Зима искусственного интеллекта

Материал из MachineLearning.

Версия 14:37, 17 июня 2026 (править) Alfina Iamaeva (Обсуждение | вклад) (Новая: # Зима искусственного интеллекта **Зима искусственного интеллекта** (англ. *AI winter*) — период сокращения...) ← К предыдущему изменению		Текущая версия (11:24, 21 июня 2026) (править) (отменить) Alfina Iamaeva (Обсуждение | вклад)
(6 промежуточных версий не показаны.)
Строка 1:		Строка 1:
-	# Зима искусственного интеллекта	+	{{UnderConstruction|[[Участник:Alfina Iamaeva|Alfina Iamaeva]] 15:24, 21 июня 2026 (MSD)}}
		+	'''Зима́ иску́сственного интелле́кта''' ({{lang-en|AI winter}}) — период сокращения финансирования и интереса к исследованиям в области [[искусственный интеллект|искусственного интеллекта]] (ИИ). Для этого феномена характерна смена завышенных ожиданий и активных инвестиций («лето ИИ») глубоким разочарованием в технологии, критикой, сворачиванием государственных и частных программ, что приводит к стагнации в области[citation:2][citation:4]. Термин был введён по аналогии с «[[ядерная зима|ядерной зимой]]», подчёркивая масштаб и разрушительность последствий для научного сообщества[citation:4][citation:7].
-	**Зима искусственного интеллекта** (англ. *AI winter*) — период сокращения финансирования и ослабления интереса к исследованиям в области искусственного интеллекта (ИИ), наступающий вслед за периодом завышенных ожиданий и последующего разочарования в реальных возможностях технологий. Этот термин, введённый по аналогии с «ядерной зимой», описывает цепную реакцию: пессимизм в научном сообществе подхватывается прессой, что приводит к сокращению бюджетов и, в конечном счёте, к затуханию серьёзных исследований. В истории ИИ выделяют две крупные «зимы» — 1974–1980 и 1987–1993 годов, а также несколько более мелких кризисов.	+	Для специалистов в области [[машинное обучение|машинного обучения]] (Machine Learning, ML) понимание природы «зим» имеет не только историческое, но и практическое значение. Анализ циклов спада позволяет оценить риски современных проектов, отделить реальные прорывы от маркетингового шума и выработать устойчивую стратегию развития в периоды неопределённости. История ИИ знает как минимум две масштабные «зимы», каждая из которых была обусловлена фундаментальными ограничениями доминирующей на тот момент парадигмы[citation:1][citation:2].
-	## Первая зима (1974–1980)	+	== История и происхождение термина ==
-	### Причины	+	Впервые термин «зима ИИ» прозвучал в 1984 году на ежегодной конференции Американской ассоциации искусственного интеллекта (AAAI)[citation:4][citation:7]. Два видных исследователя, переживших предыдущий спад, [[Роджер Шэнк]] и [[Марвин Минский]], предупредили бизнес-сообщество о неизбежном крахе «пузыря» инвестиций в [[экспертные системы]], который надулся к началу 1980-х годов[citation:4]. Они описали цепную реакцию, схожую с «ядерной зимой»: пессимизм в среде учёных подхватывается прессой, что ведёт к сокращению бюджетов и остановке серьёзных исследований[citation:4][citation:5]. Прогноз сбылся спустя три года, когда индустрия ИИ потеряла миллиарды долларов[citation:4][citation:7].
-	Первая «зима» была вызвана несколькими факторами, которые подорвали доверие к перспективам ИИ.	+	== Основные периоды «зимы» ==
-	1. **Критика персептронов.** В 1969 году вышла книга Марвина Минского и Сеймура Паперта «Персептроны» (*Perceptrons: An Introduction to Computational Geometry*). Авторы представили строгий математический анализ возможностей однослойных персептронов — ранней модели искусственной нейронной сети. Они доказали, что такие сети принципиально неспособны решать некоторые задачи, например, вычислить логическую функцию XOR (исключающее ИЛИ). Хотя авторы осознавали, что многослойные сети могли бы преодолеть эти ограничения, они скептически высказывались о возможности их эффективного обучения. Однако широкой общественностью и, что важнее, финансирующими организациями выводы были восприняты упрощённо: «нейронные сети — тупиковая ветвь исследований». Это привело к почти полному прекращению финансирования работ по нейросетям более чем на десятилетие.	+	Принято выделять две основные «зимы» в истории ИИ, хотя некоторые исследователи упоминают и более мелкие кризисы[citation:4][citation:7].
-	2. **Доклад Лайтхилла.** В 1973 году британский учёный Джеймс Лайтхилл опубликовал для Совета по научным исследованиям (SRC) доклад «Искусственный интеллект: общий обзор» (Artificial Intelligence: A General Survey), более известный как **доклад Лайтхилла**. В нём давалась крайне пессимистичная оценка фундаментальных исследований в области ИИ, особенно в таких направлениях, как робототехника и обработка естественного языка. Ключевым аргументом была проблема **комбинаторного взрыва**: методы, работавшие в простых, игрушечных мирах, не масштабировались на реальные задачи из-за экспоненциального роста числа возможных решений. Доклад утверждал, что «ни в одной области открытия, сделанные до сих пор, не произвели того серьёзного влияния, которое было обещано». Он стал основанием для решения британского правительства прекратить поддержку исследований ИИ в большинстве университетов страны, что нанесло серьёзный удар по европейской науке.	+	=== Первая «зима» (1974–1980) ===
-	3. **Разочарование DARPA.** Агентство передовых оборонных исследовательских проектов США (DARPA), являвшееся основным источником финансирования ИИ в Америке, также разочаровалось в результатах. В частности, программа по распознаванию речи (*Speech Understanding Research*) в Университете Карнеги-Меллон не оправдала ожиданий, что привело к сокращению ассигнований на академические исследования в целом.	+	Этот период стал реакцией на чрезмерный оптимизм 1960-х годов, когда считалось, что создание полноценного ИИ — вопрос ближайшего десятилетия. Кризис был спровоцирован несколькими факторами:
-	### Последствия	+	# '''Отчёт Лайтхилла (1973)'''. Британский математик [[Джеймс Лайтхилл]] представил доклад для Парламента Великобритании, в котором подверг жёсткой критике достижения ИИ. Основным аргументом стала «комбинаторная проблема»: большинство успешных алгоритмов того времени «зависали» при попытке решить реальные, а не игрушечные задачи из-за экспоненциального роста числа переборов вариантов[citation:2][citation:7]. Отчёт привёл к практически полному прекращению финансирования ИИ в Великобритании[citation:2][citation:7].
		+	# '''Сокращение бюджетов DARPA'''. В США [[DARPA]] (Агентство передовых оборонных исследовательских проектов), ранее щедро финансировавшее абстрактные исследования, столкнулось с требованием Конгресса доказывать практическую пользу разработок ([[Поправка Мэнсфилда]])[citation:2][citation:7]. Разочаровавшись в обещаниях учёных, к 1974 году агентство резко урезало гранты на академические исследования ИИ[citation:2][citation:7]. В частности, была закрыта программа по распознаванию речи в [[Университет Карнеги — Меллон|Университете Карнеги-Меллон]] из-за невыполнения обещанных показателей[citation:4][citation:7].
		+	# '''Критика перцептронов'''. В 1969 году вышла книга [[Марвин Минский|Минского]] и [[Сеймур Пейперт|Пейперта]] «Перцептроны», где математически доказывались ограничения однослойных [[нейронная сеть|нейронных сетей]], в частности их неспособность решить задачу [[XOR|исключающего «ИЛИ»]] (XOR)[citation:2][citation:4]. Это вызвало разочарование в [[коннекционизм]]е и отток интереса от нейросетевого подхода на долгие годы[citation:1][citation:4].
-	Сокращение государственного финансирования практически остановило прогресс в области нейронных сетей и символьного ИИ в США и Великобритании. Исследовательские группы закрывались или переориентировались на более прикладные, гарантированно решаемые задачи (например, автоматизацию). Из-за отсутствия финансов студентам не рекомендовали выбирать темы, связанные с нейросетями, что привело к потере целого поколения специалистов. Однако эти трудные времена стимулировали развитие альтернативных направлений, в частности, **экспертных систем**, которые в 1980-е годы пережили свой расцвет.	+	Этот период характеризовался глубоким скепсисом в отношении [[символьный ИИ|символьного ИИ]], который доминировал в те годы и требовал ручного кодирования правил, что делало системы неповоротливыми и неспособными к обучению[citation:2].
-	## Вторая зима (1987–1993)	+	=== Вторая «зима» (1987–1993/2000) ===
-	### Причины	+	Вторая «зима» оказалась связана с крахом рынка [[экспертные системы|экспертных систем]], которые стали главным коммерческим продуктом ИИ в 1980-х годах.
-	Вторая «зима» ударила по коммерческому сектору и была связана с крахом экономической модели, построенной на экспертных системах.	+	# '''Коллапс рынка LISP-машин (1987)'''. Экспертные системы чаще всего писались на языке [[Lisp]], для которого требовалось специализированное и крайне дорогое оборудование — [[Lisp-машины]][citation:2][citation:7]. С приходом на рынок мощных и недорогих рабочих станций от [[Sun Microsystems]], а затем и персональных компьютеров [[Apple]] и [[IBM]], необходимость в дорогом нишевом «железе» отпала. Рынок Lisp-машин, оцениваемый в полмиллиарда долларов, рухнул в течение одного года[citation:2][citation:4][citation:7].
		+	# '''Проблемы экспертных систем'''. Несмотря на ранний успех (например, система XCON для [[Digital Equipment Corporation]], экономившая миллионы долларов), экспертные системы оказались «хрупкими» (brittle). Они не могли обучаться на новых данных, требовали огромных усилий по поддержке и обновлению базы знаний («узкое место приобретения знаний»), а при нестандартных входных данных давали абсурдные ошибки[citation:2][citation:7]. К началу 1990-х годов многие крупные корпорации свернули свои программы по внедрению экспертных систем[citation:4].
		+	# '''Неудача японского проекта «Пятое поколение»'''. В 1981 году Япония запустила амбициозный проект стоимостью $850 млн по созданию компьютеров пятого поколения, способных вести диалог и рассуждать на уровне человека. К 1991 году стало ясно, что грандиозные цели проекта не достигнуты, что вызвало дополнительный скепсис в мировом сообществе[citation:2][citation:4][citation:7].
		+	# '''Сокращение Стратегической вычислительной инициативы (SCI)'''. Американская программа SCI, запущенная как ответ на японский вызов, также столкнулась с сокращением финансирования после того, как не смогла продемонстрировать прорывных результатов[citation:2][citation:4][citation:7].
-	1. **Крах рынка Lisp-машин.** В 1980-х годах популярность набрали экспертные системы — программы, которые имитировали рассуждения эксперта-человека в узкой предметной области. Для их разработки часто использовался язык программирования Lisp. Для повышения производительности создавались специализированные компьютеры — **Lisp-машины**. Однако к концу десятилетия мощные и недорогие рабочие станции от Sun Microsystems и персональные компьютеры от Apple и IBM стали способны выполнять Lisp-программы с сопоставимой скоростью. Целый индустриальный сектор, стоивший полмиллиарда долларов, рухнул в течение одного года. Компании-производители, такие как Symbolics и Lisp Machines Inc., обанкротились или были вынуждены уйти с рынка.	+	== Причины цикличности ==
-	2. **Крах экспертных систем.** Дорогие в разработке и поддержке экспертные системы оказались «хрупкими» (brittle). Они не могли обучаться на новых данных и давали абсурдные ошибки при столкновении с нетипичными входными данными (так называемая проблема квалификации). Системы становились слишком сложными для обновления и поддержки, и их экономическая эффективность перестала оправдывать вложения.	+	Повторяющиеся «зимы» ИИ имеют глубокие структурные причины, важные для понимания современных специалистов по ML:
-	3. **Провал японского проекта FGCS.** Амбициозный **японский проект «Компьютерные системы пятого поколения»** (FGCS, 1982–1992), финансируемый государством, ставил целью создание суперкомпьютеров для параллельной обработки знаний на основе логического программирования (Prolog). Несмотря на значительные вложения, проект не достиг своих изначальных грандиозных целей, что добавило ещё один аргумент скептикам в международном сообществе.	+	# '''Перегрев ожиданий (Hype Cycle)'''. Каждый период подъёма сопровождается громкими обещаниями о скором достижении [[сильный искусственный интеллект|искусственного общего интеллекта]] (AGI). Когда реальные успехи (часто относящиеся к «слабому ИИ» для решения узких задач) не соответствуют этим обещаниям, наступает разочарование[citation:2][citation:5].
		+	# '''Фундаментальные ограничения парадигм'''. Первая «зима» была вызвана исчерпанием возможностей символьного подхода, требующего ручного программирования всех знаний. Вторая «зима» — неспособностью экспертных систем к самообучению и масштабированию. Каждый раз спад стимулировал поиск новых подходов: от символьного ИИ к машинному обучению, а затем — к [[глубокое обучение|глубокому обучению]][citation:2].
		+	# '''Смена технической базы'''. Спад финансирования часто совпадал с технологическими сдвигами, делавшими предыдущее оборудование и методы неконкурентоспособными, как это случилось с Lisp-машинами[citation:2][citation:7].
-	### Последствия	+	== Последствия и выход из «зимы» ==
-	Этот период ознаменовал конец «зимы» для отрасли и изменил структуру финансирования. Инвестиции в «чистый» ИИ резко сократились. Многие компании, занимавшиеся разработкой экспертных систем, ушли с рынка или переориентировались на более узкие задачи. Однако именно в этот период начали активно развиваться статистические методы и **машинное обучение**, которые были менее амбициозны, но давали более предсказуемые и стабильные результаты.	+	Несмотря на стагнацию и отток кадров, «зимы» не были временем полного отсутствия исследований. Ключевые разработки, лёгшие в основу современных успехов ML, велись именно в эти периоды «в тени»[citation:2]. Именно тогда, в конце 1980-х годов, начал активно развиваться [[алгоритм обратного распространения ошибки]] (backpropagation), который стал фундаментом для обучения многослойных нейронных сетей[citation:2]. Разочарование в символьном подходе сместило фокус на [[статистическое обучение]] и методы, основанные на данных.
-	## Почему зимы наступали	+	Выход из «зим» в конце 1990-х и, особенно, после 2012 года, был связан с накоплением «критической массы» факторов:
		+	* Появление больших размеченных [[набор данных|наборов данных]] (Big Data)[citation:1].
		+	* Экспоненциальный рост вычислительных мощностей, включая использование [[GPU|графических процессоров]] (GPU) для обучения моделей[citation:1].
		+	* Прорывные архитектуры, такие как [[AlexNet]] в задаче компьютерного зрения (2012)[citation:1].
-	Причина циклических «зим» кроется в систематической **переоценке возможностей ИИ**. Исследователи и, в особенности, средства массовой информации и инвесторы часто делали поспешные выводы о скором создании «сильного» ИИ на основе первых, пусть даже впечатляющих, успехов (решение логических задач, игра в шашки). Однако каждый раз реальность оказывалась сложнее: фундаментальные проблемы (обучение, представление знаний, масштабирование) требовали десятилетий фундаментальных исследований, что не укладывалось в короткие инвестиционные циклы.	+	Исторический контекст «зим» учит, что устойчивость в науке о данных достигается не за счёт погони за хайпом, а благодаря развитию математически обоснованных и масштабируемых алгоритмов. Понимание этого цикла помогает современным инженерам критически оценивать текущий «бум» ИИ и избегать ошибок прошлого, концентрируясь на решении конкретных прикладных задач[citation:5].
-	Разрыв между **громкими обещаниями** (например, «через 10 лет машины будут обладать человеческим интеллектом») и **реальными достижениями** (создание полезных, но крайне ограниченных систем) порождал волну разочарования. Эта динамика, описанная как цепная реакция, сродни ядерной зиме, неизбежно приводила к заморозке финансирования.	+	== См. также ==
		+	* [[История искусственного интеллекта]]
		+	* [[Экспертная система]]
		+	* [[Глубокое обучение]]
		+	* [[Пузырь доткомов]]
-	## Уроки для современного машинного обучения	+	== Примечания ==
		+	<references />
-	История «зим» преподала инженерам и учёным в области машинного обучения несколько важнейших уроков.	+	== Литература ==
-		+	# Crevier, D. (1993). ''AI: The Tumultuous History of the Search for Artificial Intelligence''. BasicBooks. (описывает историю ИИ, включая периоды «зим»)[citation:7].
-	1. **Важность строгой математической основы.** Критика Минского и Паперта, при всей её спорности в части интерпретации, показала, что наука не может строиться на вере. В отличие от 1960-х, современные нейросети опираются на мощный математический аппарат, что делает выводы более обоснованными.	+	# Nilsson, N. J. (2009). ''The Quest for Artificial Intelligence''. Cambridge University Press. (содержит исторический анализ развития ИИ и связанных с ним спадов).
-		+	# Russell, S., & Norvig, P. (2020). ''[[Искусственный интеллект: современный подход|Artificial Intelligence: A Modern Approach]]'' (4th ed.). Pearson. (главный учебник, подробно рассматривающий историю и причины спадов в ИИ).
-	2. **Опасность «хайпа».** Современный бум ИИ, начавшийся около 2012 года, порождает множество спекуляций. Инженеры, знакомые с историей «зим», понимают, что завышенные ожидания от больших языковых моделей и автономного вождения могут снова привести к «ядерной зиме», если технологии не смогут догнать обещания. Это учит более сдержанно формулировать прогнозы и фокусироваться на измеримых результатах.	+	# Storozhuk, A. Y. (2021). ''Artificial Intelligence: How Carbon-Based Life Has Created Silicon-Based Life''. Russian Journal of Philosophical Sciences, 64(1), 134-148. (анализирует этапы развития ИИ, включая периоды стагнации)[citation:9].
-		+
-	3. **Прагматизм и качество данных.** Крах экспертных систем показал, что «инженерия знаний» (ручной ввод правил) не масштабируется. Современный успех **глубокого обучения** основан на совершенно ином подходе: вместо программирования правил мы программируем архитектуру для **обучения** на больших данных. Это делает системы более гибкими, но привязывает их качество к данным.	+
-		+
-	4. **Диверсификация методологий.** В периоды «зим» выживали те, кто работал на стыке дисциплин или предлагал реалистичные инженерные решения (как экспертные системы в конце 70-х). Современный специалист должен быть знаком не только с нейросетями, но и с классическими алгоритмами, байесовскими методами и инженерией признаков, чтобы выбирать инструмент под задачу, а не следовать моде.	+
-		+
-	## Связь с другими статьями	+
-		+
-	* **Дартмутский семинар:** Истоки «зимы» лежат в завышенных ожиданиях, порождённых на этом семинаре 1956 года, где и была заложена концепция ИИ как научной дисциплины.	+
-	* **Персептрон:** Книга Минского и Паперта стала символом научного спора, замедлившего развитие нейросетей, но впоследствии стимулировавшего создание многослойных архитектур и алгоритма обратного распространения ошибки.	+
-	* **Экспертные системы:** Именно расцвет и последующий коллапс этой технологии стали основным драйвером и главной трагедией второй «зимы», продемонстрировав пределы «символьного» подхода к ИИ.	+
-		+
-	---	+
-		+
-	## Список литературы	+
-		+
-	1. *AI winter*. In *Wikipedia*.	+
-	2. Minsky, M., & Papert, S. (1969). *Perceptrons: An Introduction to Computational Geometry*. MIT Press.	+
-	3. Lighthill, J. (1973). *Artificial Intelligence: A General Survey*. In *Artificial Intelligence: a paper symposium*. Science Research Council.	+
-	4. *Lighthill report*. In *Wikipedia*.	+
-	5. *Fifth Generation Computer System*. In *Glosbe Dictionary*.	+

---

Текущая версия

Статья в настоящий момент дорабатывается. Alfina Iamaeva 15:24, 21 июня 2026 (MSD)

Зима́ иску́сственного интелле́кта (Шаблон:Lang-en) — период сокращения финансирования и интереса к исследованиям в области искусственного интеллекта (ИИ). Для этого феномена характерна смена завышенных ожиданий и активных инвестиций («лето ИИ») глубоким разочарованием в технологии, критикой, сворачиванием государственных и частных программ, что приводит к стагнации в области[citation:2][citation:4]. Термин был введён по аналогии с «ядерной зимой», подчёркивая масштаб и разрушительность последствий для научного сообщества[citation:4][citation:7].

Для специалистов в области машинного обучения (Machine Learning, ML) понимание природы «зим» имеет не только историческое, но и практическое значение. Анализ циклов спада позволяет оценить риски современных проектов, отделить реальные прорывы от маркетингового шума и выработать устойчивую стратегию развития в периоды неопределённости. История ИИ знает как минимум две масштабные «зимы», каждая из которых была обусловлена фундаментальными ограничениями доминирующей на тот момент парадигмы[citation:1][citation:2].

Содержание 1 История и происхождение термина 2 Основные периоды «зимы» 2.1 Первая «зима» (1974–1980) 2.2 Вторая «зима» (1987–1993/2000) 3 Причины цикличности 4 Последствия и выход из «зимы» 5 См. также 6 Примечания 7 Литература

История и происхождение термина

Впервые термин «зима ИИ» прозвучал в 1984 году на ежегодной конференции Американской ассоциации искусственного интеллекта (AAAI)[citation:4][citation:7]. Два видных исследователя, переживших предыдущий спад, Роджер Шэнк и Марвин Минский, предупредили бизнес-сообщество о неизбежном крахе «пузыря» инвестиций в экспертные системы, который надулся к началу 1980-х годов[citation:4]. Они описали цепную реакцию, схожую с «ядерной зимой»: пессимизм в среде учёных подхватывается прессой, что ведёт к сокращению бюджетов и остановке серьёзных исследований[citation:4][citation:5]. Прогноз сбылся спустя три года, когда индустрия ИИ потеряла миллиарды долларов[citation:4][citation:7].

Основные периоды «зимы»

Принято выделять две основные «зимы» в истории ИИ, хотя некоторые исследователи упоминают и более мелкие кризисы[citation:4][citation:7].

Первая «зима» (1974–1980)

Этот период стал реакцией на чрезмерный оптимизм 1960-х годов, когда считалось, что создание полноценного ИИ — вопрос ближайшего десятилетия. Кризис был спровоцирован несколькими факторами:

1. Отчёт Лайтхилла (1973). Британский математик Джеймс Лайтхилл представил доклад для Парламента Великобритании, в котором подверг жёсткой критике достижения ИИ. Основным аргументом стала «комбинаторная проблема»: большинство успешных алгоритмов того времени «зависали» при попытке решить реальные, а не игрушечные задачи из-за экспоненциального роста числа переборов вариантов[citation:2][citation:7]. Отчёт привёл к практически полному прекращению финансирования ИИ в Великобритании[citation:2][citation:7].
2. Сокращение бюджетов DARPA. В США DARPA (Агентство передовых оборонных исследовательских проектов), ранее щедро финансировавшее абстрактные исследования, столкнулось с требованием Конгресса доказывать практическую пользу разработок (Поправка Мэнсфилда)[citation:2][citation:7]. Разочаровавшись в обещаниях учёных, к 1974 году агентство резко урезало гранты на академические исследования ИИ[citation:2][citation:7]. В частности, была закрыта программа по распознаванию речи в Университете Карнеги-Меллон из-за невыполнения обещанных показателей[citation:4][citation:7].
3. Критика перцептронов. В 1969 году вышла книга Минского и Пейперта «Перцептроны», где математически доказывались ограничения однослойных нейронных сетей, в частности их неспособность решить задачу исключающего «ИЛИ» (XOR)[citation:2][citation:4]. Это вызвало разочарование в коннекционизме и отток интереса от нейросетевого подхода на долгие годы[citation:1][citation:4].

Этот период характеризовался глубоким скепсисом в отношении символьного ИИ, который доминировал в те годы и требовал ручного кодирования правил, что делало системы неповоротливыми и неспособными к обучению[citation:2].

Вторая «зима» (1987–1993/2000)

Вторая «зима» оказалась связана с крахом рынка экспертных систем, которые стали главным коммерческим продуктом ИИ в 1980-х годах.

1. Коллапс рынка LISP-машин (1987). Экспертные системы чаще всего писались на языке Lisp, для которого требовалось специализированное и крайне дорогое оборудование — Lisp-машины[citation:2][citation:7]. С приходом на рынок мощных и недорогих рабочих станций от Sun Microsystems, а затем и персональных компьютеров Apple и IBM, необходимость в дорогом нишевом «железе» отпала. Рынок Lisp-машин, оцениваемый в полмиллиарда долларов, рухнул в течение одного года[citation:2][citation:4][citation:7].
2. Проблемы экспертных систем. Несмотря на ранний успех (например, система XCON для Digital Equipment Corporation, экономившая миллионы долларов), экспертные системы оказались «хрупкими» (brittle). Они не могли обучаться на новых данных, требовали огромных усилий по поддержке и обновлению базы знаний («узкое место приобретения знаний»), а при нестандартных входных данных давали абсурдные ошибки[citation:2][citation:7]. К началу 1990-х годов многие крупные корпорации свернули свои программы по внедрению экспертных систем[citation:4].
3. Неудача японского проекта «Пятое поколение». В 1981 году Япония запустила амбициозный проект стоимостью $850 млн по созданию компьютеров пятого поколения, способных вести диалог и рассуждать на уровне человека. К 1991 году стало ясно, что грандиозные цели проекта не достигнуты, что вызвало дополнительный скепсис в мировом сообществе[citation:2][citation:4][citation:7].
4. Сокращение Стратегической вычислительной инициативы (SCI). Американская программа SCI, запущенная как ответ на японский вызов, также столкнулась с сокращением финансирования после того, как не смогла продемонстрировать прорывных результатов[citation:2][citation:4][citation:7].

Причины цикличности

Повторяющиеся «зимы» ИИ имеют глубокие структурные причины, важные для понимания современных специалистов по ML:

1. Перегрев ожиданий (Hype Cycle). Каждый период подъёма сопровождается громкими обещаниями о скором достижении искусственного общего интеллекта (AGI). Когда реальные успехи (часто относящиеся к «слабому ИИ» для решения узких задач) не соответствуют этим обещаниям, наступает разочарование[citation:2][citation:5].
2. Фундаментальные ограничения парадигм. Первая «зима» была вызвана исчерпанием возможностей символьного подхода, требующего ручного программирования всех знаний. Вторая «зима» — неспособностью экспертных систем к самообучению и масштабированию. Каждый раз спад стимулировал поиск новых подходов: от символьного ИИ к машинному обучению, а затем — к глубокому обучению[citation:2].
3. Смена технической базы. Спад финансирования часто совпадал с технологическими сдвигами, делавшими предыдущее оборудование и методы неконкурентоспособными, как это случилось с Lisp-машинами[citation:2][citation:7].

Последствия и выход из «зимы»

Несмотря на стагнацию и отток кадров, «зимы» не были временем полного отсутствия исследований. Ключевые разработки, лёгшие в основу современных успехов ML, велись именно в эти периоды «в тени»[citation:2]. Именно тогда, в конце 1980-х годов, начал активно развиваться алгоритм обратного распространения ошибки (backpropagation), который стал фундаментом для обучения многослойных нейронных сетей[citation:2]. Разочарование в символьном подходе сместило фокус на статистическое обучение и методы, основанные на данных.

Выход из «зим» в конце 1990-х и, особенно, после 2012 года, был связан с накоплением «критической массы» факторов:

• Появление больших размеченных наборов данных (Big Data)[citation:1].
• Экспоненциальный рост вычислительных мощностей, включая использование графических процессоров (GPU) для обучения моделей[citation:1].
• Прорывные архитектуры, такие как AlexNet в задаче компьютерного зрения (2012)[citation:1].

Исторический контекст «зим» учит, что устойчивость в науке о данных достигается не за счёт погони за хайпом, а благодаря развитию математически обоснованных и масштабируемых алгоритмов. Понимание этого цикла помогает современным инженерам критически оценивать текущий «бум» ИИ и избегать ошибок прошлого, концентрируясь на решении конкретных прикладных задач[citation:5].

См. также

• История искусственного интеллекта
• Экспертная система
• Глубокое обучение
• Пузырь доткомов

Примечания

Литература

1. Crevier, D. (1993). AI: The Tumultuous History of the Search for Artificial Intelligence. BasicBooks. (описывает историю ИИ, включая периоды «зим»)[citation:7].
2. Nilsson, N. J. (2009). The Quest for Artificial Intelligence. Cambridge University Press. (содержит исторический анализ развития ИИ и связанных с ним спадов).
3. Russell, S., & Norvig, P. (2020). Artificial Intelligence: A Modern Approach (4th ed.). Pearson. (главный учебник, подробно рассматривающий историю и причины спадов в ИИ).
4. Storozhuk, A. Y. (2021). Artificial Intelligence: How Carbon-Based Life Has Created Silicon-Based Life. Russian Journal of Philosophical Sciences, 64(1), 134-148. (анализирует этапы развития ИИ, включая периоды стагнации)[citation:9].