Сезон 2026/2027 гг. открыт!
- 27.09.26 г.
- 9772225665000 26016
1. Есть в истории науки сюжеты, которые похожи на детектив. Коннекционизм – один из таких. Это направление в искусственном интеллекте, которое сначала казалось безумной идеей, потом было осмеяно и похоронено, а затем вернулось – и перевернуло мир. Сегодня о нем говорят все: от программистов до министров. Но мало кто помнит, что за этим стоит более чем восьмидесятилетняя история проб, ошибок, гениальных догадок и горьких разочарований.
В предыдущем цикле лекций говорилось о символьном ИИ, в котором интеллект понимался как манипуляция четкими символами по правилам формальной логики. Он дал впечатляющие результаты: экспертные системы, которые ставили медицинские диагнозы, программы, доказывавшие математические теоремы, шахматные программы, обыгрывавшие гроссмейстеров. Казалось, еще немного – и машина сравняется с человеком. Но этого «немного» не случилось.
Символьный ИИ пережил две волны кризиса.
Первая «зима» наступила в конце 1960-х: после доклада Лайтхилла (1973), критиковавшего британские исследования ИИ, и после того, как финансирование в США и Великобритании резко сократилось. Затем был временный подъем 1980-х: экспертные системы, LISP-машины, японский проект «Компьютеры пятого поколения».
Но к концу 1980-х годов символьный подход вновь оказался в кризисе– уже второй по счету. Крах рынка LISP-машин, провал японского проекта, осознание того, что «бутылочное горлышко знаний» так и не удалось расширить – все это привело ко второй «зиме».
Главные причины кризиса оказались фундаментальными.
а. Проблема здравого смысла (машина не «знает» очевидных вещей о мире, их надо специально описывать: символьная система должна была получить их в виде аксиом– а их бесконечное множество),
б. Проблема фрейма (символьная система без явного указания не способна определить, какие факты релевантны, а какие нет),
в. «Бутылочное горлышко знаний» (каждое изменение предметной области означало переписывание правил),
г. Философская критика (Хуберт Дрейфус показал, что человеческое познание укоренено в телесном опыте и вовлеченности в мир).
Коннекционизм предложил не программировать правила, а строить сеть из простых элементов и позволить ей учиться самой.
Коннекционизм – это направление в искусственном интеллекте, когнитивной науке и нейробиологии, рассматривающее интеллект как эмерджентное свойство большого количества простых связанных элементов – искусственных нейронов. Слово «эмерджентное» здесь ключевое: никто не закладывает интеллект в каждый нейрон по отдельности. Он возникает – как температура возникает из движения молекул, хотя ни одна молекула не «теплая».
Знания не записываются в виде правил «если… то», а извлекаются из данных через обучение: нейросеть сама настраивает силы связей (веса) между нейронами, пока не начнет правильно решать задачу. Никто не может показать пальцем на конкретный нейрон и сказать: «Париж – столица Франции». Это знание «размазано» по миллионам весов.
Формально нейросеть – это взвешенный направленный граф: вершины – искусственные нейроны, ребра – синаптические связи с числовыми весами. Обучение – это подстройка весов под конкретную задачу на основе примеров. Не программирование, а именно обучение. Как ребенок учится узнавать, например, собак: ему не дают описание, ему просто показывают много собак.
Важно подчеркнуть: коннекционизм – это инженерная метафора о мозге, а не его копия. Искусственный нейрон неизмеримо проще биологического. Мы берем только базовый принцип: вход → взвешенное суммирование → нелинейный выход. Все остальное – сложность дендритов, нейромедиаторы, тысячи типов клеток – остается за бортом. Это не недостаток, это осознанный выбор. Мы строим не мозг, а вычислительную систему, вдохновленную мозгом.
Исторически коннекционизм родился еще в 1940–50-е годы, пережил драматический крах в 1969 году и долгую «зиму», а затем триумфально вернулся:
- зарождение (1940–1950-е годы) – в 1943 году Уоррен Мак-Каллок и Уолтер Питтс предложили первую математическую модель искусственного нейрона, в 1949 году Дональд Хебб сформулировал правило, которое сегодня знают даже школьники, интересующиеся нейросетями: «клетки, которые возбуждаются вместе, связываются вместе», в 1958 году Фрэнк Розенблатт создает перцептрон – одну из первых обучаемых сетей, способную распознавать простые образы,
- крах 1969-го года – в 1969 году Марвин Мински и Сеймур Пейперт, два титана символьного ИИ, публикуют «Перцептроны» – и математически доказывают: однослойная сеть принципиально не способна решать нелинейно разделимые задачи, и наступила «первая зима ИИ»,
- второе рождение (1980-е): алгоритм обратного распространения ошибки (Backpropagation) позволил обучать многослойные сети, а, значит, решать те самые нелинейные задачи, на которых споткнулся перцептрон. Но у второго рождения были и свои критики. В 1988 году Джерри Фодор и Зенон Пайлишин опубликовали работу, в которой указали на фундаментальную слабость коннекционизма: он не способен объяснить систематичность мышления. Нейросеть не оперирует структурами, она оперирует статистикой,
- триумф (2000-е – настоящее время) – совпали три фактора: рост вычислительных мощностей (GPU, потом TPU), огромные наборы данных (ImageNet, интернет-корпуса) и новые архитектуры– сверточные сети (CNN), рекуррентные (RNN, LSTM), а затем трансформеры.
- в 2017 году статья «Attention is All You Need» представила архитектуру, которая открыла путь к большим языковым моделям, а в 2020-е GPT, BERT, Claude и их собратья демонстрируют то, что еще десять лет назад казалось фантастикой: машины пишут тексты, переводят, распознают изображения и речь, генерируют контент.
Сегодня именно коннекционизм стоит за системами, которые распознают лица, переводят тексты, генерируют изображения и ведут с нами диалоги...
В финальной части курса будут рассмотрены некоторые возможные пути развития: энергоэффективные спайковые сети, гибридные нейро-символические системы (которые пытаются соединить обучение с логикой) и вопрос о том, может ли масштабирование нынешних подходов привести к искусственному общему интеллекту (AGI) или для этого потребуется качественный скачок.
Предлагаемый в этом семестре курс лекций последовательно проводит читателя/обучающегося по всей истории коннекционизма: от биологического нейрона и простых многослойных сетей – через сверточные и рекуррентные архитектуры – к революции трансформеров и большим языковым моделям. Мы разберем, как именно сеть учится, почему она «галлюцинирует», как ей правильно задавать вопросы и чем генерация текста отличается от генерации картинок.
Отдельно поговорим о «галлюцинациях» – одной из самых обсуждаемых проблем современных LLM. Модель не проверяет истинность – она генерирует статистически вероятное продолжение, поэтому может уверенно выдавать вымышленные факты: несуществующие статьи, фальшивые ссылки, придуманные биографии. Это не баг, это свойство архитектуры, и понимание его механизма – ключ к грамотному использованию таких систем.
При этом курс не идеализирует коннекционизм: говорится о его ограничениях: «черном ящике» (невозможность объяснить, почему принято решение), зависимости от огромных объемов данных и энергии, уязвимости к предвзятости и состязательным атакам, а также о том, что даже самые мощные современные модели по-прежнему лишены настоящего понимания и здравого смысла.
Курс предназначен для широкой аудитории. Это значит, что мы будем избегать тяжелых формул, но и не будем упрощать суть. Математика появится только там, где без нее не обойтись – но на правах инструмента, а не главного героя. Главные герои – идеи и люди, которые за них боролись.
В следующем курсе лекций будет рассмотрен принципиально новый подход к развитию AI (киберсубъектность), качественно отличающийся от известных научных подходов.
2. Одной из центральных тем сайта, развиваемой в обсуждениях, станет осмысление продолжения завершенной системы Гегеля (Comprehending the Development of Hegel's Completed System), которое является основой как современного развития философии Гегеля и ряда диалектических исследований на ее основе, так и всей современной диалектики. При этом стоит отдельно отметить, что некоторые положения продолжения завершенной системы Гегеля стали принципиально важными при осмыслении AI, нейросимвольного подхода и AGI и для создания киберсубъекта.
3. Что касается изложения материалов Раздела, то начиная с этого семестра в силу разнообразия основных и сопутствующих тем будет активнее реализовываться предложенный ранее формат, предполагающий дискуссии и практические занятия. Их положения и выводы могут обсуждаться даже на отдельных Интернет-площадках сайта.