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.
История искусственного интеллекта: от первых идей до современных нейросетей

Автор - Пётр Васильев
Разработчик ИИ-сервиса

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"

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

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

"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

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

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
| Год | Событие | Что это дало |
|---|---|---|
| 1943 | Модель нейрона Мак-Каллока и Питтса | Идея сети из простых узлов |
| 1950 | Статья Тьюринга, "игра в имитацию" | Вопрос "может ли машина думать" стал научным |
| 1956 | Дартмутский семинар | Рождение ИИ как области исследований |
| 1958 | Перцептрон Розенблатта, язык Lisp | Сеть, которая учится на примерах |
| 1966 | Чат-бот ELIZA | Первый диалог с машиной и "эффект ELIZA" |
| 1969-1974 | Книга "Perceptrons", отчёт Лайтхилла | Первая зима ИИ |
| 1986 | Метод обратного распространения ошибки | Обучение многослойных сетей |
| 1987 | Крах рынка Lisp-машин | Вторая зима ИИ |
| 1997 | Deep Blue обыграл Каспарова | Победа машины в шахматах |
| 2012 | AlexNet на ImageNet | Начало эпохи глубокого обучения |
| 2014 | GAN | Нейросети начали создавать изображения |
| 2017 | Архитектура "трансформер" | Основа больших языковых моделей |
| 2022 | DALL·E 2, Stable Diffusion, ChatGPT | Генеративный ИИ стал массовым |
| 2025 | Veo 3 | Видео 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.
| Задача | Что брать |
|---|---|
| Постер, инфографика, картинка с надписью | Nano Banana Pro (Google делала упор на читаемый текст в кадре), GPT Image 2 (наследница линейки DALL·E) |
| Художественная картинка, концепт, персонаж | Flux 2 Pro, Seedream 4.5, Grok Imagine |
| Ролик со звуком из текста | Veo 3.1 Quality для финала, Veo 3.1 Fast для черновиков |
| Видео по картинке и референсам | Kling V3 Omni Video, Kling 2.6, Seedance 2, Gemini Omni Video |
| Говорящий персонаж по фото и аудиодорожке | VEED 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.
Вас может заинтересовать
Все статьи
Как заработать на нейросетях в 2026 году
Пять направлений услуг с ИИ: от контента для бизнеса до озвучки и коротких видео. Как собрать портфолио и найти первые заказы.

ИИ и личный бренд: как эксперту создавать контент без команды
Практический гайд для экспертов: как готовить визуальный контент самостоятельно, сохранять свой стиль и выстроить процесс работы с ИИ.

Как определить цветотип с помощью ИИ за 5 минут без стилиста
Как определить цветотип по фото, подобрать свою палитру и понять, когда стоит обратиться к стилисту.