Краткая история: от Тьюринга до ChatGPT

Идея распознать кошку на фото и угадать слово после «Кошка пьёт …» родилась не вчера — за ней почти 75 лет проб, провалов и неожиданных прорывов.

Тест Тьюринга — мысленный эксперимент: если человек в переписке не может понять, общается он с машиной или с человеком, то машину можно считать «умной». Это первая в истории попытка договориться, что вообще считать искусственным интеллектом (ИИ) — программами, которые решают задачи, обычно требующие человеческого мышления.

В прошлом уроке мы разобрались, что такое ИИ и чем он не является. Теперь посмотрим, откуда он вообще взялся — и почему именно сейчас, а не двадцать лет назад, у тебя в кармане лежит штука, которая дописывает за тебя сообщения.

Зачем тебе знать историю ИИ

Представь: ты открываешь ChatGPT, пишешь «придумай шутку про кота» — и через секунду получаешь ответ. Кажется, будто это магия, которая появилась внезапно, как новый тренд в ленте. Но это не так.

На самом деле всё, что ты видишь сегодня — это финал очень долгого сериала. У него были скучные сезоны, когда казалось, что ничего не выйдет, и были взрывные эпизоды, после которых всё менялось. Если ты знаешь сюжет, тебе гораздо легче понять, почему ChatGPT умеет одно и не умеет другое. Ты перестаёшь верить в магию и начинаешь видеть механику.

Давай я сразу покажу, к чему мы придём. Вот одна и та же задача — узнать кошку на картинке — на трёх этапах истории:

Эпоха	Как решали задачу «кошка или собака»
1950–1980-е	Программист вручную прописывал правила: «если уши треугольные и есть усы — кошка». Хрупко и почти не работало.
1990–2010-е	Машина сама училась на размеченных фото, но картинок и мощности компьютеров не хватало.
2012 — сейчас	Огромная нейросеть учится на миллионах фото и узнаёт кошку лучше многих людей.

К концу урока ты поймёшь, что произошло между этими строчками таблицы. Поехали.

С чего всё началось: машина, которая «думает»

Алан Тьюринг и его вопрос

В 1950 году британский математик Алан Тьюринг задал вопрос, который звучит просто, но взрывает мозг: «Может ли машина мыслить?» Проблема в том, что слово «мыслить» никто не умеет точно измерить. Поэтому Тьюринг придумал хитрый обходной манёвр — игру.

Представь чат, как в любом мессенджере. Ты переписываешься с двумя собеседниками за стенкой: один — человек, другой — программа. Ты не видишь их, только текст. Если после долгого разговора ты не можешь понять, кто из них машина, — значит, машина прошла тест Тьюринга.

Заметь: Тьюринг не спрашивал «есть ли у машины душа». Он перевёл туманный вопрос «умная ли она» в практичный «может ли она вести себя как человек в разговоре». Это до сих пор очень похоже на то, чем занимается ChatGPT, — недаром именно текстовый чат стал лицом современного ИИ.

Само слово «искусственный интеллект»

В 1956 году группа учёных собралась на летнюю конференцию в Дартмутском колледже. Именно там впервые прозвучало словосочетание artificial intelligence — «искусственный интеллект». Учёные были полны оптимизма: они всерьёз думали, что за пару десятилетий научат машину мыслить как человек.

Спойлер: они сильно ошиблись со сроками. Но именно с этой конференции ИИ стал отдельной наукой, а не фантастикой.

Долгий путь: правила, провалы и «зимы»

Эпоха правил: научи машину инструкциями

Первые десятилетия учёные пытались делать ИИ через жёсткие правила. Логика была такой: если человек умеет распознавать кошку, давай просто запишем все признаки словами и заставим компьютер им следовать.

Вернёмся к нашему сквозному примеру. Программа для распознавания кошки выглядела примерно так:

ЕСЛИ уши треугольные
   И есть усы
   И морда вытянутая не сильно
ТО это кошка
ИНАЧЕ это собака

Результат: на аккуратных учебных картинках это иногда работало, но стоило показать кошку со сложенными ушами, вид сзади или щенка чихуахуа с острыми ушами — и система ломалась. Реальный мир оказался слишком разнообразным, чтобы описать его списком «если-то».

Та же беда с текстом. Чтобы машина продолжила фразу «Кошка пьёт …», программисты писали правила вроде «после слова пьёт ставь молоко». Но язык бесконечно гибкий: кошка может пить воду, а в шутке — даже кофе. Правила не успевали за жизнью.

«Зимы ИИ»: когда все разочаровались

Когда обещания «вот-вот сделаем мыслящую машину» не сбылись, деньги и интерес к теме резко падали. Такие периоды историки назвали «зимами ИИ» — было две большие, в 1970-х и в конце 1980-х.

Это нормальный сюжет для любой технологии: сначала завышенные ожидания, потом разочарование, потом тихая работа — и только затем настоящий прорыв. Примерно как с играми в раннем доступе: сначала хайп, потом «да это же сырьё», а через год — отличный проект.

Идея, которая ждала своего часа

Ещё в середине XX века появилась идея нейросети — модели из множества простых связанных элементов-нейронов, организованных в слои. Вдохновлялись устройством мозга: много простых клеток, соединённых вместе, дают сложное поведение.

Идея была классная, но в то время бесполезная: не хватало двух вещей — горы данных и мощных компьютеров, чтобы эту нейросеть обучить. Поэтому она десятилетиями лежала «в сторонке» и ждала.

Почему ИИ внезапно взлетел

А теперь — самый важный момент урока. Почему ИИ, который буксовал полвека, вдруг рванул вперёд именно в последние годы? Совпали три вещи. Запомни их как три ножки табуретки: убери любую — и всё падает.

Что появилось	Откуда взялось	Зачем это нужно ИИ
Очень много данных	Интернет, соцсети, миллиарды фото и текстов	Чтобы учиться на примерах, нужны эти примеры — и побольше
Мощные компьютеры	Видеокарты (GPU), изначально сделанные для игр	Чтобы пересчитать миллиарды чисел в нейросети за разумное время
Новые методы обучения	Прорывы в науке о нейросетях	Чтобы нейросеть реально училась, а не путалась в своих слоях

Поворотный 2012 год

В 2012 году произошёл переломный момент. На большом соревновании по распознаванию картинок нейросеть впервые с огромным отрывом обошла все старые подходы. Та самая задача «что на фото» — а значит, и наша «кошка или собака» — наконец-то стала решаться машиной по-настоящему хорошо.

Секрет был не в новой гениальной формуле, а в сочетании ножек табуретки: взяли давнюю идею нейросети, накормили её миллионами фото из интернета и посчитали всё на игровых видеокартах. Идея, которая ждала с середины века, дождалась своего часа.

Игровые видеокарты спасли ИИ

Тут есть момент, от которого у тебя, наверное, поднимется настроение. Двигателем революции ИИ стали видеокарты для игр. Их придумали, чтобы рисовать красивую графику в шутерах и гонках — то есть быстро считать миллионы мелких операций одновременно.

Оказалось, что обучение нейросети — это ровно такая же гора однотипных вычислений. Так что геймеры, гоняющие в высоком разрешении, невольно профинансировали индустрию, которая потом породила ChatGPT. Без игровой индустрии ИИ-революция случилась бы намного позже.

От картинок к словам: дорога к ChatGPT

Прорыв в работе с текстом

Сначала нейросети научились видеть — узнавать кошек на фото. Дальше встал вопрос: а можно ли так же научить машину работать с языком? Вернёмся ко второму нашему сквозному примеру — фразе «Кошка пьёт …».

Чтобы продолжить её, машине больше не прописывают правил. Вместо этого создают языковую модель — модель, которая предсказывает следующее слово в тексте и так умеет генерировать осмысленные ответы. Ты её уже знаешь: это та самая штука, что подсказывает слова в клавиатуре телефона. ChatGPT — это просто очень-очень большая и умная её версия.

Главный сдвиг в мышлении такой: машина не «понимает» фразу про кошку, как человек. Она по миллионам прочитанных текстов выучила, что после «Кошка пьёт» чаще всего идёт «молоко» или «воду», и выдаёт самое вероятное продолжение. Это не магия и не разум — это статистика на огромных масштабах.

Архитектура, изменившая всё

В 2017 году появилась особая архитектура нейросети для текста — трансформер. Это архитектура, лежащая в основе ChatGPT, которая умеет учитывать связи между всеми словами сразу. Раньше модели читали текст по словечку и быстро «забывали» начало предложения. Трансформер же смотрит на всю фразу разом и понимает, какие слова связаны.

Запоминать эту архитектуру в деталях прямо сейчас не нужно — мы разберём её на следующих уровнях курса. Пока держи в голове только одно: буква «T» в названии GPT — это как раз Transformer. Без него никакого ChatGPT не было бы.

Как из трансформера получился ChatGPT

Дальше история ускоряется. Компании начали строить всё более крупные языковые модели семейства GPT, обучая их на гигантских объёмах текста из интернета. А в конце 2022 года вышел ChatGPT — версия, с которой удобно общаться в чате, как с человеком (помнишь идею Тьюринга?).

ChatGPT стал самым быстрорастущим приложением в истории: за пару месяцев им начали пользоваться сотни миллионов людей. И вот мы здесь — ты пишешь ему запрос, а он отвечает. Вся таблица из начала урока сложилась в одну точку.

Частые ошибки и подводные камни

История ИИ обросла мифами. Вот что чаще всего понимают неправильно — проверь, нет ли этого у тебя в голове.

«ИИ изобрели недавно». Нет. Идеям — десятки лет. Тест Тьюринга — 1950 год, само слово «ИИ» — 1956-й, нейросети — середина XX века. Взлетело только сейчас, потому что совпали данные, мощность и методы.
«Прошёл тест Тьюринга — значит, машина думает». Тест проверяет только то, может ли машина звучать как человек в переписке. Убедительно болтать и по-настоящему понимать — это разные вещи. ChatGPT отлично имитирует речь, но не «осознаёт» твою фразу про кошку.
«Был один гениальный человек, который всё придумал». ИИ — результат труда тысяч людей за 75 лет, через провалы и «зимы». Никакой одной волшебной формулы не существует.
«Современный ИИ — это сильный ИИ (AGI)». Нет. ChatGPT — это узкий ИИ: он хорош в работе с текстом, но это не сильный ИИ (AGI), способный мыслить гибко в любой области. AGI пока не создан — это важно не путать.
«Чем больше данных и видеокарт, тем умнее ИИ — и так бесконечно». Масштаб помогает, но не решает всё. Модель всё равно может выдать галлюцинацию — уверенно звучащий, но выдуманный ответ. Размер не делает ИИ честным или понимающим.

Мини-практика: построй свою ленту времени

Теперь твоя очередь стать историком ИИ. Возьми лист бумаги или заметки в телефоне и нарисуй горизонтальную линию времени. Отметь на ней пять точек:

1950 — тест Тьюринга. Подпиши одним предложением, в чём его суть.
1956 — родилось словосочетание «искусственный интеллект».
«Зимы ИИ» — отметь период разочарования. Напиши, почему интерес угас.
2012 — нейросеть выигрывает соревнование по распознаванию картинок. Подпиши три «ножки табуретки», которые это сделали возможным.
2022 — выходит ChatGPT.

А теперь задание со звёздочкой, чтобы проверить, что ты правда понял главное. Ответь себе на вопрос: «Если бы тест Тьюринга придумали в 1950-м, а нейросети были известны ещё раньше — почему ChatGPT не появился, скажем, в 1990 году?» Свой ответ сверь с таблицей трёх причин из раздела «Почему ИИ внезапно взлетел». Если ты назвал нехватку данных и слабые компьютеры — ты ухватил самую суть этого урока.

Итоги

Соберём всё вместе:

ИИ — это не вчерашнее изобретение, а длинный путь почти в 75 лет, начавшийся с вопроса Тьюринга «может ли машина мыслить».
Тест Тьюринга проверяет, может ли машина в переписке сойти за человека, — но это про поведение, а не про настоящее «понимание».
Десятилетиями ИИ буксовал на жёстких правилах и переживал «зимы» разочарования.
Взлёт случился, когда совпали три вещи: горы данных, мощные видеокарты и новые методы обучения нейросетей. Переломным стал 2012 год.
От распознавания картинок ИИ дошёл до работы с текстом через языковые модели и архитектуру трансформер, а в 2022-м это вылилось в ChatGPT.

Главное, что стоит унести: за «магией» ChatGPT стоит понятная механика — данные, вычисления и предсказание следующего слова. Никакого волшебства, но и ничего скучного.

В следующих уроках мы спустимся внутрь этой механики. Начнём с самого фундамента — разберём, как машина вообще учится на примерах и что значит «обучение с учителем». Возьмём нашу кошку и собаку и посмотрим, как модель учится их различать не по правилам, а по данным. До встречи на следующем уровне!