Дисциплина «Информатика». Лекция 10. Материал рассчитан на обучающихся от 15 лет и старше. Все термины и сокращения объясняются по ходу изложения. Подробнее — на портале gadget59.ru.
Искусственный интеллект (сокращённо ИИ; по-английски — Artificial Intelligence, сокращённо AI) — это область информатики, которая занимается созданием программ и систем, способных выполнять задачи, обычно требующие человеческого интеллекта. К таким задачам относятся распознавание речи и изображений, понимание текста, перевод с одного языка на другой, планирование, принятие решений, обучение на опыте.
Важно понимать: искусственный интеллект — это не отдельная программа и не «робот». Это широкое научное направление, внутри которого есть множество методов и технологий. Робот — это физическое устройство (тело), а искусственный интеллект — это «мозг», то есть программная часть, которая может управлять роботом, а может работать и без него, например в виде чат-бота на сайте или рекомендательной системы в интернет-магазине.
Почему это важно? Искусственный интеллект уже сегодня влияет на образование, медицину, транспорт, финансы, производство и повседневную жизнь. Понимание его основ помогает ориентироваться в современном мире и грамотно использовать технологии.
Идея «мыслящих машин» стара, но научное направление оформилось в середине XX века. Ниже — ключевые этапы.
История ИИ показывает: развитие идёт волнами — от оптимизма к разочарованию и снова к прорывам. Это нормальный путь науки.
Тест Тьюринга — проверка, предложенная Аланом Тьюрингом в 1950 году, чтобы ответить на вопрос «может ли машина мыслить?». Идея проста: если машина в текстовом диалоге неотличима от человека, значит, её можно считать «мыслящей» в практическом смысле.
Пример. Если спросить чат-бота «Что ты чувствуешь?», он может ответить правдоподобно. Но это результат статистики текстов, а не реальное переживание. Поэтому сегодня тест Тьюринга считается устаревшим критерием интеллекта.
В науке принято различать два уровня искусственного интеллекта.
Иногда отдельно говорят о сверхинтеллекте (Artificial Superintelligence, сокращённо ASI) — гипотетическом ИИ, превосходящем человека во всех областях. Это сценарий будущего, а не текущая реальность.
Важно. Когда в новостях говорят «искусственный интеллект научился…», почти всегда речь о слабом ИИ, который хорошо решает одну конкретную задачу.
Вокруг ИИ много мифов. Разберём основные.
Почему важно знать мифы? Это помогает критически относиться к новостям, не бояться технологий и грамотно их использовать.
Любая модель ИИ обучается на данных. Без данных нет ИИ. Данные — это примеры, на которых система учится находить закономерности.
Если данные неполные, устаревшие или предвзятые, модель будет ошибаться. Поэтому говорят: «мусор на входе — мусор на выходе» (по-английски — garbage in, garbage out). Подготовка данных — большая часть работы в проектах ИИ.
Пример. Если модель для отбора резюме обучать на данных, где исторически больше мужчин на руководящих должностях, модель может начать дискриминировать женщин — не потому, что она «злая», а потому что такова статистика в обучающих данных.
Машинное обучение (по-английски — Machine Learning, сокращённо ML) — это раздел искусственного интеллекта, в котором программы не программируют напрямую, а обучают на примерах. Вместо правил «если так, то так» система сама находит закономерности в данных.
В классическом программировании человек пишет правила: «если письмо содержит слово „выигрыш“, это спам». В машинном обучении человек даёт тысячи примеров писем с пометкой «спам» или «не спам», а программа сама выводит правила.
Запомни. «Машинное обучение» — это подмножество искусственного интеллекта. Не всякий ИИ использует машинное обучение (например, экспертные системы 1980-х — нет), но сегодня это основа большинства практических решений.
Искусственная нейронная сеть (сокращённо — нейросеть) — это математическая модель, вдохновлённая работой биологических нейронов в мозге. Она состоит из слоёв связанных между собой «нейронов» — простых вычислительных элементов.
В процессе обучения настраиваются веса — числа, которые определяют силу связи между нейронами. Чем больше данных и слоёв, тем сложнее закономерности, которые сеть может выучить.
Глубокое обучение (по-английски — Deep Learning, сокращённо DL) — это машинное обучение с использованием нейросетей с большим числом слоёв. Именно оно обеспечило прорывы 2012–2020-х годов: распознавание изображений, речи, машинный перевод, генерацию текстов и картинок.
Почему это работает? Большие нейросети с миллионами и миллиардами параметров могут находить очень тонкие закономерности в огромных объёмах данных. Для этого нужны мощные вычислительные ресурсы — графические процессоры (Graphics Processing Unit, сокращённо GPU) и специальные ускорители.
Компьютерное зрение (по-английски — Computer Vision, сокращённо CV) — область ИИ, которая учит компьютеры «понимать» изображения и видео.
Пример. Когда вы загружаете фото в облачный сервис, он может автоматически находить на нём лица и предлагать объединить их в группы. Это работает компьютерное зрение.
Обработка естественного языка (по-английски — Natural Language Processing, сокращённо NLP) — область ИИ, которая занимается пониманием и генерацией человеческого языка: русского, английского и любого другого.
Современные NLP-модели обучаются на огромных текстовых корпусах. Они изучают статистические закономерности языка: какие слова часто стоят рядом, какие конструкции типичны. Это позволяет им генерировать связные тексты и отвечать на вопросы.
Важно. Модель не «понимает» текст так, как человек. Она предсказывает следующее слово на основе статистики. Но на практике это даёт очень полезные результаты.
Большая языковая модель (по-английски — Large Language Model, сокращённо LLM) — это нейросеть очень большого размера, обученная на огромных объёмах текста. Она умеет продолжать текст, отвечать на вопросы, писать код, переводить, делать краткие изложения.
Галлюцинация — это когда модель выдаёт правдоподобную, но неверную информацию. Она не «знает» факты, а предсказывает слова, которые статистически подходят. Поэтому важно проверять факты, которые сообщает модель.
Пример. Если спросить модель о малоизвестном событии, она может придумать дату, имя или цитату. Это не злой умысел, а следствие того, как устроено обучение.
Генеративный искусственный интеллект — это ИИ, который создаёт новое содержимое: тексты, изображения, музыку, видео, код.
Генеративные модели обучаются на огромных наборах примеров. Они изучают распределение данных и могут создавать новые примеры, похожие на обучающие. Например, модель, обученная на миллионах фотографий кошек, может нарисовать новую кошку, которой не было в обучающем наборе.
Важно помнить. Генеративный ИИ может создавать ложную информацию, поддельные изображения и видео (так называемые «дипфейки» — deepfakes). Нужно критически относиться к тому, что вы видите в сети, и проверять источники.
Рекомендательная система — это программа, которая предсказывает, что может понравиться пользователю, и предлагает это.
Почему это важно? Рекомендательные системы влияют на то, что мы видим, читаем и покупаем. Понимание их работы помогает осознанно относиться к потреблению контента.
| Сфера | Применение |
|---|---|
| Медицина | Анализ снимков, помощь в диагностике, подбор лечения, разработка лекарств |
| Образование | Адаптивные курсы, автоматическая проверка заданий, персональные рекомендации |
| Транспорт | Беспилотные автомобили, системы помощи водителю, оптимизация маршрутов |
| Финансы | Обнаружение мошенничества, кредитный скоринг, алгоритмическая торговля |
| Промышленность | Контроль качества, предсказание поломок, роботизация |
| Сельское хозяйство | Оценка урожая, обнаружение болезней растений, точное земледелие |
| Безопасность | Видеонаблюдение, распознавание лиц, обнаружение вторжений |
| Развлечения | Генерация музыки, рекомендации фильмов, игровые персонажи |
Пример из повседневности. Умная камера в смартфоне распознаёт лица на фото и предлагает сгруппировать их по людям. Голосовой помощник понимает речь и выполняет команды. Это всё — прикладные системы ИИ.
Искусственный интеллект — мощный инструмент, но у него есть этические проблемы.
Принципы ответственного ИИ: справедливость, прозрачность, подотчётность, безопасность, уважение к приватности.
Искусственный интеллект регулируется законодательством страны, в которой он применяется. В Российской Федерации действуют общие нормы, которые распространяются и на ИИ-системы.
Запомни. Использование ИИ не освобождает от ответственности. Законы действуют и в цифровой среде. Незнание закона не освобождает от ответственности.
Если тема вас заинтересовала, вот примерный путь.
Совет. Не нужно ждать, пока выучите всё. Начните с простых проектов: классификация изображений, предсказание цены, чат-бот. Практика — лучший учитель.
Домашнее задание. Подготовьте короткое сообщение (5–7 предложений) об одном применении искусственного интеллекта, которое вам кажется наиболее полезным. Объясните, как оно работает и какие у него ограничения. Материалы для подготовки — на портале gadget59.ru.