Глоссарий ИИ

Короткие и точные определения терминов из мира искусственного интеллекта — без академического тумана. Каждый термин начинается с ответа в двух предложениях, дальше — подробный разбор, конкретный пример и связанные понятия. Глоссарий пополняется по мере того, как новые термины входят в новости.

Модели

Decoder-only архитектура

Decoder-only архитектура — вариант трансформера, использующий только стек декодерных слоёв с маскированным (каузальным) вниманием, при котором каждый токен видит лишь предшествующие; основа подавляющего большинства совре

Архитектура энкодер-декодер

Архитектура энкодер-декодер — структура нейронной сети, в которой компонент-энкодер сжимает входную последовательность в латентное представление, а декодер разворачивает его в выходную последовательность другой длины или

Большая языковая модель (LLM)

Большая языковая модель (LLM) — нейронная сеть на основе архитектуры трансформер с миллиардами параметров, обученная предсказывать следующий токен на огромных текстовых корпусах и способная генерировать текст, отвечать н

Визуально-языковая модель (VLM)

Визуально-языковая модель (VLM) — нейронная сеть, совместно обученная на изображениях и тексте, способная связывать визуальное содержимое с языковыми концепциями: отвечать на вопросы об изображениях, описывать их и выпол

Генеративно-состязательная сеть (GAN)

Генеративно-состязательная сеть (GAN) — архитектура глубокого обучения из двух нейросетей: генератор синтезирует данные из случайного шума, а дискриминатор учится отличать их от реальных. В состязательном обучении обе се

Генеративный ИИ

Генеративный ИИ — направление искусственного интеллекта, объединяющее модели, способные создавать новый контент: текст, изображения, аудио, видео и программный код. В отличие от классических аналитических систем, такие м

Генерация видео по тексту

Генерация видео по тексту (Text-to-Video) — технология, при которой ИИ-модель создаёт видеоролик на основе текстового описания, управляя сценой, движением объектов и длительностью.

Генерация изображений по тексту

Генерация изображений по тексту (Text-to-Image) — технология, при которой нейронная сеть создаёт изображение на основе текстового описания (промпта) на естественном языке.

Глубокое обучение

Глубокое обучение — подраздел машинного обучения, в котором используются многослойные нейронные сети для автоматического извлечения иерархических признаков из сырых данных без ручного проектирования признаков.

Диффузионная модель

Диффузионная модель — класс генеративных нейросетей, обученных обращать процесс постепенного добавления шума к данным. Подавая случайный шум на вход и итеративно «очищая» его, модель генерирует реалистичные изображения,

Длинный контекст

Длинный контекст — характеристика языковой модели, определяющая максимальный объём текста (контекстное окно), который она может воспринять при генерации одного ответа. Измеряется в токенах; современные модели поддерживаю

Малая языковая модель (SLM)

Малая языковая модель (SLM) — языковая модель с числом параметров обычно до 7–13 миллиардов, способная работать на потребительском оборудовании или непосредственно на устройстве пользователя. SLM жертвует частью универса

Машинное обучение

Машинное обучение — область искусственного интеллекта, в которой алгоритмы автоматически строят предсказательные модели из данных без явного программирования каждого правила принятия решений.

Модель мира

Модель мира — нейросетевая система, обученная предсказывать, как состояние среды изменится в ответ на действие агента. Располагая такой моделью, агент может планировать «в воображении» без реального взаимодействия со сре

Модель пространства состояний (SSM)

Модель пространства состояний (SSM) — математический класс архитектур, описывающих эволюцию последовательности через скрытый вектор состояния; в контексте машинного обучения позволяет обрабатывать длинные последовательно

Модель с открытыми весами

Модель с открытыми весами — языковая или мультимодальная нейросеть, параметры (веса) которой публично доступны для скачивания, изучения и локального запуска без обязательного обращения к API разработчика.

Модель эмбеддингов

Модель эмбеддингов — нейронная сеть, преобразующая текст, изображения или другие данные в числовые векторы, в которых семантически похожие объекты расположены близко друг к другу в многомерном пространстве.

Мультимодальная модель

Мультимодальная модель — нейросетевая система, обрабатывающая и генерирующая данные нескольких типов (текст, изображения, аудио, видео) в рамках единой архитектуры, а не раздельными специализированными модулями.

Нейронная сеть

Нейронная сеть — вычислительная модель из слоёв взаимосвязанных узлов (нейронов), которая учится распознавать паттерны в данных, автоматически подстраивая числовые веса связей между узлами в процессе обучения.

Распознавание речи (ASR)

Распознавание речи (ASR, Automatic Speech Recognition) — технология автоматического перевода акустической речи в текст с помощью нейронных сетей, работающих как в реальном времени, так и в пакетном режиме.

Рассуждающая модель

Рассуждающая модель — языковая модель, оптимизированная для многоэтапного логического вывода: перед финальным ответом она генерирует внутреннюю цепочку рассуждений, что повышает точность на математических, научных и прог

Рекуррентная нейросеть (RNN)

Рекуррентная нейросеть (RNN) — архитектура нейронной сети, обрабатывающая последовательности за счёт передачи скрытого состояния от шага к шагу; позволяет учитывать контекст предыдущих элементов при обработке текущего.

Свёрточная нейросеть (CNN)

Свёрточная нейросеть (CNN) — архитектура глубокого обучения, применяющая обучаемые фильтры (ядра свёртки) для извлечения локальных признаков из пространственно структурированных данных, прежде всего изображений; основа б

Синтез речи (TTS)

Синтез речи (TTS, Text-to-Speech) — технология автоматического преобразования написанного текста в звучащую речь с помощью нейронных сетей, воспроизводящих естественные интонацию, ритм и тембр голоса.

Смесь экспертов (MoE)

Смесь экспертов (MoE) — архитектура нейросети, где каждый входной токен обрабатывается только подмножеством специализированных подсетей («экспертов»), а не всеми параметрами модели. Это позволяет увеличивать общее число

Трансформер

Трансформер — архитектура нейронной сети, основанная на механизме самовнимания (self-attention), которая обрабатывает последовательности параллельно и улавливает дальние зависимости; предложена в статье «Attention Is All

Фронтирная модель

Фронтирная модель — AI-система, находящаяся на переднем крае возможностей своего времени и превосходящая или не уступающая всем существующим аналогам по ключевым задачам рассуждения, кодирования и научного анализа. Это о

Фундаментальная модель

Фундаментальная модель — крупная нейронная сеть, предобученная на масштабных разнородных данных и способная адаптироваться к широкому кругу задач без обучения с нуля. Термин введён в 2021 году Стэнфордским институтом CRF

Обучение

DPO (прямая оптимизация предпочтений)

DPO (Direct Preference Optimization) — метод дообучения языковых моделей на основе человеческих предпочтений, не требующий отдельной модели наград и RL-цикла в отличие от классического RLHF. Предложен Rafailov et al. в 2

LoRA (низкоранговая адаптация)

LoRA (Low-Rank Adaptation) — метод эффективного дообучения больших моделей, при котором к замороженным весам добавляются компактные матрицы низкого ранга; число обучаемых параметров сокращается более чем в сто раз по сра

QLoRA — метод дообучения LLM, совмещающий 4-битную квантизацию базовой модели с LoRA-адаптерами в полной точности; позволяет дообучать модели с 65 млрд параметров на одном GPU с 48 ГБ VRAM вместо кластера из нескольких A

RLAIF (обучение с подкреплением на обратной связи от ИИ)

RLAIF — вариант RLHF, в котором роль человека-аннотатора выполняет другая языковая модель: она оценивает качество ответов и формирует сигнал наград, позволяя масштабировать выравнивание без пропорционального роста затрат

RLHF (обучение с подкреплением на человеческой обратной связи)

RLHF — техника выравнивания языковых моделей, при которой оценки живых аннотаторов обучают отдельную модель наград, а затем с её помощью через обучение с подкреплением оптимизируют поведение основной модели.

RLVR (обучение с проверяемыми наградами)

RLVR (Reinforcement Learning with Verifiable Rewards) — метод обучения языковых моделей с подкреплением, где сигнал награды вычисляется автоматически путём верификации правильности ответа по объективному критерию, без уч

Аугментация данных

Аугментация данных — набор техник расширения обучающего датасета путём создания видоизменённых копий существующих примеров при сохранении их меток. Позволяет улучшить обобщающую способность модели без сбора дополнительны

Градиентный спуск

Градиентный спуск — итерационный алгоритм оптимизации, на каждом шаге вычисляющий градиент функции потерь по параметрам модели и обновляющий параметры в направлении, противоположном градиенту. Это фундаментальный механиз

Гроккинг

Гроккинг — феномен в обучении нейронных сетей, при котором модель резко переходит от запоминания обучающих данных к подлинному обобщению после длительной тренировки — намного позже обычной точки ранней остановки.

Дистилляция знаний

Дистилляция знаний — метод, при котором компактная модель-«ученик» обучается воспроизводить вероятностные распределения крупной модели-«учителя», а не только правильные ответы; это позволяет уменьшить модель в разы при н

Законы масштабирования

Законы масштабирования — эмпирические степенные зависимости, описывающие, как качество нейросетевых моделей предсказуемо улучшается при увеличении числа параметров, объёма данных и вычислительного бюджета. Впервые систем

Инструктивное дообучение

Инструктивное дообучение — этап обучения языковой модели на наборе пар «инструкция — желаемый ответ», позволяющий ей следовать произвольным командам пользователя вместо простого продолжения текста.

Катастрофическое забывание

Катастрофическое забывание — явление, при котором нейронная сеть, дообученная на новой задаче, резко теряет производительность на ранее освоенных задачах. Возникает потому, что обновление весов для новой задачи перезапис

Непрерывное обучение

Непрерывное обучение — парадигма машинного обучения, при которой модель последовательно накапливает знания из потока новых задач или данных, не утрачивая ранее приобретённые навыки. Служит альтернативой дорогостоящему пе

Обратное распространение ошибки

Обратное распространение ошибки — алгоритм вычисления градиентов функции потерь по весам нейронной сети, используемый для её обучения методом градиентного спуска. Основан на последовательном применении правила дифференци

Обучающие данные

Обучающие данные — размеченный или неразмеченный набор примеров, на котором модель машинного обучения настраивает свои параметры в ходе тренировки. Качество, разнообразие и объём этих данных напрямую определяют возможнос

Обучение без учителя

Обучение без учителя (Unsupervised Learning) — парадигма машинного обучения, при которой модель обнаруживает структуру и закономерности в данных без размеченных примеров и явных правильных ответов.

Обучение с подкреплением

Обучение с подкреплением (Reinforcement Learning, RL) — парадигма машинного обучения, при которой агент учится принимать решения, получая от среды сигналы вознаграждения или штрафа за свои действия, без явных правильных

Обучение с учителем

Обучение с учителем (Supervised Learning) — основная парадигма машинного обучения, при которой модель обучается на размеченных данных: каждому входному примеру соответствует правильный ответ, и модель минимизирует ошибку

Переобучение

Переобучение — явление, при котором модель показывает высокую точность на обучающих данных, но значительно хуже работает на новых, ранее не встречавшихся примерах. Происходит потому, что вместо обобщаемых закономерностей

Предобучение

Предобучение — первый и наиболее ресурсоёмкий этап создания большой языковой модели, на котором сеть обучается предсказывать следующий токен на триллионах слов текста без ручной разметки.

Самообучение (self-supervised)

Самообучение (self-supervised learning) — парадигма обучения, при которой модель сама формирует обучающие сигналы из неразмеченных данных, предсказывая скрытые или пропущенные части входного потока без участия человека-р

Синтетические данные

Синтетические данные — искусственно сгенерированные данные, статистически имитирующие реальные, но не связанные с конкретными людьми или событиями. Используются для обучения моделей при нехватке реальных данных или огран

Трансферное обучение

Трансферное обучение — метод, при котором модель, обученная на одной задаче или наборе данных, переиспользуется для решения другой задачи, сохраняя ранее усвоенные признаки и существенно снижая потребность в размеченных

Файнтюнинг (дообучение)

Файнтюнинг — это дообучение готовой AI-модели на небольшом наборе данных под конкретную задачу. Вместо обучения модели с нуля вы адаптируете существующую под свой домен, стиль или формат ответов.

Федеративное обучение

Федеративное обучение — метод машинного обучения, при котором модель обучается на данных множества устройств или серверов без их централизованной передачи. Градиенты или обновления весов агрегируются на центральном серве

Функция потерь

Функция потерь — математическая функция, измеряющая расхождение между предсказаниями модели и эталонными значениями; её минимизация является непосредственной целью обучения. Выбор функции определяется задачей: кросс-энтр

Чекпоинт модели

Чекпоинт модели — сохранённый снимок весов нейронной сети на определённом этапе обучения. Позволяет возобновить тренировку после сбоя, выбрать лучшую версию модели по валидационным метрикам или развернуть модель в produc

Эпоха обучения

Эпоха (epoch) — один полный проход алгоритма обучения нейронной сети через весь обучающий датасет. После каждой эпохи принято вычислять метрики на валидационной выборке, чтобы отслеживать переобучение и принимать решение

Инференс

KV-кэш (Key-Value Cache) — механизм ускорения инференса языковых моделей, при котором промежуточные матрицы ключей и значений для уже обработанных токенов сохраняются в памяти GPU и не пересчитываются при генерации следу

Top-p сэмплирование

Top-p (nucleus) сэмплирование — стратегия генерации токенов, при которой выбор осуществляется только из минимального набора наиболее вероятных токенов, суммарная вероятность которых достигает порога p; размер этого набор

Батчинг — объединение нескольких запросов в один пакет для одновременной параллельной обработки на GPU. Повышает утилизацию ускорителя и пропускную способность системы, так как GPU спроектированы для массивного параллели

Вычисления на этапе инференса (test-time compute)

Вычисления на этапе инференса — подход, при котором модель использует дополнительные вычислительные ресурсы во время генерации ответа, а не только при обучении, чтобы повысить точность и качество результата.

Задержка (латентность)

Задержка (латентность) — время от отправки запроса к языковой модели до получения ответа. Измеряется двумя ключевыми показателями: TTFT (time to first token — до первого токена) и TPOT (time per output token — время гене

Инференс

Инференс — процесс применения обученной модели машинного обучения к новым данным для получения предсказаний или генерации контента. В отличие от обучения, инференс не изменяет веса модели и выполняется в реальном времени

Квантизация

Квантизация нейронных сетей — техника сжатия модели путём замены высокоточных весов (float32, bfloat16) на числа с меньшей битностью (int8, int4), что пропорционально уменьшает объём памяти и ускоряет инференс при незнач

Контекстное окно

Контекстное окно — максимальный объём токенов, который языковая модель учитывает при генерации ответа. В 2026 году размер варьируется от 8 000 токенов у компактных моделей до 1 000 000 у флагманских (Gemini 1.5 Ultra), ч

Кэширование промптов

Кэширование промптов — функция API языковых моделей, при которой вычисленное KV-состояние неизменного префикса промпта сохраняется между запросами. Повторные запросы с тем же префиксом обходятся быстрее и дешевле — Anthr

Логиты — сырые ненормализованные числовые оценки, которые языковая модель вычисляет для каждого токена словаря на выходе финального линейного слоя; они преобразуются в вероятности функцией softmax и служат основой для вс

Локальный ИИ (on-device)

Локальный ИИ (on-device AI) — запуск моделей машинного обучения непосредственно на пользовательском устройстве без передачи данных на облачный сервер, что обеспечивает приватность, работу офлайн и низкие задержки.

Перплексия

Перплексия — стандартная метрика оценки языковых моделей, вычисляемая как экспонента средней перекрёстной энтропии на тестовом тексте; интерпретируется как среднее число равновероятных вариантов следующего токена — чем н

Пропускная способность

Пропускная способность — количество токенов или запросов, которое система инференса обрабатывает в единицу времени. Измеряется в токенах в секунду (tokens/s) или запросах в секунду (req/s) и определяет эффективность испо

Сервинг моделей

Сервинг моделей — развёртывание обученной нейронной сети в виде производственного сервиса, доступного через API для обработки запросов в реальном времени или пакетном режиме. Включает управление очередями, балансировку н

Спекулятивное декодирование

Спекулятивное декодирование — метод ускорения инференса больших языковых моделей, при котором небольшая «черновая» модель генерирует несколько токенов подряд, а большая модель проверяет их все за один параллельный проход

Стриминг ответа

Стриминг ответа — режим доставки, при котором токены языковой модели передаются клиенту по мере генерации, без ожидания полного ответа. Снижает воспринимаемую задержку: пользователь видит начало текста через доли секунды

Температура

Температура — гиперпараметр сэмплирования языковых моделей, на который делятся логиты перед применением softmax: высокое значение делает распределение токенов более равномерным и разнообразным, низкое — более сфокусирова

Токен — минимальная единица текста, которую языковая модель обрабатывает за один шаг: как правило, фрагмент слова, целое слово или знак препинания. Размер контекстного окна модели и стоимость API-запросов измеряются имен

Токенизация

Токенизация — процесс разбиения текста на минимальные единицы (токены), которые языковая модель принимает как входные данные. Токен соответствует примерно 3–4 символам латиницы или 1–2 символам кириллицы, что делает обра

Уровень рассуждения

Уровень рассуждения — параметр вывода рассуждающих моделей, определяющий бюджет токенов на внутренние шаги мышления перед итоговым ответом: чем выше значение, тем длиннее скрытая цепочка мыслей и точнее результат, но выш

Цепочка рассуждений (CoT)

Цепочка рассуждений (Chain-of-Thought, CoT) — метод работы с языковыми моделями, при котором модель перед финальным ответом явно генерирует последовательность промежуточных шагов рассуждения, что значительно повышает точ

Агенты

MCP (Model Context Protocol)

MCP (Model Context Protocol) — открытый протокол, разработанный Anthropic в ноябре 2024 года, который стандартизирует подключение языковых моделей к внешним инструментам, базам данных и сервисам через унифицированный инт

Автономный агент

Автономный агент — AI-система на основе языковой модели, способная самостоятельно воспринимать среду, ставить подзадачи и выполнять их с использованием инструментов для достижения поставленной цели с минимальным участием

Агентный воркфлоу

Агентный воркфлоу — архитектурный паттерн, при котором языковая модель не генерирует одиночный ответ, а автономно выполняет многошаговую задачу: планирует действия, вызывает инструменты, проверяет промежуточные результат

Агентный харнесс

Агентный харнесс — программная оболочка, управляющая жизненным циклом AI-агента: предоставляет инструменты, обрабатывает вызовы функций, хранит состояние между шагами, контролирует разрешения и координирует взаимодействи

Браузерный агент

Браузерный агент — AI-система, которая автономно управляет браузером для выполнения веб-задач: навигации по страницам, заполнения форм, извлечения данных и взаимодействия с веб-приложениями без участия пользователя.

Вайб-кодинг

Вайб-кодинг — стиль разработки ПО, при котором программист описывает задачу на естественном языке, а языковая модель генерирует код; разработчик принимает или корректирует результат, не вникая детально в каждую строку.

Вызов функций (function calling)

Function calling — режим вывода ИИ-модели, при котором вместо произвольного текста она генерирует структурированный JSON-запрос на исполнение заранее определённой функции с конкретными аргументами. Это надёжный способ ин

Глубокое исследование

Глубокое исследование — режим агентной работы AI-системы, при котором она автономно проводит многошаговый поиск, читает десятки источников и синтезирует результаты в структурированный аналитический отчёт — без ручного уп

ИИ-агент

ИИ-агент — это система, в которой языковая модель не просто отвечает, а планирует и выполняет многошаговые задачи: вызывает инструменты и API, читает результаты и сама решает следующий шаг. В отличие от чат-бота, агент р

Использование инструментов (tool use)

Tool use — способность ИИ-модели вызывать внешние функции, API и сервисы для получения актуальных данных или выполнения действий, выходящих за рамки языковой обработки. Модель самостоятельно выбирает нужный инструмент, ф

Кодинг-агент

Кодинг-агент — AI-агент, который автономно пишет, редактирует, тестирует и отлаживает код, способный выполнять многоэтапные задачи разработки с минимальным участием человека.

Мультиагентная система

Мультиагентная система — архитектура, в которой несколько автономных ИИ-агентов взаимодействуют для совместного решения задач, недоступных одному агенту. Каждый агент обладает собственными инструментами, памятью и специа

Оркестрация агентов

Оркестрация агентов — процесс координации нескольких ИИ-агентов: декомпозиция задач, их распределение, управление зависимостями и агрегация результатов. Оркестратор выступает центральным координатором, обеспечивающим сла

Память агента

Память агента — совокупность механизмов, позволяющих AI-агенту сохранять и извлекать информацию: от контекстного окна текущей сессии до внешних баз данных, доступных между сеансами.

Паттерн ReAct

Паттерн ReAct (Reasoning + Acting) — метод управления AI-агентом, при котором модель поочерёдно генерирует явные шаги рассуждения и вызовы инструментов, чередуя «думать» и «делать» до получения итогового ответа.

Песочница (sandbox)

Песочница (sandbox) — изолированная среда выполнения, в которой ИИ-агент или программа запускается с ограниченным доступом к системным ресурсам, сети и данным, чтобы предотвратить непреднамеренные или вредоносные действи

Планирование агента

Планирование агента — способность AI-агента декомпозировать сложную цель на последовательность подзадач и шагов, определять их порядок и при необходимости пересматривать план на основе промежуточных результатов.

Протокол A2A (Agent2Agent)

A2A (Agent2Agent) — открытый протокол от Google, опубликованный в апреле 2025 года, который стандартизирует взаимодействие AI-агентов между собой независимо от платформы или разработчика.

Смесь агентов

Смесь агентов — многоуровневая архитектура, в которой несколько независимых языковых моделей параллельно генерируют ответы на один запрос, а агрегирующая модель синтезирует их в единый результат, превосходящий каждого уч

Субагент

Субагент — ИИ-агент, действующий под управлением вышестоящего оркестратора и отвечающий за выполнение конкретной подзадачи в рамках более широкого рабочего процесса. Получив инструкции, он исполняет их с помощью собствен

Управление компьютером (Computer Use)

Управление компьютером (Computer Use) — способность AI-модели автономно взаимодействовать с графическим интерфейсом компьютера: перемещать курсор, нажимать кнопки, вводить текст и интерпретировать скриншоты для выполнени

Человек в контуре (human-in-the-loop)

Human-in-the-Loop (HITL) — архитектурный принцип, при котором человек встроен в рабочий цикл AI-системы: проверяет, одобряет или корректирует её выходы в критических точках вместо предоставления агенту полной автономии.

Безопасность

Безопасность ИИ

Безопасность ИИ — область исследований и инженерной практики, направленная на предотвращение нежелательных, вредоносных или катастрофических последствий от систем искусственного интеллекта через технические, организацион

Бенчмарк

Бенчмарк в контексте ИИ — стандартизированный набор задач и метрик, на котором сравниваются возможности разных моделей. Единый протокол тестирования позволяет воспроизводимо измерять прогресс и сопоставлять системы от ра

Взлом награды (reward hacking)

Взлом награды — явление в обучении с подкреплением, при котором агент находит способы максимизировать формальный показатель вознаграждения, не выполняя при этом задачу, которую имел в виду разработчик.

Вотермаркинг ИИ-контента

Вотермаркинг ИИ-контента — встраивание незаметных меток в сгенерированный текст, изображения или аудио, позволяющих идентифицировать их машинное происхождение. Метки сохраняются при обычном использовании контента, но обн

Выравнивание ИИ (алайнмент)

Выравнивание ИИ (алайнмент) — исследовательская задача обеспечения того, чтобы цели, поведение и ценности ИИ-систем соответствовали намерениям людей и не причиняли вреда по мере роста возможностей моделей.

Галлюцинация

Галлюцинация — явление, при котором языковая модель генерирует фактически неверную, выдуманную или не подкреплённую источниками информацию с той же уверенностью, что и достоверные факты.

Гардрейлы (защитные ограничения)

Гардрейлы (guardrails) — технические и процедурные механизмы, ограничивающие поведение ИИ-системы: фильтры входящих запросов и исходящих ответов, инструкции в промпте и классификаторы, предотвращающие генерацию вредоносн

Деградация контекста

Деградация контекста — снижение качества ответов языковой модели по мере роста длины контекстного окна: модель теряет способность надёжно использовать информацию в середине длинного промпта или многоходового диалога.

Джейлбрейк

Джейлбрейк — совокупность техник, позволяющих обойти встроенные механизмы безопасности языковой модели и получить от неё контент, который она должна отклонять: инструкции по синтезу оружия, незаконный контент или нарушен

Дипфейк — синтетические видео-, аудио- или фотоматериалы, созданные с помощью методов глубокого обучения и реалистично изображающие людей произносящими слова или совершающими действия, которых те в действительности не го

ИИ-мусор (AI slop)

ИИ-мусор — низкокачественный контент, массово созданный генеративными моделями без редакторской проверки: поверхностные статьи, изображения-артефакты и шаблонные публикации, заполняющие поисковые результаты и социальные

Интерпретируемость

Интерпретируемость — область исследований, цель которой состоит в понимании внутренних механизмов нейронных сетей: какие признаки активируют конкретные компоненты модели, как формируются решения и почему модель выдаёт то

Инъекция промпта

Инъекция промпта — атака на LLM-систему, при которой злонамеренные инструкции, скрытые во входных данных, переопределяют системный промпт или намерения пользователя и вынуждают модель выполнить несанкционированные действ

Коллапс модели

Коллапс модели — прогрессивная деградация языковой модели, обученной на данных, частично сгенерированных другими ИИ: модель утрачивает редкие паттерны реального мира и смещается к усреднённым, стереотипным выходам.

Конституционный ИИ

Конституционный ИИ — метод обучения языковых моделей, разработанный Anthropic, при котором поведение модели направляется набором явных принципов («конституцией») через механизм самокритики и итерационного исправления отв

Механистическая интерпретируемость

Механистическая интерпретируемость — направление исследований ИИ-безопасности, цель которого — обратная разработка нейронных сетей: установить, какие именно вычисления выполняет каждый нейрон, слой и цепочка активаций пр

Модерация контента

Модерация контента — процесс выявления, оценки и удаления или ограничения пользовательских материалов, нарушающих правила платформы или законодательство, с применением ручных, автоматических или гибридных методов.

Отказ модели

Отказ модели — поведение языковой модели, при котором она отклоняет запрос пользователя вместо его выполнения, сообщая, что запрос нарушает политику безопасности, потенциально опасен или выходит за границы допустимого ис

Оценка моделей (эвалы)

Оценка моделей (эвалы) — систематическое тестирование ИИ-моделей на стандартизированных наборах задач для измерения их способностей, безопасности и надёжности. Результаты эвалов служат основой для решений о выпуске модел

Приватность данных

Приватность данных в контексте ИИ — совокупность технических и правовых мер, защищающих персональные сведения при сборе обучающих данных, дообучении и эксплуатации моделей. Нарушение приватности грозит утечкой личной инф

Разреженный автоэнкодер

Разреженный автоэнкодер (SAE) — нейросеть, обучаемая воспроизводить активации слоёв языковой модели через значительно больший словарь нейронов при условии, что большинство из них молчат; используется для выделения моносе

Ред-тиминг

Ред-тиминг — метод оценки безопасности AI-систем, при котором специальная команда («красная команда») намеренно пытается вызвать нежелательное поведение модели: получить вредоносный контент, обойти ограничения или обнару

Смещение ИИ (bias)

Смещение ИИ — систематическая ошибка в выходных данных модели, возникающая из-за предвзятости обучающих данных, архитектурных решений или разметки и приводящая к несправедливым или дискриминационным результатам в отношен

Железо

ASIC (специализированная микросхема)

ASIC (Application-Specific Integrated Circuit) — интегральная схема, спроектированная под строго определённую задачу, в отличие от универсальных процессоров. В контексте ИИ ASIC-чипы обеспечивают максимальную производите

CUDA (Compute Unified Device Architecture) — параллельная вычислительная платформа и программная модель NVIDIA, позволяющая использовать GPU для вычислений общего назначения. CUDA стала де-факто стандартом среды для обуч

FLOPS (Floating-Point Operations Per Second) — единица измерения производительности процессоров, показывающая, сколько операций с плавающей запятой устройство выполняет в секунду. Используется как стандартный ориентир мо

GPU-кластер

GPU-кластер — вычислительная установка из сотен или тысяч графических ускорителей, объединённых высокоскоростными сетями для совместного обучения крупных нейросетей. Современные кластеры для обучения frontier-моделей нас

Видеопамять (VRAM)

Видеопамять (VRAM) — выделенная оперативная память графического процессора, в которой хранятся веса модели, активации и промежуточные данные во время обучения и инференса нейросетей. Её объём непосредственно определяет,

Графический процессор (GPU)

GPU (Graphics Processing Unit) — специализированный микропроцессор с тысячами параллельных вычислительных ядер, изначально созданный для рендеринга 3D-графики и ставший основным вычислительным ресурсом для обучения и инф

ИИ-датацентр

ИИ-датацентр — специализированный центр обработки данных, оптимизированный для обучения и инференса нейросетей: с повышенной плотностью мощности на стойку, жидкостным охлаждением и высокоскоростными сетями для GPU-класте

ИИ-ускоритель

ИИ-ускоритель — аппаратное устройство, спроектированное для ускорения задач машинного обучения: обучения и инференса нейронных сетей. Термин объединяет GPU, TPU, NPU и специализированные ASIC, оптимизированные под матрич

Интерконнект (NVLink, InfiniBand)

Интерконнект — высокоскоростные каналы связи между GPU внутри узла (NVLink) или между узлами в кластере (InfiniBand, Ethernet), определяющие скорость обмена весами и градиентами при распределённом обучении. Пропускная сп

Нейропроцессор (NPU)

Нейропроцессор (NPU) — специализированный вычислительный блок, встроенный в системный чип (SoC) и предназначенный для эффективного инференса нейронных сетей непосредственно на устройстве. В отличие от GPU, NPU оптимизиро

Память HBM

HBM (High-Bandwidth Memory) — тип трёхмерно сложенной памяти с широкой шиной данных, устанавливаемой непосредственно рядом с процессором на одном интерпозере. Обеспечивает пропускную способность, в 5–8 раз превышающую GD

Тензорный процессор (TPU)

Тензорный процессор (TPU) — специализированная микросхема Google, оптимизированная для матричных вычислений в задачах машинного обучения. TPU значительно ускоряет обучение и инференс нейронных сетей по сравнению с CPU и

Бизнес

AGI (общий искусственный интеллект)

AGI (общий искусственный интеллект) — гипотетическая система ИИ, способная выполнять любую интеллектуальную задачу на уровне человека или выше, самостоятельно обучаясь новым навыкам без специализированного программирован

API для ИИ

API для ИИ — программный интерфейс, позволяющий разработчикам обращаться к возможностям ИИ-моделей (генерация текста, изображений, речи, векторные представления) через стандартизированные HTTP-запросы без самостоятельног

ARC-AGI (Abstraction and Reasoning Corpus for AGI) — бенчмарк абстрактного мышления, в котором модель должна вывести правило преобразования цветных сеток по 2–5 примерам и применить его к новому входу, не опираясь на нак

ASI (искусственный суперинтеллект)

ASI (искусственный суперинтеллект) — гипотетическая система ИИ, интеллект которой превосходит лучших людей во всех областях: науке, творчестве, социальном взаимодействии и стратегическом планировании. По состоянию на 202

GPQA (Graduate-Level Google-Proof Q&A) — бенчмарк из 448 экспертных вопросов по биологии, химии и физике уровня аспирантуры, которые невозможно решить простым поиском; даже профильные PhD-специалисты набирают в среднем о

GPU-облако (неооблако)

GPU-облако (неооблако) — специализированный облачный провайдер, предоставляющий высокопроизводительные GPU-кластеры в аренду преимущественно для задач обучения и инференса ИИ-моделей, в отличие от гиперскейлеров с широки

HumanEval — бенчмарк для оценки способности языковых моделей генерировать корректный код, созданный OpenAI в 2021 году. Набор содержит 164 задачи на Python с автоматической проверкой через unit-тесты; ключевая метрика —

LM Arena (Chatbot Arena)

LM Arena (Chatbot Arena) — платформа краудсорсинговой оценки языковых моделей, созданная группой LMSYS при UC Berkeley в 2023 году. Пользователи сравнивают ответы двух анонимных моделей и голосуют за лучший; результаты а

MMLU (Massive Multitask Language Understanding) — академический бенчмарк для языковых моделей, включающий около 15 000 вопросов с выбором одного из четырёх ответов по 57 дисциплинам: STEM, медицина, право, история и друг

SWE-bench — бенчмарк для оценки способности языковых моделей автономно исправлять реальные баги в коде: модель получает GitHub-issue и кодовую базу репозитория, а результат измеряется долей задач, по которым проходят все

Гиперскейлер

Гиперскейлер — крупнейший глобальный облачный провайдер (AWS, Microsoft Azure, Google Cloud, Alibaba Cloud, Oracle Cloud), эксплуатирующий сотни дата-центров по всему миру и предоставляющий полный спектр инфраструктурных

Закон ЕС об ИИ (AI Act)

AI Act — первый в мире комплексный законодательный акт, регулирующий разработку и применение систем искусственного интеллекта, принятый Европейским парламентом в марте 2024 года. Он устанавливает четырёхуровневую классиф

ИИ-лаборатория

ИИ-лаборатория — исследовательская организация, специализирующаяся на разработке и изучении систем искусственного интеллекта. Может быть частью крупной технологической компании, независимой некоммерческой структурой или

ИИ-обёртка (wrapper)

ИИ-обёртка — продукт или сервис, построенный поверх стороннего ИИ-API без существенных собственных алгоритмических разработок. Ценность создаётся за счёт UX, специализированных промптов, отраслевой экспертизы, интеграций

Иголка в стоге сена (тест длинного контекста)

«Иголка в стоге сена» — тест для проверки способности языковой модели извлекать конкретный факт, скрытый в длинном тексте. Он показывает, насколько равномерно модель удерживает информацию на всей протяжённости контекстно

Компьют (вычислительные мощности)

Компьют (compute) в контексте ИИ — совокупность вычислительных ресурсов (GPU, TPU, память, сетевая пропускная способность), необходимых для обучения и работы ИИ-моделей. Объём доступного компьюта стал ключевым ограничени

Копайлот (ИИ-ассистент)

Копайлот — ИИ-ассистент, встроенный непосредственно в рабочую среду пользователя и предлагающий подсказки, автодополнения и автоматизацию задач в контексте текущей работы. Понятие стало нарицательным после запуска GitHub

Корпоративный ИИ

Корпоративный ИИ — это применение технологий искусственного интеллекта в бизнес-среде для автоматизации процессов, анализа данных и поддержки принятия решений. Отличается от потребительского ИИ требованиями к безопасност

Открытый ИИ (open source)

Открытый ИИ — ИИ-системы, для которых публично доступны веса модели, код обучения или и то, и другое, что позволяет любому изучать, запускать, модифицировать и распространять их, в отличие от проприетарных моделей, досту

Регулирование ИИ

Регулирование ИИ — совокупность законодательных актов, нормативов и стандартов, устанавливающих правила разработки, развёртывания и использования систем искусственного интеллекта. Цель — снизить риски причинения вреда, о

Ров (moat) в ИИ

Ров в ИИ — устойчивое конкурентное преимущество ИИ-компании или продукта, которое затрудняет копирование конкурентами. Источниками рва служат уникальные данные, сетевые эффекты, глубокое встраивание в рабочие процессы, р

Суверенный ИИ

Суверенный ИИ — национальные вычислительные инфраструктуры, языковые модели и регуляторные политики, обеспечивающие государству независимый контроль над разработкой и применением искусственного интеллекта без критической

Чат-бот — программа, ведущая текстовый или голосовой диалог с пользователем в автоматическом режиме. Современные чат-боты на базе больших языковых моделей поддерживают многоходовой контекстный разговор на произвольные те

Экономика токенов

Экономика токенов — система ценообразования API больших языковых моделей, где стоимость вычислений выражается в единицах текста (токенах) с раздельными тарифами на входящие запросы и исходящие ответы.

Техники и методы

Few-shot (обучение по нескольким примерам)

Few-shot обучение — способность языковой модели выполнять новую задачу на основе 2–10 примеров «вход → выход», включённых непосредственно в промпт, без обновления весов; является ключевой характеристикой крупных языковых

Flash Attention

Flash Attention — IO-эффективный алгоритм вычисления механизма внимания в трансформерах, сокращающий потребление памяти GPU с O(n²) до O(n) за счёт тайлирования и перевычисления. Разработан в Стэнфордском университете, в

GraphRAG — метод дополнения языковых моделей данными (RAG), в котором вместо простого векторного поиска используется граф знаний: сущности и их связи, извлечённые из документов, индексируются как узлы и рёбра для точного

RAG (генерация с дополненной выборкой)

RAG — это техника, при которой языковая модель перед ответом достаёт релевантные документы из внешней базы знаний и опирается на них. Это снижает галлюцинации и позволяет отвечать по свежим данным без переобучения модели

Zero-shot (решение задач без примеров)

Zero-shot learning — способность модели решать задачи для классов или сценариев, которых не было в обучающей выборке, опираясь лишь на текстовое описание задачи без единого демонстрационного примера.

Агентный RAG

Агентный RAG — архитектура, в которой языковая модель самостоятельно планирует несколько итеративных циклов поиска, оценивает промежуточные результаты и адаптирует стратегию запросов — вместо одного статичного обращения

Векторная база данных

Векторная база данных — специализированная система хранения и поиска, оптимизированная для нахождения эмбеддингов, ближайших по расстоянию к запросу, среди миллионов или миллиардов векторов за миллисекунды.

Граундинг (заземление ответов)

Граундинг — привязка ответов языковой модели к верифицированным внешним источникам (документам, базам данных, API), снижающая вероятность галлюцинаций и обеспечивающая фактическую достоверность и прослеживаемость генерир

Граф знаний

Граф знаний — структурированная база данных, представляющая факты в виде троек «субъект — отношение — объект», позволяющая AI-системам выполнять точные многошаговые рассуждения о сущностях и связях между ними.

Дерево мыслей

Дерево мыслей — техника промптинга, при которой языковая модель параллельно исследует несколько ветвей рассуждений, оценивает промежуточные шаги и выбирает наиболее перспективный путь к ответу, вместо движения по единств

Контекст-инжиниринг

Контекст-инжиниринг — практика проектирования информации, помещаемой в контекстное окно языковой модели: какие данные, в каком формате и порядке передаются модели для выполнения задачи. Выходит за рамки составления отдел

Механизм внимания

Механизм внимания — вычислительный метод в нейросетях, позволяющий модели взвешенно учитывать различные части входных данных при генерации каждого элемента вывода, независимо от их позиционного расстояния в последователь

Обучение в контексте (in-context learning)

Обучение в контексте — способность большой языковой модели выполнять новые задачи, считывая примеры решений прямо из промпта, без обновления весов модели.

Оптическое распознавание текста (OCR)

Оптическое распознавание текста (OCR) — технология автоматического преобразования изображений, содержащих текст, в машиночитаемые символы. Применяется при сканировании документов, автоматизации ввода данных и создании ци

Промпт-инжиниринг

Промпт-инжиниринг — практика составления и оптимизации текстовых инструкций (промптов) для языковых моделей с целью получения более точных, надёжных или структурированных ответов. Качество промпта напрямую влияет на резу

Реранжирование

Реранжирование — этап обработки результатов поиска, на котором специализированная модель переупорядочивает предварительно отобранные документы по степени релевантности запросу, повышая точность ответов в RAG-системах.

Роутинг моделей

Роутинг моделей — автоматическое перенаправление входящих запросов к наиболее подходящей AI-модели из набора доступных, исходя из сложности задачи, стоимости вызова и требуемого качества ответа.

Семантический поиск

Семантический поиск — метод поиска информации, находящий документы по смыслу запроса, а не по точному совпадению слов, путём сравнения векторных представлений (эмбеддингов) запроса и индексированных документов.

Системный промпт

Системный промпт — скрытая от пользователя инструкция, задаваемая разработчиком или оператором приложения перед началом диалога; она определяет роль, поведение и ограничения языковой модели на всё время сессии.

Структурированный вывод

Структурированный вывод — режим работы языковой модели, при котором её ответ гарантированно соответствует заданной схеме (JSON, XML, таблица) и пригоден для прямой машинной обработки без дополнительного парсинга.

Чанкинг — разбиение длинного текста на небольшие фрагменты (чанки) для последующей векторизации и хранения в базе данных; от стратегии разбиения напрямую зависит, насколько точно RAG-система сопоставляет вопрос с нужным

Эмбеддинг (векторное представление)

Эмбеддинг — плотный числовой вектор, полученный при пропуске текста, изображения или иных данных через нейронную сеть; семантически близкие объекты имеют математически близкие векторы, что позволяет сравнивать их по смыс