Слушать статью60 сек или целиком
«Алиса, помоги написать письмо. Только так, чтобы коллеги поняли: сроки горят, а я пока держусь». Такой запрос хорошо показывает, насколько привычным стал искусственный интеллект. Мы обращаемся к нему за черновиком, объяснением, идеей для иллюстрации. И заодно просим убрать из ответа канцелярит, который он сам туда только что добавил.
За этим бытовым диалогом стоят десятилетия исследований. В истории ИИ были математические открытия, впечатляющие демонстрации и периоды разочарования. Советские научные школы участвовали в развитии кибернетики и обучения по данным; позднее российские компании стали применять машинное обучение в поиске, голосовых помощниках и генеративных сервисах. Сегодня эта история продолжается в конкуренции российских, американских и китайских разработчиков.
Первые идеи и большие ожидания
В 1943 году Уоррен Маккаллок и Уолтер Питтс описали математическую модель сети упрощённых нейронов. Это была теоретическая работа: до приложения, которому можно пожаловаться на понедельник, оставалось очень далеко. Но уже возникла возможность исследовать обработку информации через взаимодействие простых элементов. [1]
В 1950 году Алан Тьюринг предложил обсуждать способности машины через игру в имитацию с письменным общением. Удастся ли собеседнику по ответам отличить машину от человека? Позднее эта идея стала известна как тест Тьюринга. Она помогала поставить исследовательский вопрос, хотя сама по себе не давала способа доказать наличие сознания. [2]
В заявке на Дартмутский исследовательский проект 1955 года уже использовалось выражение artificial intelligence. Встреча состоялась летом 1956-го и стала важной точкой оформления нового направления. Организаторы рассчитывали продвинуться в задачах языка, обучения и рассуждения. В 1957–1958 годах Фрэнк Розенблатт представил перцептрон — раннюю обучающуюся модель распознавания образов. Рядом развивались и другие подходы: часть исследователей искала способы учить машину на примерах, часть — описывать знания и рассуждения правилами. [3, 4]
Советская история кибернетики и обучения по данным
В СССР начало 1950-х сопровождалось идеологической критикой кибернетики. Одновременно развивалась вычислительная техника, а учёные обсуждали новые методы. В 1955 году Сергей Соболев, Алексей Ляпунов и Анатолий Китов опубликовали статью «Основные черты кибернетики». История этого периода сложнее популярной формулы «всё запретили, а потом внезапно разрешили». Сама кибернетика охватывала более широкий круг вопросов управления и связи, чем искусственный интеллект. [5]
Советские исследователи занимались распознаванием образов: как по признакам определить, к какому классу относится объект. Юрий Журавлёв развивал методы классификации и прогнозирования. Среди практических задач был анализ информации о месторождениях золота. Машина ещё не рисовала котов-космонавтов, зато математика уже помогала разбираться в геологических данных. Часть научной биографии Журавлёва связана с Новосибирском и Сибирским отделением Академии наук. [6]
Владимир Вапник и Алексей Червоненкис исследовали математические основания обучения по наблюдениям. Важный вопрос здесь звучит вполне житейски: если система хорошо справилась с известными примерами, почему мы рассчитываем на хороший результат в новых случаях? Эти работы стали одной из линий развития теории машинного обучения. Однако от них нельзя провести простую прямую линию к конкретному современному чат-боту: у нынешнего ИИ много научных источников. [7]
Экспертные системы и периоды разочарования
В 1960–1980-е годы заметное место заняли экспертные системы. Разработчики пытались перенести знания специалиста в компьютер в виде фактов и правил. Например, MYCIN создавался для консультаций по бактериальным инфекциям и выбору антибиотиков. Его возможности зависели от правильно заданной области и понимания ограничений человеком, который с ним работал. [8]
Выход за пределы предусмотренных ситуаций становился проблемой. Составить подробные правила для узкой задачи удавалось; описать таким способом всю повседневную жизнь оказалось гораздо труднее. Даже корпоративная инструкция обычно требует человека, который объяснит, что её авторы имели в виду.
В 1970-е, а затем в конце 1980-х ИИ переживал периоды охлаждения интереса и финансирования, которые называют зимами ИИ. Ожидания сталкивались с ограничениями методов, вычислительных ресурсов и стоимостью сопровождения решений. Исследования продолжались, но громкие обещания переставали убеждать тех, кто оплачивал работу. [9]
Мировые прорывы и незаметный российский ИИ
В 1997 году Deep Blue компании IBM выиграл шахматный матч у действующего чемпиона мира Гарри Каспарова. Это было выдающееся достижение специализированной системы поиска и оценки позиций. Делать из него вывод о появлении универсального машинного разума было бы преждевременно. Победа за доской сама по себе ничего не говорит о способности разобраться с чужим письмом или бытовой просьбой. [10]
Мировая волна глубокого обучения получила заметный импульс в 2012 году, когда работа команды Алекса Крижевского, Ильи Суцкевера и Джеффри Хинтона продемонстрировала сильные результаты классификации изображений с помощью глубокой нейросети и GPU. В 2016-м AlphaGo победила Ли Седоля в го, сочетая нейронные сети, поиск и обучение с подкреплением. Разные задачи требовали разных сочетаний методов. [12, 13]
Параллельно развивалась российская линия этой истории. Пользователь знакомился с машинным обучением через обычные интернет-сервисы. В 2009 году Яндекс внедрил Матрикснет для улучшения поиска. В 2017-м компания открыла библиотеку CatBoost, применявшуюся в задачах ранжирования и прогнозирования. Пользователю не требовалось знать названия алгоритмов: он просто ожидал подходящий результат поиска. [11]
10 октября 2017 года Яндекс представил Алису. Распознавание и синтез речи, поиск информации и диалог объединились в понятном интерфейсе. Для пользователя это означало возможность спросить обычной фразой, где выпить кофе или какая завтра погода. Технология, которую раньше обсуждали на научных конференциях, получила голос в телефоне. [14]
Как разговор с нейросетью стал массовым сервисом
В 2017 году авторы работы Attention Is All You Need предложили архитектуру Transformer. Она стала важной основой последующего развития больших языковых моделей. Исходная работа была посвящена прежде всего обработке последовательностей и машинному переводу; превращение таких подходов в разговорные продукты потребовало дальнейших исследований и обучения моделей. [15]
30 ноября 2022 года OpenAI представила ChatGPT. Заметной для массового пользователя стала возможность общаться с моделью в диалоге, уточнять запрос и получать связный ответ. При этом уже в первоначальном описании разработчик предупреждал: система может выдавать правдоподобные, но неверные сведения. Красиво построенное предложение не превращает выдуманный факт в настоящий. [16]
В России 2023 год принёс собственные заметные запуски. 24 апреля Сбер представил GigaChat, первоначально в закрытой бета-версии по приглашениям. 17 мая Яндекс встроил YandexGPT в Алису. Появились новые способы решать привычные задачи на русском языке: подготовить письмо, предложить идеи, объяснить материал или помочь с программным кодом. [17, 18]
Российские сервисы от письма до иллюстрации
Историческое название модели и название сервиса полезно различать. YandexGPT обозначает линию языковых технологий Яндекса; пользовательский помощник сегодня развивается под именем Алиса AI. По актуальной справке он помогает с текстами, кодом и изображениями, а также работает с файлами. В обновлении июня 2026 года Яндекс отдельно описал развитие поиска, анализа изображений и персонализации общения. [19]
GigaChat также вышел за рамки простого обмена репликами. На официальной странице перечислены работа с файлами и ссылками, поиск в интернете, редактирование текста и создание изображений. Для читателя это можно перевести в конкретную задачу: загрузить документ и попросить выделить основные положения, затем подготовить по ним черновик письма. Ответ всё равно стоит сверить с исходным документом. [20]
Визуальное направление развивалось рядом с текстовым. В апреле 2023 года появился Шедеврум, а в октябре Яндекс представил YandexART для генерации изображений и анимации. Сегодня справка Шедеврума описывает создание картинок, роликов и текстов. У Сбера генерация изображений развивалась в семействе Kandinsky; уже при запуске GigaChat одна из его моделей обеспечивала создание картинок внутри сервиса. [17, 21]
Такие инструменты сокращают путь от замысла до первого варианта. Можно попросить иллюстрацию для поста или несколько направлений оформления, а затем выбрать и доработать подходящее. Но перед публикацией полезно пересчитать пальцы у персонажа и проверить надписи. У нейросетевого художника вдохновение иногда опережает анатомию.
Российский ИИ работает и там, где пользователь не видит отдельного чат-бота. Yandex SpeechKit и SaluteSpeech предоставляют распознавание и синтез речи через программные интерфейсы. На таких технологиях можно строить озвучивание материалов, перевод аудиозаписи в текст и голосовые функции приложений. Разработчик подключает нужную возможность к своему продукту, вместо того чтобы создавать всю речевую технологию самостоятельно. Это ещё один путь, по которому результаты исследований становятся услугой. [26]
Для небольшого проекта несколько таких возможностей складываются в рабочий процесс. Например, автор может разобрать исходный документ в GigaChat, попросить Алису AI предложить варианты заголовка, а в Шедевруме подготовить эскиз иллюстрации. Основная ценность здесь — возможность быстрее получить материал для дальнейшей работы.
У выбранного продукта и способа подключения остаются свои условия обработки данных и использования результатов. Их нужно оценивать вместе с качеством ответа и удобством сервиса.
Мировые сервисы движутся к выполнению задач
ChatGPT, Gemini и Claude показывают несколько направлений развития интерфейсов. ChatGPT предлагает исследовательские сценарии с веб-источниками и файлами. Gemini Live объединяет голосовое общение, камеру и работу с подключёнными приложениями. Claude позволяет работать с документами и инструментами, создавать редактируемые результаты. Конкретные возможности зависят от сервиса, настроек и доступных подключений. [22]
На этих примерах виден общий сдвиг: пользователь поручает помощнику несколько связанных шагов. Например, найти материалы, сопоставить их и подготовить черновик. Развитие мультимодальности позволяет передать задачу текстом, голосом или изображением. Агентные сценарии добавляют действия через инструменты. Это расширяет возможности помощника и одновременно делает важнее контроль над тем, к чему он получил доступ и что собирается изменить.
Китайские модели и свежие обновления октября 2026 года
Китайская часть этой истории включает DeepSeek, семейство Qwen компании Alibaba и Kimi от Moonshot AI. Среди свежих обновлений на 29 октября 2026 года есть несколько показательных примеров. Они отражают конкуренцию в работе с изображениями, программированием и инструментами, а не только в умении поддерживать беседу.
17 октября DeepSeek обновила модель до DeepSeek-V4.1-Flash-1017 в веб-версии, приложении и API. В тот же день компания открыла Search и Fetch API для поиска и получения содержимого веб-страниц. Базовая V4.1-Flash, представленная в сентябре, уже поддерживала понимание изображений. Для сервисов это возможность соединять модель с актуальными внешними источниками. Заявления о приросте качества и скорости при этом остаются результатами тестов самого разработчика. [23]
9 октября появились Pro и Turbo API для Qwen-Image-2.1, объединяющей создание и редактирование изображений, включая работу с прозрачным фоном. Alibaba Cloud подробно описала этот выпуск 26 октября. Здесь важна деталь: опубликованные веса этой конкретной модели распространяются для исследований и оценки; коммерческое применение требует соответствующей лицензии либо использования API. Формула «веса доступны» не означает «любое использование бесплатно». [24]
23 октября Moonshot AI представила Kimi K3.1 Pro. Компания заявила контекстное окно до миллиона токенов и развитие программирования и агентных задач. Контекстное окно определяет объём материала, который можно передать модели за один раз. [25]
Для российских разработчиков сервисов эта конкуренция расширяет круг технологий для оценки. Практические вопросы — качество на своих документах, стоимость использования и подходящая лицензия. Таблица рекордов помогает познакомиться с моделью; проверка на собственной задаче помогает выбрать её для работы.
Почему история ИИ привела к сервисной модели
Для пользователя огромная инфраструктура скрылась за окном чата. Не нужно самостоятельно собирать вычислительный кластер, чтобы попросить черновик письма или изображение. Провайдер предоставляет готовый сервис, а человек выбирает нужные функции и условия доступа. Так сложная технология становится услугой, доступной по мере необходимости. Для «Жизни по подписке» это особенно знакомый сюжет.
При этом способность написать убедительный ответ и способность выполнить задачу правильно приходится проверять отдельно. В истории ИИ это уже происходило: сильный результат в ограниченной области порождал ожидания, которые выходили далеко за её пределы. Сегодня полезно помнить этот урок, когда очередной сервис обещает стать незаменимым помощником.
Можно поручить Алисе или GigaChat первый вариант письма. Можно сравнить его с ответом другой модели, попросить изменить тон и убрать лишнее. А перед отправкой проверить имена, даты и обещания. За восемь десятилетий машины многому научились. Фраза «я думал, нейросеть проверила» пока всё ещё плохо работает на совещаниях.
Источники
Первоисточники исследований, официальные исторические материалы и страницы разработчиков:
[1] Маккаллок и Питтс — A logical calculus of the ideas immanent in nervous activity 1943 Источник
[2] Алан Тьюринг — Computing Machinery and Intelligence 1950 Источник
[3] Заявка на Дартмутский исследовательский проект 1955 и история встречи 1956 Источник 1 · Источник 2
[4] Фрэнк Розенблатт — The perceptron 1958 Источник 1 · Источник 2
[5] МГУ — биографическая справка о Соболеве и история кибернетики Источник
[6] РАН — научная биография Юрия Журавлёва Источник
[7] Вапник и Червоненкис — О принципе минимизации эмпирического риска 1971 Источник
[8] Джон Маккарти — Some Expert Systems Need Common Sense 1984 Источник
[9] Палата лордов Великобритании — исторический обзор развития ИИ 2018 Источник
[10] IBM — история Deep Blue и матча 1997 года Источник
[11] Яндекс — история Матрикснета и открытие CatBoost Источник 1 · Источник 2
[12] Крижевский Суцкевер Хинтон — ImageNet Classification with Deep Convolutional Neural Networks 2012 Источник
[13] Google DeepMind — история AlphaGo Источник
[14] Яндекс — запуск Алисы 10 октября 2017 Источник
[15] Vaswani и соавторы — Attention Is All You Need 2017 Источник
[16] OpenAI — представление ChatGPT 30 ноября 2022 Источник
[17] Сбер — представление GigaChat 24 апреля 2023 Источник
[18] Яндекс — внедрение YandexGPT в Алису 17 мая 2023 Источник
[19] Яндекс — справка Алисы AI и обновление 25 июня 2026 Источник 1 · Источник 2
[20] GigaChat — актуальные возможности сервиса Источник
[21] Яндекс — запуск Шедеврума представление YandexART и актуальная справка Источник 1 · Источник 2 · Источник 3
[22] Официальные описания Deep Research в ChatGPT Gemini Live и Claude Источник 1 · Источник 2 · Источник 3
[23] DeepSeek — журнал обновлений от 17 октября 2026 Источник
[24] Alibaba Cloud — Qwen-Image-2.1 Pro и Turbo публикация 26 октября 2026 Источник
[25] Moonshot AI — представление Kimi K3.1 Pro 23 октября 2026 Источник
[26] Yandex SpeechKit и SaluteSpeech — официальная документация речевых сервисов Источник 1 · Источник 2