Что такое нейросеть простыми словами и как она работает

Обычная программа работает по правилам, которые написал человек. Калькулятор складывает, потому что так распорядился программист, и если какое-то правило забыли, программа с задачей просто не справится.

У нейросети порядок обратный. Ей не объясняют, чем кошка отличается от собаки. Ей показывают тысячи подписанных фотографий и позволяют ошибаться. После каждой ошибки она немного меняет себя, и через много проходов ошибок становится мало.

Первая аналогия, которая приходит в голову почти всем, — «электронный мозг». Она неверна в главном: никакого мышления, похожего на человеческое, внутри нет, есть арифметика. Точнее другое сравнение — микшерный пульт с огромным числом ручек. Сигнал идёт на вход, проходит через все ручки и выходит наружу; если звучит плохо, ручки подкручивают, пока не станет хорошо. Разница в масштабе (у нейросети ручек миллионы или миллиарды) и в том, что крутит их формула, без всякого звукорежиссёра.

Дальше несколько терминов подряд. Вес — число, которое решает, насколько сильно один сигнал влияет на следующий. Нейрон — элемент, который складывает взвешенные сигналы и передаёт результат дальше. Слой — ряд таких нейронов, работающих одновременно. Обучение — подбор весов так, чтобы на примерах ошибок было как можно меньше. Ничего сверх этого в слове «нейросеть» нет.

Название «нейро» пришло из биологии 1940-х годов, когда учёные пытались описать работу нервной клетки математически. С настоящим мозгом у современных сетей общего меньше, чем подсказывает название, — это скорее старая метафора, которая прижилась.

Для понимания нужно отступить на восемьдесят с лишним лет назад. В 1943 году нейрофизиолог Уоррен Маккалок и математик Уолтер Питтс опубликовали в журнале Bulletin of Mathematical Biophysics статью об искусственном нейроне. Идея умещается в одну фразу: нейрон получает несколько сигналов, у каждого свой вес, складывает их и срабатывает, если сумма перевалила за порог. Электроники ещё не было, были только расчёты на бумаге.

Через 14 лет за дело взялся психолог Фрэнк Розенблатт из Корнеллской авиационной лаборатории. В 1957 году он придумал перцептрон и сначала проверил его как программу на большом компьютере IBM 704, а затем лаборатория собрала настоящую машину, Mark I Perceptron.

Устройство у неё было по-своему трогательное. Камера из 400 фотоэлементов, выложенных квадратом 20 на 20, передавала сигнал в 512 промежуточных элементов, оттуда в 8 выходных. Веса хранились в потенциометрах, то есть в обычных крутилках вроде ручки громкости на старом приёмнике, и при обучении их поворачивали электромоторы. Работы финансировали Управление военно-морских исследований США и центр разработок ВВС в Риме (штат Нью-Йорк), а сам проект назывался PARA — от английского «воспринимающие и распознающие автоматы». Связи между фотоэлементами и промежуточными элементами были разведены по коммутационной панели случайным образом и при обучении не менялись; подстраивались только веса на выходе. Собирали машину с июня по 14 декабря 1959 года, а сейчас она стоит в Смитсоновском национальном музее американской истории.

Ажиотаж начался ещё раньше, в 1958 году. После пресс-конференции ВМС США газета New York Times написала, что это зародыш компьютера, который однажды сможет ходить, говорить, видеть и писать. Почти теми же словами сегодня пишут о чат-ботах, с той разницей, что ходить они так и не научились.

Потом пришло разочарование. В 1969 году Марвин Минский и Сеймур Пейперт выпустили книгу «Перцептроны» (Perceptrons), где показали, что однослойная сеть не может выучить даже простую логическую операцию «исключающее или». Деньги на исследования быстро закончились, и о нейросетях надолго почти забыли.

Как сеть научилась учиться

Решение нашлось не сразу. Нужны были сети из нескольких слоёв, а для них не было способа понять, какую из тысяч ручек крутить, когда ошибка видна только на выходе. В 1986 году Дэвид Румельхарт, Джеффри Хинтон и Рональд Уильямс опубликовали работу об обратном распространении ошибки.

Общий принцип прост: сеть даёт ответ, его сравнивают с правильным, а разницу передают назад, от последнего слоя к первому. По дороге для каждого веса вычисляют, в какую сторону его сдвинуть и насколько, после чего сдвигают совсем чуть-чуть. И так миллионы раз.

Этим способом учат почти все нейросети и сейчас. Изменились объёмы: данных и вычислений стало несравнимо больше.

Видеокарта в спальне

Перелом случился в 2012 году. Студент Алекс Крижевский, его коллега Илья Суцкевер и их научный руководитель Джеффри Хинтон из Университета Торонто выставили на конкурс ImageNet (распознавание того, что изображено на фотографии) сеть AlexNet.

AlexNet ошибалась в 15,3% случаев по главной метрике конкурса, а ближайший соперник отстал больше чем на 10,8 процентного пункта — для таких соревнований это пропасть. В сети было около 60 миллионов весов и 650 тысяч нейронов. Обучали её пять–шесть дней на двух игровых видеокартах GTX 580, причём в спальне Крижевского, в доме его родителей.

После этого стало ясно, что видеокарты хорошо подходят для обучения нейросетей. Их проектировали для игр, но перемножать огромные таблицы чисел они умеют быстрее обычных процессоров. На этом и держится вся нынешняя индустрия.

Для чат-ботов важна ещё одна дата. 12 июня 2017 года восемь исследователей, в основном из Google, выложили статью «Attention Is All You Need» («Внимание — всё, что нужно»). В ней описан трансформер — устройство нейросети, на котором построены почти все современные языковые модели.

Внимание здесь — механизм, который позволяет сети смотреть сразу на весь текст и решать, какие слова важны для каждого другого слова. В предложении «Маша положила книгу на стол, потому что она была тяжёлой» сеть должна связать «она» с книгой, и внимание как раз устанавливает такие связи. Сети предыдущего поколения читали текст по порядку, слово за словом, и к концу длинного абзаца начало у них уже размывалось.

Дальше термины связкой. Токен — кусочек текста: целое слово, часть слова или знак препинания. Контекст — вся цепочка токенов, которую модель видит за раз. Генерация — дописывание этой цепочки по одному токену: модель предсказывает самый вероятный следующий кусочек, добавляет его, смотрит на удлинившуюся цепочку и предсказывает следующий.

Вывод из этого довольно приземлённый, зато объясняет почти всё странное в поведении чат-ботов. Модель не ищет ответ в базе фактов. Она продолжает текст правдоподобно.

Почему нейросеть ошибается уверенно

Правдоподобное и правильное совпадают чаще всего, иначе пользоваться такими моделями было бы невозможно. Но не всегда, и такие сбои называют галлюцинациями: модель уверенно сообщает то, чего нет.

Самый известный случай произошёл в 2023 году в Нью-Йорке. Адвокат подал в суд документ по иску против авиакомпании Avianca со ссылками на шесть прошлых судебных решений, и все шесть выдумал ChatGPT. По словам адвоката, чат-бот уверял его, будто дела настоящие. 23 июня 2023 года суд отклонил иск и наказал юристов.

Отсюда практическое правило: цифры, даты, имена, цитаты и ссылки после нейросети проверяют. Особенно если от них что-то зависит: курсовая, договор, здоровье.

Почему ответ каждый раз разный

Если спросить одно и то же дважды, формулировки будут отличаться. На каждом шаге модель выбирает один из нескольких вероятных вариантов с долей случайности. Так сделано специально, иначе тексты выходили бы одинаковыми и скучными. Степень случайности можно регулировать: в некоторых программах есть настройка, которую обычно называют температурой. При низкой температуре модель почти всегда берёт самый вероятный вариант и отвечает сухо и предсказуемо, при высокой рискует и пишет живее, но чаще уходит в сторону. Для пользователя это означает, что неудачный ответ можно переспросить, а уточнённый вопрос обычно даёт результат лучше первого.

Слова «нейросеть», «модель» и «чат» часто путают, хотя разница между ними вполне определённая.

• Нейросеть — общий принцип устройства: слои, веса, обучение на примерах.
• Модель — конкретная обученная нейросеть с уже подобранными весами, у которой есть имя и версия: DeepSeek V4 Flash, Claude Sonnet 5 и так далее.
• Чат — программа с окном для переписки, через которую человек общается с моделью.

Одна модель может работать в разных чатах, а в одном чате бывает несколько моделей на выбор — в чате GPThub, например, их переключают прямо посреди разговора.

Модели различаются тем, на чём и сколько их учили, какого они размера и для чего настроены. Лёгкие отвечают быстро и подходят для коротких бытовых вопросов, крупные медленнее, зато лучше рассуждают и пишут код, а отдельные модели рисуют картинки или делают видео. Как выбирать под задачу, разобрано в гайде по выбору модели; на примере одной компании это хорошо видно в разборе что такое DeepSeek.

Как модель учат

Языковую модель обучают в несколько этапов, подробно они разобраны в статье как обучают нейросеть. На первом ей показывают огромный объём текстов и учат угадывать следующий кусочек. Так она набирается знаний о языке и о мире, но вести диалог ещё не умеет. Спросите такую модель о чём-нибудь, и она вполне может продолжить вопрос десятком похожих вопросов.

Затем модель дообучают на примерах разговоров, где люди показывают, как выглядит хороший ответ, и отдельно на оценках (какой из двух ответов людям понравился больше). Из чего состоят такие наборы примеров, разобрано в статье что такое датасет. После этого получается вежливый помощник, к которому все привыкли. Этапы эти неравноценны по затратам: первый требует огромных вычислений и месяцев работы ускорителей, дообучение обходится заметно дешевле. Поэтому компании нередко выпускают несколько версий одной модели, обученных на общей основе (быструю и лёгкую, медленную и тщательную, отдельно настроенную на код), — основа у них одна, отличается то, чему и как их доучивали.

Знания модели при этом заканчиваются на какой-то дате, после которой тексты для обучения уже не собирали. О более поздних событиях она знает, только если чат умеет искать в интернете и подкладывает ей свежие страницы.

Где физически работает модель

Раз модель — набор чисел, где-то этот набор должен лежать. Маленькие модели помещаются прямо в телефон: распознают лицо при разблокировке, подсказывают следующее слово на клавиатуре, улучшают снимки в камере, и интернет им для этого не нужен.

Большие языковые модели для телефона и ноутбука слишком тяжелы и работают на серверах с мощными ускорителями. Сообщение из чата уходит на такой сервер, модель считает ответ и присылает его обратно по кусочкам. Поэтому текст и появляется на экране постепенно, слово за словом: модель действительно пишет его именно так.

Эти слова часто используют как синонимы, что не вполне точно.

Искусственный интеллект — название всей области, которая учит компьютеры делать то, что раньше умел только человек. Сюда относятся шахматные программы, распознавание речи, навигатор, который строит маршрут, и многие такие системы работают вовсе без нейросетей, на правилах и переборе вариантов.

Машинное обучение — часть искусственного интеллекта, где программа учится на данных, а не исполняет заранее написанные правила. Нейросети — один из способов машинного обучения; сейчас самый мощный и самый популярный, отчего и кажется, что ИИ и нейросеть — одно и то же. В общем же получается матрёшка: снаружи искусственный интеллект, внутри машинное обучение, глубже нейросети, а в центре большие языковые модели, с которыми переписываются в чатах.

Запрос (его ещё называют промптом) — всё, что модель получает перед ответом. Распространённое представление — что это только последняя фраза, набранная в окне, — неполное.

В запрос входят само сообщение, вся предыдущая переписка в этом диалоге, приложенные файлы и картинки, а также служебные инструкции, которые чат добавляет сам: сегодняшняя дата, правила оформления ответа. Всё это склеивается в одну длинную цепочку токенов, и модель продолжает именно её.

Последствий у этого три:

• Контекст решает. Если в начале диалога сказано, что вопрос задаёт первокурсник, модель будет объяснять проще; в новом диалоге она об этом не узнает.
• Подробность помогает. «Расскажи про налоги» даёт общий ответ, вопрос с описанием ситуации, цели и формата — полезный.
• У памяти есть предел. Модель видит ограниченный объём текста за раз, и в очень длинном разговоре начало может перестать влиять на ответ.

Как формулировать запрос точнее, с шаблонами и примерами, разобрано в гайде по промптам.

Нейросети в повседневной жизни встречаются гораздо чаще, чем кажется. Просто большинство из них не разговаривает.

• Распознающие. Смотрят на фото, звук или текст и определяют, что это: разблокировка телефона по лицу, распознавание номеров на камерах, перевод голосового сообщения в текст.
• Рекомендательные. Подбирают ролики, песни и товары; лента соцсети почти всегда устроена так.
• Генеративные. Создают новое: текст, картинку, музыку, видео. Чат-боты и генераторы изображений относятся сюда, подробнее в статье генеративный ИИ.
• Переводящие. Тот самый трансформер в 2017 году проверяли именно на переводе с английского на немецкий и французский.

Граница между ними со временем размывается. Современная языковая модель может распознать текст на фотографии, перевести его и пересказать, хотя раньше для этого понадобились бы три разные программы.

Как нейросеть рисует картинку

С картинками механизм другой, и он по-своему нагляднее. Большинство нынешних генераторов изображений — диффузионные модели; подробно этот подход описали Джонатан Хо, Аджай Джайн и Питер Аббил в работе от 19 июня 2020 года.

С картинками схема такая. Во время обучения в картинку постепенно добавляют шум, пока от неё не останется серая каша из точек. Модель же учится обратному: по каше и описанию шаг за шагом убирать шум. Когда модель просят нарисовать кота в шляпе, она начинает со случайного шума и много раз подряд немного его очищает, ориентируясь на описание. Из пятен проступают уши, потом шляпа, потом шерсть. Стартовый шум каждый раз свой, поэтому две картинки по одному описанию всегда различаются.

Отсюда и типичные огрехи: лишний палец, странные буквы на вывеске, часы с тремя стрелками. Модель не знает, сколько пальцев у человека, она знает, как обычно выглядят картинки с руками. А на большинстве картинок пальцы видны плохо.

Идее больше 80 лет, а массово о ней заговорили в последние годы. Сошлись три условия.

Прежде всего данные: интернет накопил столько текстов, фотографий и видео, что на них стало возможно учить по-настоящему большие сети. У Mark I Perceptron в 1960 году была картинка из 400 точек, и больше ничего.

Затем вычисления. Видеокарты, которые после AlexNet начали использовать для обучения, с каждым поколением становились быстрее, и сейчас большие модели учат на тысячах ускорителей одновременно.

Наконец, устройство сетей. Трансформер оказался удобен тем, что его легко распараллелить: вычисления идут одновременно, а не по очереди. Авторы статьи 2017 года обучили модель перевода за 3,5 дня на восьми видеокартах, что по тем временам было быстро.

Когда все три условия совпали, обнаружилось неожиданное. В работе от 15 июня 2022 года группа исследователей описала эмерджентные способности: у маленьких моделей их нет, у больших они появляются, и по маленьким заранее это не предсказать. Размеры при этом выросли в тысячи раз. У AlexNet было около 60 миллионов весов, и в 2012 году это считалось очень много, а у нынешних больших языковых моделей счёт идёт на миллиарды.

С текстом языковые модели справляются уверенно: объясняют тему, пересказывают длинный документ, пишут черновик письма, переводят, находят ошибку в коде. Для учёбы это особенно удобно, подробнее в гайде про нейросеть для учёбы.

Отдельные модели работают с картинками и видео. Одни понимают, что изображено на фото, и разбирают график или скриншот задачи, другие рисуют по описанию или делают короткий ролик из текста; о видео — в статье о том, чем генерация ролика отличается от монтажа.

Для тех, кто делает картинки и ролики, это уже рабочий инструмент: черновик обложки или раскадровки получается за минуту вместо вечера. Масштаб тоже показателен. ChatGPT вышел 30 ноября 2022 года и за пять дней набрал миллион пользователей, через два месяца им пользовались 100 миллионов человек в месяц, а в феврале 2026 года — 900 миллионов в неделю.

Слабые места при этом известны:

• Свежие события. Без поиска модель знает мир только до даты окончания обучения.
• Точные факты. Цитаты, номера законов и ссылки на источники требуют проверки.
• Длинная арифметика. Без отдельного инструмента для вычислений модель может ошибиться в счёте.
• Ответственность. За последствия совета модель не отвечает.

Если вы видите новость о том, что очередная нейросеть «думает как человек», разумнее всего вспомнить шкаф с потенциометрами 1960 года: ручек стало больше, принцип остался тем же.

Чтобы попробовать, ничего устанавливать не нужно, достаточно браузера. Проще всего начать с вопроса, ответ на который уже известен, чтобы оценить точность, а затем попросить объяснить одну и ту же тему «как школьнику» и «как специалисту» и сравнить. Пошагово, с картинками интерфейса, это описано в гайде для новичков.

Модели вроде DeepSeek V4 Flash и Claude Sonnet 5 уже доступны в чате GPThub и переключаются в одном окне. Один и тот же вопрос, заданный двум моделям, неплохо показывает, насколько по-разному их учили.