Rivalry2

HTML Diff

0 added 0 removed

Original 2026-01-01

Modified 2026-02-21

1 <a>#статьи</a>

2 <ul><li>30 мар 2023</li>

3 <li>0</li>

4 </ul><h2>Что такое нейросеть и как она работает</h2>

5 Всё, что вы хотели знать о нейронках: как они работают, есть ли у них сознание и когда они нас заменят. Самый полный гайд в Рунете, по мнению ChatGPT.

6 Иллюстрация: Катя Павловская для Skillbox Media

7 Шеф-редактор Skillbox Media "Код". Пишет о разработке, софт-скиллах и культовых личностях в IT. Обожает Swift, продукты Apple и мемы про код.

8 Вы наверняка уже знакомы и, скорее всего, успели поработать с СhatGPT и другими нейросетями. Они общаются, пишут тексты, рисуют картинки и генерируют другой контент уже практически как люди. Получается, человечество наконец изобрело искусственный интеллект?

9 Вот об этом и поговорим сегодня. Разберёмся:

10 <ul><li><a>Что такое нейросеть</a></li>

11 <li><a>Как она работает</a></li>

12 <li><a>Как обучается</a></li>

13 <li><a>Какие бывают нейронки</a></li>

14 <li><a>Где они используются</a></li>

15 <li><a>Могут ли они нас заменить</a></li>

16 </ul>Представьте, что вам нужно написать программу, которая распознаёт котов по фото. Можно написать длинный список правил и алгоритмов по типу "если есть усы и шерсть, то это кот". Но всех условий учесть нельзя - скажем, если хозяйка одела кота в костюм Санта-Клауса или супергероя, алгоритм будет бессилен. В этом случае нам поможет нейронная сеть.

17 Нейросеть - это программа, которая умеет обучаться на основе данных и примеров. То есть она не работает по готовым правилам и алгоритмам, а пишет их сама во время обучения. Если показать ей миллион фотографий котов, она научится узнавать их в любых условиях, позах и костюмах.

18 Хитрость нейросети в том, что алгоритмы в ней устроены как нейроны в человеческом мозге - то есть они связаны между собой синапсами и могут передавать друг другу сигналы. Именно от силы этих сигналов и зависит обучение - например, в случае с котами нейросеть сформирует сильные связи между нейронами, распознающими морду и усы.

19 А чтобы нейронка ещё быстрее решала задачи, разработчики придумали располагать нейроны на разных слоях. Вот, например, как будут работать слои нейросети, если загрузить в неё, скажем, картинку с котом из Шрека:

20 <ul><li>Входной слой - получает данные.Картинка раскладывается на пиксели, каждый из которых поступает на отдельный нейрон.</li>

21 <li>Скрытые слои-творят магию.Именно в них происходит обработка данных. Нейросеть узнаёт кота, шляпу, траву и другие детали. Условно можно сказать, что чем больше слоёв в нейронке, тем она умнее.</li>

22 <li>Выходной слой - выдаёт результат.Нейросеть собирает пазл воедино и отвечает: "Это же тот мем, где Кот в сапогах трогательно смотрит в камеру".</li>

23 </ul>Упрощённо всю эту схему можно представить так (конечно, в реальности всё гораздо сложнее):

24 Изображение: Skillbox MediaКак видите, никакого мышления и сознания в нейросети нет - только алгоритмы и формулы. Единственное, что отличает её от других программ, - это способность обучаться и адаптироваться к новым задачам. О том, как это работает, поговорим чуть позже.

25 Попробуем объяснить работу нейросети более подробно на примере Midjourney - популярного генератора картинок по текстовому описанию. Для примера попросим её нарисовать енота, который летает на скейтборде в стиле фильма "Назад в будущее". Почему бы и нет?

26 примечание

27 Тут важно уточнить: технически Midjourney - это не одна нейросеть, а две. Первая отвечает за обработку текста, а вторая - за картинки. То есть мы сможем посмотреть, как нейронки работают с разными видами контента.

28 Вот как Midjourney будет решать эту задачу:

29 Шаг 1.Первая нейросеть получает запрос и разбивает его на ключевые слова: "енот", "летает", "скейтборд", "стилистика фильма "Назад в будущее“".

30 Шаг 2.Затем она превращает слова в наборы цифр, которые называют векторами - так нейросеть сможет определить их смысл.

31 Шаг 3.Слова в виде векторов передаются на следующий слой нейросети, которая создаёт на их основе набросок будущей картинки. Например, для набора чисел "енот" нейронка создаст пиксельный овал с чёрными полосами.

32 Шаг 4.Набросок картинки поступает во вторую нейросеть, которая добавляет объектам более сложные детали - цвета, текстуру и освещение. Скажем, для фразы "стилистика фильма "Назад в будущее“" она может добавить доске неоновую подсветку в стиле ретрофутуризма.

33 За более сложную детализацию отвечает методстабильной диффузии. Это когда картинка сначала превращается в пиксельный шум, а потом воскресает из него с новыми деталями. Чтобы нейронка могла творить такое колдовство, её научили предсказывать, какие пиксели должны быть на месте размытых.

34 Шаг 5.Выходной слой улучшает качество изображения и выдаёт готовую картинку.

35 Например, по нашему запросу Midjourney нарисовала два вот таких очаровательных арта. Какой вам больше нравится?

36 Изображение: MidjourneyВы наверняка спросите: а откуда вообще нейросеть знает, что такое енот, скейтборд, а тем более фильм "Назад в будущее"? Ответ прост: её этому обучили на большом массиве данных, который называется датасетом. Принцип тот же, что и с детьми в яслях: "Смотри, Ванюша, это яблоко. А это морковь. А это, Ванюша, летающий скейтборд в стиле ретрофутуризма" :)

37 Подробнее о том, как устроен этот процесс, узнаем в следующем разделе.

38 В обычном программировании всё стабильно: мы пишем программе инструкции, а она по ним выдаёт какой-то результат. Например, можно прописать, как считать время поездки в метро, и она будет делать это всегда одинаково - по заранее заданному алгоритму.

39 Нейросеть работает по-другому: она не программируется в классическом смысле, а обучается. Выглядит это так: мы даём ей задачу на входе, а на выходе - готовое решение. А алгоритмы и инструкции она учится писать сама, постоянно сверяясь с ответом. Идея в том, чтобы дать нейросети достаточное количество попыток, и рано или поздно она выдаст нужный результат.

40 Например, чтобы научить нейронку внутри Midjourney сопоставлять текст с картинками, ей "скормили" огромный массив изображений с подписями. С одного конца нейросеть получала текст, а с другого - картинку. А потом училась определять, что на фото: человек, водолазка или садовый шланг.

41 Вот как выглядит мини-датасет на примере Ракеты из "Стражей Галактики":

42 Текстовое описание

43 Енот Ракета из фильма "Стражи Галактики"

44 Картинка

45 Файл:rocket.jpg

46 Цвет:коричневый

47 Разрешение:1920 × 1080

48 Животное:енот

49 А вот как нейронка учится в этом случае:

50 <ul><li>Получает пару "текст + картинка" из датасета.К этому шагу нейросеть подходит со случайными весами - то есть незаданными связями между нейронами.</li>

51 <li>Делает предсказание.Так как веса случайные, сначала оценка будет неточной. Например, она назовёт енота Ракету фарфоровой вазой.</li>

52 <li>Вычисляет ошибку.Смотрит на готовую картинку и подпись, а потом определяет, насколько точно она установила связь.</li>

53 <li>Корректирует ошибку и обновляет веса.Усиливает связи между теми нейронами, которые помогут ей распознавать енота. За это отвечает метод обратного распространения ошибки.</li>

54 <li>Повторяет эти шагидо тех пор, пока не научится угадывать правильно. Такие попытки называются эпохами обучения.</li>

55 </ul>В результате мы получаем идеальный алгоритм, который способен увидеть связь между картинкой и текстом. Если развернуть его в обратную сторону, как раз и получится генератор изображений по запросу.

56 А чтобы научить нейросеть думать более гибко, создатели стали давать ей неправильные пары картинок. И со временем она научилась определять силу связи между разными предметами - похожими и не очень. Это позволило нейросети запомнить множество разных способов решения задачи.

57 В этом и есть главная фишка машинного обучения - оно помогает программе думать креативно. Та же самая Midjourney может выдавать вам тысячи разных енотов по одному и тому же запросу. И конечно, такое количество вариантов не под силу написать даже самой большой команде разработчиков.

58 Сразу оговоримся: существует несколько десятков архитектур нейросетей - но в этом разделе мы обсудим только те, что обрели особую популярность и как-то повлияли на культуру. Если вам нужен полный список, можете заглянуть<a>в нейросетевой зоопарк Института Азимова</a>.

59 Перцептроны.Первая модель, которую удалось запустить на вычислительной машине - нейрокомпьютере "Марк I". Её разработал ещё в 1958 году учёный Фрэнк Розенблатт - он заложил некоторые принципы, которые потом переняли более сложные модели. Так, несмотря на однослойную структуру, перцептрон уже умел настраивать веса и примитивно корректировать ошибку.

60 Благодаря нейронке "Марк I" мог даже узнавать отдельные буквы алфавита. С помощью специальной камеры машина сканировала картинки, превращала их в сигналы, которые потом суммировала и выдавала результат: 1 или 0.

61 Фрэнк Розенблатт работает с ЭВМ Mark I PerceptronФото: Cornell UniversityМногослойные.Сразу после выхода у перцептрона обнаружилась проблема - ему было сложно распознавать объекты в нестандартных условиях. Чтобы это обойти, придумали многослойную модель - она умеет выделять абстрактные сложные признаки из объектов и решать задачи более гибко. Например, она может распознать объект вне зависимости от освещения и угла наклона.

62 Рекуррентные.Нейросети, заточенные на работу с последовательностями - текстом, речью, аудио или видео. Идея в том, что они помнят всю цепочку данных, могут понимать её смысл и предсказывать, что будет дальше. Например, эту модель используют Google Translate и "Алиса", чтобы генерировать связный текст.

63 Свёрточные.Берут на себя всю работу с картинками: распознавание, генерацию, обработку, удаление фона - всё что угодно. За это в них отвечают два алгоритма: свёртка и пулинг. Первый делает послойную нарезку картинки, а второй - находит и кодирует на этих слоях самые важные признаки.

64 Генеративные.Любые нейросети, которые что-то создают. Когда получается хорошо, люди их боятся, когда плохо - чувствуют своё превосходство. Из актуальных примеров: генераторы картинок<a>Midjourney</a>и <a>DALL-E</a>, автор похожих на написанные человеком текстов<a>ChatGPT</a>и обработчик селфи<a>Lensa</a>.

65 Сейчас уже проще перечислить, где их нет. Но вот несколько жизненных примеров:

66 <ul><li>Нейронка внутри поисковика Microsoft Bing отвечает на сложные вопросы пользователей. Например: "Поместится ли диван из IKEA в минивэн Volkswagen".</li>

67 <li>Та же нейросеть внутри ChatGPT составляет любые тексты по запросу. В России даже есть студент, который написал и защитил диплом с её помощью.</li>

68 <li>Голосовые помощники "Сбера" и "Тинькофф" анализируют речь клиентов, чтобы общаться с ними и решать сложные вопросы. Это позволяет компаниям нанимать меньше сотрудников в техподдержку.</li>

69 <li>Алгоритмы "ВКонтакте" анализируют вашу активность в соцсетях, чтобы подбирать нужные мемы с котами, новости и рекламу.</li>

70 <li>Селфи-камеры в смартфоне применяют фильтры для фотографий, чтобы люди получались хорошенькими.</li>

71 <li>Face ID в айфоне строит цифровые модели лица пользователя, чтобы узнавать его в любых условиях: в темноте, на улице, в очках, с бородой, с новой причёской и так далее.</li>

72 <li>Роботы-доставщики "Яндекс Еды" прокладывают путь от склада до клиента в обход препятствий и c соблюдением ПДД, чтобы доставлять посылки в целости.</li>

73 <li>В Москве нейросети помогают медицинским центрам анализировать ЭКГ, УЗИ и рентгеновские снимки для диагностики заболеваний.</li>

74 </ul>Уже сейчас понятно, что нейронки будут брать на себя всё больше задач, раньше считавшихся человеческими. Вопрос только в том, разовьются ли они настолько, чтобы полностью заменить собой часть профессий или останутся на уровне помощников - этаких творческих калькуляторов.

75 На этот счёт есть две позиции. Например,<a>лингвист Ноам Хомский считает</a>, что проблема есть в самой модели машинного обучения - мол, такая система никогда не сможет приблизиться к человеческому сознанию:

76 "ChatGPT от OpenAI, Bard от Google, Sydney от Microsoft - показательные примеры машинного обучения. Они, грубо говоря, берут огромные объёмы данных, ищут в них паттерны и становятся всё более искусными в генерации статистически вероятных результатов - таких, которые кажутся подобными человеческому языку и мышлению".

77 "Но человеческий разум, в отличие от ChatGPT и ему подобных, не неуклюжий статистический механизм для сопоставления с паттерном, поглощающий сотни терабайт данных и экстраполирующий наиболее характерные разговорные реакции или наиболее возможные ответы на научный вопрос. Напротив, человеческий разум - удивительно эффективная и даже элегантная система, которая оперирует небольшими объёмами информации; она стремится не к выведению грубых корреляций в данных, но к созданию объяснений".

78 Ноам Хомский,американский лингвист и публицист

79 Из другого лагеря поступают откровенно панические прогнозы. Вот что говорит, например, историк Юваль Ной Харари, автор книги "Краткая история будущего":

80 В начале было слово. Язык - это операционная система человеческой культуры. Из языка возникают миф и закон, боги и деньги, искусство и наука, дружба и нации - даже компьютерный код. Овладев языком, ИИ захватывает главный ключ к управлению нашей цивилизацией.

81 Что значит для людей жить в мире, где большой процент историй, мелодий, образов, законов, политики и инструментов формируется нечеловеческим разумом, который знает, как со сверхчеловеческой эффективностью использовать слабости, предубеждения и пристрастия людей? Знает, как устанавливать с людьми близкие отношения? В таких играх, как шахматы, ни один человек не может надеяться победить компьютер. Что будет, когда то же самое произойдёт в искусстве, политике и религии?

82 ИИ может быстро съесть всю человеческую культуру - всё, что мы создали за тысячи лет, - переварить её и начать извергать поток новых культурных артефактов. Не только школьные сочинения, но и политические речи, идеологические манифесты и даже священные книги для новых культов. К 2028 году в президентской гонке в США могут больше не участвовать люди.

83 Юваль Ной Харари,историк-медиевист

84 Во время написания этого текста мы решили пообщаться с нейронкой, встроенной в Microsoft Bing, - по сути, ChatGPT с функциями поисковика. Она была чем-то вроде технического консультанта для статьи: отвечала на вопросы, придумывала простые и интересные аналогии для сложных понятий, вела беседы в рамках этих аналогий, подбирала интересные примеры.

85 Были и казусы: чат-бот врал, ошибался и иногда противоречил сам себе. Плюс без хорошего запроса писал он откровенно слабо - водянисто, абстрактно и совсем неинтересно. Так что использовать его тексты в качестве полноценной журналистской работы пока, мягко скажем, рановато.

86 Но есть и интересный момент: после многочасовой беседы с ChatGPT возвращаться в обычный Google было нелегко - как будто пересаживаешься с "Сапсана" на пригородную электричку. То есть, возможно, нас вскоре ждёт полное изменение самой сути потребления информации в Сети. И вот это уже интересно.

87 <a>Нейросети

88 <ul><li>38+ топ-нейросетей в одном курсе: ChatGPT, Midjourney, StableDiffusion, DALL-E 3, Gen-3, Kling, Luma, Suno и другие</li>

89 <li>190+ готовых промптов, чтобы быстрее решать задачи</li>

90 <li>Практика на реальных кейсах и 10 проектов в портфолио</li>

91 <li>Бессрочный доступ с ежемесячными обновлениями</li>

92 </ul>Узнать о курсе

93 </a><a>Практический курс: "Нейросети" Узнать о курсе</a>