Приятель позвонил в пятницу вечером: «Нам продали ИИ за 400 тысяч, а он не работает. Говорят, нейросеть слабая». Через десять минут разговора выяснилось: продали ему не ИИ и не нейросеть, а скрипт на паре условий, который нарекли умным словом. Классика жанра.
Путаница между искусственным интеллектом и нейросетью стоит денег, времени и репутации. Путаются не только заказчики. Разработчики, журналисты, авторы курсов и продавцы «инновационных решений» валят всё в одну кучу. Разложу по полкам, без академической пыли.
ИИ это зонтик, нейросеть один из инструментов под ним
Искусственный интеллект это общее название для всех подходов, которыми компьютер пытаются научить вести себя разумно. Нейросеть конкретный метод внутри этого зонтика. Один из многих, не единственный и не самый старый.
Аналогия простая. ИИ это «транспорт», нейросеть «электромобиль». Электромобиль входит в категорию транспорта, но транспорт не сводится к электромобилям. Есть ещё поезда, самокаты, вертолёты и гужевые повозки. С ИИ так же: деревья решений, логические правила, байесовские сети, генетические алгоритмы, экспертные системы, символьные решатели.
Иерархия выглядит так:
- Искусственный интеллект: самая широкая область, любая техника имитации разумного поведения
- Машинное обучение: подобласть, где система учится на данных, а не работает по жёстко прописанным правилам
- Глубокое обучение: обучение многослойных сетей, которому нужны большие данные и видеокарты
- Нейросети: конкретные архитектуры внутри глубокого обучения, от простого перцептрона до трансформеров
Направление стрелки важнее определений: нейросеть всегда ИИ, но ИИ не всегда нейросеть. На этом утверждении держится половина практических решений.
Нейросети не единственный путь: как ИИ работал до них
В 1997 году Deep Blue обыграл Каспарова в матче из шести партий. Внутри стоял перебор вариантов с оценочной функцией, написанной руками инженеров. Никаких нейросетей, никакого обучения на миллионах партий. Чистая комбинаторика плюс железо, чудовищно дорогое по тем временам.
Экспертные системы восьмидесятых, вроде MYCIN для диагностики инфекций, работали на правилах вида «если температура выше 38 и посев положительный, то вероятность стрептококка высокая». В узких областях они справлялись неплохо, за их пределами разваливались полностью. Зато решение можно было прочитать глазами и объяснить врачу или инженеру.
Кредитный скоринг в банках до сих пор часто живёт на логистической регрессии и деревьях решений. Не потому что там ленивые люди, а потому что регулятор требует объяснимости: отказ по кредиту нужно обосновать конкретными факторами, а не «так выдали веса». Градиентный бустинг, тот же CatBoost, до сих пор выигрывает у нейросетей на табличных данных средней размерности. Меньше данных, быстрее обучение, проще поддержка.
Спам-фильтры на правилах, наивный Байес, алгоритмы планирования в логистике, SAT-солверы для верификации чипов. Всё это ИИ. Ни одной нейросети внутри.
Что реально происходит внутри нейросети
Нейросеть это набор слоёв, в которых сидят числа, называемые весами. Сигнал идёт от входа к выходу, на каждом слое умножается на веса и прогоняется через нелинейность. В конце получается ответ, сравнивается с правильным, вычисляется ошибка. Дальше обратное распространение потихоньку подкручивает веса, чтобы ошибка стала меньше. И так миллионы раз.
Представьте миллион ручек, каждая чуть меняет поведение схемы. Обучение это процесс, в котором ручки крутят по чуть-чуть, пока результат не начнёт попадать в цель. Никакой магии, чистая оптимизация.
Языковые модели вроде GPT устроены как трансформеры. Они режут текст на токены, превращают их в векторы, а механизм внимания решает, какие части контекста важны для предсказания следующего токена. Обучение идёт на триллионах слов, стоит десятки миллионов долларов и требует тысяч ускорителей.
Ключевая деталь, которую многие упускают: нейросеть не думает и не понимает смысл. Она предсказывает следующий элемент на основе статистики, которую видела. Отсюда галлюцинации, уверенный тон при полной чепухе и странные ответы на простые вопросы. Модель интерполирует в пространстве, которое плохо себе представляет.
Почему все говорят «ИИ», хотя имеют в виду нейросеть
Слово «искусственный интеллект» появилось в 1956 году на конференции в Дартмуте. Нейросети пришли позже, перцептрон Розенблатта собрали в 1958-м. Дальше две зимы: книга Минского и Пейперта 1969 года надолго похоронила интерес к перцептронам. Вторая волна разочарования пришлась на конец восьмидесятых, когда обещания не сошлись с реальностью.
Перелом случился в 2012 году. На соревновании ImageNet нейросеть AlexNet уронила ошибку распознавания картинок с 26% до 15,3%. Разрыв настолько велик, что академическое сообщество переобулось за пару лет. После этого почти любой продукт, который хоть как-то считает данные, начали называть ИИ.
Маркетинг сделал своё дело. «Искусственный интеллект» звучит дорого и загадочно, «нейросеть» к 2015 году звучала как что-то из студенческой лаборатории. Инвесторам продавали ИИ, в презентациях писали ИИ, в вакансиях писали ИИ. По факту внутри почти всегда стояла нейросеть.
Плюс историческая инерция: аббревиатура ИИ старше и удобнее для заголовков. Журналист не напишет «нейросетевой модуль оценки рисков», он напишет «ИИ оценивает риски». Технически неточно, зато читается. В резюме теперь пишут «AI-инженер», а на собеседовании всё равно спрашивают про градиентный бустинг и метрики.
Разница, которая бьёт по кошельку
Первый сценарий: подрядчик обещает внедрить ИИ, а внутри оказывается десяток условий в коде. Работает, спору нет, но к интеллекту отношения не имеет. Заказчик платит за слово, а не за технологию. Через полгода выясняется, что при отклонении от типовых сценариев конструкция разваливается.
Второй сценарий дороже: задачу, которую решает регрессия за вечер, продают как глубокую нейросеть за несколько миллионов. Реальный кейс из практики: прогноз оттока клиентов на таблице в пять тысяч строк. Логистическая регрессия дала AUC 0.78, нейросеть 0.79. Разница в одну сотую, а стоимость поддержки и переобучения выросла в десяток раз. Клиент выбрал нейросеть, потому что в презентации было красивее.
Третий сценарий, самый частый: у компании нет данных. Ни размеченных, ни чистых, ни в нужном объёме. Нейросеть в такой ситуации бесполезна, ей не на чем учиться. Правила или простое дерево решений работают уже завтра, потому что им хватает экспертизы, а не терабайтов.
Обратная ошибка тоже встречается: правилами пытаются решить то, что правилами не решается в принципе. Распознавание речи, перевод, генерация текста, поиск похожих изображений. Тут без нейросетей делать нечего, никакие деревья решений не спасут.
Что спрашивать вместо «это ИИ?»
Вопрос «это ИИ или нейросеть?» бесполезен, потому что продавец ответит «конечно ИИ». Спрашивайте по существу.
- Какая архитектура внутри и почему выбрана именно она
- На каких данных обучали, сколько их, как размечены и кому принадлежат
- Какая метрика качества и на какой отложенной выборке её мерили
- Что происходит при отказе модели и кто отвечает за ошибку
- Сколько стоит переобучение и как часто его придётся делать
Ответы на эти пять пунктов расскажут об уровне команды больше, чем любая презентация с нейросетями на обложке. Если на первый вопрос отвечают «там ИИ», разговор можно заканчивать.
Почему сегодня почти весь полезный ИИ оказался нейросетями
Языковые модели, распознавание речи, синтез голоса, генерация изображений, машинный перевод, поиск похожего. Во всех этих задачах нейросети вытеснили остальные подходы, потому что данные стали большими, а видеокарты доступными.
Символьный ИИ никуда не исчез, он ушёл в узкие ниши. Планирование расписаний, верификация микросхем, формальные доказательства, промышленные экспертные системы, где цена ошибки высока и нужна проверяемая логика. Гибриды тоже работают: AlphaGo сочетал нейросеть с перебором по дереву Монте-Карло и только в такой связке обыграл Ли Седоля.
Практический вывод для бизнеса: если задача связана с текстом, картинками, речью или видео, вы почти наверняка будете работать с нейросетью. Если задача про таблицы, правила и аудит, скорее всего хватит классического машинного обучения. Называть это можно как угодно, суть не изменится.
Где теория заканчивается и начинается ваш рабочий день
Строить свою нейросеть с нуля нужно единицам. Остальным нужен доступ к готовым моделям и понятный интерфейс, через который эти модели решают задачи. Именно здесь начинаются сложности: флагманские модели живут за границей, требуют иностранных карт и обходных путей.
Для себя я закрыл вопрос через 3GPT от 3SELLER. Это ИИ роутер с прямым доступом из России к последним флагманским моделям, стартовый доступ стоит 149 рублей. Внутри Chat GPT 6 Astra, the model 5, the model 5.1, the model 5.5, Chat GPT 5.5, Chat GPT 6.1 Sol, Nano Banana для изображений и генерация видео. Полный список моделей и условия на официальном сайте: https://3seller.com/3gpt.
Пополнение баланса российской картой, через СБП или криптой. Без танцев с зарубежными реквизитами и без посредников, которые берут процент за перевод.

Пользуюсь этим для рутины: письма, коммерческие предложения, разбор чужих договоров, черновики лендингов. Модель под задачу меняется в один клик, и не нужно держать пять подписок и пять браузерных профилей.
Агенты: когда нейросеть перестаёт быть болталкой
Отдельная фишка, которая экономит мне часы. В 3GPT есть готовые ИИ агенты под конкретные задачи: https://3seller.com/ai/agents. Выбираете агента, начинаете с ним общение, а модель меняете прямо в чате, если текущая не тянет.

Разница с обычным чатом ощутимая. Агент держит задачу, а не отвечает на отдельную реплику. Маркетолог получает разбор воронки, аналитик разбор таблицы, автор структуру статьи. Мне удобно, что не надо каждый раз объяснять контекст с нуля.
Картинки и видео: та же логика, другая модель
С изображениями всё устроено так же, как с текстом: одна модель сильна в фотореализме, другая в графике, третья в правках по маске. Для генерации и обработки реалистичных картинок есть отдельный вход: https://3seller.com/3gpt-image.


Типичные задачи, которые я закрываю за минуты: обложки для статей, иллюстрации в презентации, варианты баннеров под A/B тест, замена фона у товарных фото. Раньше на это уходил день переписки с дизайнером, теперь десять минут и пара уточнений в промпте.
Практический шаг, который сэкономит вам месяц
Перестаньте искать «ИИ» как волшебную кнопку. Сформулируйте задачу в терминах результата: сократить ответ клиенту с двух часов до пяти минут, разметить тысячу отзывов, собрать десять вариантов заголовка. Дальше смотрите, какие данные у вас есть и какая модель справится.
В девяти случаях из десяти вам не нужна своя нейросеть. Нужен доступ к чужим готовым моделям и понимание, какую из них под какую задачу брать. Начните с одного инструмента, прогоните через него реальную рабочую задачу на этой неделе, а не тестовую «напиши стих про кота». Разница между ИИ и нейросетью станет не теорией из учебника, а рабочим различением. Оно помогает выбирать инструмент и не платить за красивые слова. Доступ ко всем флагманским моделям из России открыт здесь: https://3seller.com/3gpt.