Введение в ИИ — итоги

НЕ ОБЯЗАТЕЛЬНОДЛЯ НОВИЧКОВВ РАЗРАБОТКЕ

Всем

Кратко — что стоит унести из раздела "Введение в ИИ". Если пункт кажется туманным, откройте соответствующую главу или оглавление.

---

FAQ — Часто задаваемые вопросы

Типичные ситуации и сомнения, с которыми сталкиваются новички после раздела. Ниже — также формулировки из поиска ("что такое…", "чем отличается…", "как работает…"). Здесь — краткий ответ и ссылка на главу; формулировки для самопроверки — в чек-листе.

Вопрос. В рекламе написано "на базе ИИ", а внутри обычные правила if/else — это обман?

Ответ. Часто это маркетинговый ярлык: автоматизация на жёстких правилах называется "умной", хотя модель на данных там нет. Смотрите, есть ли обучение на примерах и обновление весов, или только заранее прописанная логика. Подробнее здесь — глава 1.

Вопрос. ChatGPT уверенно назвал несуществующую книгу и автора — он "соврал"?

Ответ. Это типичная галлюцинация: модель генерирует правдоподобный текст по статистике языка, а не сверяет факты с базой данных. Для учёбы, медицины и права нужны проверка источников и человек в контуре. Подробнее здесь — глава 12.

Вопрос. Можно ли сдавать курсовую, полностью сгенерированную нейросетью?

Ответ. Правила зависят от вуза и предмета; технически текст может быть связным, но ответственность за содержание и плагиат остаётся за студентом. Используйте ИИ как черновик и репетитора, если преподаватель разрешил; итог проверяйте сами. Подробнее здесь — глава 12, глава 1.

Вопрос. Фильм показал AGI — значит, через пару лет такие системы будут у всех?

Ответ. AGI (общий искусственный интеллект) — исследовательская цель и сюжет фантастики; в продаже работают узкие модели под конкретные задачи. Не смешивайте хайп в медиа с тем, что реально разворачивают в продакшене. Подробнее здесь — глава 1, глава 112.

Вопрос. Чем чат-бот отличается от поиска в Google?

Ответ. Поисковик находит страницы по индексу; LLM генерирует новый текст токен за токеном по статистике обучения. Ответ чата может звучать убедительно без ссылки на источник — это разные инструменты с разными рисками. Подробнее здесь — глава 1, глава 12.

Вопрос. Голосовой помощник "не понимает" простую фразу — у него нет разума?

Ответ. Помощник сопоставляет речь с шаблонами и командами, обученными на данных; вне сценария качество падает. Это узкий ИИ под конкретные команды, без универсального понимания диалога. Подробнее здесь — глава 1.

Вопрос. Лента TikTok "знает", что мне нравится — это читает мысли?

Ответ. Рекомендательные алгоритмы сопоставляют ваши клики и просмотры с паттернами похожих пользователей и ранжируют контент. Это статистика поведения, а не доступ к намерениям. Подробнее здесь — глава 1.

Вопрос. Написал "Сделай игру" — модель выдала бессмыслицу. Что не так?

Ответ. Запрос без контекста (платформа, жанр, механики, ограничения) даёт усреднённый ответ. Добавьте роль, цель, пример формата и пошаговые требования. Подробнее здесь — глава 113.

Вопрос. Длинный документ "обрезался" посередине — модель его "забыла"?

Ответ. Срабатывает лимит контекстного окна — модель видит только последние N токенов. Длинные тексты режут, суммаризируют или подключают через RAG. Подробнее здесь — глава 113, глава 12.

Вопрос. Temperature = 1.5 — ответы стали страннее. Это нормально?

Ответ. Высокая temperature увеличивает случайность выбора следующего токена — больше креатива и риска выдумок. Для фактов и кода обычно ставят ниже; для идей — выше. Подробнее здесь — глава 12.

Вопрос. Зачем компании RAG, если LLM "и так всё знает"?

Ответ. Модель не хранит ваши внутренние документы как актуальную базу; RAG сначала ищет релевантные фрагменты, потом подставляет их в промпт. Так снижают выдумывание про регламенты, API и тикеты. Подробнее здесь — глава 12.

Вопрос. Midjourney и ChatGPT — это одна и та же "нейронка"?

Ответ. Это разные семейства моделей: LLM для текста, диффузия для картинок, отдельные стеки для видео и кода. Общее — обучение на данных, разное — архитектура и выход. Подробнее здесь — глава 112.

Вопрос. Слышал про "зиму ИИ" — значит, сейчас всё снова умрёт?

Ответ. AI winter — периоды снижения финансирования после завышенных ожиданий; сегодня индустрия опирается на GPU, данные и продакшен-кейсы. История помогает отличать цикл хайпа от инженерного прогресса. Подробнее здесь — глава 11.

Вопрос. Deep Blue победил Kasparova — значит, уже был AGI в 1997?

Ответ. Deep Blue — реактивная система для шахмат: перебор позиций без переноса знаний на другие задачи. Узкая победа в одной области, а не общий разум. Подробнее здесь — глава 112, глава 11.

Вопрос. Нужен ли мощный GPU, чтобы "просто попробовать ИИ"?

Ответ. Для знакомства хватит облачных API или небольших моделей; обучение LLM с нуля — ресурсы уровня дата-центра. Первый код — перцептрон на CPU в NumPy. Подробнее здесь — перцептрон, глава 1.

Вопрос. ИИ заменит программистов через год?

Ответ. Copilot и чаты ускоряют черновик и рутину, но архитектура, ревью, безопасность и ответственность остаются у команды. ИИ — инструмент в пайплайне, а не автономный владелец продакшена. Подробнее здесь — глава 1, разработка ИИ.

Вопрос. Можно ли доверять медицинскому совету из чата без врача?

Ответ. Модель может пропустить индивидуальные противопоказания и галлюцинировать дозировки. Для здоровья нужен специалист; ИИ — вспомогательный слой там, где его явно одобрила клиника. Подробнее здесь — глава 12, применение ИИ.

Вопрос. Отправил в чат пароль и номер карты — это опасно?

Ответ. Запрос может попасть в логи провайдера и в обучение, если политика сервиса это допускает. Секреты, ПДн и коммерческие данные в публичные чаты не вставляйте; для корпоративных задач — enterprise-режим или локальный стек. Подробнее здесь — глава 1.

Вопрос. Картинка "от нейросети" — кому принадлежат авторские права?

Ответ. Правовой статус генеративного контента ещё уточняется в разных странах; лицензия сервиса и договор с заказчиком решают, можно ли использовать результат коммерчески. Проверяйте ToS платформы. Подробнее здесь — глава 12.

Вопрос. Системный промпт и мой текст — в чём разница для модели?

Ответ. Системный промпт задаёт роль и правила сервиса (часто скрыт); пользовательский — конкретную задачу. Оба входят в контекст; смена системной инструкции меняет стиль и ограничения ответа. Подробнее здесь — глава 113, глава 12.

Вопрос. MoE, VLM, SLM — десятки аббревиатур. С чего начать?

Ответ. На старте достаточно связки ML → DL → LLM и понимания, текст это или картинка. Остальные акронимы — уточнение архитектуры под задачу; не зубрите список без контекста. Подробнее здесь — глава 112.

Вопрос. Агент сам запустил скрипт на моём ПК — это нормальное поведение ИИ?

Ответ. LLM-агенты с доступом к терминалу и API несут риск деструктивных команд. Запускайте в песочнице, ограничивайте права, проверяйте каждый шаг. Подробнее здесь — опасные скрипты, глава 112.

Вопрос. Переводчик выдал смешную фразу — "не понимает" язык?

Ответ. Система подбирает наиболее вероятный перевод по параллельным корпусам; идиомы, редкие слова и контекст диалога ломают качество. Для важных текстов нужна вычитка человеком. Подробнее здесь — глава 1.

Вопрос. Хочу свой ChatGPT на ноутбуке — скачал 70B модель, всё зависло.

Ответ. Большие модели требуют много ОЗУ и VRAM; на слабом железе берут квантованные SLM или API. Размер параметров напрямую связан с ресурсами инференса. Подробнее здесь — глава 112, модели и инструменты.

Вопрос. Fine-tuning и "просто спросить в чате" — когда что?

Ответ. Промпт и RAG хватает для разовых задач; fine-tuning нужен, когда стиль, терминология или формат ответа должны стабильно совпадать с вашим доменом на большом объёме примеров. Подробнее здесь — обучение на базе модели, глава 12.

Вопрос. Рекомендации в магазине показывают только дорогие товары — алгоритм "жадный"?

Ответ. Модель оптимизирует метрику бизнеса (клики, маржа); ваш бюджет в цели обучения обычно не заложен. Смещение данных и цели компании влияют на выдачу — повод читать про этику и bias. Подробнее здесь — глава 1.

Вопрос. С чего практически начать после этой главы — код или теория?

Ответ. Маршрут: ML на Python → категории и стек → перцептрон NumPy. Теория из введения складывается, когда видите train/test и первый loss. Подробнее здесь — оглавление ML.

Вопрос. Модель ответила на английском, хотя спрашивал по-русски.

Ответ. Часть весов и корпусов англоязычные; без явной инструкции "отвечай по-русски" модель может переключить язык. Задайте язык в системном или пользовательском промпте. Подробнее здесь — глава 113.

Вопрос. "Искусственный интеллект" и "машинное обучение" — одно и то же?

Ответ. ИИ — широкая область (задачи "как у человека"); ML — подход, где поведение выводят из данных. Почти все бытовые "ИИ" сегодня — ML или DL внутри. Подробнее здесь — глава 1.

Вопрос. Что такое искусственный интеллект простыми словами?

Ответ. Искусственный интеллект — область, где программы решают задачи, похожие на человеческие: распознают текст и картинки, рекомендуют контент, генерируют ответы. На практике это почти всегда модели, обученные на больших данных. Подробнее здесь — глава 1.

Вопрос. Чем искусственный интеллект отличается от машинного обучения?

Ответ. ИИ — цель и зонтичный термин; машинное обучение (ML) — способ: система учится на примерах вместо ручного перечисления всех правил. Современный "ИИ" в приложениях — это ML и глубокие нейросети. Подробнее здесь — глава 1, машинное обучение.

Вопрос. Что такое нейросеть и чем она отличается от ИИ?

Ответ. Нейросеть — один из типов моделей ML (слои "нейронов" с весами); ИИ — более широкое понятие, куда входят и деревья решений, и экспертные системы. ChatGPT внутри — большая нейросеть-трансформер. Подробнее здесь — нейросети, глава 1.

Вопрос. Как работает ChatGPT и большие языковые модели?

Ответ. LLM получает текст, режет его на токены и на каждом шаге предсказывает следующий — из этого складывается ответ. Это статистическая модель языка, а не база фактов. Подробнее здесь — глава 12, LLM.

Вопрос. Что такое GPT и что значит LLM?

Ответ. GPT (Generative Pre-trained Transformer) — семейство больших языковых моделей OpenAI; LLM (Large Language Model) — общее название таких моделей (Claude, Gemini, LLaMA и др.). Подробнее здесь — глава 112, глава 12.

Вопрос. Есть ли у ChatGPT сознание — понимает ли он меня?

Ответ. Модель сопоставляет паттерны текста и генерирует правдоподобное продолжение; сознания, намерений и памяти о вас "как у человека" у неё нет. Ответственность за использование вывода — на пользователе. Подробнее здесь — глава 1.

Вопрос. Что такое AGI и существует ли общий искусственный интеллект сейчас?

Ответ. AGI (Artificial General Intelligence) — гипотетический ИИ с универсальными способностями уровня человека. В продаже и в продакшене работают только узкие системы под конкретные задачи. Подробнее здесь — глава 1, глава 112.

Вопрос. Что такое слабый и сильный искусственный интеллект?

Ответ. Слабый (узкий) ИИ решает одну область — перевод, спам-фильтр, автодополнение. Сильный (общий) ИИ — теоретическая система для любых интеллектуальных задач; её пока нет. Подробнее здесь — глава 112.

Вопрос. Когда появился термин "искусственный интеллект" и как развивался ИИ?

Ответ. Термин закрепился после Дартмутского семинара 1956 года; дальше — волны хайпа, "зимы ИИ" и прорывы с GPU, данными и трансформерами. Подробнее здесь — глава 11.

Вопрос. Что такое генеративный искусственный интеллект?

Ответ. Генеративный ИИ создаёт новый контент — текст, изображение, код, аудио — по запросу, в отличие от моделей, которые только ставят метку класса или число. Подробнее здесь — глава 12.

Вопрос. Что такое галлюцинации нейросети и почему ChatGPT выдумывает факты?

Ответ. Галлюцинация — правдоподобный, но неверный ответ: модель оптимизирует связность текста, а не проверку источников. Для фактов нужны RAG, цитаты и ревью человеком. Подробнее здесь — глава 12.

Вопрос. Что такое промпт и как правильно писать запросы к нейросети?

Ответ. Промпт — текст запроса плюс контекст: роль, цель, формат ответа, ограничения. Чем конкретнее задача и примеры, тем стабильнее результат. Подробнее здесь — глава 113, промпт-инжиниринг.

Вопрос. Что такое RAG и зачем он нужен для ChatGPT?

Ответ. RAG (Retrieval-Augmented Generation) — сначала поиск релевантных фрагментов в вашей базе, затем подстановка их в промпт модели. Так ответы опираются на внутренние документы, а не только на обучающий корпус. Подробнее здесь — глава 12, векторные БД.

Вопрос. Чем ChatGPT отличается от Google и обычного поиска?

Ответ. Google выдаёт ссылки на страницы; ChatGPT генерирует новый текст без гарантии актуальности и источника. Для проверяемых фактов — поиск; для черновика и объяснений — LLM с верификацией. Подробнее здесь — глава 1, глава 12.

Вопрос. Что такое нейросеть для генерации картинок (Midjourney, DALL-E, Stable Diffusion)?

Ответ. Это генеративные модели изображений, чаще на архитектуре диффузии: из шума и текстового описания собирается картинка. Это отдельный стек от текстовых LLM. Подробнее здесь — глава 112, глава 12.

Вопрос. Сколько стоит обучить ChatGPT и можно ли сделать это дома?

Ответ. Обучение LLM уровня GPT с нуля — миллионы долларов и кластер GPU; дома реалистичны API, малые open-source модели или fine-tuning. Подробнее здесь — глава 12, обучение на базе модели.

Вопрос. Можно ли изучить искусственный интеллект с нуля без программирования?

Ответ. Концепции и работа с готовыми чатами — да; инженерный путь требует Python, данных и основ ML. Старт без матанализа — ML на Python. Подробнее здесь — глава 1.

Вопрос. Какие профессии связаны с искусственным интеллектом?

Ответ. ML engineer, data scientist, NLP/CV-специалист, MLOps, продукт с ИИ, исследователь; плюс смежные — аналитик данных и backend для AI-сервисов. Подробнее здесь — карьера в IT, разработка ИИ.

Вопрос. Искусственный интеллект заменит программистов и дизайнеров?

Ответ. ИИ ускоряет черновик кода и макетов, но требования, архитектура, безопасность и ответственность остаются у людей. Меняется набор навыков, а не исчезновение профессии целиком. Подробнее здесь — глава 1, вайб-кодинг.

Вопрос. Что такое токены в ChatGPT и почему лимитируют длину сообщения?

Ответ. Токен — кусок текста (часто подслово), единица счёта и обработки LLM. Контекстное окно ограничивает, сколько токенов модель видит за раз — от этого зависят цена API и длина диалога. Подробнее здесь — глава 113, LLM.

Вопрос. Что такое temperature в нейросети и ChatGPT?

Ответ. Temperature управляет случайностью выбора следующего токена: ниже — стабильнее и суше, выше — разнообразнее и рискованнее. Для кода и фактов обычно ставят низкую. Подробнее здесь — глава 12.

Вопрос. Опасен ли искусственный интеллект для человечества?

Ответ. Реальные риски сегодня — дезинформация, утечки данных, bias, автоматизация без контроля; сценарии "AGI захватит мир" — предмет дискуссий и фантастики. Важны этика, регулирование и человек в контуре решений. Подробнее здесь — глава 1, применение ИИ.

Вопрос. Что такое fine-tuning и чем он отличается от обычного промпта?

Ответ. Fine-tuning — дообучение весов модели на ваших примерах; промпт меняет только вход на лету. Fine-tuning нужен для стабильного стиля и доменной терминологии на большом объёме данных. Подробнее здесь — глава 12, transfer learning.

Вопрос. Что такое глубокое обучение deep learning?

Ответ. Deep learning — машинное обучение на нейросетях с множеством слоёв; основа современных LLM, распознавания речи и компьютерного зрения. Подробнее здесь — глава 1, нейросети.

Вопрос. Что такое Copilot, Gemini, Claude — это всё ChatGPT?

Ответ. Это разные сервисы поверх своих или лицензированных LLM (OpenAI, Google, Anthropic и др.). Общий принцип — генерация текста по промпту; возможности и лимиты отличаются. Подробнее здесь — глава 112, модели и инструменты.

---

Как пользоваться этой страницей

Итоги работают в трёх режимах —

1. Перед повторением — пробегите таблицу блоков и отметьте, какие главы нужно перечитать.
2. После раздела — закройте подсказки и попробуйте объяснить каждую "главную мысль" вслух за 30 секунд.
3. Перед собеседованием или проектом — сверьтесь с чек-листом и доберите слабые темы по ссылкам из таблицы.

Если формулировка "знакома, но объяснить не могу" — это сигнал вернуться в главу, а не "зубрить" итоги.

---

Что запомнить

Пять блоков раздела

Блок	Главная мысль	Глава
Определения	ИИ в быту — узкий ML/DL; AGI — цель исследований, не продукт на полке	1
История	Прорывы шли после роста данных, GPU и алгоритмов; хайп цикличен	11
Генеративный стек	LLM предсказывает токены; галлюцинации и RAG — инженерная реальность	12
Типы моделей	LLM, диффузия, GAN, трансформер — разные семейства под разные выходы	112
Контекст	Качество ответа = промпт + окно + внешние данные	113

---

Три принципа, которые связывают темы

1. Статистика, а не сознание — модель сопоставляет паттерны в данных; ответственность за решение остаётся у человека и процесса (1).
2. Маркетинг шире инженерии — слово "ИИ" на упаковке проверяйте вопросом "где обучение на данных?" (1).
3. Контекст решает половину задачи — без роли, ограничений и источников LLM выдаёт усреднённый текст (113).

---

Частые путаницы

Путают	На самом деле	Где повторить
AGI и ChatGPT	ChatGPT — узкая языковая модель; AGI пока гипотеза	1, 112
Поиск и LLM	Поиск — ссылки; LLM — генерация нового текста	12
Обучение и инференс	Обучение — подбор весов; инференс — ответ на новый запрос	1
Знание и галлюцинация	Модель воспроизводит вероятный текст, а не проверенную базу фактов	12
ИИ и ML	ML — главный рабочий метод современного узкого ИИ	1

---

Куда идти дальше

Цель	Раздел
Практика на таблицах	Машинное обучение
Код нейрона и перцептрона	Нейросети
API, LLM, промпты	Модели и инструменты
Продакшен и MLOps	Разработка ИИ

Проверьте себя — Чек-лист самопроверки.

---