Как на самом деле работает искусственный интеллект и почему это важно сейчас

Организация экономического сотрудничества и развития (ОЭСР), чьи правительства-члены координируют политику в области технологий, определяет систему ИИ как "машинную систему, которая в явных или неявных целях на основе полученных входных данных определяет, как генерировать выходные данные, такие как предсказания, контент, рекомендации или решения, которые могут влиять на физическую или виртуальную среду". Совет ОЭСР пересмотрел эту формулировку в 2023 году, чтобы сохранить техническую точность по мере распространения инструментов генеративного ИИ, согласно объяснению организацией собственного определения.

От написанных правил к обучению на данных

Более старое программное обеспечение следовало инструкциям, которые программисты писали строка за строкой: если происходит X, выполняй Y. Машинное обучение, подход, лежащий в основе большинства современного ИИ, вместо этого предоставляет алгоритму большое количество примеров и позволяет ему самостоятельно разработать закономерности, согласно техническому объяснению IBM. После обучения система может классифицировать новую информацию, предсказать значение, отметить что-либо необычное или рекомендовать действие без предоставления точного правила для каждого случая.

ОЭСР разбивает работу системы ИИ на три элемента. Входные данные — это данные, код или правила, поступающие в систему во время разработки или использования. Вывод — это этап, на котором система определяет выходные данные из этих входных данных, что может происходить при построении модели или после ее развертывания. Выходные данные — это предсказания, контент, рекомендации или решения, которые производит система и которые затем могут влиять на физическую или виртуальную среду — например, управление рулем автомобиля, список рекомендуемых видео или сгенерированный абзац текста.

Что делает нейронная сеть внутри системы

Наиболее широко используемым методом машинного обучения на сегодняшний день является нейронная сеть — структура, слабо смоделированная на основе мозга, состоящая из взаимосвязанных слоев узлов, которые обрабатывают данные вместе, согласно IBM. В отличие от традиционной программы, нейронной сети не сообщается правило, связывающее входные и выходные данные заранее; вместо этого ей показываются множество пар входных и выходных данных, и она корректирует себя в результате повторного воздействия, чтобы обнаружить то, что их связывает.

Глубокое обучение относится к нейронным сетям с множеством слоев — обычно входной слой, по крайней мере три (и часто сотни) скрытых слоев и выходной слой, согласно объяснению IBM. В системе распознавания изображений ранние слои, как правило, реагируют на простые признаки, такие как края или цвета, тогда как более глубокие слои объединяют их в формы и, в конечном итоге, узнаваемые объекты. Эта слоистая структура позволяет системам автоматически извлекать релевантные признаки из немаркированных данных, что является частью того, что делает возможным современные инструменты генеративного ИИ.

Построение большой модели генеративного ИИ в целом включает три этапа согласно IBM: начальный этап обучения на массивных, часто немаркированных наборах данных, которые могут требовать тысячи специализированных процессоров и стоить миллионы долларов; этап настройки, на котором модель адаптируется к конкретным задачам, иногда с использованием обратной связи от человека; и постоянную оценку после развертывания для проверки и уточнения его выходных данных.

Почему это важно: цифры внедрения и инвестиций

Охват ИИ быстро растет по нескольким показателям, отслеживаемым в Отчете об индексе ИИ 2025 года Института человеческого ИИ Стэнфордского университета. Доля организаций, сообщивших об использовании ИИ, выросла до 78% в 2024 году по сравнению с 55% годом ранее. Генеративный ИИ в частности привлек 33,9 млрд долларов мировых частных инвестиций в 2024 году, рост на 18,7% по сравнению с 2023 годом. В Соединенных Штатах частные инвестиции в ИИ достигли 109,1 млрд долларов в 2024 году, что намного превышает 9,3 млрд долларов Китая и 4,5 млрд долларов Соединенного Королевства, согласно отчету.

В отчете также отмечается скачок в производительности эталонных тестов ИИ: при трех тестах, представленных в 2023 году для измерения передовых систем — MMMU, GPQA и SWE-bench — баллы выросли на 18,8, 48,9 и 67,3 процентных пункта соответственно в течение одного года. В регулируемых областях количество медицинских устройств с поддержкой ИИ, одобренных Управлением по санитарному надзору за качеством пищевых продуктов и медикаментов США, увеличилось с шести в 2015 году до 223 в 2023 году, согласно одному и тому же отчету.

Где стоит конкуренция

В отчете Стэнфорда также отслеживалось, какие страны произвели наиболее заметные модели ИИ в 2024 году: учреждения на основе США произвели 40, по сравнению с 15 из Китая и тремя из Европы. В то же время разрыв в производительности между ведущими моделями США и Китая по основным эталонам сузился с двузначной цифры в 2023 году до почти паритета в 2024 году, согласно отчету.