Словарь ИИ сленга 2

Погружаемся в терминологию искусственного интеллекта. Сегодня разберем ключевые понятия, которые показывают эволюцию современных AI-систем.

▪️Chain of Thought (Цепочка мыслей) — метод, позволяющий ИИ думать пошагово. Вместо выдачи моментального ответа, модель проходит через цепочку рассуждений: "Если А, то Б, значит В". Это как решение математической задачи с полным обоснованием, а не просто ответом. CoT позволяет ИИ справляться со сложными логическими и математическими задачами гораздо эффективнее. Попросите самый обычный бесплатный CharGPT использовать CoT при ответе - разница огромная.

▪️Reasoning Model (Модель рассуждений) — эволюция обычных языковых моделей, заточенная под логическое мышление. Эти системы построены на принципах Chain of Thought и умеют анализировать проблемы шаг за шагом. Разница как между студентом, зубрящим ответы, и профессором, выводящим решение с нуля. Gemini 2.5 Pro, ChatGPT o3, DeepSeek — яркие примеры моделей с мощными рассуждательными способностями.

▪️Hallucination (Галлюцинация) — главная проблема всех LLM. Это когда модель уверенно выдумывает информацию не с целью обмануть, а просто потому, что она видит связи там, где из реально нет. Без привязки к проверенным источникам даже самые продвинутые Reasoning Models могут сочинять несуществующие факты, исследования и даже людей с детальными биографиями. Галлюцинации — кошмар для тех, кто использует ИИ в критически важных областях.

▪️RAG (Retrieval-Augmented Generation) — ИИ с поисковиком на борту. Эти системы сначала ищут актуальную информацию в документах или интернете, а затем используют найденные факты для создания точного ответа. RAG — защита от галлюцинаций. Это типа гуглить, а потом отвечать на экзаменах. RAG очень несовершенная технология, часто приводит к еще худшим галлюцинациям, если объем данных для поиска большой.

▪️Ground Truth (Достоверные данные) — защита от галлюцинаций. Проверенные, фактические данные, используемые для обучения и проверки моделей. Если учите ИИ распознавать кошек, Ground Truth — это набор фотографий, где кошки уже точно отмечены. Это золотой стандарт, с которым сравнивают результаты работы ИИ-систем.

▪️Embedding (Встраивание) — механизм, превращения слов и концепций в векторы — длинные списки чисел. Это первый этап обучения больших языковых моделей (LLM). Близкие по смыслу понятия получают похожие числовые представления. Поэтому модель понимает, что "пес" и "собака" — почти одно и то же, а "собака" и "собкор" — совершенно разные вещи.

▪️Compute (Вычислительная мощность) — количество ресурсов, необходимых для работы всех этих механизмов. Чем сложнее задачи — от простых эмбеддингов до сложных рассуждений — тем больше нужно compute. Для современных моделей требуются тысячи мощных GPU и миллионы долларов. Сейчас это основное ограничение развития ИИ. У кого больше серверов, тот и диктует правила. Поэтому Nvidia так выросла в цене за последние 3 года.

▪️Vibe Coding — конечная точка эволюции, когда программирование и вся эта сложность становится доступной через простые человеческие запросы. Просто описываете ИИ своими словами, чего хотите, а он пишет код. "Сделай приложение, которое определяет породу собаки по фото" — и получаем готовый продукт. Вся мощь Reasoning Models, RAG, эмбеддингов и compute скрыта за кулисами, а пользователь видит только магию (но дьявол, как всегда, в деталях).

Сохраняйте пост, чтобы быть в курсе

@aimastersme ​​​​​​​​​​​​​​​​