Искусственный интеллект быстро меняет не только технологии, но и язык, которым описывают их работу. На встречах разработчиков, презентациях и отраслевых дискуссиях регулярно звучат термины LLM, RAG и RLHF, а недавно к ним добавилось понятие «непрозрачная рекуррентность». Так называют метод рассуждений, использованный в новой модели OpenAI Astra, который вызвал обеспокоенность специалистов по безопасности ИИ.
TechCrunch подготовил обновляемый словарь основных понятий, связанных с искусственным интеллектом. Он предназначен для разработчиков, инвесторов и пользователей, которые хотят лучше понимать новости и обсуждения в этой сфере. В список вошли как базовые термины, так и названия новых методов обучения и работы моделей.
Искусственный общий интеллект, или AGI, обычно описывают как систему, способную выполнять большинство задач не хуже среднего человека. При этом единого определения пока нет: Сэм Альтман сравнивал AGI с сотрудником, которого можно нанять на работу, OpenAI говорит о высокоавтономных системах, превосходящих людей в большинстве экономически значимых задач, а Google DeepMind — об ИИ, сопоставимом с человеком в большинстве когнитивных операций.
ИИ-агентом называют программу, которая самостоятельно выполняет последовательность действий для достижения цели. Она может оформлять расходы, бронировать билеты и столики, а также писать и обслуживать программный код. Для взаимодействия с другими сервисами агенты используют API (программные интерфейсы), которые позволяют приложениям получать данные и управлять внешними системами без ручных действий пользователя.
Большие языковые модели, или LLM, лежат в основе популярных ИИ-помощников, включая ChatGPT, Claude, Gemini, Llama, Microsoft Copilot и Le Chat. Такие модели представляют собой глубокие нейронные сети с миллиардами числовых параметров, которые выявляют связи между словами и фразами, а затем формируют наиболее вероятное продолжение запроса. Их обучение требует обработки больших массивов книг, статей и расшифровок.
Одним из ключевых методов работы ИИ считается цепочка рассуждений — разбиение сложной задачи на промежуточные шаги. Такой подход обычно увеличивает время ответа, но помогает повысить точность при решении логических и программных задач. Для обучения моделей применяют, в частности, обучение с подкреплением, при котором система получает математический сигнал за успешные действия, а также RLHF — обучение с подкреплением на основе отзывов людей.