решается миллиарды раз в день в каждом смартфоне.

2. Прогнозирование — угадать, что будет дальше. Сколько товаров купят на следующей неделе? Когда сломается станок? Какой фильм вам зайдёт? Машина находит в прошлом закономерности и продолжает их в будущее. Прогноз всегда с погрешностью — ИИ тут как синоптик: умный, но не всеведущий.

3. Генерация — создать новое. Текст, картинка, музыка, видео, код. Именно эта задача породила весь нынешний шум: до недавнего времени «создавать» считалось исключительно человеческим занятием.

4. Принятие решений — выбрать действие. Куда повернуть беспилотному автомобилю? Какую ставку сделать в рекламном аукционе? Стоит ли выдать кредит? Это самая ответственная работа, потому что цена ошибки тут реальна: не неудачная картинка, а деньги, здоровье, безопасность.

Почти любая история успеха или провала ИИ — это одна из четырёх работ, плюс вопрос «насколько дорого обходится ошибка». Запомните эту рамку: она пригодится в главе 5, где мы будем решать, какие из ваших задач стоит отдавать машине.

Данные: топливо ИИ

Повар из нашей аналогии учился на ста тысячах блюд. А теперь представьте, что половина рецептов в его «учебнике» — с ошибками: вместо сахара записана соль. Чему он научится? Правильно: готовить несъедобное, причём очень уверенно.

С ИИ та же история, и у неё есть старая поговорка программистов: «мусор на входе — мусор на выходе». Качество данных для ИИ важнее, чем хитрость алгоритма. Хорошая модель на плохих данных проиграет простой модели на хороших.

Что портит данные:

•

Мало.

На десяти примерах закономерность не увидеть — как учить иностранный язык по одной странице учебника.

•

Криво.

Ошибки, опечатки, устаревшие сведения, дубли. Машина честно выучит и ошибки тоже.

•

Однобоко.

Если показать системе распознавания лиц только фотографии из одной страны, с остальными она будет работать хуже. Это не злой умысел машины — она просто не видела другого.

•

Со следами прошлых предубеждений.

Если в исторических данных банк реже одобрял кредиты какой-то группе людей, обученный на этих данных ИИ усвоит ту же привычку. Машина в этом смысле идеальный ученик: впитывает всё, включая чужие предрассудки.

Практический вывод для вас как для пользователя: когда оцениваете любой ИИ-инструмент, первый вопрос — «на чём его учили?». От ответа зависит, где ему можно верить, а где стоит перепроверить.

Три слепых пятна: где ИИ ошибается по системе

У современного ИИ есть ограничения, которые не лечатся «ещё одним обновлением». Их нужно знать как правила дорожного движения.

Галлюцинации. Помните бабушку с Марса из начала главы? Модель не «знает» факты — она предсказывает правдоподобный текст. Если в её памяти нет ответа, она не скажет «не знаю», а сочинит уверенный и складный вымысел: несуществующую книгу с настоящим автором, реалистичную ссылку, которая никуда не ведёт, точную цифру, взятую с потолка. Причём звучать выдумка будет так же убедительно, как правда. Правило выживания одно: любой факт из ответа ИИ, который для вас важен, — проверять. Мы вернёмся к этому в главе 2 и будем возвращаться всю книгу.

Смещения (bias). Модель — зеркало своих данных. Данные о мире писали люди, со всеми человеческими перекосами. Поэтому ИИ может по инерции воспроизводить стереотипы — в текстах, в оценках, в рекомендациях. Это не значит, что им нельзя пользоваться. Это значит, что в чувствительных вопросах — люди, деньги, здоровье, право — машинный ответ считается черновиком, а не приговором.

Корреляция вместо причинности. ИИ великолепно замечает, что «А часто бывает вместе с Б». Но он не понимает, почему. Классический пример: продажи мороженого и несчастные случаи на воде растут вместе. Запретим мороженое — утонут меньше? Нет: дело в жаре, которая влияет на обе цифры. Человек это понимает здравым смыслом, а модель видит только голую связь. Поэтому в вопросах «почему» и «что будет, если мы вмешаемся» последнее слово должно оставаться за человеком.

Генеративный ИИ: почему все заговорили именно сейчас

До 2022 года ИИ был в основном «читателем»: сортировал, распознавал, прогнозировал. Полезный, но невидимый — он жил внутри почты, навигатора и ленты соцсетей, и обычный человек с ним напрямую не разговаривал.

Генеративный ИИ сменил роль: он стал «писателем». Создаёт тексты, картинки, музыку, видео, код — то, чего раньше не существовало. И главное: он наконец получил интерфейс, понятный любому человеку, — обычный разговор на обычном языке. Не нужно учить команды, не нужно программировать. Пишешь по-русски «придумай поздравление коллеге, который увлекается рыбалкой» — и получаешь результат.

Именно сочетание этих двух вещей — умение создавать новое и разговорный интерфейс — и сделало 2022 год переломным. Технологически генеративные модели готовились годами (трансформеры появились в 2017-м). Но массовым явлением ИИ стал тогда, когда заговорил на человеческом языке.

Дальше по книге мы будем разбирать именно этот, разговорный ИИ: как он устроен (глава 2), как с ним общаться (глава 3) и как заставить его не только говорить, но и делать (глава 4).

Попробовать

Теория закрепляется руками. Вот короткое упражнение на пятнадцать минут: вы своими глазами увидите все четыре работы ИИ и одно из его слепых пятен. Нужен любой чат с ИИ.

Шаг 1. Классификация. Скопируйте в чат этот промпт:

Прочитай отзыв и ответь одним словом — «хвалит» или «ругает»:

«Ну и кино! Два часа жизни потратил так, что даже не жаль —

жаль, что только два».

Отзыв каверзный: слова недовольные, а смысл положительный. Справился? Попробуйте ещё пару своих примеров. Вы только что увидели классификацию и то, насколько она ушла от примитивного «поиска плохих слов».

Шаг 2. Прогнозирование. Дайте модели последовательность и попросите продолжить:

Вот мои расходы на кофе за неделю: 320, 280, 350, 300, 410, 290, 330 рублей.

Предположи, какой будет сумма завтра, и объясни свою логику.

Посмотрите на объяснение: модель ищет закономерность и честно показывает рассуждение. Заметьте: это предположение, а не пророчество.

Шаг 3. Генерация. Попросите создать то, чего не существует:

Придумай описание вымышленной настольной игры про почтальона в средневековом

королевстве: название, цель игры и три правила.

Шаг 4. Галлюцинация. А теперь самое поучительное:

Расскажи подробно о книге «Тихие маяки» Владимира Сорокина,

вышедшей в 2019 году: сюжет, главные герои, как её встретила критика.

Проверьте потом: существует ли такая книга? (Подсказка: на момент проверки этой главы — нет.) Если модель уверенно рассказала вам сюжет — вы получили живой урок из раздела про слепые пятна. Если честно ответила, что такой книги не знает, — попробуйте другой выдуманный запрос, рано или поздно она «поплывёт».

Шаг 5. Разбор. Выпишите на бумагу: какой шаг относился к какой из четырёх работ? Где машина была убедительна? Где вы бы ей не доверили важное решение?

Применить

Типичная история, собранная из десятков похожих случаев, которые рассказывают пользователи и компании.

Менеджеру по маркетингу нужно подготовить обзор рынка к совещанию. Она просит ИИ: «Собери главные цифры по рынку онлайн-образования в России». Машина выдаёт красивый текст: темпы роста, объём в рублях, три «исследования» с названиями и годами. Текст читается как отчёт солидного агентства.

Дальше история раздваивается.

В плохой версии цифры идут в презентацию как есть. На совещании директор спрашивает: «А откуда исследование 2024 года, я такого не видел?» — и выясняется, что его никто не видел, потому что его не существует. Модель не солгала со зла: она просто продолжила текст в жанре «обзор рынка», а в этом жанре положены цифры и исследования. Доверие к докладчику подмочено, а ведь человек не врал — он просто не знал про слепое пятно.

В хорошей версии менеджер делает ровно три вещи. Первое: использует ИИ там, где тот силён, — структура обзора, список вопросов, на которые надо найти ответы, формулировки. Второе: каждую цифру проверяет по первоисточнику вручную или просит модель работать только с загруженными документами (как это устроено, разберём в главе 7). Третье: в презентации указывает источники. Итог: работа заняла час вместо двух дней, а на совещании доклад выдержал любые вопросы.

Разница между плохой и хорошей версией — не в модели и не в уме героини. Разница в одном знании: у какой из четырёх работ ИИ какая цена ошибки. Генерации и структуре — верить с проверкой фактов. Формулировкам и идеям — почти свободно. Конкретным цифрам и названиям — никогда без первоисточника.

Мини-проект главы

Сделайте «паспорт задачи» для одного реального дела из вашей жизни — того, что вы регулярно делаете сами. Например: писать посты, отвечать клиентам, планировать закупки, готовить ребёнка к экзамену.

Ответьте письменно на пять вопросов:

К какой из четырёх работ относится задача — классификация, прогнозирование, генерация или принятие решений? (Возможно, к нескольким.)

Какие данные в ней участвуют и насколько они качественные?

Какова цена ошибки: досадно, неприятно или недопустимо?

Какое из трёх слепых пятен ИИ самое опасное именно здесь?

Какая часть задачи остаётся за человеком в любом случае?

Если честно ответили на все пять — вы уже мыслите как человек, который понимает ИИ, а не как тот, кто просто им пользуется. С этим паспортом мы встретимся ещё раз в главе 5, когда будем решать, что именно отдавать машине.

Дальше — глава 2. Там мы заглянем под капот языковой модели: узнаем, что такое токены, как работает «внимание» и почему машина, которая ничего не понимает, пишет так, будто понимает всё.

Глава 2. Что такое языковая модель

Начнём с эксперимента

Откройте чат с ИИ и отправьте ему один этот фрагмент, без всяких пояснений:

У лукоморья дуб

Скорее всего, машина мгновенно ответит: «зелёный». Может, продолжит всю цепочку — про учёного кота и русалку на ветвях. Вы не задавали вопрос. Вы не просили ничего продолжать. Но модель сделала то, единственное, что она вообще умеет делать: угадала, каким должно быть следующее слово.

А теперь второй заход:

Напиши слово «дисциплина» задом наперёд, по буквам.

Проверьте ответ. Немало моделей тут ошибаются — переставляют буквы не так, теряют одну из них. Машина, которая только что процитировала Пушкина, спотыкается о десятибуквенное слово.

Вот в этих двух миниатюрах — вся суть языковой модели. Она гениально угадывает продолжения и при этом не работает с буквами так, как вы. В этой главе разберём, как она учится, из чего состоит, почему иногда несёт уверенную чушь и где у неё кончается память. После этой главы фразы вроде «модель с миллионным контекстом» или «её дообучили на человеческих оценках» перестанут быть для вас шумом.

Понять

Угадайка, которая съела библиотеку

Языковая модель — это программа, обученная предсказывать продолжение текста. На входе — начало фразы, на выходе — самое вероятное следующее слово. Потом следующее за ним. И так по одному слову, пока не получится целый абзац, статья или письмо.

Звучит простовато для технологии, которая пишет дипломы и код? Тем не менее это всё, что она делает. Магия не в правиле, а в масштабе тренировки.

Представьте ученика, которого заперли в библиотеке с миллиардами страниц: книги, сайты, форумы, инструкции, переписки. Задание одно: в каждом тексте закрыть следующее слово ладонью и угадать его. Ошибся — запомни, где свернул не туда. Угадал — закрепи. И так триллионы раз подряд.

Через год такой тренировки ученик заметит, что после «пришла весна» чаще идёт «тает», чем «тает» после «наступил понедельник». Что в детективе после «дворецкий» часто всплывает «убийца». Что в коде после import следует название библиотеки. Он не «понял» весну и не «полюбил» детективы — он выучил, как устроены тексты. А тексты устроены людьми, поэтому вместе с языком он невольно выучил кучу сведений о мире, которые в этих текстах рассыпаны.

Этот процесс называется предобучением. Его результат — модель, которая знает очень много, но ведёт себя как попугай-энциклопедист: на вопрос может ответить, а может продолжить ваш вопрос новым вопросом, потому что в интернет-форумах вопросы часто множатся. Как из попугая делают вежливого ассистента, разберём ниже, в разделе про три этапа обучения.

Токены: машина читает не буквы и не слова

Вернёмся к «дисциплине» задом наперёд. Почему умная модель путается в буквах?

Потому что она их почти не видит. Прежде чем текст попадёт в модель, специальная программа — токенизатор — режет его на кусочки, которые называются токенами. Токен — это не буква и не всегда слово. Частые слова помещаются в один токен целиком. Редкие или длинные слова рубятся на части: «дисциплина» для модели может выглядеть как «дисци» + «пли» + «на» (точную разбивку зависит от токенизатора). А буква «л» внутри куска «пли» для модели — как буква внутри запечатанного конверта: она там есть, но пошевелить её отдельно нельзя.

Поэтому модели отлично продолжают стихи — «дуб зелёный» давно сросся в её памяти в привычную пару токенов — и осторожничают там, где нужна работа с отдельными буквами. Практический вывод: задачи «посчитай буквы», «переставь слоги», «напиши задом наперёд» — непрофильные для языковой модели. Она может с ними справиться (особенно если рассуждает вслух), но удивляться ошибкам тут не стоит.

Заодно токены — это валюта ИИ. Про размер модели, про цену подписки, про память — всё измеряется в токенах. Грубый ориентир для русского текста: одно слово — в среднем полтора-два токена, короткие слова часто помещаются в один. Тысяча токенов — это примерно страница-полторы текста. Эти прикидки понадобятся нам в разделе про контекст и в главе 6, когда будем считать, во что обходится подписка.

Внимание: как модель держит нить разговора

Прочитайте фразу: «Ключи не поместились в сумку, потому что они были слишком большими». Что было большим — ключи или сумка? Вы поняли мгновенно: ключи. А если фраза звучит «…потому что она была слишком маленькой» — большой была сумка. Одно слово переворачивает смысл, и ваш мозг сам тянет ниточку от «они» к «ключам».

У старых моделей с этим было туго: читая длинное предложение, они «забывали» начало. Всё поменяла статья Google 2017 года «Attention Is All You Need» — мы упоминали её в главе 1. В ней описали архитектуру трансформер с механизмом внимания (attention).

Представьте, что вы читаете книгу и держите в руке маркер. Натолкнулись на слово «он» — и мысленно подчеркнули: к какому имени из прошлых абзацев оно относится. Внимание — это тысячи таких маркеров одновременно. Обрабатывая каждое слово, модель оглядывается на весь текст и решает, какие слова важны именно сейчас: для «они» важны «ключи», для глагола — его подлежащее, для «столица» — название страны.