Большинство публичных дискуссий об ИИ сводятся к нейросетям и языковым моделям. Между тем нейросеть — лишь один из нескольких архитектурных подходов, каждый из которых появился для решения разных классов задач и обладает своим набором ограничений.
Определение ИИ, с которым работают инженеры, звучит так: техническая система, способная решать задачи, адаптируясь под внешние факторы, и при этом обучаться — то есть осваивать новые типы задач без переписывания кода. Обучение может быть ручным (человек добавляет знания) или автоматическим (система извлекает их из данных самостоятельно). Именно критерий обучаемости отделяет ИИ от обычной программы с жёсткими правилами.
Нейронная сеть — наиболее известный подход. Она состоит из нейронов, соединённых взвешенными связями: чем выше вес, тем сильнее один нейрон влияет на другой. Сеть обучается на размеченных данных — например, тысячах фотографий цифр — и итеративно корректирует веса, минимизируя ошибку. Языковые модели ChatGPT и Gemini работают по тому же принципу, только вместо распознавания цифры предсказывают следующий токен в тексте. Главный недостаток подхода — непрозрачность: объяснить, почему модель приняла конкретное решение, практически невозможно. Кроме того, нейросети склонны к галлюцинациям — генерации уверенно звучащей, но ложной информации — и требуют значительных вычислительных ресурсов.
Нейросети самообучаются на данных, но непрозрачны: причину решения отследить невозможно.
Семантическая сеть устроена иначе: знания хранятся в виде графа, где узлы — понятия, а рёбра — отношения между ними. Если система знает, что квадрат является параллелограммом, а у параллелограмма стороны взаимно параллельны, она логически выведет, что стороны квадрата тоже параллельны — даже если это явно не прописано. Подобные графы знаний активно используются в поисковых системах: они позволяют понимать не только ключевые слова, но и смысловые связи между запросом и документом. Преимущества подхода — полная прозрачность рассуждений и возможность дополнять базу знаний в любой момент без искажения уже накопленного. Слабое место — трудности с неструктурированными данными: изображениями, звуком, видео.
Эмерджентный подход строится на противоположном принципе: сложное поведение возникает из взаимодействия множества простых элементов, каждый из которых следует минимальному набору правил. Классические примеры — системы роевого интеллекта, имитирующие поведение стай птиц или колоний муравьёв, и клеточные автоматы вроде «Игры жизни». Такие системы применяются в задачах оптимизации и распределённых вычислений. Их устойчивость к сбоям высока: выход одного элемента из строя не разрушает систему целиком. Однако предсказать и контролировать итоговое поведение сложно, а отладка превращается в нетривиальную задачу.
Выбор подхода определяется задачей. Там, где нужна интерпретируемость и возможность объяснить каждый вывод — например, в медицинской диагностике или юридическом анализе — семантические сети и экспертные системы выигрывают у нейросетей. Там, где данных много, а структура заранее неизвестна, нейросети остаются предпочтительным инструментом. Эмерджентные модели занимают свою нишу в задачах, где централизованное управление невозможно или нежелательно. На практике современные системы всё чаще комбинируют несколько подходов одновременно.
