Эволюция AI — 76 лет от Тьюринга до агентов 2026

Модуль: 0. Нулевой уровень — что такое AI | Время: ~50 мин чтения

Суть урока

За 76 лет AI прошёл путь от мечты Алана Тьюринга до помощника который понимает русский, пишет рабочий код и рассуждает над сложными задачами. Это не случилось "вдруг" в 2022 году с ChatGPT — это результат 30+ ключевых событий, 5 парадигм мышления и 3 ледниковых периодов когда вся область замерзала.

В уроке История AI мы прошлись по верхушке: 5 главных вех. Здесь — глубже. Ты узнаешь почему именно сейчас, в 2024-2026, началась эра агентов. Почему Claude появилась как отдельная компания. Какие фигуры построили эту индустрию. И куда мы идём дальше.

Это не учебник истории. Это карта местности. Чтобы понимать что ты делаешь сегодня и зачем — нужно знать откуда оно всё взялось.

🎨 Образ: AI как термоядерный реактор. Тьюринг (1950) — теория ядерной реакции на бумаге. Перцептрон (1958) — первый дилитий-кристалл. AI-зимы — обрывы финансирования и непонимание физики. ImageNet (2012) — критическая масса собрана. Transformer (2017) — pure plutonium. GPT-3 (2020) — устойчивая цепная реакция. Claude и GPT-4 (2023-2024) — управляемый термоядерный синтез. Агенты 2025-2026 — реактор начал производить полезную работу для индустрии.

Главное правило этого урока

Никакая революция в AI не была неожиданной. Каждый "вдруг" — это 10-20 лет тихой работы маленькой группы учёных. ImageNet (2012) копился с 2009. Transformer (2017) — продолжение attention механизмов 2014-2015. ChatGPT (2022) — следствие GPT-3 (2020) которое следствие BERT (2018). Когда видишь свежий "прорыв" — ищи людей которые работали над ним 5 лет назад.

🎨 Образ: бамбук растёт 5 лет под землёй прежде чем за 6 недель вымахать на 25 метров. Снаружи видны только последние 6 недель. Но без 5 лет корневой системы — не было бы и 6 недель.

5 эпох AI — карта местности

Эпоха 1: 1950-1956 — Мечта о думающей машине
Эпоха 2: 1956-1974 — Символический AI и ранняя надежда
Эпоха 3: 1974-2010 — Машинное обучение и две зимы
Эпоха 4: 2012-2017 — Deep Learning Revolution
Эпоха 5: 2018-2026 — LLM и эра агентов

Дальше — детально по каждой эпохе. С годами, людьми, событиями. Запоминать наизусть не нужно — нужно понимать логику переходов.

Эпоха 1: Мечта о думающей машине (1950-1956)

Главный вопрос эпохи: может ли машина думать?

1950 — Алан Тьюринг публикует "Computing Machinery and Intelligence"

Тьюринг, к этому моменту уже сыгравший ключевую роль во взломе Энигмы и теоретически основавший информатику ("машина Тьюринга", 1936), задаёт в своей статье простой вопрос: вместо "может ли машина думать" (вопрос философский) — "может ли машина имитировать человека настолько, что собеседник не отличит" (вопрос проверяемый).

Это Imitation Game — позже названный Turing Test. Машина проходит тест если человек-судья в 5-минутной переписке не может определить кто из двух собеседников — машина.

Тьюринг прогнозирует: к 2000 году машины будут проходить тест "в 70% случаев". Реальность: в 2024 году эксперимент Калифорнийского университета в Сан-Диего показал, что GPT-4 в пятиминутной переписке принимали за человека в 54% случаев — пограничное значение.

1951 — Marvin Minsky строит SNARC

24-летний студент Гарварда Минский строит SNARC (Stochastic Neural Analog Reinforcement Calculator) — первую нейронную сеть в железе. 40 нейронов из вакуумных трубок + электромоторы + телефонные реле. Машина училась находить выход из лабиринта через положительное подкрепление.

Это первая физическая реализация идеи "нейроны в железе" — то что станет основой всего deep learning через 60 лет.

1956 — Dartmouth Conference: рождение AI

В июне 1956 года в Дартмутском колледже (Нью-Хэмпшир, США) проходит 8-недельная летняя школа. Организаторы: John McCarthy, Marvin Minsky, Claude Shannon, Nathaniel Rochester. Бюджет на конференцию — $7 500.

В заявке на грант McCarthy впервые использует термин "Artificial Intelligence". Не "thinking machines", не "cybernetics" — именно AI. Этот термин закрепляется.

Прогноз с конференции: "через 20 лет машины смогут делать любую работу, которую делает человек". Реальность: понадобилось 70+ лет.

🎨 Образ: Авиация в 1900. Идея полёта есть, теория аэродинамики есть. Самолёт ещё не летит. Братья Райт взлетят только в 1903-м. Так и AI в 1956 — теория есть, машины не работают.

Эпоха 2: Символический AI и ранняя надежда (1956-1974)

Главная идея эпохи: AI = логика + правила. Если описать достаточно правил, машина будет думать.

1957 — Frank Rosenblatt изобретает Перцептрон

Розенблатт, психолог из Корнелла, строит Mark I Perceptron — машину которая учится распознавать буквы алфавита. Это линейный классификатор: входы → веса → пороговое решение.

New York Times в 1958-м пишет: "ВМФ США раскрыл проект электронной машины которая сможет ходить, говорить, видеть, писать, размножаться и осознавать своё существование". Хайп зашкаливает.

Это первый AI hype cycle. Розенблатт перцептрона предсказывал что машины перегонят людей через несколько лет.

1965 — Joseph Weizenbaum создаёт ELIZA

В MIT Weizenbaum пишет ELIZA — первый чат-бот. Имитирует психотерапевта Роджерианской школы. Простая программа: распознаёт ключевые слова и переформулирует фразу пользователя в вопрос.

User: Меня беспокоит моя мать.
ELIZA: Расскажи мне о своей матери.
User: Она всегда меня критикует.
ELIZA: Кто ещё всегда тебя критикует?

Шокирующее открытие: люди начинают разговаривать с ELIZA о реальных проблемах. Секретарь Weizenbaum просила выйти из комнаты чтобы поговорить с ELIZA приватно. Это ELIZA effect — человек приписывает машине понимание которого у неё нет.

Урок для 2026: люди и сейчас приписывают LLM-моделям понимание которого у них нет. ELIZA effect — это не баг 1965 года, это особенность человеческого восприятия.

1969 — Minsky и Papert публикуют "Perceptrons"

Минский и Сеймур Паперт публикуют книгу "Perceptrons" — формальный математический анализ перцептрона Розенблатта. Доказывают: одинарный перцептрон не может выучить функцию XOR (исключающее ИЛИ).

Многослойный перцептрон — может, но в 1969 году нет эффективного алгоритма обучения. Книга воспринимается как смертный приговор нейросетям.

Последствия:

• Финансирование нейросетей резко падает
• Розенблатт умирает в 1971 году (катание на лодке, 43 года)
• Поле "нейросети" замораживается на 17 лет до backpropagation (1986)

1970-е — Экспертные системы

Параллельно с нейросетями развивается символический AI: explicit rules + logic.

MYCIN (Stanford, 1972) — диагностика бактериальных инфекций. 600 правил вида "если симптом X и анализ Y, то вероятность бактерии Z = 0.7". Точность диагноза — выше чем у среднего врача-стажёра.

DENDRAL (Stanford) — анализ масс-спектров химических соединений.

Образ: алхимия. Много работы, много энтузиазма, ограниченный результат. Гипотеза "если описать все правила, машина будет умнее человека" не выдержала проверки временем — правил оказалось слишком много, и они конфликтуют.

🎨 Образ: строить телескоп зеркало за зеркалом вручную. Каждая линза работает, но собрать всё в большой телескоп невозможно — стыки получаются кривыми.

Эпоха 3: Машинное обучение и две зимы (1974-2010)

Главная идея эпохи: AI = найти patterns в data, а не описать правила вручную.

1974-1980 — Первая AI-зима

В Великобритании выходит Lighthill Report (1973) — обзор состояния AI заказанный британским правительством. Вердикт: завышенные обещания не реализованы, прогресса нет, финансирование сократить.

Последствия глобальные:

• DARPA (США) резко урезает финансирование AI
• AI лаборатории закрываются по обе стороны Атлантики
• Термин "AI" становится токсичным — учёные переименовывают свои проекты в "knowledge-based systems", "pattern recognition"

Это первая AI-зима (1974-1980). Длится 6 лет.

1980-1987 — Короткое потепление

Экспертные системы переживают коммерческий бум. LISP-машины (специализированный hardware для LISP) — отдельная индустрия. Компании Symbolics, LMI, TI Explorer.

Японский проект "Fifth Generation Computing" (1982) — $850 миллионов на 10 лет, цель — параллельные компьютеры с natural language interface.

1986 — Backpropagation revival

Geoffrey Hinton, David Rumelhart, Ronald Williams публикуют в Nature статью "Learning representations by back-propagating errors". Сам алгоритм был известен (Werbos 1974, Linnainmaa 1970), но они показывают как эффективно обучать многослойные нейросети.

Это технически решает проблему XOR из 1969 года. Но GPU ещё нет, данных нет, и весь мир увлечён экспертными системами.

1987-1993 — Вторая AI-зима

LISP-машины рушатся. Symbolics банкротится. Японский Fifth Generation проект признан провалом. Экспертные системы оказываются brittle — работают в узких задачах, не масштабируются.

Вторая AI-зима — короче первой, но болезненнее для коммерческого сектора.

1997 — Deep Blue побеждает Каспарова

11 мая 1997 года IBM Deep Blue выигрывает матч у чемпиона мира Гарри Каспарова 3.5:2.5. Шахматы — игра считавшаяся вершиной человеческого интеллекта — пали.

Важная оговорка: Deep Blue не "учился" в современном смысле. Это brute force search + ручные эвристики написанные гроссмейстерами. 200 миллионов позиций в секунду. Это победа compute, не AI.

Урок: на тот момент "выиграть в шахматы" и "понимать" — разные задачи. Это станет ясным через 30 лет.

2006 — Hinton возрождает deep learning

Geoffrey Hinton публикует "A fast learning algorithm for deep belief nets". Показывает как обучать сети с многими слоями (раньше это плохо работало из-за vanishing gradients).

Термин "deep learning" входит в обиход. Hinton работает в Торонто; вместе с Yoshua Bengio (Монреаль) и Yann LeCun (NYU) он входит в то, что позже назовут "Canadian Mafia" будущей AI революции.

2009 — Fei-Fei Li запускает ImageNet

Fei-Fei Li в Stanford запускает проект ImageNet — 14 миллионов изображений вручную размеченных по 22 000 категорий. Работу делают через Amazon Mechanical Turk — миллионы микро-задач для разметчиков.

В 2009 году никому не нужно. В 2010-м запускается ImageNet Large Scale Visual Recognition Challenge (ILSVRC) — ежегодное соревнование. В 2010 и 2011 годах побеждают классические методы с error rate 26-28%.

В 2012-м всё взорвётся.

🎨 Образ: зимняя теплица в Сибири. Снаружи -40, внутри 5 учёных продолжают сажать семена. Никто не верит что вырастет. Через 5 лет — джунгли.

Эпоха 4: Deep Learning Revolution (2012-2017)

Главная идея эпохи: AI = многослойные нейросети + GPU + много данных.

2012 сентябрь — AlexNet выигрывает ImageNet

Alex Krizhevsky, Ilya Sutskever, Geoffrey Hinton (всё — University of Toronto, лаборатория Хинтона) подают на конкурс ILSVRC модель AlexNet — конволюционную нейросеть с 8 слоями, обученную на 2x NVIDIA GTX 580 (3GB памяти каждая, ~$500).

Результат: error rate 15.3%, у второго места — 26.2%. Разрыв почти в 11 процентных пунктов — невероятный для области где улучшение в 1% было нормой.

Это момент когда AI стал "deep learning". Все следующие победители ImageNet используют нейросети. Классические методы computer vision (SIFT, HOG, SVM) умирают за один год.

Hinton, Sutskever, Krizhevsky основывают DNNresearch — стартап продаётся Google в 2013-м за $44 миллиона (Hinton идёт в Google Brain, Sutskever — потом в OpenAI).

2014 — GANs (Goodfellow)

Ian Goodfellow придумывает Generative Adversarial Networks во время разговора в баре в Монреале. Идея: две сети играют в игру — генератор создаёт картинки, дискриминатор отличает реальные от созданных. Обе улучшаются.

Через 5 лет GANs создают deepfakes которые не отличить от реальности.

2015 — AlphaGo (DeepMind)

DeepMind (Лондон, основан 2010 Demis Hassabis + Shane Legg + Mustafa Suleyman, куплен Google в 2014 за $500M) выпускает AlphaGo.

Го считалась невозможной для AI. Шахматная позиция имеет 35 вариантов хода, го — 250. Дерево поиска экспоненциально больше. Эксперты говорили "AI победит в Го через 30+ лет".

AlphaGo использует deep learning + Monte Carlo Tree Search + reinforcement learning. Обучается на 30 миллионах позиций из партий профессионалов.

В октябре 2015 побеждает европейского чемпиона Fan Hui 5:0. Первая программа победившая профи-игрока в Го без форы.

2016 март — AlphaGo побеждает Lee Sedol

В Сеуле, на матче из 5 партий, AlphaGo побеждает Lee Sedol (один из сильнейших игроков мира за последние 10 лет) со счётом 4:1. Каждая партия транслируется в прямом эфире, миллионы зрителей в Азии.

Move 37 во второй партии — ход который человеческие профи не рассматривали. Не "ошибка алгоритма" — оказалось гениальным ходом. Lee Sedol после матча: "Я научился играть в Го по-новому от AlphaGo".

Это момент когда AI стал чем-то новым в массовом сознании — не "робот-пылесос", а нечто способное удивлять экспертов.

2017 июнь — "Attention Is All You Need"

8 исследователей Google Brain и Google Research публикуют статью "Attention Is All You Need". Авторы: Ashish Vaswani, Noam Shazeer, Niki Parmar, Jakob Uszkoreit, Llion Jones, Aidan Gomez, Łukasz Kaiser, Illia Polosukhin.

Они представляют архитектуру Transformer — нейросеть основанную на механизме self-attention. До этого NLP использовал RNN/LSTM — последовательные сети которые обрабатывают слова одно за другим.

Transformer обрабатывает всю последовательность параллельно. Это в 10-100 раз быстрее тренируется на GPU. И качество выше.

Эту статью цитируют сейчас 100 000+ раз. Это фундамент всех LLM: BERT, GPT, Claude, Gemini — все основаны на Transformer.

Интересный факт: большинство авторов покинули Google в течение нескольких лет, многие основали собственные компании. Это показывает миграцию таланта из Big Tech в AI стартапы.

🎨 Образ: изобретение паровой машины Newcomen в 1712 году. До паровой машины — мускульная сила (лошади, рабы). После — механическая. Transformer — это паровая машина для AI: тот же концепт нейросети, но в 100 раз эффективнее.

Эпоха 5: LLM и эра агентов (2018-2026)

Главная идея эпохи: AI = одна большая модель обученная на интернете + tools + reasoning.

2018 — BERT (Google)

Google выпускает BERT (Bidirectional Encoder Representations from Transformers) — Transformer обученный понимать текст в обе стороны (слева направо и справа налево). Революция в Google Search — теперь система понимает запросы лучше.

2018-2019 — GPT-1, GPT-2 (OpenAI)

OpenAI (основан 2015 Sam Altman, Elon Musk, Greg Brockman, Ilya Sutskever и другими; начально некоммерческая лаборатория) выпускает GPT-1 (June 2018) и GPT-2 (Feb 2019).

GPT (Generative Pre-trained Transformer) — Transformer обученный генерировать текст. Pre-training на огромном корпусе интернета, потом fine-tuning на конкретных задачах.

GPT-2 (1.5B параметров) — настолько хорошо генерирует текст что OpenAI объявляют его "слишком опасным для полного релиза". Сначала выпускают только малую версию. Хайп и критика — некоторые считают это маркетинговым ходом.

2020 май — GPT-3

OpenAI выпускает GPT-3 — 175 миллиардов параметров. В 100 раз больше GPT-2. По оценкам, тренировка стоила несколько миллионов долларов compute.

Главное открытие GPT-3 — in-context learning. Если в промпт показать модели 2-3 примера задачи, она учится решать новые случаи. Не нужно fine-tuning, не нужно переобучение. Один промпт может научить новой задаче.

Это меняет всё. До GPT-3 каждая задача — отдельная модель. После — одна модель + правильный промпт = любая задача.

API доступ через playground — июнь 2020. Разработчики со всего мира начинают строить продукты на GPT-3. Появляется prompt engineering как профессия.

2021 — Anthropic основан

В конце 2020 года Dario Amodei (VP Research at OpenAI) и его сестра Daniela Amodei (VP Operations) уходят из OpenAI. С ними уходят несколько senior researchers: Tom Brown (lead author GPT-3), Sam McCandlish, Jack Clark, Jared Kaplan, и другие.

Причина: разногласия с OpenAI о приоритете AI safety. Они считают что коммерциализация опережает безопасность.

В 2021 году они основывают Anthropic в Сан-Франциско. Public Benefit Corporation. Изначальный focus — research on AI safety. Стартовый раунд $124M (потом $580M в 2022).

2022 — Constitutional AI

Anthropic публикует статью "Constitutional AI: Harmlessness from AI Feedback". Идея: вместо RLHF (Reinforcement Learning from Human Feedback) где люди оценивают каждый ответ модели, использовать набор принципов (конституцию) и саму AI для оценки своих ответов.

Это позволяет масштабировать обучение безопасности. И это становится подходом Claude.

2022 ноябрь — ChatGPT launch

30 ноября 2022 года OpenAI выпускает ChatGPT — chat interface для GPT-3.5. Бесплатно, без waitlist, доступно всем.

Через 5 дней — 1 миллион пользователей. Через 2 месяца — 100 миллионов. Самый быстрорастущий продукт в истории на тот момент. Для сравнения: TikTok достиг 100M за 9 месяцев, Instagram — за 2.5 года.

ChatGPT — момент когда "AI" перестал быть темой для technical community. Стал темой для CNN, BBC, родителей звонящих детям и спрашивающих "что это такое".

2023 март — GPT-4 + Claude публично

OpenAI выпускает GPT-4. Anthropic выходит из режима research-only и публично выпускает Claude (изначально через partnership с Slack, потом через claude.ai).

Claude 1 — конкурент GPT-3.5. Не лучше, но безопаснее (Constitutional AI работает).

2023 июль — Claude 2 + 100K context

Anthropic выпускает Claude 2 — лучше Claude 1, конкурент GPT-4 в некоторых задачах.

Главное: context window 100 000 tokens — впервые AI помещает целую книгу (300 страниц) в память за один запрос. До этого все модели имели 2K-8K context.

Это меняет работу с документами. Можно загрузить весь codebase, всю книгу, все юридические документы — модель видит всё.

2024 март — Claude 3 family

Anthropic выпускает Claude 3 в трёх размерах:

• Haiku — fastest, cheapest
• Sonnet — balanced
• Opus — most capable

Claude 3 Opus в ряде тестов обходит GPT-4 — впервые не-OpenAI модель лидирует. На рынке появляется реальная альтернатива.

2024 июнь — Claude 3.5 Sonnet

Через 3 месяца после Claude 3 — Claude 3.5 Sonnet. Лучше Claude 3 Opus, но дешевле и быстрее. Особенно силён в программировании — на HumanEval benchmark 92%.

Это smartphone moment для programming: на момент выхода 3.5 Sonnet многие разработчики переходят на Claude для кода.

2024 октябрь — Computer Use

Anthropic выпускает Computer Use — модель Claude теперь может управлять компьютером. Видит экран, двигает мышь, печатает текст. Не идеально, но работает.

Это начало эры агентов. AI перестаёт быть chat-интерфейсом — становится "тем кто делает работу".

2024 ноябрь — MCP (Model Context Protocol)

Anthropic выпускает Model Context Protocol — открытый стандарт для подключения tools к LLM. Не proprietary API, не закрытый плагин-формат — открытая спецификация которую любой может реализовать.

MCP даёт LLM универсальные розетки для подключения внешних систем: файловой системы, GitHub, баз данных, API. Один протокол — любой инструмент.

Это становится стандартом индустрии. Через 12 месяцев — сотни MCP servers для всего.

2025-2026 — каскад релизов Claude

В 2025-2026 годах новые версии Claude выходят каждые один-три месяца. Ключевые вехи:

• Claude 3.7 Sonnet (февраль 2025) — первая гибридная модель с режимом рассуждения
• Claude 4 (май 2025) и Claude 4.5 (осень 2025)
• Claude Opus 4.7 (апрель 2026)
• Claude Fable 5 (июнь 2026), Sonnet 5 (июнь 2026), Opus 5 (июль 2026)
• Fable 5.1 (1 сентября 2026), Opus 5.5 (22 сентября 2026), Sonnet 5.5 (28 сентября 2026)

Каждый — заметный шаг вперёд. Режим рассуждения (модель "думает" перед ответом, аналог моделей серии o у OpenAI), контекст до 1M токенов, улучшенная работа с инструментами. Актуальный список моделей — на странице Актуальное сейчас.

2025 — Claude Code

Параллельно с моделями Anthropic выпускает Claude Code (первая версия — в феврале 2025) — terminal-нативный AI assistant. Не chat-окно — CLI инструмент который живёт в твоём терминале и работает с твоим codebase.

Это меняет workflow разработчиков. Сидишь в терминале, набираешь claude, описываешь задачу, агент пишет код в файлы, запускает тесты, делает commits. К октябрю 2026 Claude Code работает и в VS Code, JetBrains, приложении Claude для компьютера, в браузере и на телефоне.

2026 (сейчас) — Agent ecosystem

Октябрь 2026 — мы находимся в моменте когда ecosystem агентов формируется:

• Frameworks: LangGraph, CrewAI, Mastra, AutoGen и другие
• Stack: Skills + Hooks + Subagents + Plugins для Claude Code
• Local AI: nanoClaude, OpenClaw, Hermes — небольшие модели работающие на ноутбуке

Production-grade агенты уже работают: автоматизация support, content marketing, sales outreach, code review. Но это раннее утро — основная работа впереди.

🎨 Образ: электричество в 1920-х годах. Tesla изобрёл переменный ток в 1888. Эдисон строил электростанции с 1882. Но именно в 1920-х электричество вошло в каждый дом и поменяло индустрию. AI агенты — мы сейчас в 1920-х по этой аналогии.

5 парадигм AI — как менялся подход

🎨 Образ: парадигмы — это не "одна заменила другую". Это слои. Symbolic AI работает внутри Wolfram Alpha. Statistical ML работает в Netflix recommendations. Deep learning внутри LLM. LLM внутри агентов. Старые парадигмы не умерли — стали инфраструктурой.

3 AI-зимы — что пошло не так

Может ли быть третья зима?

Аргументы "да":

• Capability plateau — по мнению части экспертов, улучшения замедляются: разрыв между соседними поколениями моделей меньше, чем был между GPT-3 и GPT-4
• Training data exhaustion — мы исчерпали "хороший" интернет для обучения
• Regulation — EU AI Act, разные национальные регуляции могут замедлить deploy
• Economic reality — много стартапов с слабой unit economics. Bubble может лопнуть

Аргументы "нет":

• Real productivity — AI уже даёт измеримый ROI в кодинге, поддержке, контенте
• Hardware progress — NVIDIA продолжает выпускать всё лучшие GPU
• Agentic frontier — переход к агентам только начался, потенциал огромный
• Капитал — в отрасль вложены огромные суммы, экосистема не позволит ей умереть быстро

Реальный риск ближайших лет — не "зима всего AI", а корректирующий период: часть AI стартапов не выживет, останутся те у кого есть реальный продукт. Это нормально и здорово.

Почему именно Claude (а не другая модель)

В этом курсе ствол идёт через Claude. Не потому что Claude "лучший везде" — а потому что:

Технические причины

1. Constitutional AI — обучение через принципы безопасности. Цель — более предсказуемое поведение (но атаки на модели всё равно случаются, см. урок Prompt Injection Defense).
2. Long context first — Claude 2 поддержал 100K в 2023-м, на полгода раньше OpenAI. Сейчас 1M tokens.
3. Code-native focus — модели Claude хорошо показывают себя в программировании. Сверяйся с актуальными независимыми coding benchmarks: рейтинги меняются с каждым релизом.
4. Computer Use first — Anthropic выпустил Computer Use в октябре 2024-го, раньше всех.
5. MCP standard — открытый протокол, не proprietary. Anthropic не пытается lock-in экосистему.

Бизнес причины

6. Founders ex-OpenAI — Dario Amodei (бывший VP Research OpenAI) и команда — это те же люди что строили GPT-2/GPT-3. Они знают что делают.
7. Long-term focus на safety — Anthropic строит бренд вокруг безопасности и предсказуемости моделей.
8. Документация — Anthropic публикует подробные миграционные гайды между поколениями моделей. При этом смена поколения иногда ломает старые настройки: например, в новейших моделях убраны ручные параметры sampling (temperature и подобные).

Где Claude не лидер

• Multimodal video — Gemini принимает видео на вход, у Claude на входе текст и изображения
• Real-time speech — голосовые режимы ChatGPT и Realtime API у OpenAI
• Image generation — Midjourney, FLUX и встроенная генерация в ChatGPT и Gemini лучше для картинок
• Open source — нет open weights Claude (открытые веса есть у DeepSeek, Qwen, части моделей Mistral и у ранее выпущенных Llama)

Не silver bullet. В этом курсе Claude — основа, но мы будем упоминать когда лучше использовать другие модели.

Что произошло между 2023 и 2026 — главные shifts

Самый важный shift — agency. Не "AI отвечает", а "AI делает". Это меняет роль человека: от "оператор инструмента" к "управляющий командой агентов".

Ключевые фигуры — короткие профили

Алан Тьюринг (1912-1954)

Британский математик. Отец компьютерной мысли. Сыграл ключевую роль во взломе Энигмы во Вторую мировую. Гей в эпоху когда это было уголовным преступлением в UK. В 1952-м арестован, осуждён, подвергнут химической кастрации. В 1954-м умер от отравления цианидом (официально — суицид). Помилован только в 2013-м, посмертно. Без Тьюринга не было бы информатики как поля.

John McCarthy (1927-2011)

Американский computer scientist. Назвал область "Artificial Intelligence" в 1956-м. Создал язык программирования LISP (1958) — на нём писали все ранние AI системы. Основал Stanford AI Lab (1963). 1971 — Turing Award.

Marvin Minsky (1927-2016)

MIT. Соучредитель MIT AI Lab (1959). Построил SNARC (1951). Соавтор "Perceptrons" (1969). Влиятельный, но местами противоречивый — его критика нейросетей задержала их развитие на 17 лет. 1969 — Turing Award.

Geoffrey Hinton (род. 1947)

"Godfather of deep learning." University of Toronto. Backpropagation revival (1986), deep belief networks (2006), AlexNet (2012 через ученика Krizhevsky). Google Brain 2013-2023. В 2023-м ушёл из Google чтобы свободно говорить о рисках AI. 2018 Turing Award (с LeCun и Bengio) и Нобелевская премия по физике 2024 (за работы по нейросетям). Сейчас предупреждает о рисках AGI.

Yann LeCun (род. 1960)

Французский computer scientist. NYU + Meta (Chief AI Scientist с 2013-го до конца 2025-го; затем основал стартап AMI Labs). Один из пионеров convolutional neural networks (CNN): в 1989-м применил их для распознавания рукописных цифр, например почтовых индексов для US Postal Service. 2018 Turing Award (вместе с Hinton и Bengio). Скептически относится к LLM как к пути к AGI, делает ставку на "world models" (модели мира).

Yoshua Bengio (род. 1964)

Université de Montréal. Третий из "Canadian Mafia". 2018 Turing Award. С 2023-го фокусируется на AI safety.

Ilya Sutskever (род. 1986)

Российско-канадско-израильский researcher. Ученик Hinton. Co-author AlexNet (2012). Founding co-founder и Chief Scientist OpenAI (2015-2024). Лидер обучения GPT-3, GPT-4. В мае 2024-го ушёл из OpenAI после конфликта вокруг Sam Altman. Основал Safe Superintelligence Inc. — единственная цель: построить безопасный AGI.

Dario Amodei (род. ~1983)

Американский physicist. PhD Princeton. VP Research at OpenAI 2018-2020. Ушёл из OpenAI вместе с сестрой Daniela, в 2021-м они основали Anthropic. CEO. Оптимистично оценивает прогресс AI, при этом последовательно выступает за безопасность.

Sam Altman (род. 1985)

American entrepreneur. President Y Combinator 2014-2019. Co-founder OpenAI 2015. CEO OpenAI с 2019-го. В ноябре 2023-го board уволил его, а через 4 дня вернул (стало известно как "OpenAI Drama"): подавляющее большинство сотрудников пригрозили уйти. Одна из самых влиятельных фигур в AI индустрии.

Demis Hassabis (род. 1976)

Британский нейробиолог + ex-game designer (Theme Park, 1994). Founder DeepMind (2010, продан Google в 2014). AlphaGo, AlphaFold (предсказание structures белков). 2024 Nobel Chemistry за AlphaFold (с John Jumper).

Andrej Karpathy (род. ~1987)

Словацкий researcher. PhD Stanford под Fei-Fei Li. Founding member OpenAI (2015-2017). Director of AI at Tesla 2017-2022. Вернулся в OpenAI 2023-2024, потом ушёл. Сейчас фокус на образование: open courses, YouTube tutorials. Massive influence на community.

Fei-Fei Li (род. 1976)

Китайско-американский researcher. Stanford. Создательница ImageNet (2009). Co-Director Stanford HAI (Human-Centered AI Institute). AI4ALL — non-profit для diversity в AI. Автор книги "The Worlds I See" (2023).

Ian Goodfellow (род. 1985)

Изобретатель GANs (2014). Google → Apple → DeepMind. Влиятельная фигура, но избегает public spotlight.

2026 outlook — где мы сейчас

Capability

• Frontier models: несколько компаний выпускают модели верхнего уровня (Claude Fable и Opus, GPT-6, Gemini 3.x, DeepSeek V4 и другие). Рейтинги меняются с каждым релизом, актуальный список — на странице Актуальное сейчас
• Reasoning models: режим рассуждения встроен в модели всех крупных компаний и даёт устойчивое улучшение на сложных задачах (math, code, science)
• Multimodal: все frontier модели понимают text + image, многие и audio + video
• Long context: 1M токенов у ряда моделей; точные значения — в документации поставщика

Adoption

• Знаниевые работники и программисты: доля пользователей AI быстро растёт. Свежие цифры смотри в AI Index Report (Stanford) и в отчётах опросов (например, Stack Overflow Developer Survey), а не в тексте урока: они устаревают за месяцы
• Бизнес: у многих компаний есть AI стратегия, реально использующих меньше

Agents

• Раннее утро. Production grade агенты работают в нескольких verticals: customer support, content marketing, sales outreach, code review.
• Ограничения: решения в медицине и праве остаются за специалистами, длинные цепочки действий требуют контроля человека.

AGI timeline (estimates)

Оценки расходятся очень сильно: руководители AI-компаний говорят о годах или о ближайшем десятилетии, часть известных исследователей считает, что путь через LLM к AGI не приведёт и нужны новые архитектуры, а скептики допускают, что AGI не появится вообще. Конкретные годы здесь не приводятся: они меняются в каждом интервью.

Истина: никто не знает точно. Прогнозы 5 лет вперёд в AI исторически плохи в обе стороны.

Risks

• Misuse: дипфейки, генерация дезинформации, autonomous weapons
• Job displacement: задачи переводчиков, копирайтеров, начинающих разработчиков меняются быстрее всего (подробнее в уроке AI без страха)
• Alignment: делают ли модели то что мы хотим, а не что просим
• Concentration of power: небольшое число компаний контролирует frontier (Anthropic, OpenAI, Google и другие, а также китайские лаборатории вроде DeepSeek и Alibaba)

Это не Terminator. Это реальные concerns которые требуют реальной работы.

Что значит "Эра агентов" в 2026

2018-2022: Эра pre-trained LLMs
- AI отвечает на вопросы
- Один промпт = один ответ
- Нет памяти, нет tools, нет действий

2022-2024: Эра ChatGPT / Conversational AI
- Многоходовые беседы
- Простые tools (web search, code execution)
- Всё в chat interface

2024-сейчас: Эра агентов
- AI планирует и выполняет multi-step задачи
- Tools + memory + reasoning
- Работает в твоём окружении (terminal, computer, browser)
- Может выполнять задачи когда тебя нет

Что это значит для тебя

Ты учишься в момент когда правила пишутся прямо сейчас. Best practices для prompt engineering установились в 2023-2024. Best practices для agent engineering — пишутся в 2026. Через 2 года будут learned, written down, taught in courses. Сейчас — frontier.

Это значит:

• Меньше готовых решений ("гугли как сделать X" не сработает)
• Больше эксперимента и собственного опыта
• Больше возможностей разобраться глубже других — но без гарантий, что это даст доход

Чеклист — что ты понял после урока

• Понимаешь 5 эпох AI: Dartmouth → Symbolic → ML+Winters → Deep Learning → LLMs+Agents
• Знаешь почему случились 2 AI-зимы (1974, 1987) и какие риски третьей
• Видишь difference между pretrained LLMs (2018-2023) и agentic AI (2024+)
• Понимаешь почему Anthropic — не "очередной AI стартап", а ex-OpenAI команда с safety focus
• Знаешь ключевые годы: 1950 (Turing), 1956 (Dartmouth), 1986 (backprop), 2012 (AlexNet), 2017 (Transformer), 2020 (GPT-3), 2022 (ChatGPT), 2024 (Computer Use + MCP)
• Понимаешь что 2026 = ранее утро эры агентов, frontier формируется сейчас
• Готов учиться когда правила пишутся прямо сейчас

Что дальше

Если только начал изучать AI: → Как работает LLM изнутри — техническая глубина без формул

Если хочешь практику: → Установка и настройка — первая команда в терминале

Если интересует Local AI и privacy: → Local AI Agents — small models на твоём ноутбуке

Если хочешь deep-dive в архитектуру моделей: → Как работает LLM изнутри — transformer и attention механизм без математики

Если интересует AGI timeline и риски: → AI Ethics & Safety — безопасность AI и как не доверять AI слепо

Источники

Foundational papers (читать в оригинале если есть время)

• Turing 1950 — "Computing Machinery and Intelligence" — https://academic.oup.com/mind/article/LIX/236/433/986238
• Rosenblatt 1958 — "The Perceptron" — Psychological Review
• Rumelhart, Hinton, Williams 1986 — Backpropagation — Nature
• LeCun 1989 — CNN для распознавания цифр
• Vaswani et al. 2017 — "Attention Is All You Need" — https://arxiv.org/abs/1706.03762
• Brown et al. 2020 — GPT-3 paper "Language Models are Few-Shot Learners" — https://arxiv.org/abs/2005.14165
• Bai et al. 2022 (Anthropic) — Constitutional AI — https://www.anthropic.com/research/constitutional-ai-harmlessness-from-ai-feedback

Research labs

• Anthropic Research — https://www.anthropic.com/research
• OpenAI Research — https://openai.com/research
• DeepMind Publications — https://deepmind.google/research/publications/
• Google AI — https://ai.google/

Игры и benchmarks

• AlphaGo paper — Nature 2016 — https://www.nature.com/articles/nature16961
• ImageNet — https://www.image-net.org/
• MMLU benchmark — https://github.com/hendrycks/test
• HumanEval (code) — https://github.com/openai/human-eval

Industry reports

• AI Index Report (Stanford, свежий выпуск) — https://aiindex.stanford.edu/
• State of AI Report (Nathan Benaich) — https://www.stateof.ai/

Книги (если хочешь deep-dive)

• "The Coming Wave" — Mustafa Suleyman (2023)
• "Life 3.0" — Max Tegmark (2017)
• "Superintelligence" — Nick Bostrom (2014)
• "Human Compatible" — Stuart Russell (2019)
• "The Worlds I See" — Fei-Fei Li (2023)
• "Genius Makers" — Cade Metz (2021) — лучшая история AI до 2020

YouTube (визуальное обучение)

• 3Blue1Brown — серия Neural Networks (математика visualisation)
• Andrej Karpathy — "Neural Networks: Zero to Hero" — building GPT с нуля
• Two Minute Papers — еженедельные обзоры research papers

Ключевые выводы

Никакая революция в AI не была неожиданной. ChatGPT 2022 — следствие GPT-3 2020. GPT-3 — следствие Transformer 2017. Transformer — следствие deep learning revival 2006. Каждый "вдруг" — это 10-20 лет тихой работы маленьких команд.

Технология идёт волнами парадигм. Symbolic AI (1956-1980) → Statistical ML (1990-2010) → Deep Learning (2012-2018) → LLMs (2018-2023) → Agents (2024+). Старые парадигмы не умирают — становятся инфраструктурой для новых.

Эра агентов только началась. Production-grade агенты работают в нескольких verticals, но это раннее утро. Правила и best practices пишутся прямо сейчас, в 2026 году. Те кто учится сегодня — ближе к frontier.

Module 0 navigation: ← История AI | Как работает LLM →