В 1950 году Алан Тьюринг, пионер вычислительной техники, задал вопрос, который определил trajectory целой научной дисциплины: «Могут ли машины думать?». Тогда не было ни персональных компьютеров, ни интернета - но именно этот вопрос запустил интеллектуальную гонку, которая спустя 75 лет привела к появлению систем, способных вести диалог, писать код и диагностировать болезни.
Предпосылки: нейроны, логика и тест Тьюринга
Задолго до того, как появился сам термин, фундамент был заложен. В 1943 году нейрофизиолог Уоррен Маккаллок и математик Уолтер Питтс опубликовали работу, в которой математически доказали: сеть из простых искусственных нейронов способна вычислять любую вычислимую функцию. Это была первая формальная модель искусственной нейронной сети - и она появилась ещё до первого компьютера.
В 1950 году Тьюринг опубликовал статью «Вычислительные машины и интеллект», где вместо прямого ответа на вопрос о мышлении предложил операциональный критерий. Если машина в текстовом диалоге неотличима от человека - она демонстрирует интеллект. Этот критерий, известный как тест Тьюринга, стал самым цитируемым концептом в истории ИИ и до сих пор вызывает споры.
Рождение дисциплины: Дартмут, 1956
Если Тьюринг посадил семя, то летом 1956 года оно проросло. Джон Маккарти, тогда - ассистент профессора математики в Дартмутском колледже, организовал двухмесячный исследовательский семинар и придумал для него название - «искусственный интеллект». Вместе с Марвином Мински, Клодом Шенноном и другими пионерами они сформулировали credo новой области: «Каждый аспект обучения или любую другую черту интеллекта можно в принципе описать настолько точно, что машину можно будет создать для его имитации».
На той же конференции Аллен Ньюэлл, Герберт Саймон и Клифф Шоу продемонстрировали Logic Theorist - программу, которая самостоятельно доказала 32 из 58 теорем из «Principia Mathematica» Бертрана Рассела и Альфреда Уайтхеда. Многие считают её первой программой ИИ: впервые компьютер не просто считал, а рассуждал.
Символьный период и первая зима
Два десятилетия после Дартмута прошли под знаком символизма: интеллект отождествлялся с логическим выводом, знания представлялись символами, а рассуждения - правилами. В 1957 году психолог Фрэнк Розенблатт предложил перцептрон - однослойную нейронную сеть, способную обучаться и распознавать рукописные цифры. «Нью-Йорк Таймс» писала, что военно-морские силы ожидают от машины способности «ходить, говорить, видеть, писать и осознавать своё существование».
Оптимизм оказался чрезмерным. В 1957 году Герберт Саймон предсказал, что через десять лет компьютер станет чемпионом мира по шахматам и откроет новые математические теоремы. Этого не произошло. В 1969 году Мински и Пейперт опубликовали книгу «Перцептроны», где математически доказали ограничения однослойных сетей - они не могли решить даже простую задачу XOR. Книга практически остановила исследования нейросетей на десятилетие.
В 1973 году британское правительство поручило сэру Джеймсу Лайтхиллу оценить прогресс ИИ. Отчёт был уничтожающим: «до сих пор открытия не оказали ожидаемого значительного влияния». Финансирование в Великобритании резко сократилось, DARPA в США последовала примеру. Наступила первая «зима ИИ» - период 1974-1980 годов, когда PhD-студентам советовали не упоминать ИИ в резюме, чтобы не испортить академическую карьеру.
Экспертные системы: знание важнее перебора
Но в зимней мерзлоте тлели угли. Исследователи осознали: вместо попыток воспроизвести весь интеллект сразу нужно сузить задачу. Так родились экспертные системы - программы, которые в узкой предметной области работали на уровне человеческого эксперта. В конце 1960-х в Стэнфорде появилась DENDRAL, расшифровывавшая химическую структуру молекул. За ней последовала MYCIN - медицинская система, диагностировавшая бактериальные инфекции и подбиравшая антибиотики с точностью, не уступавшей квалифицированным врачам.
В 1980-е экспертные системы пережили коммерческий бум. Стартапы, корпорации и военные вкладывали миллиарды в системы вроде XCON, конфигурировавшей компьютерные заказы для DEC. Но к концу десятилетия рынок Lisp-машин рухнул, и вторая зима ИИ (1987-2000) накрыла отрасль.
Возрождение нейросетей: от обратного распространения до AlexNet
В 1986 году Джеффри Хинтон и его коллеги повторно открыли алгоритм обратного распространения ошибки - метод эффективного обучения многослойных нейронных сетей. Статья была отвергнута несколько раз, прежде чем её опубликовали в Nature. Это стало отправной точкой возрождения коннекционизма.
Параллельно накапливались инфраструктурные предпосылки. В 2006 году Хинтон опубликовал работу о глубоких сетях доверия, а Nvidia выпустила CUDA - платформу, позволившую использовать графические процессоры для общих вычислений. В 2009 году команда Ли Фэй-Фэй в Стэнфорде создала ImageNet - датасет из 14 миллионов размеченных изображений, который стал олимпийской ареной для алгоритмов компьютерного зрения.
Прорыв произошёл в 2012 году. Алекс Крижевский, Илья Суцкевер и Джеффри Хинтон представили AlexNet - восьмислойную свёрточную нейросеть, которая с огромным отрывом победила в конкурсе ImageNet, снизив ошибку распознавания почти вдвое. Это был момент, когда глубокое обучение перестало быть академической экзотикой и стало мейнстримом.
Трансформеры и генеративная революция
Следующий тектонический сдвиг произошёл в 2017 году, когда команда Google Brain опубликовала статью «Attention Is All You Need». В ней была описана архитектура Transformer, основанная исключительно на механизме самовнимания - без рекуррентных и свёрточных слоёв. Трансформеры оказались масштабируемыми, параллелизуемыми и невероятно эффективными для обработки последовательностей.
В 2016 году другой прорыв потряс мир: AlphaGo от DeepMind победила чемпиона мира по го Ли Седоля со счётом 4:1. Го долгое время считалась игрой, недоступной для машин из-за огромного числа возможных ходов и необходимости интуиции. Победа AlphaGo стала символом того, что глубокое обучение способно решать задачи, которые ещё недавно казались исключительно человеческими.
Наконец, 30 ноября 2022 года OpenAI выпустила ChatGPT - чат-бот на базе большой языковой модели GPT-3.5, обученной на трансформерах. За два месяца он набрал 100 миллионов пользователей, став самым быстрорастущим потребительским приложением в истории. Генеративный ИИ вышел за пределы лабораторий и стал массовым инструментом.
Что мы видим сегодня
К 2026 году ИИ-индустрия превратилась в триллионный рынок, а большие языковые модели эволюционировали в мультимодальные системы, способные обрабатывать текст, изображения, аудио и видео. Но история, начавшаяся с вопроса Тьюринга и семинара в Дартмуте, - это не прямая линия прогресса. Это череда взлётов и падений, где каждая «зима» сменялась весной, а каждая переоценка - новым открытием. И, возможно, самое интересное в этой истории ещё впереди.