Глоссарий ИИ

Decoder-only архитектура — вариант трансформера, использующий только стек декодерных слоёв с маскированным (каузальным) вниманием, при котором каждый токен видит лишь предшествующие; основа подавляющего большинства…

Архитектура энкодер-декодер — структура нейронной сети, в которой компонент-энкодер сжимает входную последовательность в латентное представление, а декодер разворачивает его в выходную последовательность другой длины…

Большая языковая модель (LLM) — нейронная сеть на основе архитектуры трансформер с миллиардами параметров, обученная предсказывать следующий токен на огромных текстовых корпусах и способная генерировать текст, отвечать…

Визуально-языковая модель (VLM) — нейронная сеть, совместно обученная на изображениях и тексте, способная связывать визуальное содержимое с языковыми концепциями: отвечать на вопросы об изображениях, описывать их и…

Генеративно-состязательная сеть (GAN) — архитектура глубокого обучения из двух нейросетей: генератор синтезирует данные из случайного шума, а дискриминатор учится отличать их от реальных. В состязательном обучении обе…

Генеративный ИИ — направление искусственного интеллекта, объединяющее модели, способные создавать новый контент: текст, изображения, аудио, видео и программный код. В отличие от классических аналитических систем, такие…

Генерация видео по тексту (Text-to-Video) — технология, при которой ИИ-модель создаёт видеоролик на основе текстового описания, управляя сценой, движением объектов и длительностью.

Генерация изображений по тексту (Text-to-Image) — технология, при которой нейронная сеть создаёт изображение на основе текстового описания (промпта) на естественном языке.

Глубокое обучение — подраздел машинного обучения, в котором используются многослойные нейронные сети для автоматического извлечения иерархических признаков из сырых данных без ручного проектирования признаков.

Диффузионная модель — класс генеративных нейросетей, обученных обращать процесс постепенного добавления шума к данным. Подавая случайный шум на вход и итеративно «очищая» его, модель генерирует реалистичные изображения…

Длинный контекст — характеристика языковой модели, определяющая максимальный объём текста (контекстное окно), который она может воспринять при генерации одного ответа. Измеряется в токенах; современные модели…

Малая языковая модель (SLM) — языковая модель с числом параметров обычно до 7–13 миллиардов, способная работать на потребительском оборудовании или непосредственно на устройстве пользователя. SLM жертвует частью…

Машинное обучение — область искусственного интеллекта, в которой алгоритмы автоматически строят предсказательные модели из данных без явного программирования каждого правила принятия решений.

Модель мира — нейросетевая система, обученная предсказывать, как состояние среды изменится в ответ на действие агента. Располагая такой моделью, агент может планировать «в воображении» без реального взаимодействия со…

Модель пространства состояний (SSM) — математический класс архитектур, описывающих эволюцию последовательности через скрытый вектор состояния; в контексте машинного обучения позволяет обрабатывать длинные…

Модель с открытыми весами — языковая или мультимодальная нейросеть, параметры (веса) которой публично доступны для скачивания, изучения и локального запуска без обязательного обращения к API разработчика.

Модель эмбеддингов — нейронная сеть, преобразующая текст, изображения или другие данные в числовые векторы, в которых семантически похожие объекты расположены близко друг к другу в многомерном пространстве.

Мультимодальная модель — нейросетевая система, обрабатывающая и генерирующая данные нескольких типов (текст, изображения, аудио, видео) в рамках единой архитектуры, а не раздельными специализированными модулями.

Нейронная сеть — вычислительная модель из слоёв взаимосвязанных узлов (нейронов), которая учится распознавать паттерны в данных, автоматически подстраивая числовые веса связей между узлами в процессе обучения.

Распознавание речи (ASR, Automatic Speech Recognition) — технология автоматического перевода акустической речи в текст с помощью нейронных сетей, работающих как в реальном времени, так и в пакетном режиме.

Рассуждающая модель — языковая модель, оптимизированная для многоэтапного логического вывода: перед финальным ответом она генерирует внутреннюю цепочку рассуждений, что повышает точность на математических, научных и…

Рекуррентная нейросеть (RNN) — архитектура нейронной сети, обрабатывающая последовательности за счёт передачи скрытого состояния от шага к шагу; позволяет учитывать контекст предыдущих элементов при обработке текущего.

Свёрточная нейросеть (CNN) — архитектура глубокого обучения, применяющая обучаемые фильтры (ядра свёртки) для извлечения локальных признаков из пространственно структурированных данных, прежде всего изображений; основа…

Синтез речи (TTS, Text-to-Speech) — технология автоматического преобразования написанного текста в звучащую речь с помощью нейронных сетей, воспроизводящих естественные интонацию, ритм и тембр голоса.

Смесь экспертов (MoE) — архитектура нейросети, где каждый входной токен обрабатывается только подмножеством специализированных подсетей («экспертов»), а не всеми параметрами модели. Это позволяет увеличивать общее число…

Трансформер — архитектура нейронной сети, основанная на механизме самовнимания (self-attention), которая обрабатывает последовательности параллельно и улавливает дальние зависимости; предложена в статье «Attention Is…

Фронтирная модель — AI-система, находящаяся на переднем крае возможностей своего времени и превосходящая или не уступающая всем существующим аналогам по ключевым задачам рассуждения, кодирования и научного анализа. Это…

Фундаментальная модель — крупная нейронная сеть, предобученная на масштабных разнородных данных и способная адаптироваться к широкому кругу задач без обучения с нуля. Термин введён в 2021 году Стэнфордским институтом…

DPO (Direct Preference Optimization) — метод дообучения языковых моделей на основе человеческих предпочтений, не требующий отдельной модели наград и RL-цикла в отличие от классического RLHF. Предложен Rafailov et al. в…

LoRA (Low-Rank Adaptation) — метод эффективного дообучения больших моделей, при котором к замороженным весам добавляются компактные матрицы низкого ранга; число обучаемых параметров сокращается более чем в сто раз по…

QLoRA — метод дообучения LLM, совмещающий 4-битную квантизацию базовой модели с LoRA-адаптерами в полной точности; позволяет дообучать модели с 65 млрд параметров на одном GPU с 48 ГБ VRAM вместо кластера из нескольких…

RLAIF — вариант RLHF, в котором роль человека-аннотатора выполняет другая языковая модель: она оценивает качество ответов и формирует сигнал наград, позволяя масштабировать выравнивание без пропорционального роста…

RLHF — техника выравнивания языковых моделей, при которой оценки живых аннотаторов обучают отдельную модель наград, а затем с её помощью через обучение с подкреплением оптимизируют поведение основной модели.

RLVR (Reinforcement Learning with Verifiable Rewards) — метод обучения языковых моделей с подкреплением, где сигнал награды вычисляется автоматически путём верификации правильности ответа по объективному критерию, без…

Аугментация данных — набор техник расширения обучающего датасета путём создания видоизменённых копий существующих примеров при сохранении их меток. Позволяет улучшить обобщающую способность модели без сбора…

Градиентный спуск — итерационный алгоритм оптимизации, на каждом шаге вычисляющий градиент функции потерь по параметрам модели и обновляющий параметры в направлении, противоположном градиенту. Это фундаментальный…

Гроккинг — феномен в обучении нейронных сетей, при котором модель резко переходит от запоминания обучающих данных к подлинному обобщению после длительной тренировки — намного позже обычной точки ранней остановки.

Дистилляция знаний — метод, при котором компактная модель-«ученик» обучается воспроизводить вероятностные распределения крупной модели-«учителя», а не только правильные ответы; это позволяет уменьшить модель в разы при…

Законы масштабирования — эмпирические степенные зависимости, описывающие, как качество нейросетевых моделей предсказуемо улучшается при увеличении числа параметров, объёма данных и вычислительного бюджета. Впервые…

Инструктивное дообучение — этап обучения языковой модели на наборе пар «инструкция — желаемый ответ», позволяющий ей следовать произвольным командам пользователя вместо простого продолжения текста.

Катастрофическое забывание — явление, при котором нейронная сеть, дообученная на новой задаче, резко теряет производительность на ранее освоенных задачах. Возникает потому, что обновление весов для новой задачи…

Непрерывное обучение — парадигма машинного обучения, при которой модель последовательно накапливает знания из потока новых задач или данных, не утрачивая ранее приобретённые навыки. Служит альтернативой дорогостоящему…

Обратное распространение ошибки — алгоритм вычисления градиентов функции потерь по весам нейронной сети, используемый для её обучения методом градиентного спуска. Основан на последовательном применении правила…

Обучающие данные — размеченный или неразмеченный набор примеров, на котором модель машинного обучения настраивает свои параметры в ходе тренировки. Качество, разнообразие и объём этих данных напрямую определяют…

Обучение без учителя (Unsupervised Learning) — парадигма машинного обучения, при которой модель обнаруживает структуру и закономерности в данных без размеченных примеров и явных правильных ответов.

Обучение с подкреплением (Reinforcement Learning, RL) — парадигма машинного обучения, при которой агент учится принимать решения, получая от среды сигналы вознаграждения или штрафа за свои действия, без явных правильных…

Обучение с учителем (Supervised Learning) — основная парадигма машинного обучения, при которой модель обучается на размеченных данных: каждому входному примеру соответствует правильный ответ, и модель минимизирует…

Переобучение — явление, при котором модель показывает высокую точность на обучающих данных, но значительно хуже работает на новых, ранее не встречавшихся примерах. Происходит потому, что вместо обобщаемых…

Предобучение — первый и наиболее ресурсоёмкий этап создания большой языковой модели, на котором сеть обучается предсказывать следующий токен на триллионах слов текста без ручной разметки.

Самообучение (self-supervised learning) — парадигма обучения, при которой модель сама формирует обучающие сигналы из неразмеченных данных, предсказывая скрытые или пропущенные части входного потока без участия…

Синтетические данные — искусственно сгенерированные данные, статистически имитирующие реальные, но не связанные с конкретными людьми или событиями. Используются для обучения моделей при нехватке реальных данных или…

Трансферное обучение — метод, при котором модель, обученная на одной задаче или наборе данных, переиспользуется для решения другой задачи, сохраняя ранее усвоенные признаки и существенно снижая потребность в размеченных…

Файнтюнинг — это дообучение готовой AI-модели на небольшом наборе данных под конкретную задачу. Вместо обучения модели с нуля вы адаптируете существующую под свой домен, стиль или формат ответов.

Федеративное обучение — метод машинного обучения, при котором модель обучается на данных множества устройств или серверов без их централизованной передачи. Градиенты или обновления весов агрегируются на центральном…

Функция потерь — математическая функция, измеряющая расхождение между предсказаниями модели и эталонными значениями; её минимизация является непосредственной целью обучения. Выбор функции определяется задачей…

Чекпоинт модели — сохранённый снимок весов нейронной сети на определённом этапе обучения. Позволяет возобновить тренировку после сбоя, выбрать лучшую версию модели по валидационным метрикам или развернуть модель в…

Эпоха (epoch) — один полный проход алгоритма обучения нейронной сети через весь обучающий датасет. После каждой эпохи принято вычислять метрики на валидационной выборке, чтобы отслеживать переобучение и принимать…

KV-кэш (Key-Value Cache) — механизм ускорения инференса языковых моделей, при котором промежуточные матрицы ключей и значений для уже обработанных токенов сохраняются в памяти GPU и не пересчитываются при генерации…

Top-p (nucleus) сэмплирование — стратегия генерации токенов, при которой выбор осуществляется только из минимального набора наиболее вероятных токенов, суммарная вероятность которых достигает порога p; размер этого…

Батчинг — объединение нескольких запросов в один пакет для одновременной параллельной обработки на GPU. Повышает утилизацию ускорителя и пропускную способность системы, так как GPU спроектированы для массивного…

Вычисления на этапе инференса — подход, при котором модель использует дополнительные вычислительные ресурсы во время генерации ответа, а не только при обучении, чтобы повысить точность и качество результата.

Задержка (латентность) — время от отправки запроса к языковой модели до получения ответа. Измеряется двумя ключевыми показателями: TTFT (time to first token — до первого токена) и TPOT (time per output token — время…

Инференс — процесс применения обученной модели машинного обучения к новым данным для получения предсказаний или генерации контента. В отличие от обучения, инференс не изменяет веса модели и выполняется в реальном…

Квантизация нейронных сетей — техника сжатия модели путём замены высокоточных весов (float32, bfloat16) на числа с меньшей битностью (int8, int4), что пропорционально уменьшает объём памяти и ускоряет инференс при…

Контекстное окно — максимальный объём токенов, который языковая модель учитывает при генерации ответа. В 2026 году размер варьируется от 8 000 токенов у компактных моделей до 1 000 000 у флагманских (Gemini 1.5 Ultra)…

Кэширование промптов — функция API языковых моделей, при которой вычисленное KV-состояние неизменного префикса промпта сохраняется между запросами. Повторные запросы с тем же префиксом обходятся быстрее и дешевле…

Логиты — сырые ненормализованные числовые оценки, которые языковая модель вычисляет для каждого токена словаря на выходе финального линейного слоя; они преобразуются в вероятности функцией softmax и служат основой для…

Локальный ИИ (on-device AI) — запуск моделей машинного обучения непосредственно на пользовательском устройстве без передачи данных на облачный сервер, что обеспечивает приватность, работу офлайн и низкие задержки.

Перплексия — стандартная метрика оценки языковых моделей, вычисляемая как экспонента средней перекрёстной энтропии на тестовом тексте; интерпретируется как среднее число равновероятных вариантов следующего токена — чем…

Пропускная способность — количество токенов или запросов, которое система инференса обрабатывает в единицу времени. Измеряется в токенах в секунду (tokens/s) или запросах в секунду (req/s) и определяет эффективность…

Сервинг моделей — развёртывание обученной нейронной сети в виде производственного сервиса, доступного через API для обработки запросов в реальном времени или пакетном режиме. Включает управление очередями, балансировку…

Спекулятивное декодирование — метод ускорения инференса больших языковых моделей, при котором небольшая «черновая» модель генерирует несколько токенов подряд, а большая модель проверяет их все за один параллельный…

Стриминг ответа — режим доставки, при котором токены языковой модели передаются клиенту по мере генерации, без ожидания полного ответа. Снижает воспринимаемую задержку: пользователь видит начало текста через доли…

Температура — гиперпараметр сэмплирования языковых моделей, на который делятся логиты перед применением softmax: высокое значение делает распределение токенов более равномерным и разнообразным, низкое — более…

Токен — минимальная единица текста, которую языковая модель обрабатывает за один шаг: как правило, фрагмент слова, целое слово или знак препинания. Размер контекстного окна модели и стоимость API-запросов измеряются…

Токенизация — процесс разбиения текста на минимальные единицы (токены), которые языковая модель принимает как входные данные. Токен соответствует примерно 3–4 символам латиницы или 1–2 символам кириллицы, что делает…

Уровень рассуждения — параметр вывода рассуждающих моделей, определяющий бюджет токенов на внутренние шаги мышления перед итоговым ответом: чем выше значение, тем длиннее скрытая цепочка мыслей и точнее результат, но…

Цепочка рассуждений (Chain-of-Thought, CoT) — метод работы с языковыми моделями, при котором модель перед финальным ответом явно генерирует последовательность промежуточных шагов рассуждения, что значительно повышает…

Claude Code — это терминальная агентная среда разработки от Anthropic, которая работает напрямую в файловой системе проекта: читает и правит код, выполняет shell-команды, запускает рои субагентов и подключает внешние…

MCP (Model Context Protocol) — открытый протокол, разработанный Anthropic в ноябре 2024 года, который стандартизирует подключение языковых моделей к внешним инструментам, базам данных и сервисам через унифицированный…

Автономный агент — AI-система на основе языковой модели, способная самостоятельно воспринимать среду, ставить подзадачи и выполнять их с использованием инструментов для достижения поставленной цели с минимальным…

Агентный воркфлоу — архитектурный паттерн, при котором языковая модель не генерирует одиночный ответ, а автономно выполняет многошаговую задачу: планирует действия, вызывает инструменты, проверяет промежуточные…

Агентный харнесс — программная оболочка, управляющая жизненным циклом AI-агента: предоставляет инструменты, обрабатывает вызовы функций, хранит состояние между шагами, контролирует разрешения и координирует…

Браузерный агент — AI-система, которая автономно управляет браузером для выполнения веб-задач: навигации по страницам, заполнения форм, извлечения данных и взаимодействия с веб-приложениями без участия пользователя.

Function calling — режим вывода ИИ-модели, при котором вместо произвольного текста она генерирует структурированный JSON-запрос на исполнение заранее определённой функции с конкретными аргументами. Это надёжный способ…

Глубокое исследование — режим агентной работы AI-системы, при котором она автономно проводит многошаговый поиск, читает десятки источников и синтезирует результаты в структурированный аналитический отчёт — без ручного…

ИИ-агент — это система, в которой языковая модель не просто отвечает, а планирует и выполняет многошаговые задачи: вызывает инструменты и API, читает результаты и сама решает следующий шаг. В отличие от чат-бота, агент…

Tool use — способность ИИ-модели вызывать внешние функции, API и сервисы для получения актуальных данных или выполнения действий, выходящих за рамки языковой обработки. Модель самостоятельно выбирает нужный инструмент…

Кодинг-агент — AI-агент, который автономно пишет, редактирует, тестирует и отлаживает код, способный выполнять многоэтапные задачи разработки с минимальным участием человека.

Мультиагентная система — архитектура, в которой несколько автономных ИИ-агентов взаимодействуют для совместного решения задач, недоступных одному агенту. Каждый агент обладает собственными инструментами, памятью и…

Оркестрация агентов — процесс координации нескольких ИИ-агентов: декомпозиция задач, их распределение, управление зависимостями и агрегация результатов. Оркестратор выступает центральным координатором, обеспечивающим…

Память агента — совокупность механизмов, позволяющих AI-агенту сохранять и извлекать информацию: от контекстного окна текущей сессии до внешних баз данных, доступных между сеансами.

Паттерн ReAct (Reasoning + Acting) — метод управления AI-агентом, при котором модель поочерёдно генерирует явные шаги рассуждения и вызовы инструментов, чередуя «думать» и «делать» до получения итогового ответа.

Песочница (sandbox) — изолированная среда выполнения, в которой ИИ-агент или программа запускается с ограниченным доступом к системным ресурсам, сети и данным, чтобы предотвратить непреднамеренные или вредоносные…

Планирование агента — способность AI-агента декомпозировать сложную цель на последовательность подзадач и шагов, определять их порядок и при необходимости пересматривать план на основе промежуточных результатов.

A2A (Agent2Agent) — открытый протокол от Google, опубликованный в апреле 2025 года, который стандартизирует взаимодействие AI-агентов между собой независимо от платформы или разработчика.

Model Context Protocol (MCP) — открытый стандарт подключения ИИ-моделей и агентов к внешним источникам данных, API, базам данных и браузерам через единый универсальный интерфейс («USB-C для искусственного интеллекта»).

Рой ИИ-агентов (мультиагентная оркестрация) — это архитектура, в которой сложная задача разбивается между несколькими специализированными агентами (разведчик, разработчик, ревьюер, верификатор), работающими параллельно…

Смесь агентов — многоуровневая архитектура, в которой несколько независимых языковых моделей параллельно генерируют ответы на один запрос, а агрегирующая модель синтезирует их в единый результат, превосходящий каждого…

Субагент — ИИ-агент, действующий под управлением вышестоящего оркестратора и отвечающий за выполнение конкретной подзадачи в рамках более широкого рабочего процесса. Получив инструкции, он исполняет их с помощью…

Управление компьютером (Computer Use) — способность AI-модели автономно взаимодействовать с графическим интерфейсом компьютера: перемещать курсор, нажимать кнопки, вводить текст и интерпретировать скриншоты для…

Human-in-the-Loop (HITL) — архитектурный принцип, при котором человек встроен в рабочий цикл AI-системы: проверяет, одобряет или корректирует её выходы в критических точках вместо предоставления агенту полной автономии.

Безопасность ИИ — область исследований и инженерной практики, направленная на предотвращение нежелательных, вредоносных или катастрофических последствий от систем искусственного интеллекта через технические…

Бенчмарк в контексте ИИ — стандартизированный набор задач и метрик, на котором сравниваются возможности разных моделей. Единый протокол тестирования позволяет воспроизводимо измерять прогресс и сопоставлять системы от…

Взлом награды — явление в обучении с подкреплением, при котором агент находит способы максимизировать формальный показатель вознаграждения, не выполняя при этом задачу, которую имел в виду разработчик.

Вотермаркинг ИИ-контента — встраивание незаметных меток в сгенерированный текст, изображения или аудио, позволяющих идентифицировать их машинное происхождение. Метки сохраняются при обычном использовании контента, но…

Выравнивание ИИ (алайнмент) — исследовательская задача обеспечения того, чтобы цели, поведение и ценности ИИ-систем соответствовали намерениям людей и не причиняли вреда по мере роста возможностей моделей.

Галлюцинация — явление, при котором языковая модель генерирует фактически неверную, выдуманную или не подкреплённую источниками информацию с той же уверенностью, что и достоверные факты.

Гардрейлы (guardrails) — технические и процедурные механизмы, ограничивающие поведение ИИ-системы: фильтры входящих запросов и исходящих ответов, инструкции в промпте и классификаторы, предотвращающие генерацию…

Деградация контекста — снижение качества ответов языковой модели по мере роста длины контекстного окна: модель теряет способность надёжно использовать информацию в середине длинного промпта или многоходового диалога.

Джейлбрейк — совокупность техник, позволяющих обойти встроенные механизмы безопасности языковой модели и получить от неё контент, который она должна отклонять: инструкции по синтезу оружия, незаконный контент или…

Дипфейк — синтетические видео-, аудио- или фотоматериалы, созданные с помощью методов глубокого обучения и реалистично изображающие людей произносящими слова или совершающими действия, которых те в действительности не…

ИИ-мусор — низкокачественный контент, массово созданный генеративными моделями без редакторской проверки: поверхностные статьи, изображения-артефакты и шаблонные публикации, заполняющие поисковые результаты и социальные…

Интерпретируемость — область исследований, цель которой состоит в понимании внутренних механизмов нейронных сетей: какие признаки активируют конкретные компоненты модели, как формируются решения и почему модель выдаёт…

Инъекция промпта — атака на LLM-систему, при которой злонамеренные инструкции, скрытые во входных данных, переопределяют системный промпт или намерения пользователя и вынуждают модель выполнить несанкционированные…

Коллапс модели — прогрессивная деградация языковой модели, обученной на данных, частично сгенерированных другими ИИ: модель утрачивает редкие паттерны реального мира и смещается к усреднённым, стереотипным выходам.

Конституционный ИИ — метод обучения языковых моделей, разработанный Anthropic, при котором поведение модели направляется набором явных принципов («конституцией») через механизм самокритики и итерационного исправления…

Механистическая интерпретируемость — направление исследований ИИ-безопасности, цель которого — обратная разработка нейронных сетей: установить, какие именно вычисления выполняет каждый нейрон, слой и цепочка активаций…

Модерация контента — процесс выявления, оценки и удаления или ограничения пользовательских материалов, нарушающих правила платформы или законодательство, с применением ручных, автоматических или гибридных методов.

Отказ модели — поведение языковой модели, при котором она отклоняет запрос пользователя вместо его выполнения, сообщая, что запрос нарушает политику безопасности, потенциально опасен или выходит за границы допустимого…

Оценка моделей (эвалы) — систематическое тестирование ИИ-моделей на стандартизированных наборах задач для измерения их способностей, безопасности и надёжности. Результаты эвалов служат основой для решений о выпуске…

Приватность данных в контексте ИИ — совокупность технических и правовых мер, защищающих персональные сведения при сборе обучающих данных, дообучении и эксплуатации моделей. Нарушение приватности грозит утечкой личной…

Разреженный автоэнкодер (SAE) — нейросеть, обучаемая воспроизводить активации слоёв языковой модели через значительно больший словарь нейронов при условии, что большинство из них молчат; используется для выделения…

Ред-тиминг — метод оценки безопасности AI-систем, при котором специальная команда («красная команда») намеренно пытается вызвать нежелательное поведение модели: получить вредоносный контент, обойти ограничения или…

Смещение ИИ — систематическая ошибка в выходных данных модели, возникающая из-за предвзятости обучающих данных, архитектурных решений или разметки и приводящая к несправедливым или дискриминационным результатам в…

ASIC (Application-Specific Integrated Circuit) — интегральная схема, спроектированная под строго определённую задачу, в отличие от универсальных процессоров. В контексте ИИ ASIC-чипы обеспечивают максимальную…

CUDA (Compute Unified Device Architecture) — параллельная вычислительная платформа и программная модель NVIDIA, позволяющая использовать GPU для вычислений общего назначения. CUDA стала де-факто стандартом среды для…

FLOPS (Floating-Point Operations Per Second) — единица измерения производительности процессоров, показывающая, сколько операций с плавающей запятой устройство выполняет в секунду. Используется как стандартный ориентир…

GPU-кластер — вычислительная установка из сотен или тысяч графических ускорителей, объединённых высокоскоростными сетями для совместного обучения крупных нейросетей. Современные кластеры для обучения frontier-моделей…

Видеопамять (VRAM) — выделенная оперативная память графического процессора, в которой хранятся веса модели, активации и промежуточные данные во время обучения и инференса нейросетей. Её объём непосредственно определяет…

GPU (Graphics Processing Unit) — специализированный микропроцессор с тысячами параллельных вычислительных ядер, изначально созданный для рендеринга 3D-графики и ставший основным вычислительным ресурсом для обучения и…

ИИ-датацентр — специализированный центр обработки данных, оптимизированный для обучения и инференса нейросетей: с повышенной плотностью мощности на стойку, жидкостным охлаждением и высокоскоростными сетями для…

ИИ-ускоритель — аппаратное устройство, спроектированное для ускорения задач машинного обучения: обучения и инференса нейронных сетей. Термин объединяет GPU, TPU, NPU и специализированные ASIC, оптимизированные под…

Интерконнект — высокоскоростные каналы связи между GPU внутри узла (NVLink) или между узлами в кластере (InfiniBand, Ethernet), определяющие скорость обмена весами и градиентами при распределённом обучении. Пропускная…

Нейропроцессор (NPU) — специализированный вычислительный блок, встроенный в системный чип (SoC) и предназначенный для эффективного инференса нейронных сетей непосредственно на устройстве. В отличие от GPU, NPU…

HBM (High-Bandwidth Memory) — тип трёхмерно сложенной памяти с широкой шиной данных, устанавливаемой непосредственно рядом с процессором на одном интерпозере. Обеспечивает пропускную способность, в 5–8 раз превышающую…

Тензорный процессор (TPU) — специализированная микросхема Google, оптимизированная для матричных вычислений в задачах машинного обучения. TPU значительно ускоряет обучение и инференс нейронных сетей по сравнению с CPU и…

AGI (общий искусственный интеллект) — гипотетическая система ИИ, способная выполнять любую интеллектуальную задачу на уровне человека или выше, самостоятельно обучаясь новым навыкам без специализированного…

API для ИИ — программный интерфейс, позволяющий разработчикам обращаться к возможностям ИИ-моделей (генерация текста, изображений, речи, векторные представления) через стандартизированные HTTP-запросы без…

ARC-AGI (Abstraction and Reasoning Corpus for AGI) — бенчмарк абстрактного мышления, в котором модель должна вывести правило преобразования цветных сеток по 2–5 примерам и применить его к новому входу, не опираясь на…

ASI (искусственный суперинтеллект) — гипотетическая система ИИ, интеллект которой превосходит лучших людей во всех областях: науке, творчестве, социальном взаимодействии и стратегическом планировании. По состоянию на…

GPQA (Graduate-Level Google-Proof Q&A) — бенчмарк из 448 экспертных вопросов по биологии, химии и физике уровня аспирантуры, которые невозможно решить простым поиском; даже профильные PhD-специалисты набирают в среднем…

GPU-облако (неооблако) — специализированный облачный провайдер, предоставляющий высокопроизводительные GPU-кластеры в аренду преимущественно для задач обучения и инференса ИИ-моделей, в отличие от гиперскейлеров с…

HumanEval — бенчмарк для оценки способности языковых моделей генерировать корректный код, созданный OpenAI в 2021 году. Набор содержит 164 задачи на Python с автоматической проверкой через unit-тесты; ключевая метрика…

LM Arena (Chatbot Arena) — платформа краудсорсинговой оценки языковых моделей, созданная группой LMSYS при UC Berkeley в 2023 году. Пользователи сравнивают ответы двух анонимных моделей и голосуют за лучший; результаты…

MMLU (Massive Multitask Language Understanding) — академический бенчмарк для языковых моделей, включающий около 15 000 вопросов с выбором одного из четырёх ответов по 57 дисциплинам: STEM, медицина, право, история и…

SWE-bench — бенчмарк для оценки способности языковых моделей автономно исправлять реальные баги в коде: модель получает GitHub-issue и кодовую базу репозитория, а результат измеряется долей задач, по которым проходят…

Гиперскейлер — крупнейший глобальный облачный провайдер (AWS, Microsoft Azure, Google Cloud, Alibaba Cloud, Oracle Cloud), эксплуатирующий сотни дата-центров по всему миру и предоставляющий полный спектр…

AI Act — первый в мире комплексный законодательный акт, регулирующий разработку и применение систем искусственного интеллекта, принятый Европейским парламентом в марте 2024 года. Он устанавливает четырёхуровневую…

ИИ-лаборатория — исследовательская организация, специализирующаяся на разработке и изучении систем искусственного интеллекта. Может быть частью крупной технологической компании, независимой некоммерческой структурой или…

ИИ-обёртка — продукт или сервис, построенный поверх стороннего ИИ-API без существенных собственных алгоритмических разработок. Ценность создаётся за счёт UX, специализированных промптов, отраслевой экспертизы…

«Иголка в стоге сена» — тест для проверки способности языковой модели извлекать конкретный факт, скрытый в длинном тексте. Он показывает, насколько равномерно модель удерживает информацию на всей протяжённости…

Компьют (compute) в контексте ИИ — совокупность вычислительных ресурсов (GPU, TPU, память, сетевая пропускная способность), необходимых для обучения и работы ИИ-моделей. Объём доступного компьюта стал ключевым…

Копайлот — ИИ-ассистент, встроенный непосредственно в рабочую среду пользователя и предлагающий подсказки, автодополнения и автоматизацию задач в контексте текущей работы. Понятие стало нарицательным после запуска…

Корпоративный ИИ — это применение технологий искусственного интеллекта в бизнес-среде для автоматизации процессов, анализа данных и поддержки принятия решений. Отличается от потребительского ИИ требованиями к…

Открытый ИИ — ИИ-системы, для которых публично доступны веса модели, код обучения или и то, и другое, что позволяет любому изучать, запускать, модифицировать и распространять их, в отличие от проприетарных моделей…

Регулирование ИИ — совокупность законодательных актов, нормативов и стандартов, устанавливающих правила разработки, развёртывания и использования систем искусственного интеллекта. Цель — снизить риски причинения вреда…

Ров в ИИ — устойчивое конкурентное преимущество ИИ-компании или продукта, которое затрудняет копирование конкурентами. Источниками рва служат уникальные данные, сетевые эффекты, глубокое встраивание в рабочие процессы…

Суверенный ИИ — национальные вычислительные инфраструктуры, языковые модели и регуляторные политики, обеспечивающие государству независимый контроль над разработкой и применением искусственного интеллекта без…

Чат-бот — программа, ведущая текстовый или голосовой диалог с пользователем в автоматическом режиме. Современные чат-боты на базе больших языковых моделей поддерживают многоходовой контекстный разговор на произвольные…

Экономика токенов — система ценообразования API больших языковых моделей, где стоимость вычислений выражается в единицах текста (токенах) с раздельными тарифами на входящие запросы и исходящие ответы.

Few-shot обучение — способность языковой модели выполнять новую задачу на основе 2–10 примеров «вход → выход», включённых непосредственно в промпт, без обновления весов; является ключевой характеристикой крупных…

Flash Attention — IO-эффективный алгоритм вычисления механизма внимания в трансформерах, сокращающий потребление памяти GPU с O(n²) до O(n) за счёт тайлирования и перевычисления. Разработан в Стэнфордском университете…

GEO (Generative Engine Optimization) и AEO (Answer Engine Optimization) — это методология структурирования контента, микроразметки и цифрового авторитета бренда, чтобы сайт попадал на первые места в ответах и цитатах…

GraphRAG — метод дополнения языковых моделей данными (RAG), в котором вместо простого векторного поиска используется граф знаний: сущности и их связи, извлечённые из документов, индексируются как узлы и рёбра для…

RAG — это техника, при которой языковая модель перед ответом достаёт релевантные документы из внешней базы знаний и опирается на них. Это снижает галлюцинации и позволяет отвечать по свежим данным без переобучения…

Zero-shot learning — способность модели решать задачи для классов или сценариев, которых не было в обучающей выборке, опираясь лишь на текстовое описание задачи без единого демонстрационного примера.

Агентный RAG — архитектура, в которой языковая модель самостоятельно планирует несколько итеративных циклов поиска, оценивает промежуточные результаты и адаптирует стратегию запросов — вместо одного статичного обращения…

Вайб-кодинг — это создание рабочих веб-сервисов, ботов, мобильных приложений и ИИ-агентов через диалог с кодинг-агентом (Claude Code, Cursor) на естественном языке без ручного написания бойлерплейт-кода.

Векторная база данных — специализированная система хранения и поиска, оптимизированная для нахождения эмбеддингов, ближайших по расстоянию к запросу, среди миллионов или миллиардов векторов за миллисекунды.

Граундинг — привязка ответов языковой модели к верифицированным внешним источникам (документам, базам данных, API), снижающая вероятность галлюцинаций и обеспечивающая фактическую достоверность и прослеживаемость…

Граф знаний — структурированная база данных, представляющая факты в виде троек «субъект — отношение — объект», позволяющая AI-системам выполнять точные многошаговые рассуждения о сущностях и связях между ними.

Дерево мыслей — техника промптинга, при которой языковая модель параллельно исследует несколько ветвей рассуждений, оценивает промежуточные шаги и выбирает наиболее перспективный путь к ответу, вместо движения по…

Контекст-инжиниринг — это проектирование всей информационной среды, которую получает языковая модель перед выполнением задачи: правил проекта, многослойной памяти, схем инструментов, примеров и ограничений, пришедшее на…

Механизм внимания — вычислительный метод в нейросетях, позволяющий модели взвешенно учитывать различные части входных данных при генерации каждого элемента вывода, независимо от их позиционного расстояния в…

Обучение в контексте — способность большой языковой модели выполнять новые задачи, считывая примеры решений прямо из промпта, без обновления весов модели.

Оптическое распознавание текста (OCR) — технология автоматического преобразования изображений, содержащих текст, в машиночитаемые символы. Применяется при сканировании документов, автоматизации ввода данных и создании…

Промпт-инжиниринг — практика составления и оптимизации текстовых инструкций (промптов) для языковых моделей с целью получения более точных, надёжных или структурированных ответов. Качество промпта напрямую влияет на…

Реранжирование — этап обработки результатов поиска, на котором специализированная модель переупорядочивает предварительно отобранные документы по степени релевантности запросу, повышая точность ответов в RAG-системах.

Роутинг моделей — автоматическое перенаправление входящих запросов к наиболее подходящей AI-модели из набора доступных, исходя из сложности задачи, стоимости вызова и требуемого качества ответа.

Семантический поиск — метод поиска информации, находящий документы по смыслу запроса, а не по точному совпадению слов, путём сравнения векторных представлений (эмбеддингов) запроса и индексированных документов.

Системный промпт — скрытая от пользователя инструкция, задаваемая разработчиком или оператором приложения перед началом диалога; она определяет роль, поведение и ограничения языковой модели на всё время сессии.

Структурированный вывод — режим работы языковой модели, при котором её ответ гарантированно соответствует заданной схеме (JSON, XML, таблица) и пригоден для прямой машинной обработки без дополнительного парсинга.

Чанкинг — разбиение длинного текста на небольшие фрагменты (чанки) для последующей векторизации и хранения в базе данных; от стратегии разбиения напрямую зависит, насколько точно RAG-система сопоставляет вопрос с нужным…

Эмбеддинг — плотный числовой вектор, полученный при пропуске текста, изображения или иных данных через нейронную сеть; семантически близкие объекты имеют математически близкие векторы, что позволяет сравнивать их по…