Кто придумал термин «искусственный интеллект» и ещё 9 понятий: глоссарий TechCrunch

Вопрос «кто придумал термин искусственный интеллект» задают до сих пор, и ответ давно известен: в 1956 году математик Джон Маккарти предложил его для Дартмутской конференции. С тех пор терминология выросла на порядки. TechCrunch выпустил и продолжает обновлять «живой документ», где каждый термин объяснён без академического жаргона. Ниже адаптация для русскоязычного читателя с привязкой к практике авторов, маркетологов и предпринимателей РФ и СНГ.

Что именно разобрано в глоссарии?

TechCrunch собрал термины, которые чаще всего звучат на продуктовых совещаниях, питч-сессиях и конференциях. Это не научная статья, а практический справочник для тех, кто строит продукты, инвестирует или просто пытается не отстать от новостей.

Глоссарий обновляется по мере появления новых понятий. Издание называет его «живым документом, как и сами ИИ-системы, которые он описывает».

Девять терминов, которые стоит знать

• AGI (Artificial General Intelligence) означает «сильный искусственный интеллект», способный решать большинство задач не хуже среднего человека. Сэм Альтман, глава OpenAI, описывал AGI как «эквивалент среднего сотрудника, которого вы могли бы нанять». Google DeepMind формулирует иначе: «ИИ, как минимум равный человеку в большинстве когнитивных задач». Единого определения нет даже среди ведущих исследователей.

• ИИ-агент (AI agent) выполняет цепочку действий от вашего имени: оформляет расходы, бронирует билеты, пишет и поддерживает код. Отличие от обычного чат-бота в том, что агент действует автономно, может обращаться сразу к нескольким ИИ-системам и выполнять многошаговые задачи. Кто придумал термин «искусственный интеллект», мы уже упомянули, а вот понятие «ИИ-агент» оформилось только в последние два года и пока не устоялось: разные компании вкладывают в него разный смысл.

• Конечные точки API (API endpoints) удобнее представить как «кнопки» на задней панели программы, которые другие программы могут нажимать. Разработчики используют их, чтобы связать приложения между собой. По мере того как ИИ-агенты становятся способнее, они всё чаще находят и используют такие «кнопки» самостоятельно, что открывает мощные, а иногда и неожиданные возможности для автоматизации.

• Цепочка рассуждений (chain of thought) работает так: вместо мгновенного ответа модель разбивает задачу на промежуточные шаги, как человек, который берёт ручку и бумагу для сложной задачи. Ответ приходит медленнее, зато точнее, особенно в логике и коде. Рассуждающие модели (reasoning models) создаются на базе обычных больших языковых моделей и оптимизируются для такого пошагового мышления через обучение с подкреплением.

• Кодинг-агент (coding agent) пишет, тестирует и отлаживает код самостоятельно, обрабатывая целые кодовые базы. TechCrunch сравнивает его с «очень быстрым стажёром, который никогда не спит и не теряет фокус, но чью работу всё равно нужно проверять».

• Вычислительные мощности (compute) обозначают ресурсы, необходимые для обучения и работы моделей: GPU, CPU, TPU (графические, центральные и тензорные процессоры) и другую инфраструктуру. Это фундамент индустрии, и дефицит compute напрямую влияет на то, кто может позволить себе обучать большие модели.

• Глубокое обучение (deep learning) относится к подвиду машинного обучения, где алгоритмы построены по принципу многослойной искусственной нейронной сети, вдохновлённой устройством нейронов мозга. Такие модели сами находят важные признаки в данных, но требуют миллионов и более примеров для качественной работы. Обучение занимает больше времени и стоит дороже, чем для простых алгоритмов.

• Диффузия (diffusion) лежит в основе генерации изображений. Источник обрывает описание на этом термине, поэтому подробности технологии здесь не приводим.

• LLM (Large Language Model) означает «большая языковая модель». В глоссарии этот термин упомянут как связанный с цепочкой рассуждений. Это базовый тип модели, на котором работают ChatGPT, Claude, GigaChat и YandexGPT.

Что делать с этим прямо сейчас?

Авторам Дзена. Используйте глоссарий как шпаргалку для текстов про технологии. Если пишете обзор нейросети, объясните хотя бы два-три термина при первом упоминании: читатель 50+ оценит. «Промпт» (prompt, текстовая команда для нейросети) уже знакомо многим, а вот «инференс» (inference, процесс, когда обученная модель выдаёт ответ на ваш запрос) встречается реже и стоит расшифровки.

Маркетологам. Понимание терминов влияет на переговоры с подрядчиками. Когда вам предлагают «агентное решение», вы теперь знаете: речь об автономной цепочке действий, а не просто о чат-боте на сайте. Это разный уровень сложности и цены.

Предпринимателям РФ и СНГ. Из доступных в России аналогов стоит смотреть на YandexGPT и GigaChat. Оба поддерживают API-интеграцию, оба развивают агентные сценарии. Автоматизация бюрократических процессов, характерных для России (заполнение форм, обработка входящих обращений, подготовка отчётности), уже реализуема через агентные цепочки на этих платформах. Глоссарий поможет точнее формулировать техзадания для разработчиков.

Каждую неделю появляются новые понятия, и тот, кто первым объяснит их аудитории простым языком, получает внимание и доверие читателя. Глоссарий не заменяет понимание, но экономит часы на поиск определений по десяти вкладкам.

По данным TechCrunch