Первой нейросетью считают модель Уоррена Маккаллока и Уолтера Питтса, опубликованную в 1943 году. Компьютера под неё не было вообще. Два человека, карандаш, бумага и статья с длинным названием про логическое исчисление идей, относящихся к нервной активности.
Эту работу до сих пор цитируют в учебниках, хотя авторы ничего не запускали. Они построили математическое описание того, как нейрон складывает сигналы на входе и выдаёт один результат на выходе. Порог срабатывания, веса связей, бинарный ответ - да или нет. Схема настолько простая, что её можно нарисовать на салфетке.
Дальше начинается путаница. Одни называют первой нейросетью персептрон Розенблатта. Другие - Марк-1. Третьи уверены, что всё началось с ChatGPT. Ниже хронология по годам, с которой можно спорить аргументированно.
1943: сеть, которой не нужен был компьютер
Маккаллок был нейрофизиологом, Питтс - вундеркиндом без формального образования, позже работал с Норбертом Винером. Вместе они придумали формальный нейрон: набор входов, у каждого свой вес, сумма сравнивается с порогом, на выходе единица или ноль. Из таких блоков собирается сеть, и она уже выполняет логические операции.
Главная мысль статьи 1943 года: мозг описывается языком математики и логики. Не «примерно похоже», а строго. Для своего времени - дерзость. Физиологи считали живую ткань слишком сложной для формул, математики не верили, что формулы что-то объяснят в биологии.
Практической ценности ноль. Обучать такую сеть было нечем, веса выставлялись руками, работала она только на бумаге. Но фундамент появился именно тогда - и это честный ответ на вопрос, какую нейросеть создали первой.
1949: Хебб объясняет, как сеть может учиться
Дональд Хебб предложил правило, которое потом назвали его именем: если два нейрона срабатывают одновременно, связь между ними усиливается. «Нейроны, которые возбуждаются вместе, связываются вместе». Звучит как афоризм, а на деле это первый алгоритм обучения нейросети в истории.
До Хебба сети умели считать, но не умели меняться. После - появилась идея подстраивать веса под данные, а не вбивать вручную. Семьдесят с лишним лет спустя на этом принципе, сильно усложнённом, работают все современные модели. Механизм внимания в трансформерах вырос из той же логики усиления нужных связей.
1958: персептрон Розенблатта - первая работающая нейросеть
Фрэнк Розенблатт, психолог из Корнелла, пошёл дальше теоретиков. Он собрал персептрон - модель, которая не просто существует в виде формул, а реально обучается на данных. Задача скромная: распознавание изображений. На входе сетка пикселей, на выходе класс объекта.
Здесь появляется первый практический результат. Персептрон отличал одну простую фигуру от другой за счёт подстройки весов, а не захардкоженных правил. Розенблатт обещал, что машины скоро будут читать, переводить и разговаривать.
Обещания опередили время. На конференции 1958 года он расписал перспективы так красочно, что журналисты разнесли это по миру. Пресса писала о машинах, которые вот-вот обретут сознание. На Reddit в тредах по истории машинного обучения до сих пор спорят, где заканчивается научная смелость и начинается хайп, и пример Розенблатта приводят чаще всего. Часть научного сообщества тогда отреагировала раздражением, и оно дорого стоило всей области.
Марк-1: нейросеть, которую можно было потрогать
Физическим воплощением персептрона стал нейрокомпьютер «Марк-1». Шкаф с проводами, моторчиками и фотоэлементами, подключённый к компьютеру IBM. Он распознавал печатные буквы английского алфавита, а некоторые рукописные - с переменным успехом.
Веса задавались потенциометрами, то есть буквально крутилками. Оператор показывал образец, машина ошибалась, моторчик проворачивал ручку, сопротивление менялось. Никакой магии, чистая электромеханика. Скорость обучения измерялась не в секундах на эпоху, а в часах на десяток примеров.
И всё равно это прорыв. Впервые сеть взаимодействовала с реальным миром и показывала результат, который можно проверить, а не только обсудить на семинаре.
1960: Адалин и первый коммерческий интерес
Бернард Уидроу со студентом Тедом Хоффом сделали Адалин - адаптивный линейный нейрон на дельта-правиле. Отличие от персептрона принципиальное: Адалин минимизировал ошибку, а не просто реагировал на порог. Это первый шаг к градиентному спуску, на котором сегодня держится обучение всех больших моделей.
Адалин быстро нашли применение в предсказании и адаптивном управлении. Не в распознавании букв, а в инженерии, где нужна работающая система, а не демонстрация. С этого момента нейросети превратились из научной диковинки в инструмент.
Почему тему почти похоронили на 15 лет
В 1969 году Марвин Минский и Сеймур Пейперт выпустили книгу «Perceptrons» и математически показали ограничения однослойных сетей. Классический пример - операция XOR, которую однослойный персептрон выучить не может в принципе.
Формально они были правы. Фактически - убили финансирование направления на полтора десятилетия. Многослойные сети решили бы проблему, но алгоритма их обучения тогда не было, а без обучения много слоёв бесполезны. Круг замкнулся.
Мораль, которую я вынес из этой истории: ограничение конкретной архитектуры не равно ограничению идеи. Разница огромная, но фонды и грантовые комитеты её обычно не видят.
1966: первый чат-бот, который никого не понимал
Джозеф Вейценбаум написал ELIZA - программу, имитирующую психотерапевта. Нейросети внутри не было, только перестановка слов по шаблонам. На фразу «мне плохо» она отвечала «почему вам плохо?» и выносила людям мозг.
Секретари в лаборатории просили поработать с ELIZA наедине и делились с ней личным. Вейценбаум настолько впечатлился и напугался, что остаток карьеры критиковал идею доверия машинам. Эффект получил его имя: люди проецируют на программу понимание, которого в ней нет.
Современные модели ведут себя иначе, но эффект никуда не делся. Человек приписывает чат-боту эмоции и обижается, когда тот отвечает сухо. Это не баг модели, это особенность нашей психики.
1986: сеть научилась учиться по-настоящему
Дэвид Румельхарт, Джеффри Хинтон и Рональд Уильямс популяризировали метод обратного распространения ошибки. Считаем ошибку на выходе, потом идём назад по слоям и говорим каждому весу, в какую сторону ему сдвинуться.
Многослойные сети ожили. Появилась возможность решать задачи, недоступные однослойному персептрону, включая ту самую XOR. Дальше - свёрточные сети Янна ЛеКуна для распознавания символов, которые к концу девяностых читали чеки в банках США в промышленных масштабах.
Железа не хватало. Идеи опережали вычислительные мощности лет на двадцать - и это, пожалуй, главный тормоз всей истории.
2012 и дальше: момент, когда всё совпало
AlexNet на соревновании ImageNet в 2012 году снизила ошибку распознавания изображений настолько резко, что это выглядело как опечатка в таблице результатов. Совпали три вещи: алгоритмы, размеченные данные и GPU, которые до этого крутили графику в играх.
В 2017 году появился трансформер - архитектура, которая отказалась от последовательной обработки и позволила считать всё параллельно. В 2020 году вышла GPT-3, натренированная на огромном массиве текстов. Через два года на её основе сделали ChatGPT, и нейросети перестали быть темой для узкого круга.
Сейчас флагманские модели обновляются каждые несколько месяцев. Chat GPT 6 Astra, the model 5.5, Chat GPT 6.1 Sol - названия меняются быстрее, чем человек успевает привыкнуть к предыдущей версии. И тут возникает сугубо практическая проблема, далёкая от истории.
Модели есть. Подключить их из России - отдельная задача
С российской карты зарубежные сервисы не оплачиваются, регистрация требует иностранного номера, а часть проектов блокирует доступ по IP. Знакомая картина: человек читает про новую модель, заходит на сайт, упирается в форму оплаты и закрывает вкладку.
Для этого есть роутер 3GPT от 3SELLER. Один аккаунт, один баланс, доступ ко всем флагманским нейросетям из России. 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, генерация видео. Стоимость входа - от 149 рублей, и это не опечатка.
Пополнить баланс можно российской картой, через СБП или криптой. Без посредников, без иностранных счетов, без танцев с VPN. Модель переключается прямо в чате: не подошёл ответ одной, тут же спрашиваете другую и сравниваете. Такой подход убирает главную боль - выбор. Не надо решать заранее, какая модель лучше справится с задачей, проверяете на ходу.
Что с этим делать на практике
Повседневные задачи в работе и бизнесе закрываются почти полностью. Тексты для рассылок и лендингов, структура сайта, разбор договора, письмо клиенту, который требует ответа на десять вопросов сразу. Я гоняю через разные модели одну и ту же задачу и смотрю, где ответ получается живее.
С изображениями отдельная история. Генерация реалистичных фото и обработка готовых снимков - то, что ещё два года назад требовало студии и бюджета, а сейчас занимает минуту. Видео и синтез голоса тоже на месте. Для небольшого бизнеса это часто дешевле, чем один съёмочный день.
Посмотреть на картинки и оценить уровень можно здесь - лучшие ИИ инструменты для реалистичных фотографий.
ИИ-агенты: то, до чего история дошла только сейчас
Вместо чистого чата можно взять готового ИИ-агента под конкретную задачу и начать с ним общение. Маркетолог, редактор, аналитик, помощник по документам - сценарии уже настроены, вам не нужно писать промпт с нуля и объяснять базовые вещи.
Модель агента меняется прямо в чате. Начали с одной, получили слишком сухой ответ, переключили на другую. Для человека, который не хочет разбираться в архитектурах, это ровно то, что нужно: результат, а не техническая возня.
Выбрать агента под свою задачу можно на странице готовых ИИ-агентов.
Проверка на своей задаче занимает полчаса
От статьи 1943 года до модели, которая пишет за вас письмо клиенту, прошло больше восьмидесяти лет. Большую часть этого времени нейросети были занятием десятка энтузиастов, которых периодически объявляли шарлатанами. Работало это только потому, что кто-то продолжал копать, когда гранты заканчивались.
Разбираться в персептронах, чтобы пользоваться результатом, не нужно. Зайдите на официальный сайт 3GPT, пополните баланс российской картой и прогоните через разные модели одну свою реальную задачу. Через полчаса у вас будет собственное мнение о том, какая модель лучше пишет и какая лучше считает. Оно стоит дороже любой статьи по истории ИИ.