Зима искусственного интеллекта

Материал из MachineLearning.

(Различия между версиями)
Перейти к: навигация, поиск
(Новая: # Зима искусственного интеллекта **Зима искусственного интеллекта** (англ. *AI winter*) — период сокращения...)
Строка 1: Строка 1:
# Зима искусственного интеллекта
# Зима искусственного интеллекта
-
**Зима искусственного интеллекта** (англ. *AI winter*) — период сокращения финансирования и ослабления интереса к исследованиям в области искусственного интеллекта (ИИ), наступающий вслед за периодом завышенных ожиданий и последующего разочарования в реальных возможностях технологий. Этот термин, введённый по аналогии с «ядерной зимой», описывает цепную реакцию: пессимизм в научном сообществе подхватывается прессой, что приводит к сокращению бюджетов и, в конечном счёте, к затуханию серьёзных исследований. В истории ИИ выделяют две крупные «зимы» — 1974–1980 и 1987–1993 годов, а также несколько более мелких кризисов.
+
**Зима искусственного интеллекта** (англ. *AI winter*) — период затяжного снижения финансирования, интереса общественности и оптимизма в области исследований искусственного интеллекта (ИИ). Этот термин, проведённый по аналогии с «ядерной зимой», описывает состояние кризиса, наступающее после периода «лета» — бума и завышенных ожиданий, когда реальные результаты не оправдывают данных обещаний . За свою историю ИИ пережил по крайней мере две масштабные зимы, каждая из которых стала следствием совпадения технических ограничений и управленческих просчётов, и каждая кардинально изменила траекторию развития дисциплины .
## Первая зима (1974–1980)
## Первая зима (1974–1980)
-
### Причины
+
Первая зима ИИ наступила в середине 1970-х годов и стала тяжёлым ударом по ранним исследованиям. Её наступление было вызвано двумя ключевыми причинами.
-
Первая «зима» была вызвана несколькими факторами, которые подорвали доверие к перспективам ИИ.
+
Во-первых, это **критический доклад Джеймса Лайтхилла**, представленный Британскому научному исследовательскому совету в 1973 году . В своём докладе Лайтхилл дал крайне пессимистичную оценку состояния дел в области ИИ. Главный аргумент заключался в том, что фундаментальные проблемы, такие как **комбинаторный взрыв** — экспоненциальный рост вычислительной сложности при попытке решать реальные задачи, — делают большинство подходов бесперспективными. Исследователи, по мнению Лайтхилла, потерпели неудачу в создании систем, способных справляться со сложностью и неоднозначностью реального мира, и их «грандиозные цели» остались невыполненными . Этот доклад привёл к «практически полному демонтажу исследований ИИ в Великобритании» и стал образцом для критики в других странах .
-
1. **Критика персептронов.** В 1969 году вышла книга Марвина Минского и Сеймура Паперта «Персептроны» (*Perceptrons: An Introduction to Computational Geometry*). Авторы представили строгий математический анализ возможностей однослойных персептронов — ранней модели искусственной нейронной сети. Они доказали, что такие сети принципиально неспособны решать некоторые задачи, например, вычислить логическую функцию XOR (исключающее ИЛИ). Хотя авторы осознавали, что многослойные сети могли бы преодолеть эти ограничения, они скептически высказывались о возможности их эффективного обучения. Однако широкой общественностью и, что важнее, финансирующими организациями выводы были восприняты упрощённо: «нейронные сети — тупиковая ветвь исследований». Это привело к почти полному прекращению финансирования работ по нейросетям более чем на десятилетие.
+
Вторым, не менее важным фактором стала **критика персептронов**. В 1969 году вышла книга Марвина Минского и Сеймура Пейперта «Персептроны», в которой математически доказывались фундаментальные ограничения однослойных нейронных сетей . Авторы показали, что такие сети неспособны решать даже простые логические задачи, например, функцию XOR (исключающее ИЛИ), если только данные не являются линейно разделимыми . Эта работа нанесла серьёзный удар по ранним нейросетевым исследованиям, фактически заморозив их почти на десятилетие, и переключила внимание научного сообщества на символьные подходы, которые рассматривались как более многообещающие .
-
2. **Доклад Лайтхилла.** В 1973 году британский учёный Джеймс Лайтхилл опубликовал для Совета по научным исследованиям (SRC) доклад «Искусственный интеллект: общий обзор» (Artificial Intelligence: A General Survey), более известный как **доклад Лайтхилла**. В нём давалась крайне пессимистичная оценка фундаментальных исследований в области ИИ, особенно в таких направлениях, как робототехника и обработка естественного языка. Ключевым аргументом была проблема **комбинаторного взрыва**: методы, работавшие в простых, игрушечных мирах, не масштабировались на реальные задачи из-за экспоненциального роста числа возможных решений. Доклад утверждал, что «ни в одной области открытия, сделанные до сих пор, не произвели того серьёзного влияния, которое было обещано». Он стал основанием для решения британского правительства прекратить поддержку исследований ИИ в большинстве университетов страны, что нанесло серьёзный удар по европейской науке.
+
Последствия первой зимы были катастрофическими. Ведущие мировые агентства по финансированию, такие как DARPA (Агентство перспективных исследовательских проектов Министерства обороны США), разочаровавшись в отсутствии практических результатов, резко сократили вложения в фундаментальные исследования ИИ . Оптимизм сменился разочарованием, многие исследовательские проекты были свёрнуты, а сам термин «искусственный интеллект» стал восприниматься в академической среде как маркер неоправданного хайпа.
-
3. **Разочарование DARPA.** Агентство передовых оборонных исследовательских проектов США (DARPA), являвшееся основным источником финансирования ИИ в Америке, также разочаровалось в результатах. В частности, программа по распознаванию речи (*Speech Understanding Research*) в Университете Карнеги-Меллон не оправдала ожиданий, что привело к сокращению ассигнований на академические исследования в целом.
+
## Вторая зима (1987–1993)
-
### Последствия
+
Вторая зима, наступившая в конце 1980-х, по своим масштабам была не менее суровой, чем первая, и её причины были тесно связаны с переоценкой возможностей так называемых **экспертных систем**.
-
Сокращение государственного финансирования практически остановило прогресс в области нейронных сетей и символьного ИИ в США и Великобритании. Исследовательские группы закрывались или переориентировались на более прикладные, гарантированно решаемые задачи (например, автоматизацию). Из-за отсутствия финансов студентам не рекомендовали выбирать темы, связанные с нейросетями, что привело к потере целого поколения специалистов. Однако эти трудные времена стимулировали развитие альтернативных направлений, в частности, **экспертных систем**, которые в 1980-е годы пережили свой расцвет.
+
Экспертные системы, основанные на символьном представлении знаний и логическом выводе, стали главным коммерческим успехом ИИ в 1980-х годах . Однако к концу десятилетия их фундаментальные недостатки стали очевидны. Основной проблемой стал **«узкий горлышек» (bottleneck) извлечения знаний**: оказалось чрезвычайно сложно и дорого переносить знания экспертов-людей в формальные правила, на которых строились эти системы . Системы были «хрупкими» (англ. *brittle*): они давали сбои при малейшем отклонении от ожидаемого ввода, не могли обучаться и требовали колоссальных затрат на поддержание и обновление баз знаний . К началу 1990-х годов стало ясно, что, несмотря на отдельные успешные внедрения (например, система XCON для компании DEC), поддерживать такие системы в рабочем состоянии экономически нецелесообразно .
-
## Вторая зима (1987–1993)
+
Вторым важным фактором стал **крах рынка LISP-машин**. Для работы с символьным ИИ и, в частности, с экспертными системами, были разработаны специализированные компьютеры, оптимизированные под язык программирования Lisp . Однако быстрое развитие производительности универсальных рабочих станций от Sun Microsystems и других производителей сделало дорогостоящие Lisp-машины ненужными. В 1987 году этот рынок, оценивавшийся в полмиллиарда долларов, рухнул, что привело к банкротству ключевых игроков, таких как Symbolics и Lisp Machines Inc. .
-
### Причины
+
Наконец, своё влияние оказало **фиаско японского проекта «Пятое поколение» (FGCS)**. Запущенный в 1982 году с грандиозными амбициями создать компьютеры на основе логического программирования и массового параллелизма, проект привлёк огромное внимание и финансирование по всему миру . Однако к началу 1990-х стало ясно, что его изначальные цели — создание «машины для логического вывода» — остались невыполнимыми, что нанесло серьёзный удар по репутации символьного подхода и привело к сворачиванию финансирования .
-
Вторая «зима» ударила по коммерческому сектору и была связана с крахом экономической модели, построенной на экспертных системах.
+
Последствия второй зимы были столь же серьёзны. Финансирование было «жестоко сокращено» , интерес к ИИ в индустрии сошёл на нет, и многие компании были вынуждены переименовывать свои исследовательские отделы, избегая термина «искусственный интеллект» . Именно в этот период область нейронных сетей и статистического обучения, переименованная в «машинное обучение», начала своё возрождение, которое в итоге привело к современному буму .
-
1. **Крах рынка Lisp-машин.** В 1980-х годах популярность набрали экспертные системы — программы, которые имитировали рассуждения эксперта-человека в узкой предметной области. Для их разработки часто использовался язык программирования Lisp. Для повышения производительности создавались специализированные компьютеры — **Lisp-машины**. Однако к концу десятилетия мощные и недорогие рабочие станции от Sun Microsystems и персональные компьютеры от Apple и IBM стали способны выполнять Lisp-программы с сопоставимой скоростью. Целый индустриальный сектор, стоивший полмиллиарда долларов, рухнул в течение одного года. Компании-производители, такие как Symbolics и Lisp Machines Inc., обанкротились или были вынуждены уйти с рынка.
+
## Причины наступления «зим»
-
2. **Крах экспертных систем.** Дорогие в разработке и поддержке экспертные системы оказались «хрупкими» (brittle). Они не могли обучаться на новых данных и давали абсурдные ошибки при столкновении с нетипичными входными данными (так называемая проблема квалификации). Системы становились слишком сложными для обновления и поддержки, и их экономическая эффективность перестала оправдывать вложения.
+
Анализ двух крупнейших «зим» ИИ позволяет выделить повторяющиеся паттерны, лежащие в их основе. Все они сводятся к одному фундаментальному циклу: **грандиозные обещания → приток финансирования → столкновение с технической реальностью → разочарование и отток капитала** .
-
3. **Провал японского проекта FGCS.** Амбициозный **японский проект «Компьютерные системы пятого поколения»** (FGCS, 1982–1992), финансируемый государством, ставил целью создание суперкомпьютеров для параллельной обработки знаний на основе логического программирования (Prolog). Несмотря на значительные вложения, проект не достиг своих изначальных грандиозных целей, что добавило ещё один аргумент скептикам в международном сообществе.
+
Ключевым техническим фактором всегда был **разрыв между возможностями доминирующей парадигмы и сложностью задач реального мира**.
 +
* В первую зиму символьные системы и ранние нейросети потерпели неудачу при попытке выйти за рамки «игрушечных» микро-миров. Они не могли справляться с комбинаторным взрывом и неопределённостью .
 +
* Во вторую зиму экспертные системы натолкнулись на неразрешимую проблему представления знаний и их «хрупкость» .
-
### Последствия
+
Этот разрыв часто усугублялся **экономическими и политическими факторами**, когда государственные и частные инвесторы, очарованные ранними успехами, начинали требовать быстрой отдачи от вложенных средств, что было невозможно в условиях нерешённых научных проблем .
-
Этот период ознаменовал конец «зимы» для отрасли и изменил структуру финансирования. Инвестиции в «чистый» ИИ резко сократились. Многие компании, занимавшиеся разработкой экспертных систем, ушли с рынка или переориентировались на более узкие задачи. Однако именно в этот период начали активно развиваться статистические методы и **машинное обучение**, которые были менее амбициозны, но давали более предсказуемые и стабильные результаты.
+
## Уроки для современного машинного обучения
-
## Почему зимы наступали
+
«Зимы» ИИ — это не просто исторические анекдоты; это важнейшие уроки, сформировавшие современную культуру исследований в области машинного обучения (ML).
-
Причина циклических «зим» кроется в систематической **переоценке возможностей ИИ**. Исследователи и, в особенности, средства массовой информации и инвесторы часто делали поспешные выводы о скором создании «сильного» ИИ на основе первых, пусть даже впечатляющих, успехов (решение логических задач, игра в шашки). Однако каждый раз реальность оказывалась сложнее: фундаментальные проблемы (обучение, представление знаний, масштабирование) требовали десятилетий фундаментальных исследований, что не укладывалось в короткие инвестиционные циклы.
+
1. **От символьных подходов к статистическому обучению.** Главный вывод из «зим» — отказ от попыток напрямую запрограммировать человеческий интеллект в пользу создания алгоритмов, которые *обучаются* на данных. Современный ML, основанный на статистике и нейросетях, изначально развивался как альтернатива «символьному ИИ», и именно его успех позволил преодолеть последствия второй зимы .
 +
2. **Скептицизм в отношении «серебряных пуль».** Опыт двух «зим» научил сообщество критически относиться к обещаниям и искать подтверждение эффективности на эмпирических данных. Он напоминает, что успех в ограниченных задачах (например, игра в шахматы) не гарантирует решения проблем в общем случае.
 +
3. **Важность постановки реалистичных целей.** Движение ML в 1990-х годах во многом было связано с отказом от амбициозной цели создания «сильного ИИ» (AGI) и сосредоточением на решении конкретных, хорошо сформулированных задач, таких как распознавание образов или классификация текстов .
 +
4. **Ценность инженерной дисциплины.** «Зимы» показали, что поддержка сложных систем (как экспертные) требует строгой инженерии. Именно это понимание привело к развитию современных подходов к MLOps и управлению жизненным циклом моделей.
-
Разрыв между **громкими обещаниями** (например, «через 10 лет машины будут обладать человеческим интеллектом») и **реальными достижениями** (создание полезных, но крайне ограниченных систем) порождал волну разочарования. Эта динамика, описанная как цепная реакция, сродни ядерной зиме, неизбежно приводила к заморозке финансирования.
+
Современный бум глубокого обучения несёт в себе те же риски. Умение распознавать признаки приближающейся «зимы» — неоправданный хайп, кризис воспроизводимости, стагнация ключевых метрик на сложных бенчмарках — является важнейшим профессиональным навыком для современного инженера и исследователя .
-
 
+
-
## Уроки для современного машинного обучения
+
-
История «зим» преподала инженерам и учёным в области машинного обучения несколько важнейших уроков.
+
## См. также
-
1. **Важность строгой математической основы.** Критика Минского и Паперта, при всей её спорности в части интерпретации, показала, что наука не может строиться на вере. В отличие от 1960-х, современные нейросети опираются на мощный математический аппарат, что делает выводы более обоснованными.
+
* [[Дартмутский семинар]]
 +
* [[Персептрон]]
 +
* [[Экспертные системы]]
 +
* [[История искусственного интеллекта]]
-
2. **Опасность «хайпа».** Современный бум ИИ, начавшийся около 2012 года, порождает множество спекуляций. Инженеры, знакомые с историей «зим», понимают, что завышенные ожидания от больших языковых моделей и автономного вождения могут снова привести к «ядерной зиме», если технологии не смогут догнать обещания. Это учит более сдержанно формулировать прогнозы и фокусироваться на измеримых результатах.
+
## Примечания
-
3. **Прагматизм и качество данных.** Крах экспертных систем показал, что «инженерия знаний» (ручной ввод правил) не масштабируется. Современный успех **глубокого обучения** основан на совершенно ином подходе: вместо программирования правил мы программируем архитектуру для **обучения** на больших данных. Это делает системы более гибкими, но привязывает их качество к данным.
+
<div style="font-size:0.9em;">
-
4. **Диверсификация методологий.** В периоды «зим» выживали те, кто работал на стыке дисциплин или предлагал реалистичные инженерные решения (как экспертные системы в конце 70-х). Современный специалист должен быть знаком не только с нейросетями, но и с классическими алгоритмами, байесовскими методами и инженерией признаков, чтобы выбирать инструмент под задачу, а не следовать моде.
+
1. Автор статьи не несёт ответственности за перевод терминов, устоявшихся в русскоязычной научной литературе. Предпочтение отдаётся наиболее распространённым вариантам.
 +
2. Для единообразия цитирования использована сквозная нумерация источников.
-
## Связь с другими статьями
+
</div>
-
* **Дартмутский семинар:** Истоки «зимы» лежат в завышенных ожиданиях, порождённых на этом семинаре 1956 года, где и была заложена концепция ИИ как научной дисциплины.
+
## Литература
-
* **Персептрон:** Книга Минского и Паперта стала символом научного спора, замедлившего развитие нейросетей, но впоследствии стимулировавшего создание многослойных архитектур и алгоритма обратного распространения ошибки.
+
-
* **Экспертные системы:** Именно расцвет и последующий коллапс этой технологии стали основным драйвером и главной трагедией второй «зимы», продемонстрировав пределы «символьного» подхода к ИИ.
+
-
---
+
<div style="font-size:0.9em;">
-
## Список литературы
+
1. Crevier, D. (1993). *AI: The Tumultuous History of the Search for Artificial Intelligence*. New York: Basic Books.
 +
2. Lighthill, J. (1973). «Artificial Intelligence: A General Survey». In *Artificial Intelligence: a paper symposium*. Science Research Council.
 +
3. Minsky, M., & Papert, S. (1969). *Perceptrons: An Introduction to Computational Geometry*. MIT Press.
 +
4. Haigh, T. (2024). «The AI Winter». *Communications of the ACM*, 67(2).
 +
5. Russell, S. J., & Norvig, P. (2020). *Artificial Intelligence: A Modern Approach* (4th ed.). Pearson. (Включает подробный исторический обзор)
 +
6. Nilsson, N. J. (2009). *The Quest for Artificial Intelligence: A History of Ideas and Achievements*. Cambridge University Press.
-
1. *AI winter*. In *Wikipedia*.
+
</div>
-
2. Minsky, M., & Papert, S. (1969). *Perceptrons: An Introduction to Computational Geometry*. MIT Press.
+
-
3. Lighthill, J. (1973). *Artificial Intelligence: A General Survey*. In *Artificial Intelligence: a paper symposium*. Science Research Council.
+
-
4. *Lighthill report*. In *Wikipedia*.
+
-
5. *Fifth Generation Computer System*. In *Glosbe Dictionary*.
+

Версия 14:47, 17 июня 2026

  1. Зима искусственного интеллекта
    • Зима искусственного интеллекта** (англ. *AI winter*) — период затяжного снижения финансирования, интереса общественности и оптимизма в области исследований искусственного интеллекта (ИИ). Этот термин, проведённый по аналогии с «ядерной зимой», описывает состояние кризиса, наступающее после периода «лета» — бума и завышенных ожиданий, когда реальные результаты не оправдывают данных обещаний . За свою историю ИИ пережил по крайней мере две масштабные зимы, каждая из которых стала следствием совпадения технических ограничений и управленческих просчётов, и каждая кардинально изменила траекторию развития дисциплины .
    1. Первая зима (1974–1980)

Первая зима ИИ наступила в середине 1970-х годов и стала тяжёлым ударом по ранним исследованиям. Её наступление было вызвано двумя ключевыми причинами.

Во-первых, это **критический доклад Джеймса Лайтхилла**, представленный Британскому научному исследовательскому совету в 1973 году . В своём докладе Лайтхилл дал крайне пессимистичную оценку состояния дел в области ИИ. Главный аргумент заключался в том, что фундаментальные проблемы, такие как **комбинаторный взрыв** — экспоненциальный рост вычислительной сложности при попытке решать реальные задачи, — делают большинство подходов бесперспективными. Исследователи, по мнению Лайтхилла, потерпели неудачу в создании систем, способных справляться со сложностью и неоднозначностью реального мира, и их «грандиозные цели» остались невыполненными . Этот доклад привёл к «практически полному демонтажу исследований ИИ в Великобритании» и стал образцом для критики в других странах .

Вторым, не менее важным фактором стала **критика персептронов**. В 1969 году вышла книга Марвина Минского и Сеймура Пейперта «Персептроны», в которой математически доказывались фундаментальные ограничения однослойных нейронных сетей . Авторы показали, что такие сети неспособны решать даже простые логические задачи, например, функцию XOR (исключающее ИЛИ), если только данные не являются линейно разделимыми . Эта работа нанесла серьёзный удар по ранним нейросетевым исследованиям, фактически заморозив их почти на десятилетие, и переключила внимание научного сообщества на символьные подходы, которые рассматривались как более многообещающие .

Последствия первой зимы были катастрофическими. Ведущие мировые агентства по финансированию, такие как DARPA (Агентство перспективных исследовательских проектов Министерства обороны США), разочаровавшись в отсутствии практических результатов, резко сократили вложения в фундаментальные исследования ИИ . Оптимизм сменился разочарованием, многие исследовательские проекты были свёрнуты, а сам термин «искусственный интеллект» стал восприниматься в академической среде как маркер неоправданного хайпа.

    1. Вторая зима (1987–1993)

Вторая зима, наступившая в конце 1980-х, по своим масштабам была не менее суровой, чем первая, и её причины были тесно связаны с переоценкой возможностей так называемых **экспертных систем**.

Экспертные системы, основанные на символьном представлении знаний и логическом выводе, стали главным коммерческим успехом ИИ в 1980-х годах . Однако к концу десятилетия их фундаментальные недостатки стали очевидны. Основной проблемой стал **«узкий горлышек» (bottleneck) извлечения знаний**: оказалось чрезвычайно сложно и дорого переносить знания экспертов-людей в формальные правила, на которых строились эти системы . Системы были «хрупкими» (англ. *brittle*): они давали сбои при малейшем отклонении от ожидаемого ввода, не могли обучаться и требовали колоссальных затрат на поддержание и обновление баз знаний . К началу 1990-х годов стало ясно, что, несмотря на отдельные успешные внедрения (например, система XCON для компании DEC), поддерживать такие системы в рабочем состоянии экономически нецелесообразно .

Вторым важным фактором стал **крах рынка LISP-машин**. Для работы с символьным ИИ и, в частности, с экспертными системами, были разработаны специализированные компьютеры, оптимизированные под язык программирования Lisp . Однако быстрое развитие производительности универсальных рабочих станций от Sun Microsystems и других производителей сделало дорогостоящие Lisp-машины ненужными. В 1987 году этот рынок, оценивавшийся в полмиллиарда долларов, рухнул, что привело к банкротству ключевых игроков, таких как Symbolics и Lisp Machines Inc. .

Наконец, своё влияние оказало **фиаско японского проекта «Пятое поколение» (FGCS)**. Запущенный в 1982 году с грандиозными амбициями создать компьютеры на основе логического программирования и массового параллелизма, проект привлёк огромное внимание и финансирование по всему миру . Однако к началу 1990-х стало ясно, что его изначальные цели — создание «машины для логического вывода» — остались невыполнимыми, что нанесло серьёзный удар по репутации символьного подхода и привело к сворачиванию финансирования .

Последствия второй зимы были столь же серьёзны. Финансирование было «жестоко сокращено» , интерес к ИИ в индустрии сошёл на нет, и многие компании были вынуждены переименовывать свои исследовательские отделы, избегая термина «искусственный интеллект» . Именно в этот период область нейронных сетей и статистического обучения, переименованная в «машинное обучение», начала своё возрождение, которое в итоге привело к современному буму .

    1. Причины наступления «зим»

Анализ двух крупнейших «зим» ИИ позволяет выделить повторяющиеся паттерны, лежащие в их основе. Все они сводятся к одному фундаментальному циклу: **грандиозные обещания → приток финансирования → столкновение с технической реальностью → разочарование и отток капитала** .

Ключевым техническим фактором всегда был **разрыв между возможностями доминирующей парадигмы и сложностью задач реального мира**.

  • В первую зиму символьные системы и ранние нейросети потерпели неудачу при попытке выйти за рамки «игрушечных» микро-миров. Они не могли справляться с комбинаторным взрывом и неопределённостью .
  • Во вторую зиму экспертные системы натолкнулись на неразрешимую проблему представления знаний и их «хрупкость» .

Этот разрыв часто усугублялся **экономическими и политическими факторами**, когда государственные и частные инвесторы, очарованные ранними успехами, начинали требовать быстрой отдачи от вложенных средств, что было невозможно в условиях нерешённых научных проблем .

    1. Уроки для современного машинного обучения

«Зимы» ИИ — это не просто исторические анекдоты; это важнейшие уроки, сформировавшие современную культуру исследований в области машинного обучения (ML).

1. **От символьных подходов к статистическому обучению.** Главный вывод из «зим» — отказ от попыток напрямую запрограммировать человеческий интеллект в пользу создания алгоритмов, которые *обучаются* на данных. Современный ML, основанный на статистике и нейросетях, изначально развивался как альтернатива «символьному ИИ», и именно его успех позволил преодолеть последствия второй зимы . 2. **Скептицизм в отношении «серебряных пуль».** Опыт двух «зим» научил сообщество критически относиться к обещаниям и искать подтверждение эффективности на эмпирических данных. Он напоминает, что успех в ограниченных задачах (например, игра в шахматы) не гарантирует решения проблем в общем случае. 3. **Важность постановки реалистичных целей.** Движение ML в 1990-х годах во многом было связано с отказом от амбициозной цели создания «сильного ИИ» (AGI) и сосредоточением на решении конкретных, хорошо сформулированных задач, таких как распознавание образов или классификация текстов . 4. **Ценность инженерной дисциплины.** «Зимы» показали, что поддержка сложных систем (как экспертные) требует строгой инженерии. Именно это понимание привело к развитию современных подходов к MLOps и управлению жизненным циклом моделей.

Современный бум глубокого обучения несёт в себе те же риски. Умение распознавать признаки приближающейся «зимы» — неоправданный хайп, кризис воспроизводимости, стагнация ключевых метрик на сложных бенчмарках — является важнейшим профессиональным навыком для современного инженера и исследователя .

    1. См. также
    1. Примечания

1. Автор статьи не несёт ответственности за перевод терминов, устоявшихся в русскоязычной научной литературе. Предпочтение отдаётся наиболее распространённым вариантам. 2. Для единообразия цитирования использована сквозная нумерация источников.

    1. Литература

1. Crevier, D. (1993). *AI: The Tumultuous History of the Search for Artificial Intelligence*. New York: Basic Books. 2. Lighthill, J. (1973). «Artificial Intelligence: A General Survey». In *Artificial Intelligence: a paper symposium*. Science Research Council. 3. Minsky, M., & Papert, S. (1969). *Perceptrons: An Introduction to Computational Geometry*. MIT Press. 4. Haigh, T. (2024). «The AI Winter». *Communications of the ACM*, 67(2). 5. Russell, S. J., & Norvig, P. (2020). *Artificial Intelligence: A Modern Approach* (4th ed.). Pearson. (Включает подробный исторический обзор) 6. Nilsson, N. J. (2009). *The Quest for Artificial Intelligence: A History of Ideas and Achievements*. Cambridge University Press.

Источник — «http://www.machinelearning.ru/wiki/index.php?title=%D0%97%D0%B8%D0%BC%D0%B0_%D0%B8%D1%81%D0%BA%D1%83%D1%81%D1%81%D1%82%D0%B2%D0%B5%D0%BD%D0%BD%D0%BE%D0%B3%D0%BE_%D0%B8%D0%BD%D1%82%D0%B5%D0%BB%D0%BB%D0%B5%D0%BA%D1%82%D0%B0»
Личные инструменты