Как работает искусственный интеллект: понятное объяснение

Языковая модель не ищет ответ в интернете и не хранит базу фактов: она предсказывает следующее слово по вероятностям, выученным на огромном корпусе текстов. Понимание этой механики снимает половину разочарований — становится видно, почему модель уверенно выдумывает факты и зачем ей ваши документы.

Разберу, как работает искусственный интеллект по шагам: от одного нейрона и весов до агента, который сам проверяет статус заказа в 1С и создаёт заявку. С цифрами: сколько параметров нужно, сколько стоит один запрос и на каком этапе теряется качество.

Ключевые выводы

• Модель не хранит факты, а предсказывает следующий токен: токен — это 2–4 символа русского текста, ответ на 2 000 знаков — 500–700 токенов.
• Обучение модели уровня GPT стоит 5–100 млн $, поэтому 90% компаний используют готовые модели и платят за токены, а не за обучение.
• Запрос с контекстом 8 000 токенов стоит 0,4–2 ₽ на российской модели (YandexGPT, GigaChat) и 1,5–6 ₽ на флагманской зарубежной.
• RAG поднимает долю верных ответов с 55–65% до 85–92% на корпоративной базе знаний — это лучший шаг по соотношению цены и качества.
• Агент отличается от бота инструментами: он вызывает API, читает 1С, создаёт документы, а его действия ограничивают правами доступа.
• Без мониторинга доля верных ответов падает на 5–15% за полгода: меняются данные, формулировки клиентов и версии моделей.

Что такое нейросеть и откуда берутся веса

Нейросеть — это набор чисел (весов) и операций над ними. Логику в неё не пишут: обучение подбирает веса так, чтобы на выходе получался правильный ответ, а ошибка на обучающей выборке уменьшалась.

Один нейрон считает взвешенную сумму входов и пропускает её через простую функцию. Слои складываются в сеть: первые выделяют простые признаки, последние — сложные. Сеть для прогноза оттока клиента — это 30 входов и два скрытых слоя, она обучается за 10–20 минут на обычном ноутбуке и даёт ROC AUC 0,75–0,85.

Масштаб решает не всё. Модель, которую обучили на 60 000 примеров, но с ошибками в разметке, проиграет простой логистической регрессии на 10 000 чистых записей. Разметка 1 000 примеров силами аналитика — это 40–80 часов, и она обычно важнее выбора алгоритма.

Обучение, дообучение и промпты

Три способа получить рабочую систему различаются ценой на два порядка. Обучение с нуля — 5–100 млн $ и месяцы на кластере GPU. Дообучение готовой модели на своих данных (fine-tuning) — 80–600 тыс. ₽ и 2–6 недель. Промпты и база знаний — 100–400 тыс. ₽ и 2–5 недель. Начинать имеет смысл с третьего варианта: он проверяет гипотезу за месяц.

Токены, внимание и трансформеры: что происходит внутри модели

Текст режется на токены, каждый токен превращается в вектор, а механизм внимания решает, на какие части контекста смотреть при генерации следующего токена. Никакого «понимания» в этом процессе нет — есть математика вероятностей.

Порядок обработки выглядит так: токенизация (примерно 1 токен на 2–4 символа), эмбеддинги, добавление позиции, 30–100 слоёв attention, выходной слой с вероятностями по словарю в 100–200 тыс. токенов. Первый токен появляется через 0,4–3 секунды, дальше генерация идёт со скоростью 15–80 токенов в секунду.

Контекстное окно в 2026 году — от 8 тыс. до 200 тыс. токенов. Длинный контекст не спасает от ошибок: на середине документа качество ответа падает на 10–25%, поэтому базу знаний режут на фрагменты по 300–800 токенов и подают только релевантные.

Почему контекст дороже модели

Стоимость запроса растёт линейно с объёмом контекста, и это главная переменная в бюджете. Ответ по 8 000 токенов контекста стоит 0,4–2 ₽ на российской модели и 1,5–6 ₽ на флагманской зарубежной. При 30 000 обращений в месяц разница между «подавать всю базу» и «подавать пять релевантных фрагментов» — это 150–400 тыс. ₽ в год.

Кеширование повторяющихся частей промпта, короткие системные инструкции и дешёвая модель для классификации снимают 40–70% расходов на инференс без потери качества ответа.

Как работает искусственный интеллект в агенте: от вопроса до действия

Агент — это модель плюс инструменты, память и правила. Модель решает, какой инструмент вызвать, получает результат, проверяет его и продолжает работу до готового действия: созданного документа, изменённого статуса, отправленного ответа.

1. Сообщение приходит из Telegram, MAX, чата на сайте или почты и попадает в очередь.
2. Классификатор определяет намерение: статус заказа, возврат, вопрос по услуге, жалоба.
3. Поиск находит 3–8 релевантных фрагментов базы знаний (это и есть RAG).
4. Модель формирует ответ или вызов инструмента: get_order_status, create_ticket, update_delivery.
5. Инструмент обращается к API 1С, CRM или логистики и возвращает данные.
6. Ответ проходит проверку правилами: суммы, сроки, запрещённые формулировки.
7. Диалог логируется, спорные случаи уходят оператору вместе с историей.

Классификации вроде «искусственный интеллект виды» отвечают на вопрос, какие системы бывают; здесь важнее другое — что именно агент умеет делать и чем ограничен. Как создать искусственный интеллект под задачу компании: взять готовую модель, подключить свою базу знаний, дать 3–7 инструментов и жёсткие права доступа.

Права доступа определяют всё: агент с правом «только чтение» ошибается дешевле, чем агент, который может провести возврат денег. Первую версию всегда запускают в режиме предложения, когда действие подтверждает человек.

Почему модель ошибается и что с этим делают на практике

Модель ошибается, потому что генерирует вероятный текст, а не проверяет факты. Галлюцинация — не баг конкретной версии, а свойство метода: если данных нет, модель достроит правдоподобное.

Что помогает на практике, по убыванию эффекта. Понимание того, как работает искусственный интеллект, здесь даёт конкретную выгоду: видно, что дешевле дать модели нужные документы, чем менять модель.

• RAG по проверенной базе знаний: снимает большинство фактических ошибок и даёт ссылку на источник.
• Ограничение свободы: шаблоны ответов на критичные темы, запрет на обещания сроков и сумм.
• Тестовый набор из 200–300 реальных вопросов, который прогоняется после каждого изменения.
• Мониторинг доли верных ответов и разбор ошибок раз в неделю в первые два месяца.
• Человек в цикле для операций с деньгами, персональными данными и юридическими последствиями.

Границы применимости честные: если в компании нет базы знаний, RAG не заработает — сначала придётся описать регламенты. Если вопросов меньше 300 в месяц, выгоднее таблица с ответами. Если ответ требует доступа к десятку систем, интеграции съедят бюджет раньше, чем модель даст эффект.

Частые вопросы

Как работает искусственный интеллект простыми словами?

Он находит закономерности в данных и предсказывает следующий элемент: слово, класс, число. Вы спрашиваете — модель считает вероятности того, что должно идти дальше, и собирает ответ по частям. Ощущение диалога создаёт размер обучающего корпуса, а не понимание смысла.

Что такое нейросеть и чем она отличается от обычной программы?

В обычной программе логику пишет человек: условия, ветки, формулы. В нейросети логика хранится в весах, которые подобраны обучением на примерах. Отсюда разница в поведении: программа предсказуема и объяснима, сеть точнее на сложных данных, но её ответ нельзя вывести из правил.

Правда, что ИИ — это не интеллект?

Формулировка «ии это не интеллект» близка к истине: модель не думает и не имеет целей, она оптимизирует вероятность. При этом фраза «ии это искусственный интеллект» — просто расшифровка аббревиатуры, а не определение. Для проекта важен измеримый результат, а не спор о терминах.

Сайт это искусственный интеллект или нет?

Запрос «сайт это искусственный интеллект» обычно про чат-виджет в углу страницы: сам сайт ИИ не является, ИИ работает внутри виджета и обращается к базе знаний и API. Тот же принцип применяется к приложению, боту в мессенджере и голосовому ассистенту.

Что значит написание «al» и почему так ищут?

Написание «al это искусственный интеллект» появилось из-за латинских букв AI в англоязычных текстах — визуально «l» и «I» похожи. На выбор технологии это не влияет: речь об одном и том же классе моделей.

Обязательно ли обучать модель на своих данных?

Нет. Дообучение нужно там, где есть уникальная терминология, свои форматы документов или требования к изоляции данных. В остальных случаях достаточно готовой модели, качественных промптов и поиска по документам: это дешевле в 5–20 раз.

Что делать дальше

Выберите один процесс и выпишите, какие данные нужны для ответа: где они лежат, кто их владелец, как часто меняются. Если данные есть в виде документов и таблиц, проект укладывается в 6–12 недель и 400 тыс. – 1,2 млн ₽.

Разбор типов систем — в статье виды искусственного интеллекта, устройство поиска по документам — в материале RAG для бизнеса. Про причины неверных ответов и способы их лечения — статья галлюцинации нейросетей. Если нужен агент с доступами к вашим системам, смотрите страницу ИИ-агенты и чат-боты.

Статья основана на практике проектов НейроДела и данных Яндекс Вордстата по кластеру «ИИ-агенты и ИИ-боты». Основной запрос материала — «как работает искусственный интеллект» (3 393 показов в месяц). Если у вас другая ситуация — напишите, разберём.