Искусственный интеллект. С неба на землю

4. «Это сложно, я не технарь».

Главный навык — формулировать задачу и проверять результат (этому посвящена Глава 6). Исследования 2026 года показывают: не-технари решают задачи с ИИ почти так же успешно, как программисты. А на практике бывает и наоборот: тот, кто хорошо знает предметную область, говорит на её языке и может оценить ответ, работает с ИИ даже лучше ИТ-специалистов.

5. «Поздно начинать».

Массовое внедрение только разворачивается: три четверти работников уже пробуют ИИ, но системно используют единицы. Фора ещё есть — и она у дисциплинированных, а не у ранних.

Резюме главы

— ИИ — это не магия, а математика на статистике; есть три направления: нейросети, машинное обучение и глубокое обучение.

— ИИ оправдан там, где есть данные, высокая вариативность и задачу можно автоматизировать; иначе дешевле и надёжнее классическая автоматизация.

— У всех ИИ-решений общие фундаментальные ограничения: объём и качество данных, непредсказуемость, затраты на создание и эксплуатацию.

Что с этим делать: Прежде чем брать ИИ под задачу, прогоните её через критерий «ИИ vs классика» и проверьте, есть ли у вас пригодные данные.

Вопрос для рефлексии: Для какой вашей задачи ИИ действительно оправдан, а где вы тянете его «по моде»?

Глава 2. Виды искусственного интеллекта

По видам решаемых задач

ИИ удобно классифицировать по нескольким основаниям. Начнём с видов решаемых задач.

— Генеративный.

Создаёт новый контент (изображения, текст, звук и т. д.) по запросу пользователя: чат-боты для общения, генерация картинок, видео, музыки, рекомендаций. Ему в книге посвящён отдельный раздел.

— Классифицирующий.

Относит данные к категориям по заданным критериям. Обучается на размеченных данных и использует разные алгоритмы для принятия решений: отделение кошек от собак, проверка изделия на соответствие габаритам, наличие СИЗ у человека в опасной зоне, является ли письмо спамом, определение состояния здоровья и т. д.

— Предиктивный / рекомендательный.

Предсказывает будущие события или результаты на основе имеющихся данных и статистики: скорый отказ оборудования, будущая урожайность, наследственные заболевания. Иногда отдельно выделяют рекомендательный ИИ, который не просто предсказывает, а готовит рекомендации, что делать, — но я отношу его к предиктивному.

Тем, кому интересно техническое погружение (виды алгоритмов и какие задачи они решают), рекомендую хорошую статью о видах машинного обучения — где какой класс алгоритмов предпочтителен.

Машинное обучение для людей

По «силе» и работе с неопределённостью

Теперь про три понятия — слабый, сильный и суперсильный ИИ.

Слабый ИИ

Всё, что мы наблюдаем сейчас, — слабый ИИ (ANI, Narrow AI). Он решает узкоспециализированные задачи, для которых проектировался: отличает собаку от кошки, играет в шахматы, анализирует и улучшает качество видео/звука, консультирует по предметной области. Но самый сильный «шахматный» слабый ИИ бесполезен для игры в шашки, а ИИ-консультант по управлению проектами бесполезен для планирования техобслуживания оборудования.

Пример работы ИИ при распознавании образов

Сильный и суперсильный ИИ

Если с определением «что такое ИИ» запутанно, но в целом понятно, то с «сильным» (или «общим») ИИ ещё сложнее. Приведу определение, которое, на мой взгляд, точнее всего передаёт суть.

Сильный, или общий, ИИ (AGI) — это ИИ, который ориентируется в меняющихся условиях, моделирует и прогнозирует развитие ситуации, а если она выходит за стандартные алгоритмы — самостоятельно находит решение. Например, решить задачу «поступить в университет» или изучить правила шашек и начать в них играть вместо шахмат. То есть ИИ, способный решать любые интеллектуальные задачи наравне с человеком, обладающий универсальностью вместо узкой специализации, истинным пониманием вместо имитации паттернов, а также способный к обучению, рассуждениям и творчеству.

Какими качествами должен обладать такой ИИ?

— Мышление — дедукция, индукция, ассоциации и т. п. для выделения фактов из информации и их представления (сохранения). Это позволит точнее решать задачи в условиях неопределённости.

— Память — разные типы памяти (кратко- и долговременная): задачи решаются с учётом накопленного опыта. Сейчас же GPT-4 обладает небольшой краткосрочной памятью и со временем «забывает», с чего всё начиналось. По моему мнению, вопрос памяти и «массивности» моделей станет ключевым ограничением развития ИИ.

— Планирование — тактическое и стратегическое. Есть исследования, что ИИ может планировать действия и даже обманывать человека ради своих целей, но это в стадии зарождения. Чем глубже планирование, особенно в неопределённости, тем больше нужно мощностей: одно дело — игра в шахматы на 3—6 ходов с чёткими правилами, другое — ситуация неопределённости.

— Обучение — имитация действий другого объекта и обучение через эксперименты. Сейчас ИИ учится на больших массивах данных, но сам не моделирует и не экспериментирует. Обучение требует долгосрочной памяти и сложных взаимосвязей — а это, как мы поняли, проблема для ИИ.

Такого сильного ИИ сейчас нет ни у кого. Заявления о его скором появлении (в горизонте 2024—2028 годов), на мой взгляд, ошибочны или спекулятивны. Хотя, может, я обладаю слишком ограниченным знанием…

Да, ChatGPT от OpenAI и другие LLM генерируют текст, иллюстрации и видео через анализ запроса и обработку больших данных: ищут наиболее подходящие ассоциативные сочетания, сформировавшиеся при обучении. Но это лишь математика и статистика, а в ответах много «брака» и «галлюцинаций». К реальному взаимодействию с миром они ещё не готовы. Я это говорил как в 2023 году, так повторяю в 2026, при этом ежедневно работая с передовыми моделями.

Однако, имея только слабый ИИ и мечтая о более-менее сильном, исследователи уже выделяют суперсильный ИИ (ASI, Artificial Superintelligence). Это ИИ, который:

— решает как рутинные, так и творческие задачи;

— моментально ориентируется в неопределённости даже без подключения к интернету;

— адаптирует решение к контексту обстоятельств и доступным ресурсам;

— понимает эмоции людей (не только по тексту, но и по мимике, тембру голоса и другим параметрам) и учитывает их;

— способен самостоятельно взаимодействовать с реальным миром для решения задач.

Это ИИ, который мы пока видим только в фантастических фильмах. Даже сам ИИ пишет об ASI как о «гипотетической концепции» и «предмете научной фантастики и активных исследований». Это желаемая точка в далёком будущем, достичь которой пока невозможно.

Он будет использовать продвинутые технологии — большие языковые модели (LLM), многоразрядные нейронные сети и эволюционные алгоритмы. Пока же ASI остаётся концептуальным и спекулятивным этапом, но представляет значительный шаг вперёд от текущего уровня.

И если слабых ИИ сейчас сотни — под каждую задачу, то сильных будет лишь десятки (скорее всего, произойдёт разделение по направлениям — рассмотрим в следующем блоке), а суперсильный ИИ будет одним на государство или на всю планету.

Ограничения на пути к сильному ИИ

Если честно, я мало верю в быстрое появление сильного или суперсильного ИИ.

Во-первых, это очень затратная и сложная задача с точки зрения регулирования. Эпоха бесконтрольного развития ИИ заканчивается, ограничений будет всё больше (теме регулирования посвящена отдельная глава). Ключевой тренд — риск-ориентированный подход: сильный и суперсильный ИИ окажутся на верхнем уровне риска, а значит, и меры законодателей будут заградительными.

Во-вторых, это сложно технически, причём сильный ИИ будет ещё и очень уязвимым. Сейчас, в середине 2020-х, для его создания и обучения нужны гигантские вычислительные мощности. По мнению Леопольда Ашенбреннера, бывшего сотрудника команды Superalignment в OpenAI, потребуется дата-центр стоимостью в триллион долларов США, а его энергопотребление превысит всю текущую электрогенерацию США.

На тему энергопотребления весной 2025 года высказался и Эрик Шмидт, бывший гендиректор Google, выступая перед Комитетом по энергетике и торговле Палаты представителей. Средняя АЭС в США вырабатывает порядка 1 ГВт, при этом уже есть проекты ЦОД на 10 ГВт. По одной из оценок Шмидта, дата-центрам к 2027 году потребуется ещё 29 ГВт, а к 2030 году — все 67 ГВт. Для масштаба: на 1 января 2025 года общая установленная мощность электростанций энергосистемы России составила 269 ГВт.

Для сильного ИИ нужны и сложные модели (на порядки сложнее нынешних), и их сочетание — не только LLM для анализа запросов, а мультиагентные решения на разных принципах (об этом позже). То есть придётся экспоненциально наращивать число нейронов, выстраивать связи между ними и координировать работу различных сегментов и моделей.

При этом если человеческие нейроны могут быть в нескольких состояниях и активироваться «по-разному» (да простят меня биологи за упрощение), то машинный ИИ — упрощённая модель, которая так не умеет. Условно, машинные 80—100 млрд нейронов не равны человеческим: машине нужно больше нейронов для аналогичных задач. Тот же GPT-4, по утёкшим техническим оценкам, содержит порядка 1,8 трлн параметров (условно нейронов) — и он всё равно уступает человеку. И даже передовая Fable 5, которую по неофициальным оценкам примеряют к десяти триллионам параметров, уступает человеку в главном — и требует контроля с его стороны.

Всё это приводит к нескольким факторам.

Первый фактор — рост сложности. Он всегда приводит к проблемам надёжности: растёт число точек отказа. Сложные модели трудно и создавать, и оберегать от деградации во времени — их нужно постоянно «обслуживать». Иначе сильный ИИ начнёт деградировать, а нейронные связи — разрушаться: любая сложная нейросеть, если не развивается, разрушает ненужные связи. Поддержание связей энергозатратно, и ИИ всегда будет оптимизироваться, отключая «ненужных потребителей энергии».

То есть ИИ станет похож на старика с деменцией, а срок его «жизни» сильно сократится. Представьте, что может натворить сильный ИИ с его возможностями, страдающий потерей памяти и резкими откатами в состояние ребёнка? Даже для текущих решений это актуальная проблема.

Пара простых примеров из жизни. Создание сильного ИИ можно сравнить с тренировкой мышц: вначале прогресс идёт быстро, но дальше КПД падает, нужно всё больше ресурсов даже для удержания формы. Сила растёт от толщины сечения мышцы, а масса — от объёма; в какой-то момент мышца станет настолько тяжёлой, что не сможет себя двигать и даже способна себя повредить.

Ещё пример — из инженерии, гонки «Формулы-1». Отставание в 1 секунду можно устранить за 1 млн и 1 год. Но чтобы отыграть решающие 0,2 секунды, может потребоваться уже 10 млн и 2 года, а фундаментальные ограничения конструкции вообще заставят пересмотреть концепцию машины. То же и с обычными автомобилями: современные дороже и создавать, и содержать, без спецоборудования не поменять и лампочку, а гиперкары после каждого выезда обслуживают целые команды техников.

С точки зрения разработки ИИ есть два ключевых параметра:

— количество слоёв нейронов (глубина модели);

— количество нейронов в каждом слое (ширина слоя).

Глубина определяет способность к абстрагированию: её недостаток ведёт к поверхностности анализа и суждений. Ширина определяет число параметров/критериев на каждом слое: чем их больше, тем сложнее модели и полнее отражение реального мира.

При этом число слоёв влияет на функцию линейно, а ширина — нет. Отсюда и аналогия с мышцей: размер топовых LLM в 2026 году приближается к 10 триллионам параметров (например, тот же Fable), но модели втрое-вчетверо меньше не имеют критического падения качества (те же китайские модели Qwen 3.8 и Kimi K3 имеют от 2,4 до 2,8 трлн параметров и в некоторых тестах опережают Fable). Важнее то, на каких данных обучена модель и есть ли у неё специализация и прочие факторы.

Ниже — статистика по LLM от разных производителей.

Сравните LLaMa 2 7B, 13B и 70B: значения 7/13/70 млрд параметров условно показывают сложность и обученность модели — чем выше, тем лучше. Но качество ответов от этого радикально не меняется, тогда как цена и трудозатраты на разработку растут существенно.

Важная оговорка. В феврале 2026 года Vectara — компания, которая ведёт публичный рейтинг галлюцинаций, — заменила тестовый набор: вместо коротких новостных заметок модели теперь пересказывают более 7 500 длинных документов (до 32 тысяч токенов) из юридической, медицинской, финансовой и технической сфер. То есть материал стал похож на то, с чем работает бизнес. Цифры ниже — с этого нового, тяжёлого теста, и сравнивать их со старыми замерами на новостях нельзя: это разные экзамены.

Вывод, который переворачивает интуицию «дороже — значит лучше». Во-первых, на длинных реальных документах галлюцинируют все: у флагманских рассуждающих моделей — более 10% ответов с выдумкой, тогда как на коротких новостных текстах те же классы моделей держались в районе 3—6%. Во-вторых, рейтинг возглавляют не гиганты, а компактные и быстрые модели. В-третьих — самое неожиданное — «рассуждающие» модели на задаче пересказа по источнику работают хуже: додумывание, которое помогает решать задачи, здесь превращается в отсебятину.

Для практики отсюда три следствия: выбирайте модель под задачу, а не по строчке в рейтинге «самых мощных»; на длинных документах обязательны RAG со ссылками на источник и проверка человеком; и не переносите чужие бенчмарки на свои процессы — заведите собственный тест на своих типовых задачах.

Та же логика видна и на линейках моделей одного разработчика: рост числа параметров в разы не даёт кратного роста качества ответов, тогда как цена и трудозатраты на разработку растут существенно.

Мы видим, как лидеры наращивают мощности, отстраивая дата-центры и в спешке решая вопросы энергоснабжения и охлаждения этих «монстров». При этом повышение качества модели на условные 2% требует увеличения вычислительных мощностей на порядок.

Практический пример к вопросу обслуживания и деградации — и здесь заметно влияние людей. Любой ИИ, особенно на раннем этапе, обучается на обратной связи людей (их удовлетворённость, исходные запросы). GPT-4 использовал запросы пользователей для дообучения, чтобы давать более релевантные ответы и снизить нагрузку на «мозг». В конце 2023 года появились статьи, что модель стала «более ленивой»: отказывается отвечать, прерывает разговор или отвечает выдержками из поисковиков. К середине 2024 года нормой стало приведение выдержек из «Википедии».

Одна из возможных причин — упрощение самих запросов пользователей (они становятся всё примитивнее). LLM не придумывают нового — они пытаются понять, что вы хотите услышать, и подстраиваются (у них тоже формируются «стереотипы»), ищут максимальную эффективность связки «трудозатраты — результат», отключая ненужные связи. Это называется максимизацией функции. Просто математика и статистика. И такая проблема характерна не только для LLM.

Таким образом, чтобы ИИ не деградировал, придётся загружать его сложными исследованиями, ограничивая нагрузку примитивными задачами. Но стоит выпустить его в открытый мир — и соотношение задач будет в пользу простых запросов. Вспомните себя: действительно ли для выживания и размножения нужно развиваться? Какое соотношение интеллектуальных и рутинных задач в вашей работе? Вам нужны интегралы и теория вероятностей — или математика до 9-го класса?

Второй фактор — количество данных и галлюцинации. Да, модели можно увеличить во много раз. Но прототипу GPT-5 уже в 2024 году не хватало данных для обучения — ему отдали всё, что есть. Даже появился термин — стена данных. А сильному ИИ, ориентирующемуся в неопределённости, данных на текущем уровне технологий просто не хватит: нужно собирать метаданные о поведении пользователей, обходить ограничения авторских прав и этики, собирать согласия. Кроме того, чем «всезнающее» модель, тем больше у неё неточностей и галлюцинаций; а если дать базовой модели конкретную предметную область, качество ответов растёт — она предметнее, меньше фантазирует и ошибается.

Также нужно уточнить, что стену данных обходят, и способов уже несколько. Но ни один не даёт того, чего не хватает, — нового человеческого текста. Все они меняют сам вопрос: не «где взять ещё данных», а «как обойтись теми, что есть».

Посмотрите на правую колонку. Пять приёмов из семи доступны обычной компании уже сегодня, и три из них — про порядок в собственных данных, а не про технологии. Это и есть ответ на вопрос, что делать, пока лаборатории решают свою задачу. Заодно видно, почему стена не остановила отрасль: она стоит перед публичным текстом, а обходят её с разных сторон.

Третий фактор — уязвимость и затраты. Как уже сказано, потребуется дата-центр за триллион долларов с энергопотреблением выше всей электрогенерации США, а значит, и целый комплекс атомных электростанций (ветряками и панелями задачу не решить). Добавим, что модель будет привязана к своей «базе» — и одна удачная кибератака на энергоинфраструктуру обесточит весь «мозг».

А почему такой ИИ должен быть привязан к центру — нельзя ли сделать его распределённым? Во-первых, распределённые вычисления теряют в производительности: это разнородные мощности, загруженные другими задачами, и доступная мощность нестабильна. Во-вторых, это уязвимость перед атаками на каналы связи и инфраструктуру. Представьте, что 10% нейронов вашего мозга вдруг отключились, а остальные работают вполсилы, — снова получаем ИИ, который то «забывает», кто он и зачем, то долго думает.

А если сильному ИИ потребуется мобильное тело для взаимодействия с миром, реализовать это ещё сложнее: как обеспечивать энергией и охлаждать, откуда брать мощности, плюс машинное зрение и обработка датчиков (температура, слух и т. д.). Это огромные вычислительные мощности и потребность в энергии. То есть это будет ограниченный ИИ с постоянным беспроводным подключением к центру — а это снова уязвимость: современные каналы дают выше скорость, но теряют в дальности и проникающей способности и уязвимы к радиоэлектронной борьбе.

Можно возразить: возьмём предобученную модель и сделаем её локальной — примерно так я и предлагаю разворачивать локальные модели с дообучением под предметную область. Да, так всё может работать на одном сервере, но такой ИИ будет очень ограничен, будет «тупить» в неопределённости, и ему всё равно нужны энергия и сеть. Это не про создание человекоподобных суперсуществ.

Всё это ставит вопрос об экономической целесообразности инвестиций — тем более с учётом двух ключевых трендов генеративного ИИ:

— создание дешёвых и простых локальных моделей под специализированные задачи;

— создание ИИ-оркестраторов, декомпозирующих запрос на несколько локальных задач и распределяющих их между моделями.

Таким образом, слабые узкоспециализированные модели останутся проще и свободнее в создании, при этом решая наши задачи. В итоге мы получаем более простое и дешёвое решение, чем создание сильного ИИ. Нейроморфные и квантовые системы выносим за скобки — рассмотрим их отдельно в Главе 10. В отдельных цифрах и аргументах могут быть ошибки, но в целом я убеждён: сильный ИИ — не вопрос ближайшего будущего, а разговоры о нём — во многом способ поддержания внимания и привлечения инвестиций.

Авторская позиция

Сильный ИИ — не завтра. На горизонте 3—5 лет я делаю ставку на специализированные модели и оркестраторы: это дешевле, более управляемо и безопаснее.

К 2026 году к техническому потолку добавился регуляторный: полезность передовой модели — это возможности минус ограничения регуляторов, и ограничения теперь растут быстрее возможностей. Дальше — точечная достройка моделей и конкуренция «упаковок»: побеждает не мощность, а продукт и сценарий (подробнее — в Главах 7 и 9).

S-кривая технологий и разрыв ожиданий

Полезная рамка, чтобы удержать всё сказанное в одной картинке: любая технология развивается S-образно. Сначала долгий пологий участок — идеи есть, результата мало (нейросети прожили так десятилетия). Потом взрывной рост — у трансформеров он пришёлся на 2020—2024 годы, когда каждое удвоение мощности давало видимый скачок качества. И наконец плато, где каждый следующий процент качества дорожает кратно — вспомните соотношение «плюс 2% качества — порядок роста вычислений».

Верх S-кривой часто сопровождается характерным симптомом — разрывом ожиданий. Опрос AAAI (март 2025, 475 исследователей ИИ): 76% считают, что масштабирование текущих подходов «вряд ли» или «крайне вряд ли» приведёт к общему / сильному интеллекту (AGI). В том же году инвесторы закладывают рекордные $725 млрд капитальных вложений в ИИ-инфраструктуру на 2026-й в ожидании AGI. Наука и деньги смотрят на одну технологию — и видят разное. Так бывает на каждом переломе кривой: капитал по инерции экстраполирует взрывную фазу, исследователи уже упёрлись в её пределы.

Моя позиция: мы находимся у верхней части S-кривой текущей парадигмы. Это не конец развития — это смена фазы: ближайшие годы главная ценность будет создаваться не ростом моделей, а упаковкой уже достигнутых возможностей в продукты и сценарии (что мы и наблюдаем — от коробочных решений для МСБ до специализированных ассистентов). А следующий технологический скачок откроет новую S-кривую — и начнётся он, вероятнее всего, с квантовых и нейроморфных вычислений и с новых алгоритмов за пределами архитектуры трансформеров. Об этих кандидатах — в Главе 10.

Если резюмировать, у сильного ИИ несколько фундаментальных проблем:

— экспоненциальный рост сложности разработки и противодействия деградации сложных моделей;

— недостаток данных для обучения;

— стоимость создания и эксплуатации;

— привязанность к центрам обработки данных и требовательность к вычислительным ресурсам;

— низкая эффективность текущих моделей по сравнению с человеческим мозгом.

Именно преодоление этих проблем определит вектор развития всей технологии: либо сильный ИИ всё же появится, либо мы уйдём в развитие слабых ИИ и оркестраторов, координирующих десятки слабых моделей. Но сейчас сильный ИИ никак не вяжется с ESG, экологией и коммерческим успехом — его создание возможно лишь в рамках стратегических и национальных проектов с госфинансированием. Любопытный факт: бывший глава Агентства национальной безопасности США (возглавлял АНБ и Киберкомандование до февраля 2024 года), генерал в отставке Пол Накасоне в 2024 году вошёл в совет директоров OpenAI (официальная версия — для организации безопасности ChatGPT).