Почему вопрос о создателе первой нейросети сложнее, чем кажется
Когда речь заходит о том, кто придумал первую нейросеть, легко ожидать однозначного ответа с именем и датой. Однако история искусственных нейронных сетей — это не история одного изобретения, а длинная цепочка открытий, каждое из которых добавляло недостающий элемент в общую картину. Невозможно назвать одного человека, который в одиночку создал нейросеть, подобно тому, как Эдисон создал лампочку или Белл — телефон.
Фундамент был заложен в 1943 году, когда нейрофизиолог Уоррен Маккалох и математик Уолтер Питтс опубликовали работу, описывающую математическую модель нейрона. Это была теория. Через несколько лет Дональд Хебб объяснил, как такая сеть могла бы обучаться. И только в 1957–1958 годах Фрэнк Розенблатт воплотил эти идеи в физическом устройстве — перцептроне, который стал первой работающей нейросетью.
Поэтому корректный ответ на вопрос «кто придумал первую нейросеть» — это три имени: Маккалох и Питтс как создатели теоретической модели, и Розенблатт как инженер, построивший первую обучаемую машину. Каждый из них внёс неотъемлемый вклад, и без любого из этих этапов современный искусственный интеллект был бы невозможен.
1943 год: Маккалох и Питтс создают математическую модель нейрона
Отправной точкой всей истории нейросетей принято считать 1943 год. Уоррен Маккалох, нейрофизиолог из Чикагского университета, и Уолтер Питтс, математик-самоучка, опубликовали статью под названием «A Logical Calculus of the Ideas Immanent in Nervous Activity».
В этой работе они впервые описали искусственный нейрон как математическую абстракцию. Их модель была предельно простой: нейрон мог находиться в одном из двух состояний — активен или неактивен. Сигналы от других нейронов суммировались, и если сумма превышала определённый порог, нейрон активировался. Это бинарное поведение позволяло описывать работу сети с помощью логических операций.
Важно понимать, что Маккалох и Питтс не строили никаких устройств. Они создали теорию, показав, что сети из таких упрощённых нейронов способны выполнять логические вычисления. Их работа стала мостом между биологией и математикой, доказав, что мыслительные процессы можно описать формальным языком. Именно эту публикацию большинство историков науки считают моментом рождения концепции искусственных нейронных сетей.
1949 год: правило Хебба — как нейросеть может обучаться
Модель Маккалоха и Питтса была статичной: она описывала, как нейроны взаимодействуют, но не объясняла, как сеть может учиться. Этот пробел заполнил Дональд Хебб, канадский психолог и физиолог, работавший в Университете Макгилла в Монреале.
В 1949 году Хебб опубликовал книгу «The Organization of Behavior», в которой сформулировал принцип, позже названный правилом Хебба. Кратко его суть выражают фразой: «Нейроны, которые активируются вместе, связываются вместе». Если два нейрона постоянно срабатывают одновременно, связь между ними усиливается.
В контексте искусственных сетей это означало, что веса связей между нейронами можно изменять в процессе обучения. Чем чаще два нейрона активируются вместе, тем больше становится вес соединения между ними. Эта простая идея стала теоретической основой для всех последующих алгоритмов обучения. Без правила Хебба перцептрон Розенблатта и все современные методы машинного обучения были бы невозможны.
1957–1958 годы: Фрэнк Розенблатт и перцептрон «Марк-1»
Практическое воплощение идеи нейросети произошло в конце 1950-х годов. Фрэнк Розенблатт, нейрофизиолог из Корнеллского университета, создал перцептрон — первую обучаемую искусственную нейронную сеть.
В 1957 году Розенблатт представил теоретическую модель перцептрона, а в 1958 году построил физическое устройство под названием «Марк-1». Это была машина размером с холодильник, внутри которой находились ряды электромеханических реле, резисторов и сплетения проводов. К устройству подключался «глаз» — матрица из 400 фотоэлементов размером 20 на 20, каждый из которых был размером с монету.
Принцип работы был следующим: на матрицу проецировалось изображение буквы, каждый фотоэлемент определял, закрашена ли соответствующая клетка, и передавал сигнал 0 или 1. Сигналы обрабатывались с учётом весов, которые можно было регулировать вручную с помощью резисторов. Если перцептрон давал правильный ответ, переходили к следующему изображению. Если ошибался — веса корректировали.
После тысяч итераций перцептрон действительно научился отличать простые начертания букв и геометрические фигуры. Это был первый в истории случай, когда машина обучалась на примерах, а не программировалась под конкретную задачу.
Почему перцептрон не стал искусственным мозгом: ограничения однослойных сетей
Успех перцептрона породил волну эйфории. Газеты писали о рождении «электронного мозга», эксперты предсказывали скорое появление мыслящих машин, а военные и бизнес активно финансировали исследования. Однако реальность оказалась скромнее: перцептрон с трудом отличал треугольник от квадрата и часто ошибался даже в распознавании простых букв.
Главная проблема заключалась в том, что перцептрон был однослойной сетью. Он принимал входные сигналы и сразу выдавал ответ, без промежуточных этапов обработки. Это накладывало фундаментальные ограничения на его возможности.
В 1969 году Марвин Минский и Сеймур Пейперт опубликовали книгу «Перцептроны», в которой математически доказали, что однослойные сети принципиально не способны решать многие задачи, включая даже простую операцию «исключающее ИЛИ» (XOR). Этот результат стал холодным душем для исследователей. Финансирование резко сократили, интерес к нейросетям упал, и наступил период, который позже назвали «зимой искусственного интеллекта».
1986 год: обратное распространение ошибки и возрождение интереса
Выход из кризиса занял почти два десятилетия. Ключевую роль сыграло развитие метода обратного распространения ошибки (backpropagation), который позволил обучать многослойные нейросети.
Идея метода впервые была описана в 1974 году Александром Галушкиным и Полом Вербосом независимо друг от друга, но тогда научное сообщество не оценило её. В 1986 году Дэвид Румельхарт, Джеффри Хинтон и Рональд Уильямс независимо усовершенствовали и популяризировали этот метод, и он стал основой для обучения глубоких сетей.
Принцип обратного распространения можно объяснить так: когда выходной слой нейросети даёт неверный ответ, ошибка распространяется в обратном направлении — от выхода к входу. Каждый слой получает информацию о том, насколько он виноват в итоговой ошибке, и корректирует веса своих нейронов. Это позволяет обучать сети с произвольным количеством промежуточных слоёв.
Именно этот прорыв открыл дорогу к современному глубокому обучению. Хинтон, Лекун и Бенджио, развивавшие эти идеи, в 2018 году получили Тьюринговскую премию — самую престижную награду в области компьютерных наук.
От перцептрона к трансформерам: эволюция архитектур
Путь от перцептрона Розенблатта до современных ChatGPT и Midjourney занял более 60 лет. Каждое десятилетие добавляло новые архитектуры и методы.
В 1980-х годах Ян Лекун разработал свёрточные нейронные сети (CNN), которые стали основой компьютерного зрения. В 1990-х и 2000-х годах развивались рекуррентные сети (RNN) для работы с последовательностями данных. Однако настоящая революция произошла в 2017 году, когда команда Google под руководством Ашиша Васвани опубликовала статью «Attention Is All You Need», представив архитектуру трансформера.
Трансформеры используют механизм внимания (attention), который позволяет сети эффективно обрабатывать последовательности данных, учитывая контекст каждого элемента. Эта архитектура легла в основу всех современных больших языковых моделей, включая GPT от OpenAI. Первая версия GPT вышла в 2018 году и содержала 117 миллионов параметров, GPT-2 (2019) — 1,5 миллиарда, а GPT-3 (2020) — уже 175 миллиардов.
Параллельно развивались генеративные модели для изображений. В 2014 году Ян Гудфеллоу предложил генеративно-состязательные сети (GAN), а позже появились диффузионные модели, на которых основаны Midjourney и Stable Diffusion.
Современные создатели нейросетей: от академии к корпорациям
Если в середине XX века нейросети создавали отдельные учёные-энтузиасты, то сегодня это работа больших исследовательских команд в технологических корпорациях.
OpenAI, основанная в 2015 году при участии Сэма Альтмана, Илона Маска и Грега Брокмана, создала серию моделей GPT. Ключевую роль в разработке сыграл Алек Рэдфорд, возглавивший проект. Команда Google разработала архитектуру трансформера и создала такие системы, как AlphaGo и AlphaFold. Microsoft инвестировала более 10 миллиардов долларов в OpenAI и интегрировала технологии GPT в свои продукты.
Midjourney — отдельная история. Её создал Дэвид Хольц, предприниматель и исследователь, ранее работавший в Leap Motion над технологиями трёхмерного управления движением. В 2021 году он основал Midjourney Inc. в Сан-Франциско с командой из 11 человек. Компания сознательно не публикует научные статьи и держит технические детали в секрете, фокусируясь на создании продукта.
Отдельного упоминания заслуживает Stability AI, создатели Stable Diffusion. Компания под руководством Эмада Мостака выбрала противоположную стратегию — открытый исходный код и демократизация доступа к генеративным моделям.
Развитие нейросетей в России и странах СНГ
Вклад российских и советских учёных в развитие нейросетей часто недооценивают, хотя он был значительным. Александр Галушкин, советский математик, в 1974 году независимо от Пола Вербоса описал метод обратного распространения ошибки — задолго до того, как этот метод стал мейнстримом в 1986 году.
В советский период исследования в области кибернетики и нейросетей велись в академических институтах, но были ограничены идеологическим давлением и недостатком вычислительных мощностей. Тем не менее, теоретические работы советских учёных по математическому моделированию нейронных процессов получили международное признание.
Сегодня в России и странах СНГ активно развиваются собственные языковые модели и генеративные системы. Российские компании и исследовательские группы работают над созданием альтернатив западным продуктам, адаптированных под русский язык и локальные особенности. Однако масштаб инвестиций и количество исследователей пока уступают лидерам из США и Китая.
Итоги: коллективный труд шести десятилетий
Подводя итог, можно уверенно сказать: у первой нейросети не один создатель, а несколько, и каждый внёс свой незаменимый вклад.
Уоррен Маккалох и Уолтер Питтс в 1943 году создали математическую модель нейрона и показали, что сети таких элементов могут выполнять логические вычисления. Дональд Хебб в 1949 году объяснил, как такие сети могут обучаться. Фрэнк Розенблатт в 1957–1958 годах построил перцептрон — первую физическую реализацию обучаемой нейросети.
Дальнейшее развитие — заслуга сотен исследователей по всему миру. Джеффри Хинтон, Ян Лекун и Йошуа Бенджио развили глубокое обучение. Команда Google создала трансформеры. OpenAI превратила их в коммерчески успешные продукты. Дэвид Хольц и его команда сделали генерацию изображений доступной миллионам пользователей.
История нейросетей — это история о том, как научная идея, казавшаяся тупиковой в 1969 году, через полвека изменила мир. И судя по темпам развития, мы находимся лишь в начале этого пути.
Вопросы и ответы
Кто именно считается создателем первой нейросети?
Однозначного ответа нет, но обычно называют три ключевых имени. Уоррен Маккалох и Уолтер Питтс в 1943 году создали первую математическую модель искусственного нейрона — это теоретическая основа. Фрэнк Розенблатт в 1957–1958 годах построил перцептрон «Марк-1» — первую физически реализованную обучаемую нейросеть. Если нужен один ответ, чаще всего говорят о Розенблатте как о создателе первой работающей нейросети.
Чем модель Маккалоха и Питтса отличалась от современной нейросети?
Модель 1943 года была чисто теоретической и предельно упрощённой. Нейрон мог находиться только в двух состояниях (активен/неактивен), веса связей были фиксированными, а обучение не предусматривалось. Современные нейросети содержат миллиарды параметров, обучаются на огромных объёмах данных и используют сложные механизмы вроде внимания (attention). Однако базовый принцип — суммирование взвешенных сигналов и пороговая активация — остался неизменным.
Почему перцептрон Розенблатта не смог стать полноценным искусственным интеллектом?
Перцептрон был однослойной сетью, что накладывало фундаментальные ограничения. В 1969 году Марвин Минский и Сеймур Пейперт математически доказали, что однослойные сети не могут решать даже простые задачи вроде операции «исключающее ИЛИ» (XOR). Для преодоления этих ограничений требовались многослойные сети, но метод их обучения (обратное распространение ошибки) был популяризирован только в 1986 году.
Кто придумал ChatGPT и Midjourney?
ChatGPT создан командой OpenAI, основанной в 2015 году при участии Сэма Альтмана, Илона Маска и Грега Брокмана. Ключевую роль в разработке моделей GPT сыграл исследователь Алек Рэдфорд. Архитектура трансформера, лежащая в основе ChatGPT, была разработана командой Google под руководством Ашиша Васвани в 2017 году. Midjourney создал Дэвид Хольц, основавший компанию в 2021 году в Сан-Франциско.
Что такое «зима искусственного интеллекта» и когда она была?
«Зимой ИИ» называют период резкого спада интереса и финансирования исследований в области нейросетей. Первая такая «зима» наступила после публикации книги Минского и Пейперта «Перцептроны» в 1969 году, где были доказаны ограничения однослойных сетей. Финансирование резко сократили, и интерес к нейросетям восстановился только в 1980-х годах после появления метода обратного распространения ошибки.
Какой вклад в развитие нейросетей внесли российские учёные?
Советский математик Александр Галушкин в 1974 году независимо от Пола Вербоса описал метод обратного распространения ошибки — задолго до того, как этот метод стал широко известен благодаря работе Румельхарта, Хинтона и Уильямса в 1986 году. В советский период велись активные теоретические исследования в области кибернетики, но они были ограничены недостатком вычислительных мощностей и идеологическим давлением.