Нейросеть

Нейросеть (искусственная нейронная сеть) это вычислительная модель из множества однотипных элементов, соединённых числовыми связями, которая настраивается на примерах вместо того, чтобы работать по заранее прописанным правилам. Разработчик задаёт структуру связей и способ обучения, а сами числа внутри модели подбирает алгоритм, прогоняя через неё размеченные данные и раз за разом уменьшая ошибку.

Определение есть и в стандарте. ГОСТ Р 71476-2024, введённый приказом Росстандарта от 28 октября 2024 года № 1550-ст, описывает нейронную сеть как сеть узлов, смоделированных по образцу нейронов, соединённых синаптическими связями и использующих нелинейные функции активации (п. 3.4.8). В стандарте отдельно оговорено, что искусственные сети опираются на биологическую аналогию, но устроены заметно проще живого прототипа.

В разговорной речи слово значит другое. «Нейросетью» называют любой сервис, который отвечает текстом или рисует картинку по запросу. Словоупотребление стало массовым. По данным ВЦИОМ, за год до конца июня 2026 года к нейросетям обращались 78% российских интернет-пользователей, а 58% делали это раз в неделю и чаще. Обе трактовки живут рядом, и статья разбирает их по очереди: сначала модель, потом сервис, который человек видит на экране.

Почему обучение идёт редко и дорого, а вывод дёшево и на каждом запросе

Чем отличается от соседних понятий

Соседние термины постоянно подменяют друг друга, хотя относятся к разным уровням.

• Искусственный интеллект это зонтик над всеми способами решать задачи, которые раньше требовали человека. Национальная стратегия развития искусственного интеллекта, утверждённая Указом Президента РФ от 10 октября 2019 года № 490, определяет его через результат, сопоставимый с интеллектуальной деятельностью человека. Способ реализации в определении не назван вовсе. Нейросеть это один из способов, причём не единственный.
• Машинное обучение это дисциплина о том, как строить модели по данным. Нейросеть один из классов таких моделей, рядом с ней живут деревья решений, градиентный бустинг и линейные методы. На табличных данных они нередко работают не хуже.
• Большая языковая модель это нейросеть конкретной архитектуры, обученная предсказывать следующий фрагмент текста. Всякая большая языковая модель нейросеть, обратное неверно.
• Генеративный ИИ делит модели по назначению: создают новое или классифицируют существующее. Это признак задачи, а не устройства.
• Компьютерное зрение это область задач про изображения. Нейросеть здесь инструмент, и она же обслуживает распознавание речи, прогноз спроса и поиск.

Практическая разница проста. Обычная программа делает то, что в ней написано, и её поведение объясняется строкой кода. Нейросеть делает то, чему научилась, и объяснения в виде строки кода у неё нет.

Откуда взялось

Точка отсчёта известна. В 1943 году Уоррен Мак-Каллок и Уолтер Питтс опубликовали в Bulletin of Mathematical Biophysics работу «A Logical Calculus of the Ideas Immanent in Nervous Activity». Они показали, что поведение сети из пороговых элементов описывается средствами логики высказываний. Нейрон в ней был двоичным: сработал или нет.

Обучаемую версию предложил Фрэнк Розенблатт из Cornell Aeronautical Laboratory. Его статья о перцептроне вышла в Psychological Review в 1958 году. Она описывала вероятностную модель хранения информации, которая настраивается сама.

Дальше был долгий перерыв. Практичный способ обучать многослойные сети описан в заметке Дэвида Румельхарта, Джеффри Хинтона и Рональда Уильямса «Learning representations by back-propagating errors». Журнал Nature, 9 октября 1986 года, том 323, страницы 533–536. Метод получил имя обратного распространения ошибки и работает до сих пор.

Массовым интерес стал после соревнования ImageNet. В официальных результатах ILSVRC-2012 команда SuperVision показала ошибку 0,15315 при пяти догадках, тогда как ближайший результат другой команды, ISI, составил 0,26172. За победой стояла свёрточная сеть на 60 миллионов параметров и 500 тысяч нейронов. Её описали Алекс Крижевский, Илья Суцкевер и Джеффри Хинтон на конференции NeurIPS в том же году. Обзорную статью «Deep learning» Ян Лекун, Йошуа Бенджио и Джеффри Хинтон выпустили в Nature 27 мая 2015 года, том 521, страницы 436–444.

Текущая волна началась с препринта «Attention Is All You Need», выложенного на arXiv 12 июня 2017 года. Его авторы отказались от рекуррентности и свёрток целиком, оставив один механизм внимания. Результат: 28,4 BLEU на переводе с английского на немецкий за трое с половиной суток обучения на восьми GPU. На этой архитектуре построены нынешние текстовые модели.

8 октября 2024 года Нобелевская премия по физике присуждена Джону Хопфилду и Джеффри Хинтону с формулировкой «for foundational discoveries and inventions that enable machine learning with artificial neural networks».

Как это устроено

Нейрон, вес и функция активации

Отдельный элемент сети считает взвешенную сумму входов, добавляет смещение и пропускает результат через нелинейную функцию активации. Всё. Вес это число, показывающее, насколько сильно один вход влияет на выход.

Нелинейность тут несущая деталь, а не украшение. Без неё любая многослойная конструкция схлопывается в одно линейное преобразование, и глубина перестаёт что-либо давать.

Элементы собраны в слои: входной принимает данные, скрытые преобразуют, выходной выдаёт ответ. Числа, которые подбираются обучением, называются параметрами, а те, что задаёт человек до старта (количество слоёв, скорость обучения, размер пачки), гиперпараметрами. У сети из соревнования ImageNet параметров было 60 миллионов, у современных текстовых моделей их на несколько порядков больше.

Как сеть учится

Обучение это цикл из четырёх шагов, и он повторяется миллионы раз. Сеть при этом не выводит правило, а подбирает числа.

1. Сеть получает пример и выдаёт ответ.
2. Функция потерь измеряет, насколько ответ разошёлся с правильным.
3. Обратное распространение считает, какой вклад в эту ошибку внёс каждый вес.
4. Веса сдвигаются в сторону уменьшения ошибки, обычно градиентным спуском.

Отсюда вытекает то, что чаще всего удивляет заказчика. Качество модели определяется данными, а не изобретательностью разработчика: на грязной или нерепрезентативной выборке хорошая архитектура даст плохой результат, и никакой перебор гиперпараметров этого не исправит.

Дальше проще. Обученная модель работает в режиме вывода: веса зафиксированы, сеть просто считает ответ. Обучение стоит дорого и делается редко, вывод стоит дёшево и происходит на каждом запросе.

Почему архитектура зависит от данных

Тип данных диктует способ связи элементов.

• Свёрточные сети скользят одинаковым фильтром по изображению, потому что кошка остаётся кошкой в любом углу кадра.
• Рекуррентные обрабатывают последовательность по шагам, передавая состояние дальше.
• Трансформеры сравнивают каждый элемент последовательности с каждым через механизм внимания, что позволяет считать их параллельно.
• Полносвязные сети без ограничений на связи применяют к табличным признакам.

Как её видит пользователь

Человек за пределами разработки встречает нейросеть на одном из трёх уровней, и они различаются ценой, скоростью и правами на данные.

• Готовый сервис. Чат, редактор изображений, встроенный помощник. Настроек почти нет, запуск сегодня, данные уходят на сторону поставщика.
• Модель по API. Запрос из своей системы, оплата по числу токенов, выбор модели под задачу. Так собираются ассистенты, чат-боты и автоматизация рутины.
• Своя модель. Обучение или дообучение на собственных данных. Нужны разметка, инфраструктура и люди, зато поведение предсказуемо и данные остаются внутри.

Ограничение, с которым сталкиваются на первых двух уровнях, измеряется в токенах: за один запрос модель видит ограниченный объём текста. Числа сняты 11 сентября 2026 года. Документация Yandex AI Studio указывала контекст 32 768 токенов для YandexGPT Pro 5.1 и 131 072 для Alice AI LLM. Документация GigaChat заявляла 128 000 токенов для версий 2 Max и 2 Lite. Токен это кусок слова или знак препинания, и сколько их уйдёт на конкретный текст, показывает токенизатор поставщика.

Что делать на практике

1. Проверьте, нужна ли вообще модель. Если правило формулируется словами и укладывается в десяток условий, дешевле написать правило. Нейросеть берут там, где признаки известны неточно: изображения, речь, свободный текст, поведение пользователя.
2. Соберите эталонный набор до выбора инструмента. Сотня реальных примеров с правильными ответами, отложенных заранее, стоит дороже любого сравнения моделей по обзорам.
3. Начните с верхнего уровня. Готовый сервис за неделю покажет, есть ли польза. Своё обучение до этой проверки это трата бюджета на гипотезу.
4. Сверяйте ответы на своём наборе, а не на демонстрации поставщика. Демонстрация подобрана под сильные стороны модели.
5. Решите вопрос данных до пилота. Обработка персональных данных регулируется Федеральным законом от 27 июля 2006 года № 152-ФЗ, а условия передачи описаны в договоре и политике конкретного сервиса. Читать их нужно до загрузки клиентской базы, а не после.
6. Оставьте человека на выходе там, где ошибка стоит денег. Модель выдаёт наиболее вероятный ответ, а не проверенный.
7. Зафиксируйте версию модели в документации проекта. Поставщики обновляют модели, и поведение меняется без предупреждения с вашей стороны.

Чем измеряют

• Доля верных ответов на отложенной выборке. Простейшая метрика и самая обманчивая: на редком событии модель, которая всегда отвечает «нет», покажет высокую долю верных ответов и нулевую пользу.
• Точность и полнота. Первая отвечает на вопрос, сколько срабатываний оказались настоящими, вторая на вопрос, сколько настоящих случаев модель нашла. Подробнее в статье Предиктивная аналитика.
• Доля ответов, ушедших в правку человеком. Прямо переводится в сэкономленные часы.
• Задержка ответа. Для интерфейса, где ждёт живой человек, она важнее последних процентов качества.
• Стоимость запроса. Считается по токенам входа и выхода, умножается на объём трафика.
• Бизнес-метрика процесса: конверсия, время обработки заявки, стоимость обращения. Проверяется сравнением с контрольной группой, потому что рост показателя мог прийти и от сезона.

Частые ошибки

• Нейросеть вместо правила. Модель для задачи «отправить письмо, если заказ не оплачен за сутки» это усложнение без выигрыша.
• Обучение на данных, не похожих на боевые. Сеть запоминает условия съёмки, формат выгрузки и привычки конкретного оператора, на тестовой выборке из тех же данных показывает отличные числа, а на боевом потоке встречает другой ракурс, другой шрифт и другого человека за клавиатурой.
• Приёмка по впечатлению. Пять удачных ответов подряд не измеряют ничего.
• Уверенность модели принимается за вероятность истины. Сеть выдаёт число, которое калибруется отдельно, и без калибровки «уверенность 0,95» не означает, что в 95 случаях из ста ответ верен.
• Одна метрика на всю задачу. Качество, скорость и стоимость тянут в разные стороны, и выбирать между ними приходится явно.
• Разовый замер. Данные меняются, модель стареет, качество падает тихо. Нужен регулярный контроль на свежей выборке.

Ограничения и спорные места

Объяснить решение нечем. Внутри обученной сети лежат миллионы чисел, и ни одно из них не соответствует понятной человеку причине. Методы интерпретации показывают, какие участки входа повлияли на ответ, но связного объяснения на языке предметной области не дают, поэтому в спорной ситуации ответить клиенту или проверяющему «модель решила так, потому что» нечем, и заменять это домыслом опасно.

Измерено качество на бенчмарках, а не на вашей задаче. Числа вроде 0,15315 на ImageNet или 28,4 BLEU на переводе получены на конкретных наборах данных с конкретной разметкой. Перенос на другой домен не гарантирован, и проверять его приходится заново.

Аналогия с мозгом остаётся аналогией. Это сказано и в ГОСТ Р 71476-2024: искусственные сети строятся по образцу биологических, но проще их. Ни один вывод про живое мышление из работы модели не следует.

Что не измерено. Опрос ВЦИОМ фиксирует, что люди обращаются к нейросетям, а не какой эффект это дало их работе: метод там самоотчёт респондента. Сопоставимого по масштабу замера результата для российских компаний в открытых источниках найти не удалось.

Спорный вопрос без ответа. Сколько ещё даст нынешний путь, то есть наращивание размера моделей и объёма данных, публично не измерено никем. Проверяемого прогноза с названной методикой в открытых источниках найти не удалось, поэтому статья фиксирует пробел и не занимает сторону в споре о пределах этого пути.

Наши собственные числа проверены только по документации. Контекстные окна и лимиты взяты со страниц поставщиков, то есть со слов самих поставщиков. Независимого замера этих величин у статьи нет.

Что здесь быстро устаревает

• Размеры контекстных окон и названия моделей. Цифры в разделе про пользователя сняты 11 сентября 2026 года. Признак протухания простой: в каталоге моделей поставщика появилась новая версия или изменился числовой лимит.
• Адреса самой документации. На 11 сентября 2026 года справка Yandex по моделям отдавала редирект с домена yandex.cloud на aistudio.yandex.ru. Ссылка, которая перенаправляет, это сигнал перепроверить и содержимое страницы.
• Квоты и лимиты платформ. Ограничения на число запросов в секунду и на длину входа меняются чаще, чем сами модели.
• Доли пользователей. За полгода замер ВЦИОМ сдвинулся с 73% до 78%, то есть годовой давности цифра здесь уже не описывает ситуацию.
• Состав архитектур. Господство трансформеров идёт с 2017 года и не является законом природы. Появление в отраслевых обзорах архитектуры, вытесняющей внимание, означает, что раздел про устройство пора переписывать.
• Регулирование. Терминология в национальных стандартах дополняется, и при ревизии стоит сверить номер пункта ГОСТ, а не переносить его из старой редакции статьи.

См. также

• Искусственный интеллект
• Машинное обучение
• Большая языковая модель
• Генеративный ИИ
• Нейросети для бизнеса
• ИИ в маркетинге
• GEO и AEO: продвижение в ответах нейросетей

Источники

1. ГОСТ Р 71476-2024 (ИСО/МЭК 22989:2022) «Искусственный интеллект. Концепции и терминология искусственного интеллекта», утверждён приказом Росстандарта от 28.10.2024 № 1550-ст, п. 3.4.8. URL: https://base.garant.ru/411037370/
2. Указ Президента РФ от 10.10.2019 № 490 «О развитии искусственного интеллекта в Российской Федерации» (ред. от 15.02.2024), раздел I, п. 5. URL: https://base.garant.ru/72838946/
3. Федеральный закон от 27.07.2006 № 152-ФЗ «О персональных данных». URL: https://www.consultant.ru/document/cons_doc_LAW_61801/
4. ВЦИОМ. «Нейросети в нашей жизни», аналитический обзор от 30.07.2026. Интернет-опрос «ВЦИОМ-Онлайн» 25–27 июня 2026 года, 3209 респондентов от 18 лет, погрешность не более 1,7% при вероятности 95%. URL: https://wciom.ru/analytical-reviews/analiticheskii-obzor/neiroseti-v-nashei-zhizni
5. McCulloch W. S., Pitts W. A Logical Calculus of the Ideas Immanent in Nervous Activity // Bulletin of Mathematical Biophysics. 1943. Vol. 5. P. 115–133.
6. Rosenblatt F. The Perceptron: A Probabilistic Model for Information Storage and Organization in the Brain // Psychological Review. 1958. Vol. 65, No. 6. P. 386–408.
7. Rumelhart D. E., Hinton G. E., Williams R. J. Learning representations by back-propagating errors // Nature. 09.10.1986. Vol. 323. P. 533–536. URL: https://www.nature.com/articles/323533a0
8. Krizhevsky A., Sutskever I., Hinton G. E. ImageNet Classification with Deep Convolutional Neural Networks // NeurIPS 2012. URL: https://papers.nips.cc/paper_files/paper/2012/hash/c399862d3b9d6b76c8436e924a68c45b-Abstract.html
9. ImageNet Large Scale Visual Recognition Challenge 2012, официальные результаты задачи классификации. URL: https://www.image-net.org/challenges/LSVRC/2012/results.html
10. LeCun Y., Bengio Y., Hinton G. Deep learning // Nature. 27.05.2015. Vol. 521. P. 436–444. URL: https://www.nature.com/articles/nature14539
11. Vaswani A. et al. Attention Is All You Need // arXiv:1706.03762, первая версия от 12.06.2017. URL: https://arxiv.org/abs/1706.03762
12. The Nobel Prize in Physics 2024, пресс-релиз Нобелевского комитета от 08.10.2024. URL: https://www.nobelprize.org/prizes/physics/2024/press-release/
13. Yandex AI Studio. Справка «Модели генерации», данные на 11.09.2026. URL: https://aistudio.yandex.ru/docs/ru/ai-studio/concepts/generation/models
14. GigaChat. Документация по моделям, данные на 11.09.2026. URL: https://developers.sber.ru/docs/ru/gigachat/models