Зима искусственного интеллекта

Материал из MachineLearning.

Версия 14:51, 17 июня 2026 (править) Alfina Iamaeva (Обсуждение | вклад) ← К предыдущему изменению		Текущая версия (11:24, 21 июня 2026) (править) (отменить) Alfina Iamaeva (Обсуждение | вклад)
(3 промежуточные версии не показаны)
Строка 1:		Строка 1:
-	# Перекрёстная проверка (кросс-валидация)	+	{{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].
-	**Перекрёстная проверка**, или **кросс-валидация** (от англ. *cross-validation*), — это метод оценки обобщающей способности и стабильности статистических моделей и алгоритмов машинного обучения. Основная идея заключается в многократном разбиении доступной выборки данных на две части: **обучающую** (*training set*) и **проверочную** (*validation set* или *test set*). Модель строится (обучается) на обучающей части, а затем её качество оценивается на проверочной части, которая не участвовала в построении модели. Такой подход позволяет получить более реалистичную оценку того, как модель будет работать на новых, ранее не виденных данных, и является ключевым инструментом для борьбы с **переобучением** (*overfitting*) .	+	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].
-	## Определение и основная мотивация	+	== История и происхождение термина ==
-	В статистике и машинном обучении главной целью часто является не простое описание имеющихся данных, а построение модели, способной делать точные прогнозы для новых наблюдений. Однако, если модель слишком сложна, она может «запомнить» шум и случайные особенности обучающей выборки, что приведёт к отличным показателям на этих данных, но к плохим результатам на новых. Это явление и есть переобучение .	+	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].
-	Перекрёстная проверка решает эту проблему, имитируя наличие новых данных. Вместо того чтобы оценивать модель на тех же данных, на которых она обучалась (что даёт смещённую, завышенную оценку), кросс-валидация использует часть данных исключительно для проверки. Процесс многократно повторяется, и результаты усредняются, что даёт более стабильную и надёжную оценку **ошибки обобщения** (*generalization error*) — ожидаемой ошибки модели на новых данных .	+	== Основные периоды «зимы» ==
-	## История	+	Принято выделять две основные «зимы» в истории ИИ, хотя некоторые исследователи упоминают и более мелкие кризисы[citation:4][citation:7].
-	Идея разделения данных и перекрёстной проверки имеет глубокие исторические корни, уходящие в область психометрики и статистики первой половины XX века.	+	=== Первая «зима» (1974–1980) ===
-	**Ранние работы.** Проблема завышения множественного коэффициента корреляции *R* при его вычислении на той же выборке, где были получены регрессионные веса, была осознана уже в 1930-х годах. Сельмер Ларсон в 1931 году отметил, что корреляция, полученная на исходной выборке, будет «обманчиво велика», и предложил корректирующие формулы .	+	Этот период стал реакцией на чрезмерный оптимизм 1960-х годов, когда считалось, что создание полноценного ИИ — вопрос ближайшего десятилетия. Кризис был спровоцирован несколькими факторами:
-	**Появление метода разделения данных.** Термин «перекрёстная проверка» (cross-validation) и метод, как отдельный подход, начали формироваться в 1950-х годах. На симпозиуме по психометрике в 1950 году Чарльз Мозье (Charles Mosier) фактически предложил *k*-кратную кросс-валидацию с *k*=2, подчеркнув необходимость проверки эффективности предикторов на независимой выборке . Эдвард Кьюртон (Edward Cureton) в том же году прямо указал на проблему переобучения: метод наименьших квадратов «подгоняет ошибки так же, как и систематические тренды в данных» .	+	# '''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].
-	**Метод «складного ножа» (Jackknife).** Важным предшественником современных методов является **джекнайф** (*jackknife*). Он был предложен Морисом Кенуйем (Maurice Quen	+	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» (1987–1993/2000) ===
		+
		+	Вторая «зима» оказалась связана с крахом рынка [[экспертные системы|экспертных систем]], которые стали главным коммерческим продуктом ИИ в 1980-х годах.
		+
		+	# '''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].
		+
		+	== Причины цикличности ==
		+
		+	Повторяющиеся «зимы» ИИ имеют глубокие структурные причины, важные для понимания современных специалистов по ML:
		+
		+	# '''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 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 [[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].
		+
		+	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 ==
		+	<references />
		+
		+	== Литература ==
		+	# Crevier, D. (1993). ''AI: The Tumultuous History of the Search for Artificial Intelligence''. BasicBooks. (описывает историю ИИ, включая периоды «зим»)[citation:7].
		+	# 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).
		+	# 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].

---

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].