// хронология развития ИИ

ИИ-агенты выполняют сложные задачи автономно. Модели понимают текст, изображения, видео и аудио одновременно. Контекстные окна достигают миллиона токенов. Гонка за AGI ускоряется.

OpenAI o1/o3, DeepSeek R1, Claude 3.5 — модели учатся «думать» перед ответом. Chain-of-thought становится стандартом. Открытые модели догоняют закрытые. Россия выпускает GigaChat 2 и YandexGPT 5.

Meta выпускает Llama 3 и открывает гонку open-source LLM. Mistral, Qwen, Gemma — десятки открытых моделей. Генерация видео: Sora, Runway Gen-3. ИИ интегрируется в каждый продукт.

GPT-4 показывает мультимодальность. Claude 2, Llama 2, Mistral 7B — взрыв конкуренции. Stable Diffusion и Midjourney делают AI-арт мейнстримом. ИИ-стартапы привлекают рекордные инвестиции.

ChatGPT запускается в ноябре и за 5 дней набирает миллион пользователей. DALL-E 2 и Stable Diffusion открывают эру генерации изображений. Whisper решает распознавание речи.

GitHub Copilot показывает, что LLM могут писать код. DALL-E генерирует изображения из текста. AlphaFold 2 решает предсказание структуры белков — прорыв в биологии.

OpenAI выпускает GPT-3 со 175 миллиардами параметров — модель впервые показывает emergent abilities. NVIDIA выпускает A100 — GPU, который определит эпоху обучения LLM.

BERT от Google революционизирует понимание текста. GPT-2 показывает генерацию связного текста. T5 унифицирует задачи NLP в формат text-to-text.

ELMo и BERT показывают силу предобученных языковых моделей. GPT-1 от OpenAI запускает линейку. StyleGAN генерирует фотореалистичные лица.

Google публикует статью о трансформерах — архитектуре, которая изменит всё. AlphaGo Zero учится играть с нуля без человеческих данных. Начало эры трансформеров.

DeepMind's AlphaGo обыгрывает чемпиона мира по го Ли Седоля. Это момент, когда ИИ доказывает способность к сверхчеловеческой интуиции в сложных задачах.

ResNet побеждает на ImageNet с рекордной точностью. Batch Normalization ускоряет обучение. TensorFlow от Google становится открытым. ИИ входит в мейнстрим.

Ян Гудфеллоу изобретает генеративно-состязательные сети (GAN) — архитектуру, которая позже приведёт к генерации изображений. Seq2Seq революционизирует машинный перевод.

Google публикует Word2Vec — метод представления слов в виде векторов. Начало эры нейросетевого NLP. Variational Autoencoder (VAE) открывает новый подход к генерации.

AlexNet побеждает на ImageNet с огромным отрывом благодаря GPU-обучению. Это момент, который запустил революцию deep learning и привлёк миллиарды в ИИ.

IBM Watson побеждает чемпионов в телевикторине Jeopardy!. Siri от Apple запускается как первый массовый голосовой ассистент. ИИ начинает входить в повседневную жизнь.

ImageNet становится главным бенчмарком компьютерного зрения. GPU начинают использовать для обучения нейросетей. Рождается современная индустрия ИИ.

Запускается ImageNet — датасет из миллионов размеченных изображений. Он станет бенчмарком, определившим развитие компьютерного зрения на десятилетие.

Исследователи начинают использовать GPU для обучения нейросетей. NVIDIA CUDA открывает эпоху параллельных вычислений для машинного обучения.

Методы предобучения без учителя позволяют обучать более глубокие сети. Появляются первые практические применения глубокого обучения в распознавании речи.

Джеффри Хинтон публикует работу о глубоких сетях доверия (DBN), запуская ренессанс нейронных сетей после «зимы ИИ». Термин «deep learning» входит в обиход.

Random Forest и градиентный бустинг становятся стандартом для табличных данных. Машинное обучение активно используется в рекомендательных системах и рекламе.

Google использует ML для ранжирования поиска. Amazon развивает рекомендательные системы. ИИ начинает приносить реальные деньги технокомпаниям.

Бенжио публикует работу о нейронных языковых моделях — предшественниках современных LLM. Идея предсказания следующего слова нейросетью закладывает фундамент будущего.

Метод опорных векторов (SVM) доминирует в задачах классификации. Ядерные методы показывают отличные результаты на малых датасетах.

Лео Брейман публикует работу о случайном лесе — ансамблевом методе, который до сих пор используется в промышленности для табличных данных.

Взрыв интернета создаёт огромные объёмы текстовых данных. Статистические методы NLP начинают вытеснять правиловые. Латентное семантическое индексирование для поиска.

Рекуррентные сети с LSTM-ячейками показывают результаты в распознавании рукописного текста и речи. Начало практического применения последовательных моделей.

Ян Лекун совершенствует LeNet для распознавания рукописных цифр. MNIST становится стандартным бенчмарком. Свёрточные сети доказывают свою практичность.

Суперкомпьютер IBM Deep Blue обыгрывает чемпиона мира по шахматам Гарри Каспарова. LSTM решает проблему долгосрочных зависимостей в рекуррентных сетях.

TD-Gammon от IBM играет в нарды на уровне чемпиона мира. Обучение с подкреплением показывает потенциал в сложных стратегических задачах.

Владимир Вапник представляет метод опорных векторов (SVM). Статистическое обучение начинает доминировать над нейросетевыми подходами. Начало «зимы нейросетей».

WebCrawler и Lycos — первые поисковые системы, использующие алгоритмы ранжирования. TF-IDF становится основой информационного поиска.

Байесовские сети и скрытые марковские модели используются для распознавания речи. Вероятностные подходы доминируют в NLP.

Роберт Шапире и Йоав Фройнд разрабатывают AdaBoost — первый практичный алгоритм бустинга. Ансамблевые методы становятся мощным инструментом ML.

Исследования рекуррентных нейросетей для обработки последовательностей. Проблема затухающего градиента ограничивает глубину обучения.

Финансирование ИИ-исследований сокращается. Экспертные системы не оправдали ожиданий. Но работа над нейросетями продолжается в академических лабораториях.

Ян Лекун создаёт LeNet — первую практическую свёрточную нейросеть для распознавания рукописных цифр. Начало компьютерного зрения на нейросетях.

Нейросетевой подход набирает популярность. Публикуются работы о распределённых представлениях и параллельной обработке данных.

Появляются первые коммерческие применения нейросетей в финансах и распознавании образов. Исследования backpropagation набирают обороты.

Румельхарт, Хинтон и Уильямс публикуют работу об обратном распространении ошибки — алгоритме, который до сих пор лежит в основе обучения всех нейросетей.

Хинтон и Сейновски создают сети Больцмана — стохастические нейросети, использующие принципы статистической механики для обучения.

Экспертные системы на основе правил активно используются в медицине и промышленности. Это пик первой волны коммерческого ИИ.

Тойво Кохонен создаёт самоорганизующиеся карты — метод обучения без учителя для визуализации и кластеризации многомерных данных.

Экспертные системы набирают популярность. MYCIN диагностирует инфекции крови. Символьный подход к ИИ доминирует.

Пол Вербос описывает метод обратного распространения ошибки в своей диссертации. Идея остаётся незамеченной до 1986 года.

Джеймс Лайтхилл публикует разгромный отчёт о состоянии ИИ в Великобритании. Финансирование сокращается. Начинается «первая зима ИИ».

Создаётся язык Prolog — основа логического программирования и экспертных систем. Японский проект компьютеров пятого поколения будет основан на нём.

Минский и Паперт публикуют книгу «Перцептроны», показывая ограничения однослойных сетей. Это временно останавливает исследования нейросетей.

Робот Shakey от SRI International — первый мобильный робот, способный рассуждать о своих действиях. Интеграция зрения, планирования и движения.

Появляются первые системы компьютерного зрения. MIT запускает проект «Summer Vision» — попытка решить зрение за лето. Задача оказалась значительно сложнее.

Джозеф Вейценбаум создаёт ELIZA — программу, имитирующую психотерапевта. Первая демонстрация разговорного ИИ, предтеча ChatGPT.

Исследования автоматического перевода текстов. Ранние системы основаны на правилах и словарях — до статистических методов ещё далеко.

Исследования адаптивных линейных элементов (ADALINE). Развитие теории обучения нейронных сетей. Работы по распознаванию образов.

Артур Сэмюэл совершенствует программу для игры в шашки, которая учится на опыте — один из первых примеров машинного обучения.

Первый промышленный робот Unimate начинает работать на конвейере General Motors. Начало робототехники в промышленности.

Бернард Уидроу создаёт ADALINE — адаптивный линейный нейрон. Метод стохастического градиентного спуска для обучения.

Артур Сэмюэл вводит термин «машинное обучение» — способность компьютеров обучаться без явного программирования. Его программа для шашек учится играть всё лучше.

Розенблатт описывает теорию перцептрона — устройства, способного распознавать образы. Публикация вызывает волну оптимизма о будущем ИИ.

Джон Маккарти предлагает термин «Artificial Intelligence» для конференции в Дартмуте. Рождение ИИ как научной дисциплины.

IBM и Джорджтаунский университет демонстрируют автоматический перевод 60 русских предложений на английский. Первый публичный успех машинного перевода.

Алан Тьюринг публикует статью «Computing Machinery and Intelligence» и предлагает тест на разумность машины. Философский фундамент всего ИИ.