Представь что стоишь у маяка в туманную ночь. Ты знаешь что маяк светил ещё вчера, и позавчера, и 10 лет назад. Но сегодня ночью что-то изменилось: маяк стал настолько ярким, что виден с другого континента. Именно это произошло с AI (читается «эй-ай», Artificial Intelligence — «искусственный интеллект») в 2022-2026 годах. Технология существовала десятилетиями. Но что-то случилось. Свет стал виден всем.
Суть урока
AI развивался 70+ лет, пережил два периода разочарований, и сейчас мы находимся в третьей волне — той которая отличается от предыдущих дешевизной, доступностью и способностью AI действовать самостоятельно. Чтобы уверенно пользоваться AI-инструментами, важно понимать откуда всё это пришло и почему момент именно сейчас.
Ключевые концепции
- AI — не магия и не сознание, а математика обученная на огромных массивах человеческого текста
- История AI — это история волн: подъём → завышенные ожидания → разочарование → прорыв
- Трансформер (transformer — новое устройство нейросетей, 2017) + ChatGPT (2022) = точка невозврата
- Сейчас перелом не потому что AI стал "умнее" — а потому что стал дешёвым, доступным и научился действовать сам
Теория
Часть 1: Что такое AI вообще
Прежде чем идти в историю — договоримся о терминах.
AI (искусственный интеллект) в повседневном разговоре означает разное для разных людей. Для голливудского режиссёра — это Терминатор. Для учёного — это математические модели. Для предпринимателя — это инструмент который делает часть работы.
В этом курсе мы используем практическое определение:
AI — это программа которая обучена на огромном количестве человеческих текстов, кода и знаний, и которая умеет отвечать на вопросы, писать тексты, анализировать данные и выполнять задачи — так, как это делал бы обученный человек-помощник.
Образ: представь что ты собрал в одной комнате всех лучших специалистов мира — писателей, программистов, юристов, врачей, дизайнеров — и они все одновременно готовы ответить на твой вопрос. Это примерно то, чем является современный AI. Не потому что он "думает" как человек. А потому что он обучен на миллиардах текстов написанных этими людьми.
Важное различие которое часто путают:
AI не обладает сознанием. AI не "думает" в смысле человеческого думания. AI — это зеркало человеческого разума. Он не создаёт смыслы — он отражает паттерны (patterns — закономерности, повторяющиеся структуры) из огромного массива человеческих знаний.
Это не умаляет его ценности. Зеркало которое умеет писать код, анализировать бизнес-планы и отвечать на вопросы 24 часа в сутки — это инструмент, который может изменить работу целого дела.
Часть 2: 1950 — Алан Тьюринг задаёт главный вопрос
Всё начинается с одного вопроса заданного в 1950 году.
Алан Тьюринг (Alan Turing) — британский математик, логик, криптограф. В 1936 году он придумал концепцию универсальной вычислительной машины — то, что сейчас называют компьютером. Во Вторую мировую войну он сыграл ключевую роль во взломе немецкого шифра «Энигма» (Enigma). По оценке Гарри Хинсли, официального историка британской разведки, работа дешифровщиков сократила войну на два–четыре года. Несколько математических прозрений — и история пошла иначе.
В 1950 году Тьюринг опубликовал статью "Computing Machinery and Intelligence" («Вычислительные машины и разум»). Первая строка статьи стала легендарной:
"I propose to consider the question, 'Can machines think?'" («Я предлагаю рассмотреть вопрос: 'Может ли машина думать?'»)
Чтобы ответить на этот вопрос, Тьюринг предложил эксперимент — тест Тьюринга (Turing Test).
Образ теста Тьюринга: представь экзаменатора, который сидит в отдельной комнате и не видит, кто ему отвечает. Он печатает вопросы и получает напечатанные ответы — либо от человека, либо от машины. Если экзаменатор не может определить кто из них человек — значит машина прошла тест.
В 1950 году не существовало ни одного компьютера который мог бы даже близко приблизиться к этому тесту. У Тьюринга был только вопрос. Но вопрос оказался настолько глубоким, что определил направление целой научной области на 70+ лет вперёд.
Тьюринг умер в 1954 году в возрасте 41 года. Он не увидел ни одной из революций которые его идеи породили. Но без его вопроса не было бы ни нейронных сетей, ни ChatGPT, ни Claude.
Часть 3: 1956 — Дартмутская конференция и рождение термина
Шесть лет спустя после статьи Тьюринга, летом 1956 года, в маленьком американском городке Ганновер в штате Нью-Гемпшир произошло событие которое дало всему этому имя.
Дартмутская конференция (Dartmouth Conference) — первая в истории встреча учёных, посвящённая именно искусственному интеллекту: летний семинар длиной почти в два месяца. Организовал её Джон Маккарти (John McCarthy) — молодой математик из Дартмутского колледжа.
Именно Маккарти придумал и впервые использовал термин "Artificial Intelligence" — искусственный интеллект. До этого учёные говорили о "машинном мышлении", "кибернетике" (cybernetics — наука об управлении и связи в системах), "автоматах". Маккарти дал новому направлению точное имя.
Конференция собрала около 10 учёных. Они рассчитывали за одно лето заметно продвинуться в создании думающих машин. Энтузиазм был огромным.
Образ этого момента: как первые энтузиасты авиации в начале XX века. Братья Райт (Wright brothers) только что полетели — и инженеры по всему миру были уверены что через 20 лет все будут летать на персональных воздушных машинах. Реальность оказалась сложнее, но направление было задано верно.
В 1950-60х годах исследователи AI верили что через 20 лет появится полноценный AI человеческого уровня. Это была искренняя вера основанная на том что они видели: первые компьютеры умели считать, умели играть в шахматы, умели переводить простые предложения. Казалось что это только начало.
Они не угадали со сроками. Но они запустили процесс который в конечном счёте привёл именно к тому о чём они мечтали.
Часть 4: «Зима AI» — почему прогресс остановился дважды
История AI — это не прямая линия вверх. Это волны.
Зима AI (AI winter) — термин которым обозначают периоды когда энтузиазм в отношении AI резко сменялся разочарованием, финансирование сокращалось, и прогресс почти останавливался.
Таких "зим" было две.
Первая зима AI: 1974-1980
В начале 1970х стало понятно что компьютеры того времени слишком слабы для амбициозных целей. Ранние программы AI умели играть в шахматы на простом уровне, решать алгебраические уравнения, имитировать простой разговор. Но на большие задачи эти программы не тянули — чем сложнее задача, тем хуже работали алгоритмы.
В 1973 году в Великобритании вышел доклад о состоянии AI-исследований, который заказал государственный научный совет. Доклад Лайтхилла (Lighthill Report) был разгромным: исследователи обещали слишком много, достигли слишком мало. Финансирование AI в большинстве британских университетов прекратилось.
Американское агентство DARPA (читается «дарпа», Defense Advanced Research Projects Agency — Агентство передовых оборонных исследовательских проектов) тоже сократило гранты. Начался период который историки потом назовут Первой зимой AI.
Вторая зима AI: 1987-1993
В 1980х у AI появилось новое направление — экспертные системы (expert systems). Идея казалась блестящей: записать знания лучших специалистов в базу правил, и компьютер будет давать такие же советы как они.
Система XCON, которая подбирала комплектацию компьютеров фирмы DEC, по оценкам экономила компании $25 миллионов в год. А медицинская система MYCIN ещё в 1970-е в слепом сравнении подбирала антибиотики не хуже врачей-специалистов. Казалось что экспертные системы — это и есть путь.
Но потом выяснилось: такие системы стоят миллионы долларов в разработке и поддержке. Они не умеют обучаться — каждое новое правило надо прописывать вручную. Они ломаются на нестандартных ситуациях. Их трудно расширять.
В 1987 году рынок AI-компьютеров резко схлопнулся. Началась Вторая зима.
Образ двух зим: как волны прибоя. Каждая волна откатывается — и кажется что ничего не произошло. Но каждая следующая волна достигает чуть дальше вглубь суши. Зимы AI не уничтожали прогресс — они отсеивали незрелые идеи и давали время накопить силы для следующего прорыва.
Часть 5: 1986-1989 — Нейронные сети возвращаются
Пока одни исследователи строили экспертные системы, другие продолжали работать над идеей вдохновлённой биологией.
Нейронная сеть (neural network) — математическая модель вдохновлённая структурой человеческого мозга. Идея проста: в мозге миллиарды нейронов (neuron — нервная клетка) соединённых между собой. Когда нейрон получает достаточно сигналов — он активируется и передаёт сигнал дальше. Мышление — это узоры из сигналов в этой сети.
Можно ли создать нечто подобное математически? Да. Искусственный нейрон — это просто число. Сеть таких чисел — это модель. Когда модель видит данные, она регулирует веса (weights — числовые коэффициенты связей между нейронами) чтобы давать правильные ответы.
Машинное обучение (machine learning) — это и есть процесс такой настройки: компьютер обучается на примерах, а не на прописанных правилах.
Ключевой алгоритм обучения — обратное распространение ошибки (backpropagation). Сеть делает предсказание, сравнивает его с правильным ответом, считает ошибку — и распространяет информацию об ошибке обратно через сеть, понемногу корректируя каждый вес.
Джеффри Хинтон (Geoffrey Hinton) — британско-канадский учёный, один из трёх "отцов-основателей" современных нейросетей. В 1986 году вместе с коллегами он опубликовал ключевую статью об обратном распространении ошибки, которая показала как обучать многослойные сети (в 2024 году Хинтон получил за работы по нейросетям Нобелевскую премию по физике). Двое других основателей — Ян Лекун (Yann LeCun) (создал свёрточные нейросети для распознавания изображений) и Йошуа Бенджио (Yoshua Bengio) (систематизировал подходы к глубокому обучению). За 2018 год все трое получили премию Тьюринга — самую престижную награду в информатике.
Образ нейронной сети: как тренировка мышц. Когда ты учишься ездить на велосипеде — ты падаешь, мозг корректирует команды мышцам, снова пробуешь. С каждой попыткой нейронные связи в мозге настраиваются точнее. Нейронная сеть делает то же самое, только вместо падений с велосипеда — математические расчёты ошибки.
Однако в конце 1980х нейросети ещё были слишком маленькими и вычислений не хватало. Им нужно было ждать.
Часть 6: 2012 — прорыв глубокого обучения
Прорыв пришёл не от новой теории. Он пришёл от двух вещей: больших объёмов данных и мощных видеокарт.
Глубокое обучение (deep learning) — это машинное обучение с нейронными сетями у которых много слоёв. "Глубокая" — значит многослойная. Чем больше слоёв, тем более сложные закономерности сеть может выучить. Первый слой замечает простые линии. Второй — геометрические формы. Третий — части предметов. Четвёртый — сами предметы.
Каждый год с 2010 проводился конкурс ImageNet (ИмейджНет) — соревнование по распознаванию изображений. Задача: показать программе фотографию, она должна назвать что на ней изображено. База данных — 1,2 миллиона фотографий, 1000 категорий.
В 2012 году на конкурс вышла команда Джеффри Хинтона с программой AlexNet (АлексНет) — названа в честь студента Хинтона Алекса Крижевского (Alex Krizhevsky). Результат AlexNet: ошибка 15,3%. У команды, занявшей второе место: 26,2%. Разница — колоссальная.
Что было у Хинтона чего не было у других? GPU (джи-пи-ю, Graphics Processing Unit — графический процессор). Видеокарты созданные для компьютерных игр случайно оказались идеальны для обучения нейронных сетей: они умеют делать миллионы параллельных вычислений одновременно. Команда Хинтона использовала две обычные игровые видеокарты Nvidia GTX 580 — и этого оказалось достаточно для революции.
Образ GPU для AI: как паровой двигатель для промышленной революции. Ткацкие станки существовали веками. Паровой двигатель дал им энергию которой не было раньше — и ручной труд стал механизированным. GPU дал нейронным сетям вычислительную силу которой им не хватало.
После 2012 года глубокое обучение завоевало всё. Распознавание изображений. Распознавание речи. Перевод. Игра в го и шахматы. Поиск признаков рака на снимках. Казалось что нейросети могут всё — если дать им достаточно данных и вычислительной мощи.
Но они ещё не умели одного: разговаривать.
Часть 7: 2017 — Трансформеры меняют всё
В 2017 году группа исследователей Google опубликовала статью с простым названием:
"Attention Is All You Need" («Всё что тебе нужно — это внимание»).
Эта статья изменила историю AI так же, как изобретение паровой машины изменило историю промышленности.
Авторы предложили новое устройство нейронной сети — трансформер (transformer). До трансформеров, языковые модели (программы для работы с текстом) обрабатывали текст последовательно: слово за словом, слева направо. Как читаешь ты прямо сейчас. Это работало, но медленно и с проблемами для длинных текстов.
Трансформер использует механизм внимания (attention) — способность одновременно "смотреть" на все слова в тексте и определять какие из них важны для понимания каждого конкретного слова.
Образ: представь переводчика с английского, которому попалось слово "bank": оно значит и «банк», и «берег реки». Плохой переводчик переводит это слово сразу, не зная что будет дальше, и может написать "берег". Хороший читает всё предложение целиком, видит слова про проценты и кредит и понимает, что речь о банке. Механизм внимания делает то же самое: прежде чем разобраться с каждым словом, трансформер "смотрит" на всё предложение целиком.
Трансформеры оказались идеальны для работы с языком. Они быстро обучаются на огромных объёмах текста. Они хорошо растут: модель можно делать крупнее — с большим числом параметров (параметр — настраиваемое число внутри нейронной сети, тот самый "вес") — и учить на большем объёме текста, и качество при этом повышается. И они умеют обрабатывать текст параллельно, что заметно ускоряет обучение.
LLM (эл-эл-эм, Large Language Model — «большая языковая модель») — это как раз нейронная сеть на основе архитектуры трансформер, обученная на огромном массиве текста. Буква "L" в названии — Large — ключевая. Большой — значит с миллиардами или сотнями миллиардов параметров.
Все современные AI-ассистенты — ChatGPT, Claude, Gemini, Llama — это LLM на основе архитектуры трансформер. Все они потомки той статьи от 2017 года.
Часть 8: 2020 — GPT-3 и первый шок
В июне 2020 года компания OpenAI (читается «оупен-эй-ай») выпустила GPT-3 (джи-пи-ти-три, Generative Pre-trained Transformer — "генеративный предобученный трансформер").
GPT — расшифровывается как Generative (генеративный — создающий новый контент), Pre-trained (предобученный — обученный на большом корпусе текста до того как его начали использовать), Transformer (трансформер — архитектура).
У третьей версии GPT было 175 миллиардов параметров. Для сравнения: в человеческом мозге примерно 86 миллиардов нейронов. Сравнение условное: параметр модели ближе не к нейрону, а к связи между нейронами, а таких связей в мозге гораздо больше.
Что умел GPT-3? Невероятно много по меркам 2020 года. Писать эссе. Сочинять стихи. Писать рабочий код. Отвечать на вопросы. Переводить тексты. Имитировать стиль известных авторов. Решать математические задачи.
Когда исследователи впервые получили доступ к API (эй-пи-ай, Application Programming Interface — программный интерфейс взаимодействия, способ общения программ между собой) GPT-3, в интернете появились сотни изумлённых постов. Люди делали вещи которые казались невозможными: AI писал рассказы, придумывал бизнес-планы, рассуждал о философии.
Образ: как первый iPhone в 2007 году. Телефоны с интернетом и музыкой существовали и раньше. Но iPhone собрал всё в одном месте, сделал удобным, и показал каким может быть будущее. GPT-3 был именно таким: не идеально, часто ошибался, иногда галлюцинировал (hallucinate — выдавать уверенно сказанную неправду как факт). Но было ясно что мир изменится.
Часть 9: 2022 — ChatGPT и массовый взрыв
Предыдущие AI-прорывы знали только учёные и технари. Дата 30 ноября 2022 года изменила это навсегда.
В этот день OpenAI запустила ChatGPT (чат-джипити) — чат-интерфейс поверх модели GPT-3.5. Чат-бот с которым мог разговаривать любой человек с интернетом, без технических знаний.
Результаты превзошли все ожидания:
- 1 миллион пользователей за первые 5 дней (Instagram шёл к первому миллиону около двух с половиной месяцев)
- Около 100 миллионов пользователей через 2 месяца (по оценке аналитиков банка UBS, на тот момент самый быстрый рост среди приложений для обычных пользователей)
- Серверы OpenAI несколько раз падали под нагрузкой
ChatGPT стал первым AI-инструментом который вышел за пределы технических кругов и стал массовым культурным явлением.
Что сделало ChatGPT особенным помимо качества модели? Два фактора:
1. Интерфейс. Просто чат. Как переписка с другом. Никакого программирования, никаких технических знаний.
2. RLHF (ар-эл-эйч-эф, Reinforcement Learning from Human Feedback — обучение с подкреплением от обратной связи людей) — специальный метод обучения. После того как модель обучается на текстах интернета, её дополнительно обучают люди-оценщики. Они показывают модели два варианта ответа и говорят какой лучше. Это делает AI не просто умным, но ещё и удобным в общении — отвечающим так как человек ожидает.
Образ: как McDonald's в 1950-е годы. Гамбургеры и жареный картофель продавались в Америке и до этого. Но McDonald's выстроил систему: стандартный рецепт, быстрое приготовление, доступная цена, везде одинаково. AI был и раньше — ChatGPT сделал его доступным для всех. Это изменило всё.
Часть 10: 2023-2024 — Гонка моделей
После успеха ChatGPT начался период который в индустрии называют "гонкой моделей". Каждые несколько месяцев выходила новая, более мощная версия.
GPT-4 (джи-пи-ти-четыре) — выпущен в марте 2023. Мультимодальный (multimodal — способный работать с разными типами данных): понимает не только текст, но и изображения. По данным OpenAI, на пробном экзамене для американских адвокатов (bar exam) он вошёл примерно в 10% лучших. А по данным исследователей Microsoft и OpenAI, на вопросах экзамена для американских врачей (USMLE) он набрал больше проходного балла.
Claude 1/2/3 (Клод один/два/три) — серия моделей от Anthropic (Антропик). Каждая версия умнее предыдущей. Claude 3 Opus в 2024 году стал одним из лучших AI-ассистентов по многим стандартным тестам (их называют «бенчмарки»).
Gemini (Джемини) — ответ Google. Компания которая изобрела трансформер в 2017 году долго не выпускала конкурентного продукта. По заявлению Google, Gemini Ultra превысил уровень экспертов-людей на тесте MMLU (эм-эм-эл-ю, Massive Multitask Language Understanding — понимание языка на множестве задач).
Llama (Лама) — серия моделей с открытыми весами (open weights — опубликованы числа, из которых состоит обученная модель) от компании Meta (Мета, создатели Facebook и Instagram). В отличие от GPT и Claude, веса Llama опубликованы. Любой может скачать и запустить модель на собственном компьютере (на условиях лицензии). Так появился целый мир AI-программ, которые работают прямо на своём компьютере.
Образ этого периода: как космическая гонка, только между компаниями и у всех на виду. Крупные технологические компании вкладывали в AI-исследования миллиарды долларов. Google, Microsoft, Amazon, Meta и Apple сделали AI одним из главных направлений работы.
Гонка не закончилась: за 2025-2026 годы линейки моделей Claude, ChatGPT, Gemini и других сменились несколько раз. Актуальный список — на странице Актуальное сейчас, в этом уроке мы смотрим на историю, а не на текущую версию.
Часть 11: 2025-2026 — Почему сейчас перелом
Ты дошёл до главного раздела. Почему именно сейчас — а не в 2020, не в 2022, не в 2030?
Три признака которые отличают текущий момент от всех предыдущих:
Признак 1: AI быстро дешевеет
Токен (token) — минимальная единица текста которую AI «обрабатывает». Для английского текста у текущих моделей Claude это чуть больше половины слова (у моделей постарше около 0,75 слова), для русского токенов на то же количество слов уходит больше. API берёт плату за миллион токенов.
За несколько лет цена модели одного и того же уровня качества упала в разы, а модели верхнего класса стали заметно сильнее. Для примера: за миллион входных токенов Claude Opus 4.1 стоил $15, а Claude Opus 5.5 на октябрь 2026 года — $4 (актуальные цены: Актуальное сейчас). Это делает AI-автоматизацию доступной и для малого бизнеса. Но самые сильные модели остаются дорогими, а счёт растёт вместе с объёмом, поэтому считай стоимость заранее.
Признак 2: API открыты каждому разработчику
Раньше, чтобы использовать AI в бизнесе, обычно приходилось нанимать инженеров по машинному обучению и строить дорогую инфраструктуру (техническую основу: серверы, сети, хранилища). На это уходили месяцы и большие деньги.
Сейчас: зарегистрировался в консоли разработчика Anthropic, получил API-ключ (уникальный код для доступа к сервису), написал с десяток строк кода — и AI уже отвечает твоей программе. Простую версию один человек, который умеет немного программировать, может собрать за выходные.
Признак 3: агентный AI — AI который действует, а не только отвечает
Это самый важный сдвиг. До 2024 года AI в основном только отвечал: ты спрашивал — он отвечал. Ты просил — он выдавал текст или картинку. Это мощный инструмент, но ограниченный.
Агентный AI (agentic AI) — это AI который умеет самостоятельно планировать задачи, использовать инструменты (читать файлы, делать запросы к сервисам, писать и запускать код), и выполнять многошаговые задачи без постоянного надзора человека.
Модели с рассуждением (reasoning models) — например, современные модели Claude, у которых есть режим рассуждения (thinking; в новых моделях модель сама решает, сколько думать, а ты можешь задать уровень усилия) — умеют "думать перед ответом". Они разбивают сложную задачу на шаги, проверяют свои выводы, корректируют подход. Это делает их значительно точнее для сложных задач: программирование, анализ, стратегические решения.
И именно здесь появляется Claude Code (Клод Код) — инструмент, до которого этот курс доходит в последних модулях и которому посвящена углублённая библиотека. Claude Code — это агент для программирования от Anthropic. Не просто чат с AI. Это AI-агент который умеет читать твой проект, править файлы, запускать команды, исправлять ошибки и выкладывать приложения в интернет, где ими пользуются люди. Он действует, а не только советует. На октябрь 2026 он работает в терминале, в VS Code и JetBrains, в приложении Claude для компьютера, в браузере и на телефоне.
Образ момента: как интернет в 1995 году. Технология уже существовала — браузеры (программы для просмотра сайтов), электронная почта, первые сайты. Но большинство людей не понимали зачем это им нужно. Немногие, кто понял раньше других, основали Amazon, Google, Yahoo; большинство просто освоило интернет за следующие годы, в своём темпе. Мы сейчас в раннем периоде массового AI: многое ещё только формируется.
Часть 12: Anthropic и Claude — кто за этим стоит
Примеры в этом курсе чаще всего показаны на Claude, а последние модули ведут к Claude Code. Поэтому стоит знать, что за компания за ними стоит.
Anthropic (Антропик) — американская AI-компания основанная в 2021 году в Сан-Франциско.
История основания: большинство основателей Anthropic раньше работали в OpenAI. В 2021 году Дарио Амодеи (Dario Amodei), до этого вице-президент OpenAI по исследованиям, и его сестра Даниэла Амодеи (Daniela Amodei), до этого вице-президент OpenAI по безопасности и политике, основали новую компанию. Вместе с ними ушли ещё несколько ключевых исследователей.
Главное отличие, о котором говорит сама компания: упор на безопасность. Anthropic называет себя компанией, которая занимается безопасностью и исследованиями AI, а своей целью — ответственное развитие AI.
Anthropic разработала метод обучения называемый Constitutional AI (конституционный AI). Вместо того чтобы только показывать модели что "хорошо" и что "плохо" через человеческие оценки, Constitutional AI даёт модели набор принципов — "конституцию" — и учит её самостоятельно оценивать свои ответы в соответствии с этими принципами. Это делает Claude более последовательным в следовании ценностям.
Claude (Клод) — главная серия моделей Anthropic. По распространённой версии, названа в честь Клода Шеннона (Claude Shannon — Клод Шеннон, американский математик создавший теорию информации, фундамент всего цифрового мира).
Почему Claude и именно Anthropic важны для этого курса:
- Claude Code — это официальный инструмент разработки от Anthropic, созданный специально для работы с Claude
- У Anthropic есть API и готовые инструменты для создания агентов
- Anthropic делает упор на честность и безопасность ответов, а для надёжных бизнес-процессов важно, чтобы модель умела сказать "я не знаю"
Практика
Три задания — лёгких и практичных:
Задание 1: Первый разговор с Claude
Открой claude.ai в браузере. Если нет аккаунта — зарегистрируйся, базовый план бесплатный (шаги регистрации — в уроке Твои первые 30 минут с AI). Если Claude недоступен в твоей стране (список стран — на странице Anthropic), возьми любой другой AI-ассистент: выбор — в разделе Инструменты.
Задай вопрос:
Привет! Я только начинаю изучать AI. Расскажи мне в 3-4 предложениях: кто такой Алан Тьюринг и почему он важен для истории AI?
Посмотри на ответ. Обрати внимание: Claude не читал твой вопрос как человек — он сгенерировал наиболее вероятный ответ на основе паттернов из текстов о Тьюринге которые были в его обучающих данных. Результат выглядит как текст от эрудированного человека — потому что обучение было именно на таких текстах.
Задание 2: Попроси Claude объяснить себя
Задай следующий вопрос Claude:
Ты трансформер? Объясни как ты устроен — для полного новичка, через образы и аналогии, без технических терминов
Сравни его объяснение с тем что ты прочитал в этом уроке. Где совпадает? Что новое добавил Claude?
Задание 3: Поиск (5 минут)
Набери в поисковике: "Дартмутская конференция 1956 искусственный интеллект". Найди любую статью на русском. Прочитай 2-3 абзаца.
Вопрос для самоотчёта: что удивило тебя больше всего в истории AI из этого урока? Запиши одно предложение — это поможет запомнить твой собственный момент "ага!".
Ключевые выводы
AI — не магия. Это математика обученная на человеческих текстах. Зеркало которое отражает паттерны. Полезный инструмент — если понимать как он работает.
История AI — это волны. Два подъёма, два разочарования, и сейчас третья волна. Каждая предыдущая не была "ложной" — она закладывала фундамент для следующей.
2017 + 2022 = точка невозврата. Трансформеры дали архитектуру, ChatGPT дал доступность. После этого AI перестал быть лабораторным экспериментом.
Сейчас перелом — по трём причинам: AI быстро дешевеет, API открыты каждому, кто умеет немного программировать, и агентный AI начал действовать самостоятельно — а не только отвечать на вопросы.
Anthropic и Claude — это выбор этого курса потому что на Claude Code удобно показывать агентную работу на практике. Принципы урока применимы и к другим ассистентам.
Дополнительно (если интересно)
Книги которые стоит прочитать (обе написаны на английском; поищи, есть ли перевод):
- "The Alignment Problem" Брайана Кристиана (Brian Christian) — о том почему безопасность AI сложна
- "Human Compatible" Стюарта Рассела (Stuart Russell) — о будущем AI от ведущего учёного в этой области
Фильмы:
- «Игра в имитацию» (The Imitation Game, 2014) — фильм-биография об Алане Тьюринге с Бенедиктом Камбербэтчем. Историчность относительная, но атмосфера передана.
- «Из машины» (Ex Machina, 2014) — о тесте Тьюринга, хорошо показывает психологическую сложность вопроса "можно ли доверять AI"
Статьи (английский):
- "Attention Is All You Need" (2017) — оригинальная статья о трансформерах. Введение и заключение читаемы даже без знания математики.
- Блог Anthropic (anthropic.com/research) — как компания думает о безопасном AI
Следующий урок
→ AI для семьи и детей — безопасность, обучение, развитие
Это последний урок первого модуля: правила для детей разного возраста, школа, пожилые родители и семейные проекты. Если семейная тема тебе сейчас не нужна, переходи сразу ко второму модулю, к уроку Основы промптинга: там о том, как ставить AI задачу, чтобы получать нужный ответ.
А если ты ещё не читал урок Как работает LLM изнутри, загляни в него: он объясняет, что такое токены, контекст и галлюцинации.
История AI | AI Маяк Академия | Обновлено: октябрь 2026
Отметка хранится только в этом браузере и никуда не отправляется. Мой прогресс