Словарь AI-терминов: от AGI до RAG — что реально стоит за этими аббревиатурами

Индустрия искусственного интеллекта развивается настолько быстро, что параллельно создаёт собственный язык — плотный, аббревиатурный, часто непрозрачный. Даже опытные технические специалисты нередко кивают на совещаниях, не вполне понимая, о чём идёт речь. Ниже — практический разбор терминов, которые встречаются чаще всего и которые действительно важно понимать.

AGI, агенты и цепочки рассуждений

AGI (Artificial General Intelligence) — пожалуй, самый спорный термин в отрасли. Единого определения не существует даже среди ведущих исследователей. Генеральный директор OpenAI Сэм Альтман описывал AGI как «аналог среднестатистического человека, которого можно нанять как коллегу». Устав OpenAI трактует это понятие как «высокоавтономные системы, превосходящие людей в большинстве экономически значимых задач». Google DeepMind формулирует иначе: AI, способный справляться с большинством когнитивных задач не хуже человека. Три определения — три разных порога. Это важно понимать, когда компании заявляют, что «достигли AGI».

AI-агент — инструмент, который выполняет последовательность задач самостоятельно, без ручного управления на каждом шаге. В отличие от чат-бота, агент может бронировать билеты, подавать заявки на возмещение расходов, писать и поддерживать код. Ключевое слово — «автономно». Агент может задействовать несколько AI-систем одновременно, чтобы выполнить многоэтапную задачу. Инфраструктура под такие сценарии пока активно строится, поэтому конкретные возможности сильно варьируются от продукта к продукту.

Coding agent — частный случай AI-агента, заточенный под разработку программного обеспечения. Такой агент не просто предлагает фрагмент кода для ревью — он пишет, тестирует и отлаживает код самостоятельно, итеративно, с минимальным участием человека. Агент может работать с целой кодовой базой: находить баги, запускать тесты, фиксировать исправления. Аналогия простая: очень быстрый стажёр, который не спит и не отвлекается — но чью работу всё равно нужно проверять.

Chain of thought (цепочка рассуждений) — подход, при котором языковая модель разбивает сложную задачу на промежуточные шаги, прежде чем дать финальный ответ. Это замедляет генерацию, но существенно повышает точность — особенно в задачах с логикой или кодом. Именно на этом принципе построены так называемые reasoning-модели: они оптимизированы для пошагового мышления с помощью обучения с подкреплением.

Как модели обучаются и как их улучшают

Deep learning (глубокое обучение) — подмножество машинного обучения, в котором алгоритмы организованы в многослойные искусственные нейронные сети. Такая архитектура позволяет моделям самостоятельно выявлять важные признаки в данных — без того, чтобы инженеры прописывали их вручную. Модели учатся на ошибках и улучшают результаты через повторение. Обратная сторона: для качественного обучения нужны миллионы примеров, а сам процесс занимает значительно больше времени и ресурсов, чем у более простых алгоритмов.

Диффузия — технология, лежащая в основе большинства генеративных моделей для изображений, музыки и текста. Принцип взят из физики: система постепенно «разрушает» структуру данных, добавляя шум, пока от исходного не остаётся ничего. Затем модель учится обращать этот процесс — восстанавливать данные из шума. Именно так работают популярные генераторы изображений.

Дистилляция — техника передачи знаний от большой модели («учителя») к меньшей («ученику»). Разработчики фиксируют ответы учителя на запросы, затем используют эти данные для обучения компактной модели, которая воспроизводит поведение оригинала с минимальными потерями. Результат — более быстрая и дешёвая в эксплуатации модель. По имеющимся данным, именно так OpenAI создала GPT-4 Turbo. Важный нюанс: дистилляция на основе чужой модели, как правило, нарушает условия использования API — это болезненная тема для всей отрасли.

Fine-tuning (дообучение) — дополнительное обучение уже готовой модели на специализированных данных, чтобы повысить её эффективность в конкретной области. Многие AI-стартапы берут крупную языковую модель как основу и дообучают её на отраслевых данных — медицинских, юридических, финансовых. Это позволяет получить продукт, адаптированный под нишу, без затрат на обучение с нуля. Для белорусских компаний, работающих в ПВТ, это один из наиболее реалистичных способов встроить AI в продукт без гигантских вычислительных бюджетов.

GAN (Generative Adversarial Network) — архитектура, в которой две нейронные сети соревнуются друг с другом. Первая — генератор — создаёт данные (изображения, звук, текст). Вторая — дискриминатор — пытается отличить сгенерированное от настоящего. Генератор стремится обмануть дискриминатора, дискриминатор — не дать себя обмануть. В результате этой «гонки» качество генерации растёт. GAN лежат в основе многих deepfake-инструментов.

Compute (вычислительные мощности) — собирательный термин для аппаратной инфраструктуры, которая обеспечивает работу AI-моделей: GPU, CPU, TPU и другие специализированные чипы. Доступ к compute — один из главных барьеров входа в отрасль. Именно поэтому крупные облачные провайдеры и производители чипов оказались в центре геополитических споров вокруг AI: тот, кто контролирует железо, во многом определяет темп развития технологии.

API endpoints — программные интерфейсы, через которые одно приложение взаимодействует с другим. Если представить программу как устройство с кнопками на задней панели, то endpoint — это одна такая кнопка, которую может нажать внешняя система. AI-агенты всё чаще способны самостоятельно находить и использовать эти интерфейсы, что открывает широкие возможности для автоматизации — и одновременно поднимает вопросы безопасности.

Понимание этих терминов — не академическое упражнение. Для IT-команд, которые выбирают архитектуру продукта, для фаундеров, оценивающих AI-инструменты, и для инвесторов, анализирующих питч-деки, это рабочий словарь. Отрасль продолжает генерировать новые понятия быстрее, чем успевают выходить объяснения — поэтому базовое понимание механики важнее, чем знание каждого нового термина наизусть.