Сегодня про искусственный интеллект говорят так, будто человечество только что обнаружило новую форму электричества.
Миллиарды долларов идут в дата-центры. NVIDIA стоит сотни миллиардов. Google, Microsoft, OpenAI, Anthropic, Meta соревнуются моделями. Стартап может добавить к обычному сервису слово AI и внезапно выглядеть значительно дороже.
А теперь плохая новость.
Мы уже примерно это проходили.
Не с ChatGPT, конечно. Не с трансформерами и генерацией видео. Но с очень похожим набором обещаний: машины скоро будут разговаривать с людьми, рассуждать, решать сложные задачи и заменять специалистов.
Потом пришли инвесторы. Государственные программы. Корпорации. Огромные ожидания.
А затем выяснилось, что демонстрация в лаборатории и технология, которая действительно работает в реальном мире, — немного разные вещи.
Деньги начали исчезать.
Компании закрываться.
Исследовательские программы сворачиваться.
И в истории искусственного интеллекта наступил период, который позже назвали AI winter — зимой искусственного интеллекта.
Причём таких зим было не одна.
Начиналось всё с чрезвычайно бодрого оптимизма
Летом 1956 года небольшая группа математиков и исследователей собралась в Дартмутском колледже. Именно там закрепилось название artificial intelligence, предложенное Джоном Маккарти, и фактически родилась отдельная научная область.
Само предложение конференции сегодня читать особенно интересно. Маккарти, Марвин Минский, Натаниэль Рочестер и Клод Шеннон исходили из предположения, что любой аспект обучения и интеллекта в принципе можно описать настолько точно, чтобы машина смогла его воспроизвести. Более того, авторы надеялись получить существенный прогресс в ряде таких задач всего за одно лето.
С высоты 2026 года это выглядит немного оптимистично.
Примерно как:
Соберём десять хороших мужиков на два месяца и разберёмся с интеллектом.
😁
Но причины для оптимизма были.
Компьютеры действительно начали делать вещи, которые раньше казались исключительно человеческими
Появились программы, игравшие в шашки и шахматы. Фрэнк Розенблатт экспериментировал с перцептроном — ранней моделью искусственной нейронной сети. SRI строила Shakey — одного из первых мобильных роботов, способных анализировать окружающую среду и планировать действия.
В шестидесятых начались серьёзные эксперименты с естественным языком. Появлялись системы доказательства теорем, распознавания образов, планирования и машинного обучения. Stanford AI100 отмечает, что именно тогда сформировались многие направления, которые существуют и сегодня.
Каждый отдельный результат выглядел впечатляюще.
А дальше произошла классическая ошибка прогнозирования.
Если компьютер сегодня научился решать одну задачу, кажется логичным:
Ещё немного — и научится всему остальному.
Только в искусственном интеллекте слово «немного» иногда означает лет пятьдесят.
Хороший лабораторный фокус очень легко принять за общий интеллект
Допустим, программа решает сложную логическую головоломку.
Человек смотрит:
Она рассуждает!
Но программа может прекрасно работать внутри очень узкого мира, где заранее известны правила, допустимые объекты и возможные действия.
Стоит добавить немного реальности — и всё разваливается.
Это примерно как человек, который идеально прошёл компьютерный симулятор авиалайнера и на этом основании решил:
Ну всё, Boeing освоен.
Проблема раннего ИИ состояла не в том, что исследователи были глупыми. Наоборот, они открывали действительно работающие методы.
Проблема была в том, что успехи слишком быстро экстраполировали на задачи совершенно другого масштаба.
Один из первых холодных душей случился с машинным переводом
В 1950–60-х автоматический перевод считался одним из самых перспективных направлений. Особенно в США: холодная война создавала очевидный спрос на быстрый перевод огромного количества русскоязычных материалов.
Ранние демонстрации выглядели многообещающе. Казалось, ещё немного — и компьютер просто будет переводить тексты с одного языка на другой.
Но язык оказался противным.
У слова есть контекст.
У фразы несколько смыслов.
Есть идиомы.
Намёки.
Грамматика.
Неоднозначность.
И огромное количество знаний о мире, которые человек использует совершенно незаметно.
В 1966 году американский комитет ALPAC выпустил крайне скептический доклад о достигнутом прогрессе автоматического перевода. После него государственное финансирование этого направления в США существенно сократилось.
Это ещё не была полноценная смерть искусственного интеллекта.
Но первый сигнал прозвучал:
обещали больше, чем смогли сделать.
В Великобритании сигнал оказался ещё громче
К началу семидесятых первоначальный энтузиазм вокруг AI заметно ослаб. Британский Science Research Council поручил математику Джеймсу Лайтхиллу оценить состояние исследований искусственного интеллекта.
Доклад вышел в 1973 году.
Лайтхилл довольно жёстко раскритиковал значительную часть фундаментального AI и сомневался, что универсальная интеллектуальная система вообще появится в XX веке. В дальнейшем именно этот доклад часто связывали с сокращением государственной поддержки AI-исследований в Великобритании.
Этот период нередко называют первой зимой искусственного интеллекта.
То есть мороз ударил ещё до восьмидесятых.
Но потом произошло кое-что интересное.
ИИ снова отогрелся.
Спасением стали экспертные системы
Идея была очень разумная.
Не будем пока создавать универсальный мозг.
Возьмём одного хорошего специалиста и попробуем записать его знания в программу.
Например, врач говорит:
Если наблюдаются признаки A, B и C, а анализ показывает D — проверь заболевание X.
Инженер:
Если давление такое, температура такая и клапан ведёт себя вот так — проблема, вероятно, здесь.
Получается большая система правил:
ЕСЛИ условие → ТО вывод.
Так появились экспертные системы.
Одним из знаменитых примеров стала MYCIN, разработанная в Стэнфорде в 1970-х. Она использовала порядка 600 правил для рекомендаций по диагностике бактериальных инфекций и подбору антибиотиков. DARPA в своём историческом обзоре отмечает, что на тестах её качество было сопоставимо с уровнем специалистов.
Вот здесь бизнес снова проснулся.
Потому что экспертные системы наконец можно было продавать
Это было уже не:
Когда-нибудь компьютер будет думать.
А:
Вот программа, которая решает конкретную дорогую задачу.
Digital Equipment Corporation использовала экспертную систему XCON для конфигурирования компьютерных систем. Подобные технологии начали внедрять в медицине, геологии, инженерии, финансах и производстве.
К концу 1980-х, по данным исторического обзора британского парламента, более половины компаний из Fortune 500 в той или иной степени занимались разработкой или поддержкой экспертных систем.
ИИ снова стал модным.
Появились специализированные компании.
Teknowledge.
Intellicorp.
Inference Corporation.
Корпорации заводили собственные AI-отделы.
И снова начало казаться:
Теперь-то точно пошло.
Под ИИ даже начали строить специальные компьютеры
Основным языком многих AI-систем был Lisp.
Для него создавали специализированные Lisp machines — рабочие станции, оптимизированные под задачи искусственного интеллекта. Появились компании вроде Symbolics и Lisp Machines Inc., продававшие дорогие специализированные компьютеры для разработчиков AI. Computer History Museum хранит целую коллекцию этой эпохи.
Получалась уже полноценная индустрия.
Отдельное железо.
Отдельный софт.
AI-компании.
Консультанты.
Корпоративные проекты.
Государственные программы.
Если бы в 1985 году существовал LinkedIn, думаю, половина профилей внезапно получила бы приписку:
Artificial Intelligence Expert.
Некоторые традиции человечества не меняются.
А потом Япония решила построить компьютеры следующего поколения
В 1982 году японское правительство запустило масштабную программу Fifth Generation Computer Systems.
Цели были чрезвычайно амбициозные: компьютеры нового поколения должны были работать со знаниями, логикой, естественным языком и решать задачи, которые обычные вычислительные системы выполняли плохо. Проект был рассчитан примерно на десятилетие и поддерживался крупными японскими компаниями.
На Западе слегка занервничали.
Япония в тот момент выглядела технологической машиной, которая методично откусывает рынок за рынком.
Электроника.
Автомобили.
Полупроводники.
И тут она объявляет:
Следующий компьютерный век тоже наш.
США и Европа начали запускать ответные программы.
Деньги в AI полились снова.
И именно в этот момент ожидания окончательно оторвались от возможностей технологии.
Главная проблема экспертных систем оказалась очень человеческой
Представьте хорошего врача с двадцатью годами опыта.
Попробуйте спросить его:
Запишите абсолютно все правила, которыми вы пользуетесь.
Он часть знает.
Часть объяснить не сможет.
Часть зависит от контекста.
Часть представляет собой:
Ну тут же видно.
Компьютеру «видно» не было.
Чтобы построить экспертную систему, специалисты по knowledge engineering буквально вытаскивали знания из экспертов и превращали их в тысячи формальных правил.
Это занимало невероятное количество времени.
А правила начинали конфликтовать
Представьте:
Если птица — значит летает.
Прекрасное правило.
Пингвин:
Здравствуйте.
Добавляем исключение.
Страус.
Ещё исключение.
Птенец.
Птица со сломанным крылом.
Мёртвая птица.
Птица, которую за лапы приморозило ко льду.
Этот пример приводит сама DARPA, объясняя ограничения первой волны AI: реальный мир забит исключениями, а система правил справляется с ними очень плохо.
Чем больше становилась экспертная система, тем сложнее было понимать, почему она вообще приняла конкретное решение.
Добавили новое правило — сломали три старых случая.
Поправили исключение — появилось другое.
Знакомо всем, кто хотя бы раз поддерживал большой кусок старого кода.
И самое неприятное — экспертная система почти не умела выходить за пределы своей коробки
Внутри знакомой области она могла быть великолепна.
Но дайте неожиданный вход — и получался абсурд.
DARPA в историческом обзоре прямо отмечает, что экспертные системы было тяжело обновлять и поддерживать, а при необычных входных данных они могли выдавать крайне странные ответы.
То есть возникла та же проблема, которую мы сегодня постоянно обсуждаем с роботами.
Демонстрация:
работает!
Реальное внедрение:
А если вот так?
Система:
Я увольняюсь.
Потом обычные компьютеры стали догонять специализированные Lisp-машины
Это уже был почти смертельный удар для отдельной AI-индустрии.
Специализированная рабочая станция имела смысл, пока обычный компьютер был слишком медленным.
Но производительность стандартного железа росла.
Unix-станции дешевели.
Персональные компьютеры становились мощнее.
И внезапно оказалось, что дорогой специализированный AI-компьютер больше не даёт преимущества, которое оправдывает его цену.
Компания могла купить обычную рабочую станцию и выполнить многие задачи дешевле.
Рынок Lisp-машин начал рушиться.
А вместе с ним исчезла часть инфраструктуры, которая за предыдущие годы выросла вокруг бума AI.
Тут сработала та же механика, которую мы сегодня видим постоянно
Пока рынок растёт, все объясняют рост фундаментальной революцией.
Когда рост заканчивается, выясняется, что часть спроса существовала потому, что:
все ожидали дальнейшего роста.
Компания покупала AI-систему, потому что конкуренты покупали AI-систему.
Инвестор вкладывался в AI-компанию, потому что AI считался будущим.
AI-компания нанимала людей, потому что рассчитывала на новые инвестиции.
Это работает прекрасно до момента, когда покупатель задаёт неприятный вопрос:
А сколько денег эта штука мне принесла?
И ответы внезапно становятся значительно менее футуристическими.
К концу восьмидесятых настроение изменилось очень быстро
Ожидания экспертных систем не оправдались в обещанном масштабе. Специализированный рынок Lisp-машин схлопнулся. Государственные заказчики начали пересматривать программы.
DARPA описывает этот момент предельно просто: громкие ожидания вокруг AI сменились разочарованием, а к концу 1980-х даже само выражение «artificial intelligence» стало токсичным — исследователи предпочитали говорить о нейронных сетях, вероятностных методах и других конкретных направлениях.
Stanford AI100 тоже описывает середину и конец восьмидесятых как период, когда интерес к AI падал, а финансирование иссякало. Именно его Нильс Нильссон называет AI winter.
Вот это и есть знаменитая вторая зима искусственного интеллекта.
Морозило примерно до начала–середины девяностых.
Японский «компьютер будущего» тоже не спас ситуацию
Проект Fifth Generation завершился в 1992 году.
Он дал интересные научные и инженерные результаты, особенно в параллельных вычислениях и логическом программировании. Но той революционной машины, которая должна была разговаривать естественным языком, рассуждать почти как человек и перевернуть вычислительную индустрию, не появилось.
Computer History Museum формулирует результат довольно жёстко: после сотен миллионов долларов исследований программа была прекращена, не достигнув изначально заявленного видения.
Опять повторилась знакомая картина.
Исследования — не бесполезны.
Некоторые технологии — важны.
А рекламная картинка будущего — слишком ранняя.
Именно это различие постоянно теряется во время технологического бума.
Но самое интересное: искусственный интеллект вовсе не умер
Вот в этом главная ошибка слова «зима».
Можно представить:
Все поняли, что AI — фигня, и ушли заниматься базами данных.
На самом деле исследования продолжались.
Развивались нейронные сети.
Вероятностные методы.
Машинное обучение.
Компьютерное зрение.
Распознавание речи.
Робототехника.
Просто исследователи часто перестали вывешивать огромную вывеску:
ИСКУССТВЕННЫЙ ИНТЕЛЛЕКТ ИЗМЕНИТ ВСЁ.
Они решали более конкретные задачи.
И это постепенно оказалось гораздо продуктивнее.
В некотором смысле AI спасло то, что он перестал пытаться быть AI
Это парадокс.
Вместо:
построим электронного человека,
появилось:
научим компьютер распознавать речь.
Потом:
классифицировать изображение.
рекомендовать товар.
находить спам.
переводить текст.
распознавать лицо.
Каждая задача уже не выглядела как создание разума.
Но вместе они постепенно собирали огромный набор технологий, которые сегодня мы снова называем искусственным интеллектом.
Есть хорошая старая шутка:
Как только задача решена, её перестают считать AI.
Шахматная программа когда-то выглядела почти магией.
Сегодня шахматы в телефоне никого не волнуют.
И вот здесь начинается очень интересное сравнение с нынешним бумом
Есть очевидные сходства.
Снова огромный поток инвестиций.
Снова громкие прогнозы.
Снова компании обещают заменить целые профессии.
Снова вокруг технологии возникает множество стартапов, бизнес-модель которых иногда состоит примерно из:
Подождите, инвесторы пока не закончились.
Снова создаётся специализированное дорогое железо.
Снова государства объявляют национальные AI-программы.
Снова практически любой продукт пытается приклеить к себе слово AI.
Если смотреть только на эти признаки, хочется сказать:
Ну всё. Значит, скоро третья зима.
Но такое заключение было бы слишком простым.
Сегодняшний AI принципиально отличается от экспертных систем восьмидесятых
Главное отличие — он учится на данных, а не требует вручную прописывать практически всё знание.
Экспертная система:
инженер записал 10 000 правил.
Современная нейросеть:
получила миллиарды примеров и сама построила внутренние представления.
DARPA как раз делит историю AI на условную первую волну — handcrafted knowledge, вручную созданные правила — и вторую волну машинного обучения, где системы строят статистические модели из больших наборов данных.
Это не означает, что нынешние модели стали человеческим разумом.
Но означает, что один из главных барьеров старого AI действительно снят.
Не нужно вручную объяснять модели каждое исключение для каждой птицы.
Она может выучить понятие «птица» статистически на огромном количестве примеров.
И ещё есть очень неудобное для скептиков обстоятельство: современный ИИ уже реально полезен
Это, пожалуй, главное различие.
Можно спорить, окупится ли триллионная инфраструктура.
Можно спорить о пузыре оценок компаний.
Можно справедливо смеяться над приложением:
AI TOASTER 2.0 — умный тост с искусственным интеллектом.
Но отрицать реальные рабочие применения уже трудно.
Люди используют модели для:
программирования;
перевода;
поиска;
анализа документов;
работы с изображениями;
расшифровки речи;
генерации контента;
научных задач;
поддержки клиентов.
Это не обещание на 2035 год.
Оно работает сейчас.
Поэтому возможное охлаждение нынешнего рынка не обязательно означает:
искусственный интеллект оказался пустышкой.
Гораздо вероятнее другая история:
ожидания снова оказались выше реальной экономики.
Пузырь технологии и полезность технологии могут существовать одновременно
Это вообще важная мысль.
Интернет был настоящей революцией.
И пузырь доткомов тоже был настоящим пузырём.
Amazon существовал.
Интернет действительно изменил экономику.
Но это не означало, что каждая интернет-компания 1999 года стоила разумных денег.
Точно так же генеративный AI может оказаться фундаментальной технологией — и одновременно часть сегодняшних AI-компаний может прекрасно исчезнуть.
Противоречия здесь нет.
Хорошая технология не гарантирует хорошей инвестиции.
И плохой бизнес вокруг технологии не доказывает бесполезность самой технологии.
Зима обычно приходит не тогда, когда технология перестаёт работать
Она приходит, когда заканчивается разница между:
что обещали
и
что получили.
Если человеку обещали:
система сократит расходы на 20%,
а получилось 15% — нормально.
Если обещали:
через два года полностью заменим офис,
а получилось:
она неплохо пишет черновики писем,
возникают проблемы.
Именно огромное расстояние между рекламным образом AI и реальными возможностями когда-то убило доверие к экспертным системам.
Сейчас та же опасность существует снова.
Особенно вокруг агентов и роботов
Мы последние недели разбираем как раз эти направления.
ИИ-агент умеет открыть браузер.
Прекрасно.
Из этого уже делают вывод:
через год компании будут работать без сотрудников.
Гуманоид взял коробку.
Прекрасно.
Вывод:
через два года роботы заменят физический труд.
История AI очень хорошо учит ставить между этими двумя предложениями огромное:
ПОДОЖДИТЕ.
Демонстрация доказывает возможность.
Она не доказывает:
надёжность;
цену;
масштабируемость;
окупаемость;
способность работать без инженера;
способность справляться с тысячей исключений реального мира.
Именно на этой дистанции когда-то замёрзли экспертные системы.
Есть ещё один урок: технология может пережить собственное название
В конце восьмидесятых выражение AI настолько потеряло блеск, что исследователи предпочитали более конкретные термины.
Но работа продолжалась.
И спустя десятилетия всё это вернулось под той же большой вывеской.
Поэтому даже если через несколько лет инвесторы внезапно охладеют к слову «AI», это не означает конец направления.
Возможно, просто перестанут писать:
AI CRM.
Останется CRM, в которой модели сами разбирают обращения.
Исчезнет:
AI photo editor.
Останется редактор, автоматически меняющий фотографии по команде.
Пропадёт слово.
Функция останется.
И, возможно, это будет признаком не смерти технологии, а её взросления.
Самые успешные технологии вообще перестают называться технологиями
Никто сегодня не говорит:
Я воспользовался технологией реляционной базы данных.
Мы просто открыли приложение.
Никто не восхищается:
В моём телефоне используется алгоритм JPEG-компрессии!
Сфотографировали кота.
GPS когда-то был невероятной военной технологией.
Сегодня водитель орёт:
Да куда ты меня опять повёл?!
Вот высшая стадия массового принятия.
😁
С искусственным интеллектом однажды будет так же.
Если он действительно победит, словосочетание AI начнёт исчезать из рекламы.
Потому что станет настолько обычным, что перестанет быть аргументом.
А может ли третья зима всё-таки наступить?
Вполне.
Особенно финансовая.
Если компании потратят на инфраструктуру значительно больше, чем смогут заработать.
Если агенты окажутся намного менее автономными, чем обещают.
Если предприятия обнаружат, что внедрение стоит дороже полученной экономии.
Если рост качества моделей замедлится, а стоимость дальнейшего масштабирования продолжит расти.
Если пользователи решат, что им не нужна отдельная AI-подписка на каждое действие в жизни.
Тогда инвестиционный энтузиазм вполне способен резко смениться вопросом:
А можно обратно деньги?
История знает такие движения прекрасно.
Но даже в этом случае нынешние модели уже не исчезнут.
Потому что предыдущие зимы тоже ничего не отменили
Первая зима не уничтожила AI.
Вторая — тоже.
После них появились:
Deep Blue;
современное распознавание речи;
Google Translate;
рекомендательные системы;
беспилотные автомобили;
AlexNet;
AlphaGo;
трансформеры;
ChatGPT.
То есть «зима» оказалась не концом.
Скорее периодом, когда рынок переставал оплачивать фантазии, а исследования снова вынуждены были решать реальные проблемы.
Иногда это даже полезно.
Меньше презентаций:
через пять лет AGI.
Больше:
вот конкретная задача, вот метрика, вот результат.
История экспертных систем поэтому сегодня особенно полезна
Они не были мошенничеством.
Не были бесполезными.
В некоторых задачах работали прекрасно и стали важным этапом развития AI. DARPA до сих пор приводит экспертные системы как первую успешную волну искусственного интеллекта.
Провалилось другое.
Идея, что успешные узкие системы автоматически означают:
универсальный искусственный разум уже почти готов.
Плюс рынок начал продавать ожидание быстрее, чем технология успевала становиться практичной.
Вот это звучит подозрительно современно.
Поэтому я бы не спрашивал: «Будет ли новая зима AI?»
Интереснее другой вопрос:
Какая часть сегодняшнего бума переживёт её, если она придёт?
Языковые модели?
Почти наверняка.
Автоматизация программирования?
Скорее всего.
Мультимодальный поиск?
Очень похоже.
ИИ внутри операционных систем?
Вероятно.
Агенты, которые полностью заменят офис?
Посмотрим.
Миллионы гуманоидов через три года?
Я бы пока оставил шампанское закрытым.
Это не скептицизм к технологии.
Это ровно тот урок, который AI уже однажды очень дорого выучил.
В 1956 году исследователи надеялись за лето существенно продвинуться к пониманию машинного интеллекта
Прошло семьдесят лет.
И мы действительно получили машины, которые разговаривают, пишут код, видят изображения, переводят языки и начинают управлять роботами. Дартмут в 2026 году как раз отмечает 70-летие той самой конференции, с которой принято отсчитывать историю области.
Значит ли это, что первые исследователи ошибались?
В фундаментальной идее — возможно, наоборот, были удивительно правы.
Ошиблись они прежде всего во времени и сложности пути.
А это самая постоянная ошибка всей истории искусственного интеллекта.
Мы почти каждый раз правильно понимаем направление.
И почти каждый раз сильно недооцениваем, сколько между:
«оно уже умеет вот это»
и
«теперь оно действительно изменило весь мир».
Поэтому, когда сегодня очередной руководитель AI-компании обещает нам через три года цифровых сотрудников, универсальных роботов и искусственный интеллект уровня человека, я не говорю:
Невозможно.
История как раз показывает, что многие невозможные вещи однажды становятся обычными.
Я всего лишь мысленно добавляю к прогнозу одну фразу:
Посмотрим после зимы.
