Какие ИИ или даже чат-боты существовали до ChatGPT?

TL;DR: ChatGPT не появился на пустом месте. До него были десятилетия работы: тест Тьюринга (1950), первый чат-бот ELIZA (1966), врачебные экспертные системы 80-х, шахматный Deep Blue, переводчики, голосовые помощники и AlphaGo. Каждый этап решал свою узкую задачу, и из этих кусочков постепенно собралась та техника, которая сегодня умеет болтать почти как человек.

Сидел я и думал – а что было до ChatGPT? Он же не мог взяться из ниоткуда. Оказалось, что история ИИ идёт ещё аж с середины прошлого века, и там полно историй, которые сегодня звучат то наивно, то почти пугающе.

Я полез копать. И чем глубже копал, тем сильнее понимал: то, что мы сейчас называем «чатом с ИИ», это финал очень длинного забега. С фальстартами, разочарованиями и моментами, когда казалось, что всё, машины нас обошли.

С чего вообще всё началось: 1950-е

В 1950 году математик Алан Тьюринг опубликовал статью с провокационным вопросом: «Может ли машина мыслить?»

Вместо того чтобы спорить о философии, он предложил практичную проверку. Позже её назвали тестом Тьюринга. Идея простая до гениальности: посадите человека переписываться с собеседником, которого он не видит. Если человек не может понять, машина перед ним или живой человек, значит, машина проявила интеллект.

Заметьте, Тьюринг не лез в дебри «что такое сознание». Он сказал: судим по поведению. Ведёт себя как разумный собеседник – засчитываем.

Этот подход до сих пор сидит в основе того, как мы оцениваем чат-ботов. Когда вы общаетесь с ChatGPT и забываете, что перед вами программа, – я видел много раз как люди буквально орут на ИИ как на живого человека.

Откуда взялся сам термин

Слово «искусственный интеллект» придумали не сразу. Его ввели в оборот в 1956 году на летнем исследовательском семинаре в Дартмутском колледже.

И вот тут начинается самое забавное. Участники семинара были настолько уверены в себе, что всерьёз планировали описать все базовые принципы человеческого разума и научить этому машину. За одно лето. Создание полноценного машинного интеллекта они считали делом пары десятилетий.

Прошло почти 70 лет. Спойлер: за одно лето не управились.

Но я не смеюсь над ними. Этот оптимизм двигал всю область вперёд. Уже тогда появлялись программы, которые играли в шашки и решали логические задачи. Кривенько, медленно, но играли.

ELIZA: первый чат-бот, который притворялся психотерапевтом

В 1966 году появилась программа, которую можно с чистой совестью назвать прадедушкой ChatGPT. ELIZA.

Её создали в Массачусетском технологическом институте. И работала она по принципу психотерапевта определённой школы – той, где терапевт в основном переспрашивает и отзеркаливает.

На деле фокус был дешёвым. Вы пишете: «Меня расстраивает моя работа». ELIZA выхватывает ключевое слово и отвечает: «Почему вас расстраивает ваша работа?» Вы говорите про маму – она цепляется за «маму». Никакого понимания смысла там не было. Чистая работа с шаблонами и подстановкой слов.

Но вот что меня поразило, когда я читал про это. Люди привязывались к ELIZA. Реально. Некоторые открывали ей душу, просили выйти из комнаты, чтобы поговорить «наедине». Хотя точно знали, что это программа на полсотни строк.

Этот эффект потом так и назвали – «эффект ELIZA». Склонность человека приписывать машине понимание и эмоции, которых там нет.

И знаете что? Этот эффект никуда не делся. Когда сегодня кто-то говорит «ChatGPT меня понимает» – это тот же самый эффект ELIZA, просто на куда более мощном движке.

Чему ELIZA нас научила

Главный урок ELIZA не технический, а психологический. Оказалось, что для ощущения «живого разговора» машине не обязательно действительно думать. Достаточно вовремя подкидывать правильные реплики.

Долго это работало как трюк. Современные модели пошли дальше – они реально анализируют смысл. Но базовое наблюдение осталось верным: человек очень хочет видеть собеседника даже в строчках кода.

1980-е: эпоха экспертных систем

После ELIZA наступило отрезвление. Стало ясно, что болтовня без понимания – это тупик. И исследователи свернули в другую сторону: а давайте сделаем машину, которая реально полезна в узкой области.

Так родились экспертные системы. Идея такая: берём знания живого специалиста, разбиваем их на правила вида «ЕСЛИ это, ТО то», и загоняем в программу. Машина не думает в общем смысле, но в своей узкой теме работает как консультант.

Я разберу несколько систем, потому что они показывают, насколько серьёзно тогда взялись за дело.

MYCIN: врач из Стэнфорда

MYCIN разработали в Стэнфорде. Она помогала врачам диагностировать бактериальные инфекции и подбирать антибиотики.

Внутри сидело больше 600 правил, в которые упаковали опыт врачей-инфекционистов. Работало это так: система смотрела на симптомы и результаты анализов, прогоняла их через правила и выдавала рекомендацию.

Правило выглядело примерно так: «ЕСЛИ бактерия устойчива к пенициллину, ТО исключить его из схемы лечения». Логично, прозрачно, проверяемо.

И вот что важно: по точности MYCIN была сопоставима с живыми специалистами. Машина из 70-80-х годов ставила диагнозы на уровне врача.

Но в больницы она так и не попала. Причина приземлённая – её было некуда встроить. Не было удобной интеграции в рабочие процессы клиники, врачам было неудобно. Отличная технология умерла из-за неудобства использования. Это очень частая история в ИИ, кстати.

XCON: тот, кто реально заработал деньги

Если MYCIN была красивой, но бесполезной на практике, то XCON (другое название – R1) стала коммерческим хитом.

Её сделали для компании Digital Equipment Corporation. Задача звучит скучно, но была реальной болью бизнеса: подбирать комплектующие для заказываемых мини-компьютеров и проверять, что всё это вообще совместимо между собой.

Раньше этим занимались люди и регулярно ошибались. XCON делала это автоматически.

К середине 1980-х система обрабатывала почти все заказы компании. Она сокращала ошибки и экономила десятки миллионов долларов в год.

Вот это поворот. Машина без всякого «понимания», просто на жёстких правилах, приносила реальные деньги. Бизнес впервые увидел в ИИ не игрушку, а инструмент с понятной отдачей.

PROSPECTOR: геолог, который нашёл месторождение

PROSPECTOR работала в геологии. Она оценивала вероятность наличия руд на основе геологических данных.

И у неё есть звёздный момент. В 1980 году система помогла обнаружить крупное месторождение молибдена в Канаде. Это одно из самых известных достижений ИИ того времени.

Представьте заголовок тех лет: компьютер нашёл руду в земле. Звучало как фантастика.

INTERNIST-I: амбициозный диагност

INTERNIST-I сделали в Университете Питтсбурга. Это была попытка замахнуться по-крупному: система ставила диагнозы по сотням симптомов и охватывала больше 500 заболеваний внутренних органов.

Размах огромный. Но именно из-за него она оказалась слишком сложной для повседневной работы. Слишком много всего нужно было ввести, слишком громоздкой получилась логика.

И всё же она не пропала зря. INTERNIST-I стала фундаментом для последующих медицинских ИИ-моделей. Иногда система ценна не тем, что её используют, а тем, что на ней учатся следующие.

CASNET/Glaucoma: тот, кто смотрел в будущее

Эта система применялась в офтальмологии – для диагностики и планирования лечения глаукомы.

Её отличие от остальных в одной важной детали. Большинство экспертных систем смотрели на симптомы здесь и сейчас. CASNET учитывала ещё и динамику развития болезни – как состояние менялось со временем.

Благодаря этому она давала не разовый вердикт, а долгосрочные рекомендации по терапии. По сути, это была попытка научить машину думать не моментом, а процессом.

Почему экспертные системы в итоге сдулись

С виду всё шло отлично. Так почему же мы сейчас не пользуемся экспертными системами на каждом шагу?

Проблема была в их природе. Все эти правила «ЕСЛИ-ТО» писали вручную. Живые эксперты сидели и формулировали каждое.

Из этого вытекало сразу несколько бед:

• Правил нужно очень много, и с ростом темы их количество взрывается.

• Правила противоречат друг другу, и кто-то должен это разруливать.

• Система не умеет обрабатывать ситуацию, для которой правила нет.

• Любое обновление знаний требует ручной переписки правил.

Машина была умна ровно настолько, насколько умными были вложенные в неё правила. Сама она не училась ничему. И как только мир менялся, система устаревала.

Вот эта стена и стала причиной разочарования. Денег вложили много, а универсального разума не получили. Наступил период, который позже назвали «зимой ИИ» – охлаждение интереса и финансирования.

Deep Blue: машина, которая обыграла чемпиона мира

Пока экспертные системы буксовали, росла грубая вычислительная мощь компьютеров. И это открыло другую дорогу.

В 1997 году суперкомпьютер Deep Blue от IBM обыграл чемпиона мира по шахматам Гарри Каспарова.

Это был шок планетарного масштаба. Шахматы веками считались вершиной человеческого интеллекта. И вот машина побеждает лучшего из людей. Многие восприняли это почти как экзистенциальную угрозу.

Но давайте честно про то, как Deep Blue победила.

Победа грубой силы, а не гениальности

Deep Blue не думала как Каспаров. Она не выстраивала стратегию, не чувствовала позицию. Она просто перебирала.

Компьютер просчитывал и оценивал миллионы возможных ходов в секунду. Видел дерево вариантов на много ходов вперёд и выбирал лучший по формуле.

Это победа вычислительной мощи, а не гибкого мышления. Человек выигрывает в шахматы интуицией и опытом. Машина выиграла тупым перебором на огромной скорости.

Сравните с современными решениями. Сегодняшние модели действуют гораздо ближе к человеку – через паттерны и обучение, а не через перебор всего подряд. Deep Blue была мощной, но «тупой» в смысле понимания.

И всё же значение этого момента огромно. Мир осознал простую вещь: там, где есть чёткие правила, машина может превзойти человека. Вопрос лишь в мощности железа.

2010-е: эпоха больших данных и нейросетей

Дальше случился перелом, который и привёл нас к ChatGPT.

Поменялись три вещи разом. Накопились гигантские объёмы данных в интернете. Подешевело и стало мощнее железо, особенно видеокарты. И дозрели методы машинного обучения, когда машина учится сама на примерах, а не по ручным правилам.

Вот эта связка и зажгла современную эпоху. Машина перестала ждать правил от человека. Она начала находить закономерности в данных самостоятельно.

Пройдусь по самым ярким примерам этого десятилетия.

Яндекс Переводчик: от статистики к нейросетям

Яндекс Переводчик запустился в 2011 году. И на его примере отлично видно сам переход эпохи.

Поначалу он работал на статистических методах. Брал огромные массивы параллельных текстов из интернета – одни и те же документы на разных языках – и на их основе считал, какой перевод вероятнее.

Работало, но фразы выходили рублеными, угловатыми. Перевод по кусочкам.

К 2017 году переводчик перешёл на нейронный машинный перевод. И разница стала заметна невооружённым глазом. Фразы стали плавными и естественными, система начала учитывать контекст и грамматику целиком, а не по словам.

Особенно хорошо это работало для пары «английский ↔ русский». Тот самый момент, когда перевод перестал звучать как робот.

ВКонтакте и распознавание лиц

ВКонтакте внедрил систему распознавания лиц, которая сама предлагала отметить друзей на фотографиях.

Технология анализировала черты лица и сопоставляла их с профилями пользователей, у которых функция распознавания включена.

Эта система активно развивалась с 2010-х годов. И это была одна из первых массовых реализаций методов ИИ в русскоязычном сегменте интернета. Миллионы людей пользовались ИИ, даже не задумываясь об этом. Просто загружали фотки и видели подсказки.

Amazon и Netflix: ИИ, который знает, что вам показать

Amazon и Netflix построили сложные рекомендательные системы. Они анализировали поведение миллионов пользователей и предсказывали, что вам понравится.

Netflix пошёл особенно далеко. Сервис использует ИИ не только для подбора фильмов. Он ещё и оптимизирует обложки – показывает разные превью одного и того же фильма разным людям, в зависимости от их вкусов.

Вы и ваш друг можете видеть одинаковый фильм с совершенно разными картинками. И обоих эта картинка цепляет сильнее. Это ИИ работает на вашем экране прямо сейчас.

Siri и Google Assistant: ИИ, с которым можно говорить

Siri появилась в 2011 году, Google Assistant – в 2016-м. Это были первые массовые голосовые помощники.

Они понимали естественную речь, отвечали на вопросы и выполняли команды. «Поставь будильник на семь», «какая завтра погода» – и оно работает.

Под капотом у них две технологии. Распознавание речи – перевод звука в текст. И обработка естественного языка – понимание смысла этого текста.

Вот это уже прямой предок чат-ботов вроде ChatGPT. Просто общение шло голосом, а возможности были куда скромнее. Помощник хорошо справлялся с командами, но поддержать настоящий разговор не умел.

AlphaGo: то, что считали невозможным

А вот это моя любимая история из всего десятилетия.

Есть древняя игра го. И долгое время считалось, что машинам она в принципе недоступна. Дело в масштабе. Число возможных позиций в го примерно в 10¹⁷⁰ раз больше, чем в шахматах.

Вдумайтесь. Трюк Deep Blue – перебрать всё подряд – здесь не работает физически. Перебор бесполезен, вариантов слишком много.

В 2016 году модель AlphaGo от DeepMind обыграла чемпиона мира Ли Седоля со счётом 4:1.

И сделала она это принципиально иначе, чем Deep Blue. Никакого тупого перебора. AlphaGo использовала нейросети и обучение с подкреплением – метод, когда машина учится через пробы, ошибки и награды за хорошие решения.

Самое жуткое и прекрасное вот в чём. AlphaGo самостоятельно выработала стратегии, которых профессионалы раньше не видели. Был знаменитый 37-й ход в одной из партий, от которого эксперты застыли – так не играют люди. А оказалось, что так выигрывают.

Вот тут граница и сместилась. Машина не просто посчитала быстрее. Она придумала своё.

ResNet: машина стала видеть лучше человека

Ещё один тихий, но важный рубеж связан с распознаванием изображений.

Есть крупное соревнование ImageNet, где системы соревнуются, кто точнее определит, что изображено на картинке.

В 2015 году архитектура ResNet от исследователей Microsoft Research достигла уровня ошибки около 3,6%. А оценённый уровень ошибки человека на той же задаче – примерно 5,1%.

Машина начала ошибаться реже человека в распознавании картинок.

Этот результат стал символом перехода на новый уровень точности. Если раньше ИИ был «почти как человек», то теперь местами он стал лучше.

WaveNet: машина заговорила по-человечески

DeepMind представила WaveNet – нейросеть, которая генерировала реалистичную речь и музыку.

Именно благодаря ей в 2018 году появились новые, более живые голоса Google Assistant. Те самые, которые перестали звучать механически.

Голос помощника, который перестал быть роботом, – это тоже работа нейросети.

GAN: машина начала придумывать лица

И последнее по списку, но не по значению. В 2014 году появились GAN – генеративно-состязательные сети.

Принцип красивый. Внутри работают две нейросети. Одна генерирует картинку, вторая пытается отличить подделку от настоящего фото. Они соревнуются, и в этой борьбе генератор учится создавать всё более правдоподобные изображения.

Результат – фотореалистичные портреты несуществующих людей. Те самые лица «человека, которого не существует», которые потом гуляли по всему интернету.

Это был прямой шаг к генеративному ИИ. К той самой способности создавать новое, а не только анализировать существующее. И именно генерация лежит в основе того, что делает ChatGPT с текстом.

Как всё это собралось в ChatGPT

Теперь, когда вся карта перед глазами, картинка складывается.

ChatGPT – не чудо из ниоткуда. Это сборка всего, что наработали за десятилетия:

• От ELIZA он унаследовал саму идею диалога и эффект «он меня понимает».

• От экспертных систем – урок, что узких правил мало, нужна гибкость.

• От Deep Blue – веру в то, что вычислительная мощь решает.

• От AlphaGo – обучение, при котором машина находит решения сама.

• От переводчиков и ResNet – нейросети, понимающие контекст.

• От GAN и WaveNet – способность не только анализировать, но и генерировать.

Каждый предыдущий шаг убирал одно ограничение. ELIZA не понимала смысл – нейросети научились. Экспертные системы не учились сами – обучение с подкреплением это исправило. Deep Blue не масштабировалась на сложные задачи – большие данные сняли потолок.

ChatGPT просто собрал всё это в одном месте и добавил масштаб. Огромный объём текста, мощное железо, обученная на этом всём нейросеть.

Что из этого стоит вынести

Если отвечать на исходный вопрос – какие ИИ или даже чат-боты существовали до ChatGPT – список получается солидный. Тест Тьюринга как идея. ELIZA как первый болтливый бот. Экспертные системы MYCIN, XCON, PROSPECTOR в медицине, бизнесе и геологии. Deep Blue в шахматах. AlphaGo в го. Siri и Google Assistant в вашем кармане. Переводчики, рекомендации, распознавание лиц и генерация изображений.

Главная мысль, которую я для себя вынес: прогресс в ИИ шёл не прыжком, а лесенкой. Каждая ступень казалась пределом. И каждую следующую обходили.

Поэтому, когда вам кажется, что ChatGPT – это потолок, вспомните Каспарова в 1997-м и экспертов го в 2016-м. Они тоже так думали.

Первый шаг для вас, если тема зацепила, простой. Найдите онлайн-версию ELIZA – их полно в интернете – и поговорите с ней пять минут. Вы своими глазами увидите, с чего начинался путь, который привёл к разговору, который вы ведёте с ИИ сегодня. И разница в полвека станет осязаемой.