Создавайте фото и видео генерации в одном месте

Здесь собраны лучшие нейросети в одном месте. Выбирайте любую модель - от самых быстрых и дешёвых до топовых по качеству.

Назад в блог

История искусственного интеллекта: от первых идей до современных нейросетей

Время чтения - 11 мин
Автор статьи Пётр Васильев

Автор - Пётр Васильев

Разработчик ИИ-сервиса

Развитие ИИ от ламповых компьютеров и перфокарт до нейросетей, изображений, видео и звука

Сегодня вы пишете две строки промпта и через минуту получаете ролик со звуком или постер с ровной надписью. Кажется, что всё это появилось в 2022 году вместе с ChatGPT, а до того искусственный интеллект жил только в фантастике. На деле история искусственного интеллекта длится больше 80 лет, и в ней были громкие обещания, две "зимы" с закрытыми лабораториями и десятилетия тихой работы, которую почти никто не замечал. Я разберу эту историю ИИ по этапам: откуда взялся термин, как появились первые нейронные сети, почему интерес к ним дважды угасал и что в итоге привело к генеративным моделям.

Зачем это человеку, который просто делает контент? История развития ИИ и технологий искусственного интеллекта хорошо объясняет поведение современных нейросетей: почему они уверенно ошибаются, почему так сильно зависят от данных и почему к громким заявлениям о "думающей машине" стоит относиться спокойно. Такие заявления звучали уже в 1958 году.

Первые годы: тест Тьюринга, Дартмутский семинар и термин "искусственный интеллект"

Истоки ИИ: схемы нейронных сетей и перфокарты на рабочем столе
Истоки ИИ: схемы нейронных сетей и перфокарты на рабочем столе

Первую модель нейрона описали ещё в 1943 году. Нейрофизиолог Уоррен Мак-Каллок и логик Уолтер Питтс опубликовали статью, в которой нервную систему представили как сеть простых логических элементов: каждый получает сигналы, суммирует поступившую информацию и "срабатывает", если сумма превысила порог. Компьютеров в нашем понимании тогда почти не было, но идея, что из множества простых узлов можно собрать сложное поведение, дожила до современных моделей.

В 1950 году математик Алан Тьюринг опубликовал в философском журнале Mind статью "Computing Machinery and Intelligence". Он предложил не спорить о том, может ли машина думать и сравниться с человеческим разумом, а проверить, способна ли она в переписке выдать себя за человека. Эту "игру в имитацию" потом назвали тестом Тьюринга. Мне в этой статье интереснее другое: Тьюринг уже тогда писал, что умную машину проще не запрограммировать целиком, а обучить, как ребёнка. По сути, это и есть идея машинного обучения, только за полвека до того, как для неё появились вычислительные мощности.

Сам термин придумал Джон Маккарти. В 1955 году он вместе с Марвином Минским, Натаниэлем Рочестером и Клодом Шенноном подал заявку на летний семинар в Дартмутском колледже, и в этой заявке впервые появились слова "artificial intelligence". Семинар прошёл летом 1956 года, его и считают днём рождения ИИ как отдельной области науки. Авторы заявки исходили из того, что любой аспект обучения и интеллекта можно описать так точно, что машина сможет его имитировать, и рассчитывали заметно продвинуться за одно лето. Этот оптимизм ещё аукнется. В 1958 году Маккарти создал язык программирования Lisp, который на десятилетия стал основным языком исследователей ИИ.

Первые нейронные сети: перцептрон Розенблатта и ELIZA

Ранние нейронные сети: лаборатория с перцептроном и компьютером
Ранние нейронные сети: лаборатория с перцептроном и компьютером

Первая обучаемая нейросеть появилась почти одновременно с Lisp. Разработка принадлежала психологу Фрэнку Розенблатту из Корнеллской авиационной лаборатории: он создал перцептрон и в июле 1958 года показал его публике в Вашингтоне. Сначала модель работала как программа на компьютере IBM 704, потом её собрали в виде отдельной машины Mark I Perceptron, которая училась распознавать простые изображения. Газеты писали о военно-морском устройстве, которое учится само, и ожидания быстро обогнали то, что машина умела на деле. Этот разрыв между демонстрацией и обещаниями потом обернулся проблемой для всей области.

Параллельно шли работы и в СССР. В 1965 году советский учёный Алексей Ивахненко вместе с Валентином Лапой опубликовал метод группового учёта аргументов, который учил многослойные сети слой за слоем. Историк глубокого обучения Юрген Шмидхубер называет эту работу первым рабочим алгоритмом для глубоких сетей, так что у глубокого обучения есть и советские корни.

Другая линия развития ИИ шла без нейронов. В 1966 году Джозеф Вейценбаум из MIT описал программу ELIZA, которую сегодня называют первым чат-ботом. Самый известный её сценарий, DOCTOR, изображал психотерапевта: ловил ключевые слова и возвращал фразы собеседника в виде вопросов. Никакого понимания там не было, но программа вызывала у собеседников неожиданно живой эмоциональный отклик, и многие приписывали ей сочувствие. Это явление назвали "эффектом ELIZA", и я считаю его самым полезным уроком из всей ранней истории: связный ответ ещё не значит, что машина понимает, о чём речь. С современными языковыми моделями правило работает так же.

Зима ИИ: почему интерес к искусственному интеллекту пропадал дважды

Зима ИИ: опустевшая лаборатория и остановленные исследования
Зима ИИ: опустевшая лаборатория и остановленные исследования

"Зимой ИИ" называют периоды, когда разочарование приводило к сокращению финансирования и исследователи уходили в соседние области. Механизм каждый раз одинаковый: громкие обещания, деньги под них, результаты скромнее обещанного и резкое охлаждение.

Первая зима (середина 1970-х)

Нейронным сетям досталось первыми. В 1969 году Марвин Минский и Сеймур Пейперт выпустили книгу "Perceptrons", где строго показали, что однослойный перцептрон не может решить даже простую логическую задачу XOR ("исключающее или"). Вывод касался только однослойных сетей, но его прочитали шире, и финансирование нейросетевых проектов надолго ушло к символьным системам на правилах.

Затем проблемы начались у всего ИИ. В 1973 году британский математик Джеймс Лайтхилл подготовил для правительства отчёт, где заключил, что исследования не достигли заявленных целей и упираются в "комбинаторный взрыв": число вариантов растёт так быстро, что на реальных задачах вычисления становятся неподъёмными. После отчёта исследования ИИ в Великобритании резко сократились, а американское оборонное агентство DARPA в 1973-1974 годах урезало поддержку академических проектов и стало требовать прикладных результатов.

Экспертные системы и вторая зима (1987-1993)

В 1980-х интерес вернулся через экспертные системы, программы, в которые вручную закладывали знания специалистов в виде правил. Такие системы помогали в решении задач в узких областях: XCON помогала собирать конфигурации компьютеров, MYCIN подсказывала диагнозы. Япония запустила амбициозный проект компьютеров пятого поколения, США и Европа ответили своими программами.

Слабое место было в том, что экспертная система не умела учиться. Каждое новое правило приходилось вписывать руками, база знаний разрасталась, а поддержка стоила дороже, чем приносила. В 1987 году рухнул рынок специальных Lisp-машин, на которых работали такие системы: обычные компьютеры стали мощнее и дешевле. Японский проект не достиг своих целей, DARPA снова сократила финансирование, и началась вторая зима, которая продлилась примерно до начала 1990-х.

Если вам кажется, что это давняя история, посмотрите на нынешние обещания вроде "нейросеть заменит дизайнера через год". Механизм тот же, поэтому я бы оценивал любую модель по тому, что она делает в вашей задаче сейчас, а не по прогнозам вокруг неё.

Новое развитие: как машинное обучение вернуло интерес к нейросетям

Возвращение нейросетей: шахматы, видеокарты и большие наборы изображений
Возвращение нейросетей: шахматы, видеокарты и большие наборы изображений

Пока шли споры о финансировании, нейросети тихо возвращались в научный мир. В 1982 году физик Джон Хопфилд описал сеть, которая умеет хранить образы и восстанавливать их по искажённой версии. В 1986 году Дэвид Румельхарт, Джеффри Хинтон и Рональд Уильямс опубликовали в журнале Nature статью про метод обратного распространения ошибки. Он объяснил, как обучать сети со скрытыми слоями, то есть снял то самое ограничение, о которое споткнулся перцептрон. В 2024 году Хопфилд и Хинтон получили за эти работы Нобелевскую премию по физике.

Публика же запомнила 1990-е по шахматам. 11 мая 1997 года суперкомпьютер IBM Deep Blue выиграл матч из шести партий у чемпиона мира Гарри Каспарова со счётом 3,5 на 2,5. Нейросетью Deep Blue не был: он перебирал огромное число позиций за счёт специализированного железа. Зато победа машины над человеком в интеллектуальной игре вернула ИИ на первые полосы.

Настоящий перелом случился, когда сошлись три вещи: большие наборы размеченных данных, мощные видеокарты и наработанные алгоритмы. В 2012 году нейросеть AlexNet Алекса Крижевского, Ильи Суцкевера и Джеффри Хинтона выиграла конкурс распознавания изображений ImageNet с ошибкой 15,3% против 26,2% у второго места. Обучали её на двух игровых видеокартах, и после этого многослойные сети быстро стали основным подходом в компьютерном зрении. В марте 2016 года программа AlphaGo от DeepMind обыграла одного из сильнейших игроков в го Ли Седоля со счётом 4:1, а го считалась для машин куда более трудной игрой, чем шахматы.

Появление трансформеров и генеративного ИИ

Генеративный ИИ: нейросеть создаёт изображения, видео и звук
Генеративный ИИ: нейросеть создаёт изображения, видео и звук

До 2014 года нейросети в основном распознавали: что на фото, какое слово сказано. Создавать новое они начали с генеративно-состязательных сетей (GAN), которые предложил Ян Гудфеллоу с коллегами. В них две сети учатся друг против друга: одна генерирует изображения, другая пытается отличить их от настоящих. За несколько следующих лет их варианты научились синтезировать фотореалистичные изображения, и это был первый заметный шаг нейросетей к созданию картинок.

В 2017 году исследователи Google опубликовали статью "Attention Is All You Need" и описали архитектуру "трансформер". Она смотрит на всю последовательность сразу и сама решает, какие слова в ней важны друг для друга, поэтому хорошо параллелится и масштабируется на огромные объёмы данных. На трансформерах построены современные большие языковые модели, включая ChatGPT, а позже эта архитектура пришла и в генерацию изображений и видео.

Дальше события пошли с частотой, к которой история ИИ не привыкла. В январе 2021 года OpenAI показала DALL·E, которая рисовала изображения по тексту. В апреле 2022 года вышла DALL·E 2 с фотореалистичной картинкой, а 22 августа того же года Stability AI выложила Stable Diffusion в открытый доступ, и генерация изображений по тексту стала доступна на обычном домашнем компьютере. 30 ноября 2022 года OpenAI запустила ChatGPT как бесплатную исследовательскую версию, и разговор об искусственном интеллекте из научных статей переехал в повседневную жизнь.

Следующим рубежом стало видео. В мае 2025 года Google представила Veo 3, которая, в отличие от предыдущей версии, генерировала видео сразу со звуком: шумами, фоном и репликами персонажей. Для тех, кто делает ролики, это решило старую боль, когда к немому клипу приходилось отдельно подбирать звук и вручную сводить его с картинкой.

Ключевые этапы развития ИИ в одной таблице

ГодСобытиеЧто это дало
1943Модель нейрона Мак-Каллока и ПиттсаИдея сети из простых узлов
1950Статья Тьюринга, "игра в имитацию"Вопрос "может ли машина думать" стал научным
1956Дартмутский семинарРождение ИИ как области исследований
1958Перцептрон Розенблатта, язык LispСеть, которая учится на примерах
1966Чат-бот ELIZAПервый диалог с машиной и "эффект ELIZA"
1969-1974Книга "Perceptrons", отчёт ЛайтхиллаПервая зима ИИ
1986Метод обратного распространения ошибкиОбучение многослойных сетей
1987Крах рынка Lisp-машинВторая зима ИИ
1997Deep Blue обыграл КаспароваПобеда машины в шахматах
2012AlexNet на ImageNetНачало эпохи глубокого обучения
2014GANНейросети начали создавать изображения
2017Архитектура "трансформер"Основа больших языковых моделей
2022DALL·E 2, Stable Diffusion, ChatGPTГенеративный ИИ стал массовым
2025Veo 3Видео со звуком из одного промпта

Эволюция ИИ хорошо видна по промежутку между 1958 и 2012 годами. Идея обучаемой нейросети ждала больше полувека, пока появятся данные и вычислительные мощности, так что за "внезапным" прорывом последних лет стоят десятилетия работы.

Современные нейросети: что брать для своих задач

Сегодня у каждой крупной компании-разработчика есть целая линейка моделей, и названия меняются быстрее, чем выходят статьи о них. У OpenAI ветка DALL·E переросла в GPT Image, у Google параллельно развиваются модели Nano Banana для картинок и Veo для видео, у ByteDance это Seedream и Seedance, у Kuaishou видеомодели Kling. Чтобы не тонуть в названиях, удобнее идти от задачи.

ЗадачаЧто брать
Постер, инфографика, картинка с надписьюNano Banana Pro (Google делала упор на читаемый текст в кадре), GPT Image 2 (наследница линейки DALL·E)
Художественная картинка, концепт, персонажFlux 2 Pro, Seedream 4.5, Grok Imagine
Ролик со звуком из текстаVeo 3.1 Quality для финала, Veo 3.1 Fast для черновиков
Видео по картинке и референсамKling V3 Omni Video, Kling 2.6, Seedance 2, Gemini Omni Video
Говорящий персонаж по фото и аудиодорожкеVEED Fabric 1.0

Пара вещей, которые я бы отметил отдельно. Первая: черновики дешевле и быстрее делать на "быстрых" версиях моделей, а качественную версию запускать, когда сцена уже понятна. Вторая касается того самого эффекта ELIZA. Любая модель не знает, что вам нужно, она достраивает вероятный ответ по промпту, поэтому руки у персонажей, мелкий текст и логику сцены всё равно стоит проверять глазами перед публикацией.

Попробовать эти модели можно в Sovetnik AI. В генераторе изображений есть Nano Banana Pro, GPT Image 2 и Flux 2 Pro, в видеорежиме Veo 3.1, Kling и Seedance, а креативный агент сам пишет промпты и собирает ролик из нескольких сцен. Это AI-студия для изображений, видео, речи и музыки, где топовые модели собраны в одном месте. Оплата идёт кредитами без подписки, и кредиты не сгорают, так что можно спокойно сравнить несколько моделей на своей задаче.

Вопросы и ответы

Кого называют отцом искусственного интеллекта?+

Чаще всего Джона Маккарти: он придумал термин "искусственный интеллект", организовал Дартмутский семинар 1956 года и создал язык Lisp. Рядом обычно называют Алана Тьюринга, который ещё в 1950 году сформулировал вопрос о мыслящих машинах и предложил свой тест.

Прошёл ли какой-нибудь ИИ тест Тьюринга?+

В 2025 году исследователи из Калифорнийского университета в Сан-Диего провели классический тест с тремя участниками, и GPT-4.5 с промптом "веди себя как человек" признавали человеком в 73% диалогов. Для сравнения, ELIZA из 1966 года в том же эксперименте приняли за человека в 23% случаев. Сами авторы подчёркивают, что тест измеряет умение казаться человеком, а не интеллект как таковой.

Чем искусственный интеллект отличается от нейросети?+

Искусственный интеллект это вся область исследований, а нейросеть только один из подходов внутри неё. Экспертные системы 1980-х и шахматный Deep Blue обходились без нейросетей, а вот почти все современные генеративные модели построены именно на них.

Что такое генеративный ИИ?+

Так называют модели, которые создают новый контент: текст, изображения, видео, речь или музыку. Ранние нейросети в основном распознавали то, что им показали, а генеративные учатся на огромных наборах примеров и строят по запросу новый результат, похожий на эти примеры.

Может ли снова наступить зима ИИ?+

Предсказывать это никто не берётся, но прошлые зимы начинались по одной схеме: обещания обгоняли реальные результаты, и деньги уходили. Поэтому полезнее оценивать нейросеть по тому, как она решает вашу задачу сейчас, а не по прогнозам вокруг неё.