Искусственный интеллект не просто меняет мир — он одновременно создаёт совершенно новый язык. На любой встрече по продукту, в питче или на панели сегодня можно услышать, как люди легко бросают слова вроде LLM, RAG, RLHF или «агент ИИ». Даже опытные технари иногда чувствуют себя неуверенно.
Этот глоссарий — попытка исправить ситуацию. Простые и понятные объяснения самых важных терминов ИИ, которые вы встретите, если работаете с технологией, инвестируете в неё или просто хотите оставаться в курсе.
AGI — искусственный общий интеллект
Это пока довольно размытое понятие. В общем виде AGI — это ИИ, который справляется с большинством задач лучше среднего человека. Сэм Альтман из OpenAI однажды сказал, что AGI — это «эквивалент обычного человека, которого можно нанять в качестве коллеги». В уставе OpenAI AGI определяется как «высокоточные автономные системы, которые превосходят людей в большинстве экономически значимой работы». В DeepMind считают чуть иначе: ИИ, который хотя бы на уровне человека справляется с большинством когнических задач.
Путаница? Не переживайте — в ней путаются даже эксперты на переднем крае исследований.
AI agent и coding agents
AI-агент — это инструмент, который с помощью ИИ выполняет за вас целые серии задач, а не просто отвечает на вопросы, как обычный чат-бот. Он может сам подавать расходы, бронировать билеты, заказывать столик в ресторане или даже писать и поддерживать код.
Coding agent — более узкая версия: это специализированный агент для разработки ПО. Он не просто предлагает код, а самостоятельно пишет, тестирует, отлаживает и исправляет баги по всему репозиторию. Представьте очень быстрого стажёра, который никогда не спит и не теряет концентрацию (хотя финальную проверку всё равно делает человек).
Chain of thought и reasoning model
Человек иногда решает сложную задачу, разбивая её на промежуточные шаги. Точно так же работают современные модели рассуждений: они не дают ответ сразу, а сначала «думают вслух» — разбивают проблему на мелкие этапы. Это занимает больше времени, но сильно повышает точность, особенно в логике и программировании. Такие модели создаются на базе обычных больших языковых моделей и дообучаются с помощью reinforcement learning.
Distillation и fine-tuning
Distillation (дистилляция) — это техника «учитель — ученик». Большая модель-учитель генерирует ответы, а меньшая модель-ученик учится их повторять. Так можно создать компактную и быструю версию большой модели с минимальной потерей качества. Именно так, скорее всего, появилась GPT-4 Turbo.
Fine-tuning — это дообучение уже готовой модели на специализированных данных, чтобы она лучше справлялась с конкретной задачей или отраслью. Многие стартапы берут готовую большую модель и «затачивают» её под свою нишу.
Hallucination
Самый неприятный термин последних лет. Галлюцинация — это когда ИИ уверенно придумывает факты, которых нет. Модель просто заполняет пробелы в своих знаниях вымыслом. Это не баг, а особенность работы больших моделей. Именно галлюцинации подталкивают индустрию создавать более узкоспециализированные вертикальные ИИ, которые меньше рискуют ошибаться в своей области.
Inference, training и compute
Training — это процесс обучения модели: в неё загоняют огромные массивы данных, и она учится находить закономерности.
Inference — это уже работа обученной модели: она генерирует ответы на новые запросы.
Compute — это вычислительная мощность, без которой ничего не работает. Речь обычно о GPU, TPU и другой специализированной инфраструктуре. Чем больше модель, тем больше ей нужно compute.
Mixture of Experts (MoE)
Архитектура, при которой нейросеть делится на множество маленьких «экспертов», и для каждой задачи активируется только нужная их часть. Это позволяет создавать очень большие модели, которые при этом остаются относительно быстрыми и дешёвыми в использовании. Пример — Mixtral от Mistral AI.
Neural network и deep learning
Нейросеть — это многослойная структура алгоритмов, вдохновлённая работой мозга человека. Deep learning — это обучение именно таких глубоких нейросетей. Именно благодаря им и произошёл взрыв генеративного ИИ.
Reinforcement learning и RLHF
Reinforcement learning — обучение с подкреплением. Модель пробует разные действия и получает «награду» за правильные.
RLHF (reinforcement learning from human feedback) — когда в качестве награды выступает обратная связь от людей. Именно эта техника сделала ChatGPT и Claude такими «послушными» и полезными.
Token и token throughput
Токен — базовая единица, на которую языковая модель разбивает текст. Примерно как «слова» для ИИ.
Token throughput — это скорость, с которой модель может обрабатывать эти токены. Чем выше throughput, тем больше пользователей модель может обслуживать одновременно и тем быстрее приходят ответы.
Open source vs closed source
Open source — когда код (или веса модели) открыты для всех. Meta с семейством Llama — яркий пример.
Closed source — закрытые модели (типа GPT от OpenAI) позволяют пользоваться продуктом, но не дают заглянуть внутрь. Спор между этими подходами — один из главных в индустрии.
Parallelization и RAMageddon
Parallelization — это способность выполнять множество вычислений одновременно. Именно поэтому GPU так важны для ИИ.
RAMageddon — острая нехватка оперативной памяти из-за огромного спроса со стороны дата-центров ИИ. Цены растут, а обычным компаниям и потребителям остаётся всё меньше и дороже.
Recursive self-improvement
Сценарий, при котором ИИ начинает самостоятельно улучшать себя без участия человека. Многие считают это порогом к настоящему скачку интеллекта
ИИ не просто инструмент — он меняет сам способ, которым мы говорим о технологиях. Понимание этих терминов уже сегодня помогает не теряться в разговорах, лучше оценивать продукты и понимать, куда движется вся индустрия. Глоссарий живой и будет обновляться вместе с самой технологией.
