Хронология развития ИИ

Курт Гёдель опубликовал свои теоремы о неполноте, доказав, что в любой достаточно мощной формальной системе существуют утверждения, которые нельзя ни доказать, ни опровергнуть в рамках этой системы. Это открытие не только потрясло математическое сообщество, но и имело глубокие последствия для теории вычислений и искусственного интеллекта.

Алонзо Чёрч и Алан Тьюринг независимо друг от друга предложили знаменитый тезис Чёрча — Тьюринга. Этот тезис утверждает, что любая эффективно вычислимая функция является вычислимой по Тьюрингу. Тем самым интуитивное понятие «вычислимости» получило формализацию и стало основой компьютерной науки.

Алан Тьюринг ввёл понятие машины Тьюринга в своей знаковой статье «О вычислимых числах с приложением к проблеме разрешения». Эта абстрактная вычислительная модель способна имитировать любой математически вычислимый процесс.

Алонзо Чёрч предложил лямбда-исчисление — формальную систему для определения и применения функций. Лямбда-исчисление считается теоретической основой функционального программирования. Исходное лямбда-исчисление 1936 года было бестиповым; Чёрч добавил простые типы в 1940 году («A Formulation of the Simple Theory of Types»), создав одну из первых явно типизированных систем.

Уоррен Мак-Каллок и Уолтер Питтс опубликовали работу «Логическое исчисление идей, присущих нервной деятельности», представив первую модель искусственного нейрона (нейрон Мак-Каллока — Питтса). Эта модель упрощала нейрон до бинарного порогового переключателя, заложив основу для последующих исследований нейронных сетей.

Норберт Винер опубликовал «Кибернетику, или управление и связь в животном и машине», основав новую дисциплину — кибернетику. Изучение того, как системы регулируют себя посредством механизмов обратной связи, оказало глубокое влияние на ИИ и робототехнику.

Клод Шеннон опубликовал «Математическую теорию связи», заложив основы теории информации. Понятия энтропии, кодирования и количества информации стали ключевыми инструментами для понимания данных и обработки информации.

В статье «Вычислительные машины и разум» Тьюринг заменил неоднозначный вопрос «Могут ли машины мыслить?» игрой в имитацию, где судья по текстовому диалогу пытается отличить машину от человека. Это поведенческий критерий, а не доказательство наличия сознания.

В 1955 году John McCarthy, Marvin Minsky, Nathaniel Rochester и Claude Shannon использовали термин «artificial intelligence» в предложении Dartmouth Summer Research Project и наметили программу исследований на лето 1956 года.

Летний Дартмутский семинар 1956 года помог закрепить название «artificial intelligence» и исследовательскую программу как идентичность нового академического направления; термин уже содержался в предложении 1955 года.

Аллен Ньюэлл и Герберт Саймон разработали «Logic Theorist» — одну из ранних практических программ ИИ. Эта программа могла доказывать теоремы из «Principia Mathematica» и часто упоминается среди ранних программ искусственного интеллекта. Ньюэлл и Саймон получили премию Тьюринга в 1975 году.

Фрэнк Розенблатт предложил модель перцептрона — раннюю влиятельную модель искусственной нейронной сети. Перцептрон — это простой линейный бинарный классификатор, который обучается классифицировать входные данные путём подбора весов.

Джон Маккарти разработал Lisp в МТИ — один из ранних высокоуровневых языков программирования, специально созданный для исследований в области ИИ. Гибкость Lisp и мощные возможности символьных вычислений сделали его языком выбора для исследований ИИ.

Ньюэлл и Саймон при участии коллег, в том числе Дж. К. Шоу, разработали в 1957–1959 годах Универсальный решатель задач (GPS). Это была первая программа ИИ, пытавшаяся имитировать человеческое решение задач за счёт отделения техники решения от знаний о конкретной предметной области; она использовала декомпозицию целей и поиск подцелей (анализ средств и целей).

Фрэнк Розенблатт доказал свойство сходимости алгоритма обучения перцептрона, показав, что если данные линейно разделимы, перцептрон обязательно сойдётся.

Unimate стал первым роботом, работавшим на сборочной линии. В 1961 году General Motors установила его на заводе в Трентоне, штат Нью-Джерси, для разгрузки машины литья под давлением — робот снимал с неё ещё горячие отливки. Unimation выпускала эти машины для работ, трудных, опасных или однообразных для человека.

В докторской диссертации МТИ 1963 года Ларри Робертс описал систему интерпретации по изображениям сцен с простыми многогранными телами — важную раннюю основу трёхмерного компьютерного зрения.

МТИ запустил Project MAC в 1963 году под руководством Роберта Фано для исследований разделения времени, вычислений и машинной поддержки познания. Основанный в 1959 году проект МТИ по ИИ позднее вошёл в его работу; это не была единая лаборатория, основанная в 1959 году.

Джозеф Вейценбаум создал ELIZA в МТИ — одного из ранних чат-ботов. ELIZA имитировала разговор психотерапевта с помощью сопоставления шаблонов, вызвав глубокие размышления о взаимодействии человека и компьютера.

SRI International разработала Shakey — одного из ранних автономных мобильных роботов, способного воспринимать окружающую среду, планировать маршруты и выполнять задачи. Shakey объединял компьютерное зрение, обработку естественного языка и алгоритмы планирования.

Марвин Мински и Сеймур Паперт опубликовали «Перцептроны» — строгий анализ того, что однослойные перцептроны способны и не способны представлять. Книгу часто связывают с последующим снижением интереса к нейросетям, но на финансирование также влияли ограниченные вычислительные ресурсы, несбывшиеся ожидания и более широкие политические решения.

Ален Кольмероэ, Филипп Руссель и их коллеги разработали в Марселе первую версию Prolog, применив логику предикатов к программированию и продвинув логическое программирование и символический ИИ.

Британский учёный Джеймс Лайтхилл представил правительству Великобритании пессимистический отчёт об исследованиях ИИ, что привело к значительному сокращению финансирования.

Марвин Мински опубликовал «статью о фреймах», предложив теорию фреймов для представления знаний. Эта теория повлияла на последующее объектно-ориентированное программирование и методы представления знаний.

Стэнфордский университет разработал MYCIN — экспертную систему для медицинской диагностики. Она продемонстрировала практичность экспертных систем, хотя из-за вопросов ответственности так и не была использована в клинической практике.

DEC развернула XCON (eXpert CONfigurer) — экспертную систему для конфигурирования компьютерных систем VAX. Разработка началась в 1978 году в Университете Карнеги-Меллона, первое внедрение состоялось в 1979 году, а к 1980 году система полностью вошла в эксплуатацию. XCON стала одной из первых коммерчески успешных экспертных систем и ежегодно экономила компании миллионы долларов.

После критических оценок и сокращения финансирования в 1970-х часть исследований ИИ пережила спад. «Первая зима ИИ» — ретроспективная периодизация; сроки и масштаб различались по странам и направлениям.

Япония объявила проект «Компьютер пятого поколения» (FGCS) на конференции JIPDEC и MITI в октябре 1981 года — 10-летнюю национальную программу по разработке компьютеров, способных к логическому выводу и обработке знаний. Официально проект стартовал в апреле 1982 года с основанием ICOT (Institute for New Generation Computer Technology).

Дэвид Румельхарт, Джеффри Хинтон и Рональд Уильямс опубликовали работу об алгоритме обратного распространения ошибки, сделав возможным обучение многослойных нейронных сетей.

В конце 1980-х годов ожидания, опередившие результаты, не оправдались. Производители Lisp-машин уступили универсальным рабочим станциям, несколько компаний в области ИИ закрылись, а финансирование DARPA фундаментальных исследований ИИ сократилось с 1987 по 1989 год.

В 1990-х годах статистические методы начали доминировать в исследованиях ИИ. Скрытые марковские модели (HMM) в распознавании речи, наивный байесовский классификатор и деревья решений в машинном обучении — всё это дало хорошие результаты.

Вооружённые силы США использовали системы планирования и логистики на основе ИИ в войне в Персидском заливе, продемонстрировав потенциал ИИ в реальных приложениях.

Тим Бернерс-Ли создал Всемирную паутину. Распространение интернета изменило образ жизни людей и предоставило ИИ беспрецедентные источники данных.

Спад ослабевал постепенно и не закончился в какую-то определённую дату. Многие исследователи обратились к более скромным и достижимым целям, а возрождение нейронных сетей и вероятностных методов заложило основу для новой эры.

Владимир Вапник и соавторы предложили метод опорных векторов (SVM) — мощный метод классификации и регрессии. SVM показал отличные результаты в классификации текстов и распознавании рукописного ввода.

IBM Deep Blue победил чемпиона мира по шахматам Гарри Каспарова, продемонстрировав способность ИИ превосходить человека в чётко определённых задачах.

Зепп Хохрайтер и Юрген Шмидхубер предложили LSTM — особый тип рекуррентной нейронной сети, способный обучаться долгосрочным зависимостям. LSTM добился большого успеха в распознавании речи и языковом моделировании.

Ян Лекун разработал LeNet-5 — свёрточную нейронную сеть для распознавания рукописных цифр. LeNet-5 стала одной из первых моделей глубокого обучения, развёрнутых в крупном коммерческом масштабе: с 1993 года AT&T/NCR применяли её для чтения чеков, а с конца 1990-х годов Почтовая служба США — для распознавания почтовых индексов.

Йошуа Бенжио, Режан Дюшарм, Паскаль Венсан и Кристиан Жовен предложили нейронную вероятностную языковую модель, совместно обучающую распределённые представления слов и вероятности последовательностей для борьбы с проклятием размерности. Сеть является прямого распространения, а не рекуррентной.

С 2004 года программа CIFAR поддерживала регулярный обмен между Джеффри Хинтоном, Яном Лекуном, Йошуа Бенжио и коллегами. Она помогла координировать исследования, внесшие вклад в возрождение глубокого обучения, но не была единой точкой его начала.

Джеффри Хинтон с коллегами предложил глубокие сети доверия (DBN) вместе с быстрым жадным алгоритмом, обучающим их слой за слоем. Это послойное предварительное обучение помогло возродить интерес к глубоким нейронным сетям.

Исследователи начали использовать GPU для ускорения обучения глубоких моделей. Параллельные вычисления на GPU сделали возможным обучение больших нейронных сетей.

Команда ImageNet в 2009 году опубликовала работу о крупной иерархической базе размеченных изображений, организованной с помощью WordNet. ImageNet и последующее соревнование стали важной инфраструктурой для масштабного обучения и оценки.

Microsoft Research и Университет Торонто совершили первый крупный прорыв глубокого обучения в распознавании речи (Dahl, Yu, Deng 2011; Mohamed, Dahl, Hinton 2012), заметно снизив долю ошибок в словах. Google внедрял распознавание речи на основе DNN и LSTM в своих продуктах в 2012–2015 годах.

Команда Алекса Крижевского, Ильи Суцкевера и Джеффри Хинтона выставила AlexNet на конкурс ImageNet 2012 года (ILSVRC) и одержала сокрушительную победу: ошибка top-5 составила 15,3 % против 26,2 % у занявшего второе место.

Томаш Миколов выпустил Word2Vec — нейросетевую модель для обучения векторных представлений слов. Word2Vec позволил компьютерам понимать семантические связи между словами.

Иэн Гудфеллоу предложил GAN — одну из важнейших инноваций в глубоком обучении. GAN генерирует чрезвычайно реалистичные изображения путём состязательного обучения.

Каймин Хе и соавторы предложили ResNet, решив проблему обучения глубоких сетей с помощью skip-соединений. ResNet позволил обучать сети из сотен слоёв.

AlphaGo от DeepMind победил чемпиона мира по го Ли Седоля со счётом 4:1. Го считалась одной из самых сложных настольных игр для ИИ.

Google предложил архитектуру Transformer — революционный прорыв в NLP. Transformer является основой современных крупных языковых моделей.

OpenAI выпустила GPT-3 — крупную языковую модель с 175 миллиардами параметров. GPT-3 продемонстрировал поразительные способности генерации текста, вызвав широкие дискуссии об общем искусственном интеллекте.

OpenAI выпустила DALL-E (генерация изображений) и CLIP (контрастное обучение на текстах и изображениях). Эти модели продемонстрировали способность ИИ понимать и генерировать мультимодальный контент.

OpenAI выпустила Codex — модель ИИ, понимающую и генерирующую код. GitHub Copilot стал первым широко используемым ИИ-помощником для программирования.

В ноябре 2022 года OpenAI выпустила ChatGPT — первого массового разговорного ИИ-помощника на основе генеративного ИИ. ChatGPT достиг 100 миллионов пользователей за два месяца, став самым быстрорастущим потребительским продуктом в истории.

Stability AI выпустила Stable Diffusion — модель генерации изображений со свободно загружаемыми весами по лицензии, ограничивающей некоторые виды использования. Активность сообщества открытого исходного кода быстро популяризировала технологию генерации изображений.

OpenAI выпустила GPT-4 — мультимодальную модель, способную обрабатывать изображения и текст. GPT-4 показал результаты, близкие к человеческим, на профессиональных и академических тестах.

Anthropic выпустила Claude — ИИ-помощника, ориентированного на безопасность и полезность. Дизайн Claude отражает акцент на безопасности ИИ: ИИ должен быть полезным, безвредным и честным.

Meta выпустила LLaMA — крупную языковую модель под некоммерческой исследовательской лицензией. Хотя LLaMA имеет относительно небольшой размер параметров, её отличная производительность стимулировала развитие LLM с открытыми весами.

Концепция AI Agent начала привлекать широкое внимание. Agent — это ИИ-системы, способные самостоятельно планировать и выполнять сложные задачи.

В феврале 2024 года Google представила Gemini 1.5 с архитектурой mixture-of-experts и экспериментальным контекстным окном до одного миллиона токенов.

Anthropic выпустила серию Claude 3, включающую Opus, Sonnet и Haiku. Claude 3 Opus был конкурентоспособен с GPT-4 на нескольких тестах, включая MMLU и GPQA, но отстал на других.

Meta выпустила семейство Llama 3 с открытыми весами, включая модели на 8 и 70 миллиардов параметров.

Европейский союз принял Закон об ИИ — первое всеобъемлющее горизонтальное регулирование искусственного интеллекта. Закон установил классификацию на основе рисков и строгие требования к системам ИИ высокого риска.

OpenAI выпустила модель o1 — крупную модель с возможностями логического вывода. o1 показывает отличные результаты на научных и программистских задачах, демонстрируя способность «мыслить».

В октябре 2024 года Anthropic представила публичную бету управления компьютером для обновлённой Claude 3.5 Sonnet: разработчики могли поручать модели видеть экран, двигать курсор, нажимать и вводить текст.

Anthropic выпустила MCP (Model Context Protocol) — открытый стандартный протокол для подключения ИИ-моделей к внешним инструментам и источникам данных. MCP становится «USB-C» для приложений ИИ.

К 2025 году ИИ-агенты созрели от исследовательских демо до продуктовых инструментов. Кодинг-агенты, браузерные агенты и многошаговые агенты задач стали стандартными предложениями, при этом OpenAI, Anthropic, Google и open source проекты поставляли способные системы.

Китайская ИИ-лаборатория DeepSeek выпустила R1 — модель рассуждений с открытыми весами, код и веса которой распространяются по лицензии MIT, а производительность конкурировала с o1 от OpenAI. Релиз продемонстрировал, что передовые возможности могут быть достигнуты за пределами американского ИИ-истеблишмента, и вызвал глобальную переоценку конкуренции в ИИ.

OpenAI, Oracle, SoftBank и MGX из ОАЭ совместно объявили о намерении инвестировать 500 миллиардов долларов в течение четырёх лет в создание ИИ-инфраструктуры в Соединённых Штатах, включая несколько крупных центров обработки данных.

Anthropic выпустила Claude 3.7 Sonnet и назвала её первой общедоступной моделью гибридного рассуждения: пользователь может в одной и той же модели переключаться между мгновенными ответами и развёрнутым размышлением.

В марте 2025 года Anthropic объявила о раунде финансирования на 3,5 миллиарда долларов при оценке в 61,5 миллиарда долларов, став одним из самых дорогих ИИ-стартапов в мире и отражая дальнейшую концентрацию капитала в ИИ-индустрии.

Meta выпустила мультимодальные модели с открытыми весами Llama 4 Scout и Maverick и анонсировала Behemoth — ещё обучавшуюся и не выпущенную модель-учитель.

Anthropic выпустила семейство Claude 4 (Opus 4 и Sonnet 4), представив возможность «расширенного мышления» (Extended Thinking) со значительными улучшениями в программировании, рассуждениях и долгосрочных задачах. Claude 4 укрепил позиции Anthropic на корпоративном рынке ИИ.

2 августа 2025 года начали применяться правила управления и обязанности для моделей ИИ общего назначения. Для других положений действуют отдельные переходные сроки, поэтому это не было общим началом полного правоприменения.

OpenAI выпустила GPT-5 — унифицированную флагманскую модель, объединяющую возможности рассуждений серии o с разговорными возможностями серии GPT. GPT-5 установил новую передовую границу в программировании, математике и рассуждениях, поддерживая более длинные контексты и использование инструментов.

OpenAI завершила рекапитализацию своей структуры. Коммерческая часть бизнеса стала корпорацией общественного блага под названием OpenAI Group PBC, а некоммерческая OpenAI Foundation продолжает её контролировать с той же миссией. По словам OpenAI, рекапитализация состоялась после почти года переговоров с генеральными прокурорами Калифорнии и Делавэра.

В первом полугодии 2026 года агентные возможности вышли за пределы демонстраций и появились в поставляемых корпоративных продуктах: агенты для программирования, поддержки и офисной автоматизации стали документированными функциями, а вокруг них созрела инфраструктура вызова инструментов и многоагентного взаимодействия. Насколько далеко зашло внедрение, не установлено. Публикуемые опросы приводят очень разные доли внедрения, поскольку по-разному определяют, что считать агентом; поэтому запись фиксирует направление, а не уровень.

В первом полугодии 2026 года публикации с открытыми весами от DeepSeek, Alibaba Qwen, Moonshot, Zhipu и Meta достигли масштаба, ранее свойственного только закрытым системам: веса и карточки моделей можно загрузить, а не только прочитать их описание. Сравнялся ли кто-либо из них с закрытым передовым краем, зависит от выбранного индекса тестов и способа взвешивания, поэтому запись фиксирует, что именно и под какой лицензией было выпущено, а не рейтинг.

Nature опубликовал Co-Scientist — мультиагентную систему на основе Gemini, которая формулирует новые исследовательские гипотезы для экспериментальной проверки. В статье описана проверка в трёх биомедицинских задачах: перепрофилирование лекарств, поиск новых мишеней и объяснение механизмов устойчивости к противомикробным препаратам. Авторы представляют систему как помощника исследователей, а не как замену, что делает работу рецензируемым свидетельством участия ИИ в выдвижении гипотез, а не только в анализе.

По сообщению от 11 июня 2026 года, Meta начала сворачивать интеграцию приобретения Manus, остановила обмен данными и разделила операции. Сообщение связывает этот шаг с требованиями китайских регуляторов; последующий юридический и операционный статус следует проверять по обновлённым данным.

9 июня 2026 года Anthropic выпустила защищённую Fable 5 для общего использования и Mythos 5 для проверенных партнёров Project Glasswing. Экспортный контроль США от 12 июня потребовал ограничить доступ иностранцев; не имея возможности проверять гражданство в реальном времени, Anthropic глобально приостановила обе модели. После отмены мер 30 июня Fable 5 вернулась по всему миру 1 июля, а Mythos 5 — сначала для одобренных организаций США.

13 июня 2026 года коалиция генеральных прокуроров нескольких штатов США во главе с генеральным прокурором штата Нью-Йорк инициировала расследование в отношении OpenAI и направила компании судебную повестку. Документы должны касаться размещения рекламы, вовлечённости и удержания пользователей, склонности моделей к подхалимажу, обработки потребительских и медицинских данных, а также защиты несовершеннолетних и пожилых лиц. OpenAI заявила о готовности сотрудничать с прокурорами и подчеркнула, что в ChatGPT уже внедрены более строгие механизмы защиты несовершеннолетних.

29 июня 2026 года Samsung и SK Hynix объявили многолетние планы на 800 трлн вон, включая четыре фабрики памяти на юго-западе Южной Кореи. Пересчёт в доллары зависит от курса; масштаб, разрешения и исполнение требуют дальнейшей проверки.

1 июля 2026 года Google выпустила Gemini Spark — своего круглосуточного агентского ИИ-ассистента — для macOS, с отслеживанием в реальном времени и расширенной интеграцией приложений. Spark действует постоянно в цифровой жизни пользователя, знаменуя выход агентского ИИ на потребительский десктоп.

В июле 2026 года Moonshot AI опубликовала открытые веса Kimi K3 на Hugging Face. В карточке модели указаны 2,8 трлн параметров всего, из них 104 млрд активированных, контекстное окно 1 048 576 токенов и лицензия Kimi K3. По общему числу параметров на момент выпуска она была одной из крупнейших свободно загружаемых языковых моделей.

1 июля 2026 года Cloudflare объявила раздельное управление трафиком Search, Agent и Training и сообщила, что с 15 сентября новые домены будут по умолчанию блокировать Training и Agent на страницах с рекламой, разрешая Search; владельцы могут изменить настройки, а для многоцелевых краулеров действует самое строгое правило.

2 июля 2026 года Microsoft объявила о создании Microsoft Frontier Company — нового операционного подразделения, ориентированного на корпоративное развёртывание ИИ на базе существующих ИИ-инструментов Microsoft. Проект поддержан инвестицией Microsoft в $2,5 млрд и 6 000 отраслевыми и инженерными экспертами — присоединяясь к Amazon и OpenAI в запуске специализированной организации по развёртыванию ИИ.

9 июля 2026 года, завершив ограниченный предпросмотр, OpenAI сделала семейство GPT-5.6 общедоступным: Sol, Terra и Luna. Во время предпросмотра OpenAI тесно сотрудничала с экспертными организациями и доверенными партнёрами.

2 августа 2026 года Регламент ЕС об ИИ вступил в общее применение, а Управление по ИИ вместе с национальными органами приняло на себя реализацию, надзор и правоприменение. Тот же пересмотр отложил самые тяжёлые обязанности для систем высокого риска: самостоятельные системы приложения III применяются с 2 декабря 2027 года, а ИИ, встроенный в регулируемые продукты, — с 2 августа 2028 года. Запрещённые практики действовали уже с 2 февраля 2025 года, а обязанности для моделей общего назначения — с 2 августа 2025 года.

2 сентября 2026 года ARC Prize опубликовала проверенные результаты ARC-AGI-3 для GPT-6 Astra по двенадцати конфигурациям harness. На одном и том же полузакрытом наборе модель набирает 62,71 % со стандартным harness, который позволяет ей переносить заметки по собственному выбору, и 98,55 % с harness Provider Adapter, сохраняющим состояние рассуждения между запросами и сжимающим длинные диалоги. На 96 % уровней Astra потратила меньше действий, чем медиана протестированных людей. Величина измеряет модель вместе с её лесами, поэтому здесь записаны обе.

3 сентября 2026 года OpenAI опубликовала системную карту, относящую GPT-6 Astra к порогу Critical по кибервозможностям согласно собственной Preparedness Framework, — первая модель компании на этом уровне. Карта описывает модель, способную находить прежде неизвестные бреши в защите и вырабатывать новые способы их использования на многих хорошо защищённых системах без пошагового руководства человека; чувствительные возможности закрыты программой доверенного доступа. Эта классификация — оценка OpenAI собственной модели по собственной рамке, и слова AGI или общий интеллект в карте не встречаются.