Материал из MachineLearning.

Версия 19:21, 2 марта 2014 (править) Yury Chekhovich (Обсуждение | вклад) (ссылки, категория) ← К предыдущему изменению		Текущая версия (12:34, 16 июня 2026) (править) (отменить) Anna Chirkova (Обсуждение | вклад)
(1 промежуточная версия не показана)
Строка 1:		Строка 1:
-	Иску́сственный интелле́кт (ИИ, англ. Artificial intelligence, AI) — наука и технология создания интеллектуальных машин, особенно интеллектуальных [[алгоритмов]] и компьютерных программ.	+	= Искусственный интеллект =
-	== Ссылки ===	+	{{well|Статья написана с использованием LLM ChatGPT (GPT-5.5) и проверена участником [[Участник:Anna Chirkova|Anna Chirkova]] 16:34, 16 июня 2026 (MSD)}}
-	[http://ru.wikipedia.org/wiki/%D0%98%D1%81%D0%BA%D1%83%D1%81%D1%81%D1%82%D0%B2%D0%B5%D0%BD%D0%BD%D1%8B%D0%B9_%D0%B8%D0%BD%D1%82%D0%B5%D0%BB%D0%BB%D0%B5%D0%BA%D1%82 Статья в Википедии]	+
-	[[Категория:Энциклопедия анализа данных]]	+	== Введение ==
		+
		+	'''Искусственный интеллект''' (ИИ, англ. ''Artificial Intelligence'', AI) — область информатики, изучающая методы создания вычислительных систем, способных выполнять задачи, требующие интеллектуального поведения. К таким задачам относятся распознавание объектов и событий, принятие решений, планирование действий, обучение на опыте, обработка естественного языка, управление сложными системами и автоматическое извлечение знаний из данных.
		+
		+	Несмотря на широкое распространение термина, общепринятого строгого определения искусственного интеллекта не существует. В научной литературе под ИИ обычно понимают как совокупность методов и алгоритмов, позволяющих автоматизировать интеллектуальную деятельность, так и научную дисциплину, изучающую принципы построения интеллектуальных систем.
		+
		+	Традиционно различают '''слабый''' и '''сильный''' искусственный интеллект.
		+
		+	* '''Слабый искусственный интеллект''' (''Narrow AI'') предназначен для решения конкретного класса задач. Современные системы распознавания изображений, рекомендательные системы, голосовые помощники и большие языковые модели относятся именно к этой категории.
		+	* '''Сильный искусственный интеллект''' (''Artificial General Intelligence'', AGI) представляет собой гипотетическую систему, способную решать широкий спектр интеллектуальных задач на уровне человека или превосходить его. В настоящее время сильный ИИ остаётся предметом исследований и дискуссий.
		+
		+	Искусственный интеллект является междисциплинарной областью, объединяющей идеи информатики, математики, статистики, теории управления, когнитивных наук и нейробиологии.
		+
		+	== История ==
		+
		+	=== Предпосылки ===
		+
		+	Формирование искусственного интеллекта как научного направления стало возможным благодаря развитию математической логики, теории алгоритмов и вычислительной техники в первой половине XX века.
		+
		+	Особое значение имели работы Алана Тьюринга, который показал универсальность вычислений и в 1950 году предложил мысленный эксперимент, позднее получивший название теста Тьюринга.<ref>Turing A. Computing Machinery and Intelligence // Mind. 1950.</ref>
		+
		+	=== Дартмутский семинар ===
		+
		+	Официальной датой рождения искусственного интеллекта считается 1956 год, когда состоялся [[Дартмутский семинар]]. Джон Маккарти, Марвин Минский, Клод Шеннон и другие исследователи сформулировали программу изучения интеллектуального поведения машин и ввели термин ''Artificial Intelligence''.<ref>McCarthy J. et al. A Proposal for the Dartmouth Summer Research Project on Artificial Intelligence. 1955.</ref>
		+
		+	В этот период были созданы первые программы для решения логических задач и доказательства теорем, включая Logic Theorist и General Problem Solver.
		+
		+	=== Ранний оптимизм и первая зима ИИ ===
		+
		+	В 1960-х годах многие исследователи полагали, что создание интеллектуальных машин является задачей ближайших десятилетий. Однако первые успехи оказались ограничены простыми лабораторными задачами.
		+
		+	Сложности представления знаний, комбинаторный взрыв при поиске решений и ограниченные вычислительные ресурсы привели к снижению интереса со стороны финансирующих организаций. В 1970-х годах начался период, известный как первая «зима искусственного интеллекта».
		+
		+	=== Экспертные системы ===
		+
		+	Новый подъём интереса произошёл в 1980-х годах благодаря развитию [[Экспертная система|экспертных систем]]. Такие системы использовали базы знаний и механизмы логического вывода для решения прикладных задач в медицине, инженерии и финансах.
		+
		+	Экспертные системы продемонстрировали практическую ценность ИИ, однако их развитие столкнулось с проблемами масштабирования и высокой стоимостью поддержки баз знаний.
		+
		+	=== Статистический подход и машинное обучение ===
		+
		+	Начиная с 1990-х годов произошёл переход от ручного кодирования знаний к обучению моделей на данных. Центральное место заняло [[Машинное обучение]], основанное на статистических методах анализа данных.
		+
		+	Ключевыми событиями периода стали:
		+
		+	* победа шахматной системы Deep Blue над Гарри Каспаровым в 1997 году;
		+	* развитие вероятностных моделей;
		+	* распространение методов оптимизации;
		+	* рост вычислительных мощностей и объёмов данных.
		+
		+	=== Эпоха глубоких нейронных сетей ===
		+
		+	В 2010-х годах произошёл стремительный рост интереса к многослойным нейронным сетям. Особенно важным событием стало успешное выступление модели AlexNet на соревновании ImageNet в 2012 году.<ref>Krizhevsky A., Sutskever I., Hinton G. ImageNet Classification with Deep Convolutional Neural Networks. NIPS, 2012.</ref>
		+
		+	Развитие вычислений на графических процессорах и накопление больших объёмов данных позволили существенно повысить качество решений в задачах компьютерного зрения, анализа речи и обработки текстов.
		+
		+	== Основные подходы и направления ==
		+
		+	=== Символический подход ===
		+
		+	Символический подход рассматривает интеллектуальную деятельность как манипулирование символами и логическими структурами.
		+
		+	Знания представляются в виде правил, фактов и отношений между объектами. Решение задачи сводится к выполнению логического вывода или поиску в пространстве состояний.
		+
		+	Пусть имеется множество состояний <tex>S</tex> и множество действий <tex>A</tex>. Тогда решение задачи может быть представлено как последовательность переходов
		+
		+	<tex>
		+	s_0 \rightarrow s_1 \rightarrow \ldots \rightarrow s_n.
		+	</tex>
		+
		+	Символический подход лежит в основе многих экспертных систем и методов автоматического доказательства теорем.
		+
		+	=== Коннекционизм ===
		+
		+	Коннекционистский подход моделирует интеллектуальное поведение посредством взаимодействия большого числа простых вычислительных элементов.
		+
		+	Основным инструментом данного направления является [[Нейронная сеть|нейронная сеть]].
		+
		+	Для искусственного нейрона вычисление обычно задаётся формулой
		+
		+	<tex>
		+	y=\sigma\left(\sum_{i=1}^{n}w_i x_i+b\right),
		+	</tex>
		+
		+	где <tex>x_i</tex> — входные сигналы, <tex>w_i</tex> — веса связей, <tex>b</tex> — смещение, а <tex>\sigma</tex> — функция активации.
		+
		+	=== Машинное обучение ===
		+
		+	[[Машинное обучение]] является одним из наиболее успешных направлений искусственного интеллекта.
		+
		+	Основная задача состоит в построении функции
		+
		+	<tex>
		+	f:X\rightarrow Y,
		+	</tex>
		+
		+	которая обеспечивает минимальную ошибку на новых данных.
		+
		+	Наиболее распространёнными парадигмами являются:
		+
		+	* обучение с учителем;
		+	* обучение без учителя;
		+	* полуобучение;
		+	* [[Обучение с подкреплением]].
		+
		+	К числу популярных методов относятся [[Решающее дерево|решающие деревья]], линейные модели, ансамбли алгоритмов и нейронные сети.
		+
		+	=== Методы анализа данных ===
		+
		+	Многие задачи искусственного интеллекта связаны с обработкой многомерных данных.
		+
		+	Для уменьшения размерности широко используется [[Метод главных компонент]], позволяющий находить информативные линейные комбинации признаков.
		+
		+	Для поиска групп сходных объектов применяются методы [[Кластеризация|кластеризации]].
		+
		+	Исторически заметную роль сыграл также [[Метод группового учёта аргументов]], представляющий семейство самоорганизующихся моделей.
		+
		+	== Современное состояние ==
		+
		+	=== Большие языковые модели ===
		+
		+	Одним из важнейших достижений 2020-х годов стали большие языковые модели (Large Language Models, LLM).
		+
		+	Их обучение основано на максимизации вероятности последовательности символов или токенов:
		+
		+	<tex>
		+	P(x_1,\ldots,x_n)=\prod_{t=1}^{n} P(x_t \mid x_1,\ldots,x_{t-1})
		+	</tex>
		+
		+	Современные модели содержат десятки и сотни миллиардов параметров и способны выполнять широкий круг задач без специализированного обучения.
		+
		+	=== Генеративный искусственный интеллект ===
		+
		+	Генеративный ИИ ориентирован на создание новых объектов, статистически согласованных с обучающими данными.
		+
		+	К числу наиболее распространённых приложений относятся:
		+
		+	* генерация текстов;
		+	* генерация изображений;
		+	* синтез речи;
		+	* создание программного кода;
		+	* генерация видео.
		+
		+	Развитие генеративных моделей существенно расширило практические возможности искусственного интеллекта.
		+
		+	=== Мультимодальные модели ===
		+
		+	Современные интеллектуальные системы способны одновременно работать с несколькими типами данных:
		+
		+	* текстом;
		+	* изображениями;
		+	* аудиосигналами;
		+	* видеопотоками;
		+	* показаниями датчиков.
		+
		+	Такие модели позволяют решать комплексные задачи восприятия и управления.
		+
		+	=== Искусственный интеллект в компьютерном зрении ===
		+
		+	Значительная часть современных достижений связана с областью [[Компьютерное зрение|компьютерного зрения]].
		+
		+	Современные модели успешно решают задачи классификации изображений, обнаружения объектов, сегментации сцен и анализа видеоданных, достигая качества, сопоставимого или превосходящего человеческие возможности на специализированных наборах данных.
		+
		+	== Связь с другими областями ==
		+
		+	=== Статистика ===
		+
		+	Современный искусственный интеллект тесно связан со статистическими методами анализа данных. Многие алгоритмы обучения основаны на оценивании параметров вероятностных моделей и проверке статистических гипотез.
		+
		+	=== Теория оптимизации ===
		+
		+	Обучение большинства моделей ИИ формулируется как задача минимизации функционала ошибки
		+
		+	<tex>
		+	L(\theta).
		+	</tex>
		+
		+	Эффективность методов оптимизации во многом определяет качество и скорость обучения интеллектуальных систем.
		+
		+	=== Робототехника ===
		+
		+	В робототехнике методы искусственного интеллекта используются для восприятия окружающей среды, планирования действий и автономного управления.
		+
		+	Современные робототехнические системы всё чаще комбинируют методы машинного обучения, компьютерного зрения и обучения с подкреплением.
		+
		+	== Открытые проблемы ==
		+
		+	Несмотря на значительный прогресс, ряд фундаментальных проблем остаётся нерешённым.
		+
		+	=== Интерпретируемость ===
		+
		+	Многие современные модели обладают высокой сложностью и функционируют как «чёрный ящик». Разработка методов объяснения решений является важным направлением исследований.
		+
		+	=== Надёжность и безопасность ===
		+
		+	Интеллектуальные системы могут допускать ошибки даже в ситуациях, которые кажутся очевидными человеку. Особую важность эта проблема имеет в медицине, транспорте и промышленности.
		+
		+	=== Эффективность вычислений ===
		+
		+	Обучение крупнейших моделей требует значительных вычислительных ресурсов и энергозатрат. Одной из актуальных задач является повышение эффективности алгоритмов.
		+
		+	=== Искусственный общий интеллект ===
		+
		+	Остаётся открытым вопрос о возможности создания систем, обладающих универсальными интеллектуальными способностями, сопоставимыми с человеческими.
		+
		+	== См. также ==
		+
		+	* [[Дартмутский семинар]]
		+	* [[Машинное обучение]]
		+	* [[Нейронная сеть]]
		+	* [[Компьютерное зрение]]
		+	* [[Обучение с подкреплением]]
		+	* [[Экспертная система]]
		+	* [[Кластеризация]]
		+	* [[Метод главных компонент]]
		+	* [[Решающее дерево]]
		+	* [[Метод группового учёта аргументов]]
		+
		+	== Литература ==
		+
		+	=== На русском языке ===
		+
		+	# Воронцов К. В. Математические методы обучения по прецедентам.
		+
		+	# Хорошевский В. Ф. Искусственный интеллект: методы и приложения.
		+
		+	# Рассел С., Норвиг П. Искусственный интеллект: современный подход.
		+
		+	# Хайкин С. Нейронные сети: полный курс.
		+
		+	=== На английском языке ===
		+
		+	# Russell S., Norvig P. Artificial Intelligence: A Modern Approach. 4th ed. Pearson, 2021.
		+
		+	# Goodfellow I., Bengio Y., Courville A. Deep Learning. MIT Press, 2016.
		+
		+	# Bishop C. Pattern Recognition and Machine Learning. Springer, 2006.
		+
		+	# Mitchell T. Machine Learning. McGraw-Hill, 1997.
		+
		+	# LeCun Y., Bengio Y., Hinton G. Deep Learning // Nature. 2015.
		+
		+	# Vaswani A. et al. Attention Is All You Need // NIPS. 2017.
		+
		+	== Примечания ==
		+
		+	<references/>

---

Текущая версия

Содержание 1 Искусственный интеллект 1.1 Введение 1.2 История 1.2.1 Предпосылки 1.2.2 Дартмутский семинар 1.2.3 Ранний оптимизм и первая зима ИИ 1.2.4 Экспертные системы 1.2.5 Статистический подход и машинное обучение 1.2.6 Эпоха глубоких нейронных сетей 1.3 Основные подходы и направления 1.3.1 Символический подход 1.3.2 Коннекционизм 1.3.3 Машинное обучение 1.3.4 Методы анализа данных 1.4 Современное состояние 1.4.1 Большие языковые модели 1.4.2 Генеративный искусственный интеллект 1.4.3 Мультимодальные модели 1.4.4 Искусственный интеллект в компьютерном зрении 1.5 Связь с другими областями 1.5.1 Статистика 1.5.2 Теория оптимизации 1.5.3 Робототехника 1.6 Открытые проблемы 1.6.1 Интерпретируемость 1.6.2 Надёжность и безопасность 1.6.3 Эффективность вычислений 1.6.4 Искусственный общий интеллект 1.7 См. также 1.8 Литература 1.8.1 На русском языке 1.8.2 На английском языке 1.9 Примечания

Искусственный интеллект

Статья написана с использованием LLM ChatGPT (GPT-5.5) и проверена участником Anna Chirkova 16:34, 16 июня 2026 (MSD)

Введение

Искусственный интеллект (ИИ, англ. Artificial Intelligence, AI) — область информатики, изучающая методы создания вычислительных систем, способных выполнять задачи, требующие интеллектуального поведения. К таким задачам относятся распознавание объектов и событий, принятие решений, планирование действий, обучение на опыте, обработка естественного языка, управление сложными системами и автоматическое извлечение знаний из данных.

Несмотря на широкое распространение термина, общепринятого строгого определения искусственного интеллекта не существует. В научной литературе под ИИ обычно понимают как совокупность методов и алгоритмов, позволяющих автоматизировать интеллектуальную деятельность, так и научную дисциплину, изучающую принципы построения интеллектуальных систем.

Традиционно различают слабый и сильный искусственный интеллект.

• Слабый искусственный интеллект (Narrow AI) предназначен для решения конкретного класса задач. Современные системы распознавания изображений, рекомендательные системы, голосовые помощники и большие языковые модели относятся именно к этой категории.
• Сильный искусственный интеллект (Artificial General Intelligence, AGI) представляет собой гипотетическую систему, способную решать широкий спектр интеллектуальных задач на уровне человека или превосходить его. В настоящее время сильный ИИ остаётся предметом исследований и дискуссий.

Искусственный интеллект является междисциплинарной областью, объединяющей идеи информатики, математики, статистики, теории управления, когнитивных наук и нейробиологии.

История

Предпосылки

Формирование искусственного интеллекта как научного направления стало возможным благодаря развитию математической логики, теории алгоритмов и вычислительной техники в первой половине XX века.

Особое значение имели работы Алана Тьюринга, который показал универсальность вычислений и в 1950 году предложил мысленный эксперимент, позднее получивший название теста Тьюринга.^[1]

Дартмутский семинар

Официальной датой рождения искусственного интеллекта считается 1956 год, когда состоялся Дартмутский семинар. Джон Маккарти, Марвин Минский, Клод Шеннон и другие исследователи сформулировали программу изучения интеллектуального поведения машин и ввели термин Artificial Intelligence.^[1]

В этот период были созданы первые программы для решения логических задач и доказательства теорем, включая Logic Theorist и General Problem Solver.

Ранний оптимизм и первая зима ИИ

В 1960-х годах многие исследователи полагали, что создание интеллектуальных машин является задачей ближайших десятилетий. Однако первые успехи оказались ограничены простыми лабораторными задачами.

Сложности представления знаний, комбинаторный взрыв при поиске решений и ограниченные вычислительные ресурсы привели к снижению интереса со стороны финансирующих организаций. В 1970-х годах начался период, известный как первая «зима искусственного интеллекта».

Экспертные системы

Новый подъём интереса произошёл в 1980-х годах благодаря развитию экспертных систем. Такие системы использовали базы знаний и механизмы логического вывода для решения прикладных задач в медицине, инженерии и финансах.

Экспертные системы продемонстрировали практическую ценность ИИ, однако их развитие столкнулось с проблемами масштабирования и высокой стоимостью поддержки баз знаний.

Статистический подход и машинное обучение

Начиная с 1990-х годов произошёл переход от ручного кодирования знаний к обучению моделей на данных. Центральное место заняло Машинное обучение, основанное на статистических методах анализа данных.

Ключевыми событиями периода стали:

• победа шахматной системы Deep Blue над Гарри Каспаровым в 1997 году;
• развитие вероятностных моделей;
• распространение методов оптимизации;
• рост вычислительных мощностей и объёмов данных.

Эпоха глубоких нейронных сетей

В 2010-х годах произошёл стремительный рост интереса к многослойным нейронным сетям. Особенно важным событием стало успешное выступление модели AlexNet на соревновании ImageNet в 2012 году.^[1]

Развитие вычислений на графических процессорах и накопление больших объёмов данных позволили существенно повысить качество решений в задачах компьютерного зрения, анализа речи и обработки текстов.

Основные подходы и направления

Символический подход

Символический подход рассматривает интеллектуальную деятельность как манипулирование символами и логическими структурами.

Знания представляются в виде правил, фактов и отношений между объектами. Решение задачи сводится к выполнению логического вывода или поиску в пространстве состояний.

Пусть имеется множество состояний и множество действий . Тогда решение задачи может быть представлено как последовательность переходов

Символический подход лежит в основе многих экспертных систем и методов автоматического доказательства теорем.

Коннекционизм

Коннекционистский подход моделирует интеллектуальное поведение посредством взаимодействия большого числа простых вычислительных элементов.

Основным инструментом данного направления является нейронная сеть.

Для искусственного нейрона вычисление обычно задаётся формулой

где — входные сигналы, — веса связей, — смещение, а — функция активации.

Машинное обучение

Машинное обучение является одним из наиболее успешных направлений искусственного интеллекта.

Основная задача состоит в построении функции

которая обеспечивает минимальную ошибку на новых данных.

Наиболее распространёнными парадигмами являются:

• обучение с учителем;
• обучение без учителя;
• полуобучение;
• Обучение с подкреплением.

К числу популярных методов относятся решающие деревья, линейные модели, ансамбли алгоритмов и нейронные сети.

Методы анализа данных

Многие задачи искусственного интеллекта связаны с обработкой многомерных данных.

Для уменьшения размерности широко используется Метод главных компонент, позволяющий находить информативные линейные комбинации признаков.

Для поиска групп сходных объектов применяются методы кластеризации.

Исторически заметную роль сыграл также Метод группового учёта аргументов, представляющий семейство самоорганизующихся моделей.

Современное состояние

Большие языковые модели

Одним из важнейших достижений 2020-х годов стали большие языковые модели (Large Language Models, LLM).

Их обучение основано на максимизации вероятности последовательности символов или токенов:

Современные модели содержат десятки и сотни миллиардов параметров и способны выполнять широкий круг задач без специализированного обучения.

Генеративный искусственный интеллект

Генеративный ИИ ориентирован на создание новых объектов, статистически согласованных с обучающими данными.

К числу наиболее распространённых приложений относятся:

• генерация текстов;
• генерация изображений;
• синтез речи;
• создание программного кода;
• генерация видео.

Развитие генеративных моделей существенно расширило практические возможности искусственного интеллекта.

Мультимодальные модели

Современные интеллектуальные системы способны одновременно работать с несколькими типами данных:

• текстом;
• изображениями;
• аудиосигналами;
• видеопотоками;
• показаниями датчиков.

Такие модели позволяют решать комплексные задачи восприятия и управления.

Искусственный интеллект в компьютерном зрении

Значительная часть современных достижений связана с областью компьютерного зрения.

Современные модели успешно решают задачи классификации изображений, обнаружения объектов, сегментации сцен и анализа видеоданных, достигая качества, сопоставимого или превосходящего человеческие возможности на специализированных наборах данных.

Связь с другими областями

Статистика

Современный искусственный интеллект тесно связан со статистическими методами анализа данных. Многие алгоритмы обучения основаны на оценивании параметров вероятностных моделей и проверке статистических гипотез.

Теория оптимизации

Обучение большинства моделей ИИ формулируется как задача минимизации функционала ошибки

Эффективность методов оптимизации во многом определяет качество и скорость обучения интеллектуальных систем.

Робототехника

В робототехнике методы искусственного интеллекта используются для восприятия окружающей среды, планирования действий и автономного управления.

Современные робототехнические системы всё чаще комбинируют методы машинного обучения, компьютерного зрения и обучения с подкреплением.

Открытые проблемы

Несмотря на значительный прогресс, ряд фундаментальных проблем остаётся нерешённым.

Интерпретируемость

Многие современные модели обладают высокой сложностью и функционируют как «чёрный ящик». Разработка методов объяснения решений является важным направлением исследований.

Надёжность и безопасность

Интеллектуальные системы могут допускать ошибки даже в ситуациях, которые кажутся очевидными человеку. Особую важность эта проблема имеет в медицине, транспорте и промышленности.

Эффективность вычислений

Обучение крупнейших моделей требует значительных вычислительных ресурсов и энергозатрат. Одной из актуальных задач является повышение эффективности алгоритмов.

Искусственный общий интеллект

Остаётся открытым вопрос о возможности создания систем, обладающих универсальными интеллектуальными способностями, сопоставимыми с человеческими.

См. также

• Дартмутский семинар
• Машинное обучение
• Нейронная сеть
• Компьютерное зрение
• Обучение с подкреплением
• Экспертная система
• Кластеризация
• Метод главных компонент
• Решающее дерево
• Метод группового учёта аргументов

Литература

На русском языке

1. Воронцов К. В. Математические методы обучения по прецедентам.

1. Хорошевский В. Ф. Искусственный интеллект: методы и приложения.

1. Рассел С., Норвиг П. Искусственный интеллект: современный подход.

1. Хайкин С. Нейронные сети: полный курс.

На английском языке

1. Russell S., Norvig P. Artificial Intelligence: A Modern Approach. 4th ed. Pearson, 2021.

1. Goodfellow I., Bengio Y., Courville A. Deep Learning. MIT Press, 2016.

1. Bishop C. Pattern Recognition and Machine Learning. Springer, 2006.

1. Mitchell T. Machine Learning. McGraw-Hill, 1997.

1. LeCun Y., Bengio Y., Hinton G. Deep Learning // Nature. 2015.

1. Vaswani A. et al. Attention Is All You Need // NIPS. 2017.

Примечания