Что такое искусственный интеллект

Странное свойство области: успех вычёркивает задачу из её списка

Искусственный интеллект это область, занятая задачами, для которых нет явного пошагового алгоритма решения, и общепринятого определения через свойства машины нет ни в учебниках, ни в законах. Мешает ему эффект ИИ, привычка вычёркивать задачу из списка «требующих интеллекта», когда её начинают решать машинно. Так вышло с шахматами после победы Deep Blue над Каспаровым в 1997 году, с переводом и с маршрутами в пробках.

Тьюринг, 1950. Дартмутский семинар, 1956. Вейценбаум, ELIZA, 1966 · 20 мин · обновлено 01.10.2026

Спросите знакомого, считает ли он искусственным интеллектом навигатор, который прокладывает маршрут через город с пробками. Почти наверняка услышите «нет, это просто программа». Спросите про распознавание лиц в телефоне, и снова прозвучит «просто программа». Про автоматический перевод скажут то же самое.

А ведь каждая из этих задач десятилетиями числилась в списке задач для искусственного интеллекта, и каждую считали недоступной машине. На маршрутах, лицах и переводе защищали диссертации и получали гранты именно как на проблемах ИИ. Заметьте, что произошло: задача не изменилась, изменился её статус.

Как только машина начала справляться надёжно, задачу вычеркнули из списка и переименовали в «просто программу». Это происходит систематически, у явления есть название, и с него честнее всего начинать курс. Называется оно эффектом ИИ.

Эффект ИИ

Эффектом ИИ называют привычку вычёркивать задачу из списка «требующих интеллекта» ровно в тот момент, когда её решают машинно. Формулировку приписывают Ларри Теслеру: интеллект это то, чего машины ещё не умеют.

Шахматы дают самый чистый пример. Полвека они служили эталоном машинного разума: считалось, что игра требует интуиции, стратегического чутья, понимания позиции. В 1997 году Deep Blue обыграл чемпиона мира Гарри Каспарова, и уже через несколько лет шахматная программа стала считаться не интеллектом, а перебором вариантов. Задача при этом осталась той же самой.

У эффекта есть неприятное следствие для разговора об ИИ. Список того, что «машина не может», обновляется молча, задним числом, и потому никогда не пустеет, что бы ни было достигнуто. Обе стороны спора об ИИ пользуются этим свойством, обычно того не замечая.

Практический вывод для курса: спрашивая «умеет ли машина X», всегда уточняйте, что именно вы называете умением, и делайте это до того, как узнали ответ. Иначе критерий поедет вслед за результатом, и заметить это будет уже нельзя.

Определения нет, и это не придирка

Общепринятого определения искусственного интеллекта не существует. Это не оговорка скромности: определения нет ни в учебниках, ни в законах, и попытки его дать разваливаются об эффект ИИ. Всякий список умений устаревает, как только умения появляются. Попытки собрать определение из списка умений разваливаются одна за другой.

Рабочее определение курса поэтому берётся с другой стороны. Искусственный интеллект это область, которая занимается задачами, для которых у нас нет явного алгоритма решения. Не «машина, которая думает», а «то, что мы не умеем прописать пошагово».

Определение через отсутствие алгоритма честнее и сразу объясняет эффект: найденный алгоритм переводит задачу из области ИИ в обычное программирование. Распознавание лиц было ИИ, пока никто не знал, как его описать по шагам. Сегодня это библиотека, которую подключают одной строкой. Граница области, выходит, движется по мере наших успехов.

Отсюда же понятно, почему споры «это настоящий ИИ или нет» почти всегда бесплодны. Спорящие пользуются разными определениями, ни одно из которых не общепринято, и обсуждают в итоге не машину, а слово. Спор о слове можно вести бесконечно, и обычно так и бывает.

Почему это не спор о словах

Может показаться, что отсутствие определения это беда филологов, а инженерам всё равно. На деле неопределённость обходится дорого, и три её последствия стоит назвать прямо. Каждое обходится вполне ощутимыми деньгами и временем.

Первое: спор без предмета. Один говорит «это не настоящий ИИ, он просто считает вероятности», другой отвечает «а вы тоже просто нейроны». Оба правы внутри своих определений и оба не могут проиграть, потому что спорят не о машине, а о том, какое слово к ней приложить. Такой спор длится бесконечно и не даёт никакого нового знания.

Второе: реклама на пустом месте. Раз строгого значения нет, «на основе искусственного интеллекта» можно написать на чём угодно, от подбора музыки до автоматической подстановки шаблона. Слово продаёт, проверить нечего, и потому оно попадает на упаковки товаров, где внутри обычная формула из трёх строк.

Третье, и самое неприятное: регулировать нечего. Закон обязан определить, к чему применяется, и европейский регламент об ИИ решает это, описывая не «интеллект», а системы по способу работы и по области применения. Урок 19 покажет, чего это стоило и почему сроки там пришлось двигать.

Курс пользуется рабочим определением через отсутствие алгоритма и на этом закрывает вопрос. Дальше речь идёт о конкретных механизмах: что именно система делает, чему обучена и на чём проверена. Эти вопросы имеют ответы, в отличие от вопроса «настоящий ли это интеллект».

Узкий и общий

Одно различение всё же придётся ввести, потому что без него не читается ни одна новость. Узким искусственным интеллектом называют систему, решающую свой класс задач. Навигатор, переводчик, распознавание речи, система рекомендаций. Всё существующее на 2026 год относится сюда.

Под общим искусственным интеллектом (в обиходе AGI) понимают гипотетическую систему, справляющуюся с любой интеллектуальной задачей примерно на уровне человека. Определения расходятся, единого признанного теста не существует, и вопрос о сроках остаётся предметом открытого спора, а не расписанием.

Здесь легко ошибиться, и ошибаются постоянно. Языковая модель по началу текста предсказывает продолжение, а устройство её разбирает урок 10. Применима она к тысяче разных дел, от письма до кода, и оттого кажется общей. Но широта применений и общность в смысле AGI не одно и то же: система, натренированная на предсказание текста, применима всюду, где дело сводится к тексту, и это по-прежнему узкий ИИ, просто с очень широкой горловиной.

Курс будет держать это различение всё время и вернётся к нему в уроке 21, где разбираются прогнозы о сроках. Там же выяснится, почему сроки в этих прогнозах так странно устроены.

Есть и обратная ошибка, встречающаяся реже, но столь же вредная. Увидев, что система оступилась на простом вопросе, говорят: «значит, никакого интеллекта тут нет». Но узкий ИИ и не обязан быть ровным: он силён внутри своего класса задач и произвольно слаб за его пределами. Провал на задаче из соседней области не опровергает способностей в своей, как и успех в своей ничего не обещает в соседней.

Откуда взялась готовность верить

У курса есть ещё одна тема, важнее терминологии: почему нам так легко приписывать машине понимание. Ответ известен с 1966 года и получен случайно. Джозеф Вейценбаум написал программу ELIZA из нескольких сотен строк, имитирующих психотерапевта. Механика была примитивной: программа выхватывала из реплики ключевые слова и возвращала их в виде вопроса. Скажешь «меня беспокоит мать», и услышишь «расскажите подробнее о вашей матери». Никакой модели мира, никакого понимания, простая перестановка слов по шаблонам.

Вейценбаум был потрясён тем, что случилось дальше. Люди, знавшие устройство программы, всё равно вступали с ней в доверительные разговоры. Его собственная секретарша попросила оставить её с программой наедине. Люди приписывали ELIZA сочувствие и понимание, зная, что внутри шаблоны.

Явление назвали эффектом ELIZA: готовность видеть разум там, где его нет, если поведение достаточно похоже на разумное. Из этого не следует, что нынешние системы ничего не понимают. Вопрос о понимании открыт, и ему посвящён урок 20. Следует другое, более скромное и более полезное: наше ощущение, что машина понимает, само по себе доказательством не является, и Вейценбаум показал это на программе в несколько сотен строк.

Откуда взялось само слово

Термин «искусственный интеллект» родился как заявка на грант. Летом 1956 года в Дартмутском колледже собрался семинар, и в заявке было сказано: существенного продвижения можно добиться, если группа учёных поработает над проблемой одно лето. Денег просили немного, а обещали много.

Формулировку стоит запомнить дословно, потому что она задала тон на семьдесят лет вперёд. Речь шла о том, чтобы за два-три месяца научить машины пользоваться языком, образовывать понятия и решать задачи, зарезервированные для человека. Заявка обещала научить машины языку, понятиям и решению задач, отведённых человеку.

Полезно понять, откуда бралась уверенность. В пятидесятые казалось, что мышление это работа с символами по правилам, а раз так, задача сводится к тому, чтобы правила найти и записать. Логика уже была формализована, машины уже доказывали теоремы, и путь выглядел прямым: осталось описать остальное мышление тем же способом. Что описать удастся не всё, выяснилось позже и дорогой ценой.

Это не глупость и не самонадеянность отдельных людей: перед ними стояла задача, для которой не было ни данных, ни вычислений, ни понимания её трудности. Недооценка трудности сопровождает старт любой области, и корить за неё некого.

Но обещания были даны публично, и через двадцать лет по ним пришли счета. Как именно, разбирает урок 3, и это будет самая полезная история курса: область дважды переживала обвал ожиданий, и оба раза не потому, что технология не работала. Ответ занимает целый урок, потому что история повторилась дважды.

Три вопроса вместо одного

Соберём урок в рабочий инструмент. Вопрос «настоящий ли это интеллект» курс задавать не будет, вместо него будут три других, у которых есть ответы. Их стоит запомнить сразу: дальше они появятся почти в каждом уроке.

Первый: как это устроено? Что именно система делает с входом, чтобы получить выход. Не «понимает запрос», а «сопоставляет, взвешивает, предсказывает». Механизм всегда описуем, и половина мистики испаряется на этом вопросе.

Второй: что именно измерили? За словами «модель справляется с задачей» стоит какой-то набор проверок и какая-то метрика, то есть правило, по которому ответы превращают в одно число. Смысл заявления до неузнаваемости меняется от того, кто их составлял, когда это было и не видела ли модель ответы заранее. Урок 14 посвящён этому целиком.

Третий: какой у утверждения статус? Доказано, спорно или это миф, приписанный области пересказами. Курс отвечает на него реестром, и к финалу читатель должен задавать его сам, при чтении любого заголовка о новых способностях машин.

Три вопроса выглядят занудно, зато работают на любом материале и не устаревают вместе с моделями. В этом их главное достоинство для предмета, который меняется быстрее, чем печатается учебник. Ими и стоит пользоваться вместо спора о словах.

Что дальше

Мы условились, чем занимается область, и заметили две вещи, которые будут мешать весь курс: критерий уезжает вслед за результатом, а наше впечатление о понимании ничего не доказывает. Обе будут мешать до самого конца курса.

Урок 2 объясняет главный сдвиг, благодаря которому область сдвинулась с места: правило перестали писать руками и начали выучивать из примеров. Разница между этими двумя способами получить работающую программу больше, чем кажется, и без неё дальше не понять ничего. Прошлое правило пишет человек, а новое выводится из данных, и меняется вся профессия вокруг.

А урок 3 расскажет, как за обещания приходят счета. Дважды. История эта пригодится в двадцать первом уроке, где речь пойдёт о нынешних прогнозах.

Вопросы для самопроверки

Что читать

• Alan Turing, «Computing Machinery and Intelligence», Mind, 1950: Читается на удивление легко и не устарел: половина статьи занята разбором возражений, которые вам приведут в любом сегодняшнем споре об ИИ.
• Dive into Deep Learning (d2l.ai), вводная глава: Открытый учебник, фактическое ядро курса. Вводная глава даёт ту же рамку без математики, а формулы начинаются дальше.