Что такое искусственный интеллект: простое объяснение принципов работы, видов и применения ии

Проблема первого контакта: почему объяснения не работают

Ты открываешь статью про ИИ — и через два абзаца тонешь в «персептронах», «градиентном спуске» и «функциях активации». Конкретная проблема: ты не понимаешь, что именно происходит внутри, когда ChatGPT отвечает на твой вопрос или Midjourney рисует картинку. Без этого понимания ты не можешь ни грамотно написать промпт, ни выбрать нужную модель, ни оценить, почему одна нейросеть ошибается там, где другая нет. Вот алгоритм — от нуля до рабочей модели в голове:

1. Прими, что нейросеть — это функция. На входе — числа. На выходе — числа. Всё остальное — детали реализации.
2. Пойми слои. Входной слой принимает данные (пиксели, токены, сигналы). Скрытые слои преобразуют их через веса. Выходной слой выдаёт предсказание.
3. Разберись с весами. Вес — это числовой коэффициент, который усиливает или гасит сигнал. Именно веса «хранят» всё то, чему обучилась сеть.
4. Запомни, что обучение — это подбор весов. Модель смотрит на ошибку, считает градиент, корректирует веса. Миллионы раз. Это и есть тренировка.
5. Прими архитектуру как инструмент. CNN — для изображений, Transformer — для текста и не только, RNN — для последовательностей (устаревает). Выбор архитектуры определяет задачу.

Входной слой: как данные превращаются в числа

Нейросеть не читает текст. Она обрабатывает числа. Слово «кот» превращается в вектор из 768 или 1536 чисел — это называется эмбеддингом. GPT-4 использует размерность эмбеддинга 12 288. Пиксель изображения — это три числа (R, G, B от 0 до 255). Звук — амплитуды сигнала, оцифрованные с частотой 44 100 Гц. Любые данные сводятся к тензору — многомерному массиву чисел. Точка.

Пример токенизации текста перед подачей в GPT-архитектуру:

Текст: "Нейросеть учится"
Токены (BPE): ["Ней", "росеть", " учится"]
ID токенов: [15437, 80921, 33104]
Эмбеддинг токена 15437: [0.023, -0.417, 0.891, ... , 0.034]  // вектор 12288 чисел

Скрытые слои: где происходит магия (которой нет)

Каждый нейрон скрытого слоя берёт все числа с предыдущего слоя, умножает каждое на свой вес, суммирует, добавляет смещение (bias) и прогоняет через функцию активации. Не магия — матричное умножение. GPT-4 содержит ~1,8 триллиона параметров и 120 слоёв трансформера. Каждый слой стоит денег при инференсе: обработка одного запроса в 1000 токенов через GPT-4 Turbo в API стоит $0.01 на входе и $0.03 на выходе за 1000 токенов (тарифы OpenAI 2026). Считаем затраты.

Функция активации ReLU — самая распространённая в скрытых слоях:

ReLU(x) = max(0, x)
// Если x = -3.7 → на выход идёт 0
// Если x =  2.1 → на выход идёт 2.1
// Смысл: нейрон либо "молчит", либо передаёт сигнал без ограничений сверху

Трансформер устроен сложнее. Там нет последовательной обработки — вместо неё механизм Attention вычисляет, насколько каждый токен «важен» для каждого другого токена в контексте. Именно поэтому GPT помнит начало диалога к концу — не потому что «читает», а потому что матрица Attention связывает все позиции одновременно. Это дорого по памяти: при длине контекста 128 000 токенов матрица Attention занимает квадратично растущий объём GPU-памяти.

Выходной слой: как рождается предсказание

Выход языковой модели — не слово. Это вектор вероятностей по всему словарю. GPT-4 имеет словарь ~100 256 токенов. Слой Softmax превращает сырые числа (logits) в вероятности, сумма которых равна 1. Модель выбирает следующий токен по этим вероятностям — и параметр temperature управляет именно этим выбором.

// temperature: 0.0 — всегда берётся токен с максимальной вероятностью (детерминировано)
// temperature: 0.7 — баланс между предсказуемостью и вариативностью
// temperature: 1.5 — высокая случайность, нестандартные слова, часто бред

// В API OpenAI это выглядит так:
{
  "model": "gpt-4o",
  "messages": [{"role": "user", "content": "Объясни квантовую механику"}],
  "temperature": 0.7,
  "max_tokens": 512,
  "top_p": 0.9
}

Параметр top_p: 0.9 означает nucleus sampling: модель рассматривает только те токены, суммарная вероятность которых составляет 90%. Остальные 10% словаря отсекаются до выборки. Это снижает вероятность галлюцинаций без полного уничтожения вариативности. Работает параллельно с temperature — оба параметра активны одновременно.

Обучение: откуда берутся веса

Веса не задаются вручную. Инициализируются случайно — маленькими числами около нуля. Затем модель видит пример: входные данные и правильный ответ. Считает свой ответ. Сравнивает с правильным через функцию потерь (Loss). GPT-4 обучался на ~13 триллионах токенов с функцией потерь CrossEntropy. Один шаг обучения GPT-4 на кластере из 25 000 GPU A100 стоил примерно $0.0003. Умножь на 300 миллиардов шагов. Результат предсказуем.

Алгоритм обратного распространения ошибки (backpropagation) идёт от выходного слоя к входному: вычисляет, насколько каждый вес «виноват» в ошибке, и корректирует его на величину, пропорциональную градиенту и learning rate. Стандартный learning rate при файн-тюнинге — от 1e-5 до 5e-5. Слишком большой — веса «прыгают» мимо минимума. Слишком маленький — обучение тянется месяцами.

// Упрощённая схема одного шага обучения:
1. Forward pass: x → [слои] → ŷ (предсказание)
2. Loss: L = CrossEntropy(ŷ, y_true)
3. Backward pass: dL/dW для каждого веса W
4. Обновление: W_new = W_old - learning_rate * dL/dW
5. Повторить 300_000_000_000 раз

Дообучение (fine-tuning) существующей модели через OpenAI API на 2026 год стоит: $8 за 1 млн токенов обучающих данных для gpt-4o-mini. Инференс дообученной модели — $0.30 на входе и $1.20 на выходе за 1 млн токенов. Базовая gpt-4o без файн-тюнинга: $2.50 / $10.00 за 1 млн токенов соответственно. Файн-тюнинг на малом датасете часто дешевле системного промпта на 5000 токенов при высокой нагрузке.

Три модели — три логики выбора

Промпт без параметров — это как руль без рулевой рейки: крутится легко, но машина едет прямо. Прежде чем открыть любой интерфейс, ответь на один вопрос: твоя задача генерирует текст, изображение или выдаёт метку класса? Всё остальное — детали конфигурации. Ошибка на этом шаге стоит дороже всего: ты потратишь бюджет на токены LLM, пытаясь классифицировать 50 000 транзакций вместо того, чтобы запустить лёгкий BERT-классификатор за $0.002 на inference.

Три архитектуры. Три разных счётчика денег. Три разных метрики качества.

• LLM (Large Language Models) — GPT-4o, Claude 3.7 Sonnet, Gemini 2.0 Flash: авторазмётка, генерация, reasoning-цепочки, code generation.
• Диффузионные модели — Flux.1, Midjourney v7, SDXL: image-to-image, text-to-image, inpainting, upscale.
• Классификаторы / Энкодеры — BERT, RoBERTa, DistilBERT, XGBoost поверх эмбеддингов: бинарная и многоклассовая разметка, скоринг, детекция аномалий.

LLM: какие параметры реально меняют результат

Большинство разработчиков трогают только temperature. Это фундаментальная ошибка. Полный набор параметров, влияющих на детерминизм и качество вывода, выглядит так:

{
  "model": "gpt-4o",
  "temperature": 0.3,
  "top_p": 0.9,
  "frequency_penalty": 0.4,
  "presence_penalty": 0.2,
  "max_tokens": 1024,
  "response_format": { "type": "json_object" },
  "seed": 42
}

temperature: 0.3 — аналитические задачи, извлечение фактов, SQL-генерация. Выше 0.7 — только для креативных задач, где вариативность желательна. frequency_penalty от 0.3 до 0.6 убирает «словесную жвачку» в длинных ответах. seed: 42 фиксирует псевдослучайность — критично для воспроизводимых тестов. response_format: json_object активирует структурированный вывод; без него парсинг ответа превращается в хрупкий regex.

Стоимость на 2026 год (OpenAI API, актуально Q1 2026):

• GPT-4o: $2.50 / 1M input-токенов, $10.00 / 1M output-токенов.
• GPT-4o-mini: $0.15 / 1M input, $0.60 / 1M output — для высокочастотных pipeline.
• Claude 3.7 Sonnet (Anthropic API): $3.00 / 1M input, $15.00 / 1M output — лидирует в coding-задачах по HumanEval.
• Gemini 2.0 Flash: $0.075 / 1M input — самый дешёвый вариант для RAG-retrieval с умеренными требованиями к качеству.

«Самая важная способность, которую мы строим, — это не генерация текста. Это рассуждение с подтверждёнными шагами.»

Диффузионные модели: где нажать и сколько платить

Midjourney v7 (подписка $10/мес — 200 генераций Fast, $30/мес — безлимит Relax) не даёт API. Точка. Если нужна автоматизация — только Flux.1 через Replicate или собственный деплой.

Ключевые параметры Flux.1-dev через Replicate API:

{
  "model": "black-forest-labs/flux-1.1-pro",
  "input": {
    "prompt": "industrial control panel, photorealistic, 8k, --ar 16:9",
    "negative_prompt": "blurry, cartoon, watermark",
    "num_inference_steps": 28,
    "guidance_scale": 3.5,
    "width": 1344,
    "height": 768,
    "output_format": "webp",
    "output_quality": 90
  }
}

guidance_scale 3.5 — оптимум для Flux.1; диапазон 2.5–4.5. Выше 5 — пересвет и артефакты. num_inference_steps: 28 — баланс скорость/качество; 20 — черновики, 50 — финальный рендер. Стоимость Flux.1-pro на Replicate: $0.055 за одно изображение 1344×768. SDXL через тот же Replicate: $0.0023 за генерацию — в 24 раза дешевле, но качество анатомии и текста несопоставимо.

Классификаторы: когда LLM избыточен

Считаем затраты. Задача: классифицировать 100 000 коротких текстов (отзывы, тикеты) на 5 классов. GPT-4o-mini обойдётся примерно в $9–12 при среднем размере текста 150 токенов. Fine-tuned DistilBERT на Hugging Face Inference Endpoints (Dedicated, CPU) — $0.06/час, задача закрывается за 40 минут, итого $0.04. Разница — в 250 раз.

Классификатор выбирается по трём критериям: объём данных для разметки (нет данных — берёшь LLM zero-shot), латентность (real-time API < 50ms — только энкодер), стоимость inference на масштабе.

Практический кейс: автоматическая маршрутизация тикетов техподдержки

Задача: входящий поток 8 000 тикетов/сутки на русском языке, 9 категорий (billing, auth, api-error, feature-request и т.д.), требование латентности < 200ms, бюджет inference — не более $50/мес.

Шаг 1 — разметка обучающей выборки. GPT-4o-mini, zero-shot, промпт:

SYSTEM: Ты классификатор тикетов техподдержки SaaS-платформы.
Верни ТОЛЬКО JSON: {"category": "billing|auth|api_error|feature_request|bug|docs|onboarding|security|other", "confidence": 0.0-1.0}
Не добавляй пояснений.

USER: {{ticket_text}}

Разметка 5 000 примеров через batch API обошлась в $1.80. Точность human-review на выборке 300 примеров — 94.2%. Это достаточно для обучения.

Шаг 2 — fine-tuning. Модель: cointegrated/rubert-tiny2 (русскоязычный, 29M параметров). Обучение на Colab A100 — 18 минут, 3 эпохи, batch_size 32, learning_rate 2e-5. Финальная accuracy на val: 91.7%.

Шаг 3 — деплой. Hugging Face Inference Endpoints, CPU-инстанс, $0.06/час × 720 часов = $43.20/мес. Латентность на коротком тексте: 38–65ms. Бюджет соблюдён. LLM на inference — полностью исключён.

Шаг 4 — фоллбэк. При confidence < 0.72 тикет автоматически уходит на переклассификацию через GPT-4o-mini. Это ~6% входящего потока, $3–4 дополнительных расходов в месяц.

Итоговая матрица выбора

Порог принятия решения прост: если задача повторяется >500 раз/сутки — считай стоимость inference на 30 дней до запуска. Разрыв между LLM и специализированной моделью на таком масштабе — от 50x до 300x по деньгам.