Как работает искусственный интеллект: просто

Коротко. Искусственный интеллект кажется магией, пока не видишь, что внутри. На деле это примеры, числа и статистика. Разберём, как модель учится, что такое нейросеть и почему языковая модель может уверенно ошибаться. Без формул, на понятных примерах.

Что такое ИИ на самом деле

Искусственный интеллект — общее название систем, которые решают задачи, требующие человеческого суждения: распознать кошку на фото, перевести текст, ответить на вопрос. Машинное обучение — это подход, в котором правила не пишутся вручную, а выводятся из примеров. Нейросеть — один из способов такого обучения. Её идея взята из мозга, но устроена она заметно проще.

Полезно различать термины, которые в новостях часто смешивают. ИИ называют всё подряд: от рекомендаций в ленте до чат-ботов. За этими словами стоят разные технологии, и их возможности тоже различаются.

Важно понимать масштаб: современный ИИ не знает ничего, кроме того, что получил в процессе обучения, и умеет решать задачи того типа, на которых его тренировали.

Данные: из чего учится модель

Модель видит только то, что ей показали. Качество данных определяет качество результата. Если примеров мало, они однобокие или размечены с ошибками, модель повторит эти перекосы. Например, система, обученная в основном на фото при дневном свете, хуже узнаёт предметы в темноте.

Данные также устаревают: модель знает мир на момент сбора примеров. Новые события и изменения цен она сама не увидит, если её не подключили к источникам.

Поэтому при выборе инструмента полезно помнить, на чём он обучался. Это не всегда раскрывают, но сам факт ограниченности данных есть у каждой модели.

Обучение: как появляется навык

В процессе обучения модель делает предсказание, сравнивает его с правильным ответом, оценивает ошибку и немного меняет внутренние числа, называемые весами. Цель простая: в следующий раз ошибиться меньше. Такой цикл повторяется миллионы раз.

Модель при этом не записывает правила фразами вроде «если видишь усы, это кот». Она подбирает числа, которые дают нужный результат. Поэтому объяснить, почему модель ответила именно так, бывает трудно даже её создателям.

Нейросети: слои и веса

Нейросеть состоит из слоёв искусственных нейронов. Каждый нейрон получает числа от предыдущего слоя, умножает их на веса и передаёт результат дальше. Веса и есть знания модели: в больших моделях их миллиарды.

Отсюда понятно, почему нельзя открыть модель и прочитать её как инструкцию. Знание распределено по огромному числу чисел, и связать конкретное число с конкретным понятием сложно.

Как работают языковые модели

Языковая модель выбирает следующий фрагмент текста на основе предыдущих. Этот фрагмент называется токеном: это может быть часть слова или короткое слово целиком. Модель генерирует ответ, добавляя токен за токеном.

Из этого следуют два вывода. Первый: модель не сверяет ответ с базой фактов, а предсказывает правдоподобное продолжение. Второй: качество ответа зависит от того, насколько ясен запрос. Поэтому ответ может звучать уверенно и при этом быть неверным.

Почему модели стали большими

Ранние нейросети решали узкие задачи и помещались на одном компьютере. Современные модели учатся на огромных объёмах текста, картинок и звука, поэтому им нужны серьёзные вычислительные ресурсы и много времени. Рост масштаба дал заметный скачок качества, но не отменил главное: модель остаётся статистической системой.

Большой размер делает модель полезной в широком круге задач, но не гарантирует знание любой темы. Если в обучающих данных мало материала по узкой специальности, ответы будут слабее, даже при уверенном тоне.

Например, на вопрос о редком термине модель выберет самое частотное продолжение из похожих контекстов. Если дать подробный контекст, выбор сужается, и ответ становится точнее.

Ключевые понятия

Токены же определяют и расход в Умке: длина запроса и ответа влияет на списание, поэтому понимать, что такое токен, полезно и в практике.

Почему ИИ ошибается

Модель не проверяет ответ по справочнику, если её не подключили к поиску. При неясном вопросе она выбирает самое вероятное продолжение, а не верное. Данные также могут быть устаревшими, и модель уверенно повторит старый факт.

Пример: если спросить модель о событии, которое произошло после окончания её обучения, без доступа к поиску она может описать его по косвенным признакам или придумать детали. Для свежих новостей, цен и законов используйте модели с доступом к источникам или проверяйте ответ сами.

Практическое правило простое: даты, цифры, цитаты и названия законов проверяйте по первоисточнику. Чем конкретнее вы спрашиваете и чем больше контекста даёте, тем реже ошибка.

Как пользоваться ИИ с пользой

Задавайте конкретный контекст: кто вы, что нужно и в каком формате. Просите объяснить ход рассуждения, а не только итог. Сравнивайте ответы разных моделей, особенно в спорных вопросах. В Умке это делается в одном чате: можно переключаться между ChatGPT и другими моделями.

Работает и простой приём: попросите модель сначала перечислить, что в вопросе неясно, и только потом отвечать. Так ответ строится на уточнённых условиях, а не на первой догадке.

Базовые определения есть в статье что такое ИИ, устройство агентов разобрано в статье ИИ-агенты, а практические приёмы — в статье как пользоваться ИИ.

Вывод

Искусственный интеллект — это модель, которая выучила закономерности из данных и предсказывает результат. Он полезен там, где нужна скорость и обработка большого объёма, и ненадёжен там, где нужна точность без проверки. Понимание этой границы важнее любых формул. Перепроверяйте важное, используйте модель для черновиков и сравнивайте ответы, и тогда ИИ будет экономить время, а не подводить.

Частые вопросы