# 7 ключевых концепций ИИ от IBM: от автономных агентов до супер-интеллекта

Источник: https://www.youtube.com/watch?v=VSFuqMh4hus
Канал: IBM Technology
Опубликовано: 01.09.2025

---

Сфера искусственного интеллекта развивается настолько стремительно, что даже профессионалам в IT бывает сложно уследить за всеми изменениями. Мартин, ведущий канала IBM Technology, представляет семь ключевых концепций — от автономных агентов до теоретического супер-интеллекта — которые определяют будущее технологий уже сегодня.

## 🤖 ИИ-агенты: переход от чат-ботов к действиям
[[JUMP:0:37]]

Первым и одним из самых обсуждаемых терминов являются ИИ-агенты (AI Agents). По словам Мартина, сегодня «каждый и его бабушка» пытаются создать следующее поколение таких систем [0:37]. В отличие от обычных чат-ботов, которые просто отвечают на запросы пользователя один за другим, агенты способны рассуждать и действовать автономно для достижения поставленных целей [0:51].

Процесс работы ИИ-агента состоит из цикличных этапов:

*   **Восприятие:** агент изучает окружающую среду и контекст.
*   **Рассуждение:** на этом этапе модель определяет наиболее эффективные следующие шаги.
*   **Действие:** выполнение плана, построенного на этапе рассуждения.
*   **Наблюдение:** анализ результатов действий, после чего цикл повторяется до достижения цели [1:05].

Примеры применения агентов охватывают самые разные сферы: от туристического агента, бронирующего поездку, до аналитика данных, ищущего тренды в квартальных отчетах. В ИТ-сфере агент может выступать в роли DevOps-инженера: обнаруживать аномалии в логах, запускать контейнеры для тестирования исправлений и откатывать некорректные развертывания [1:33].

## 🧠 Большие модели рассуждения (LRM)
[[JUMP:1:45]]

Второй термин тесно связан с первым. ИИ-агенты обычно строятся на базе специфической формы больших языковых моделей (LLM), известных как большие модели рассуждения (Large Reasoning Models, LRM) [1:45]. 

Это специализированные модели, прошедшие дообучение (fine-tuning) с акцентом на логику. Если обычные LLM генерируют ответ мгновенно, то модели рассуждения обучены решать задачи пошагово [1:57]. 

Особенности обучения LRM:

*   Используются задачи с верифицируемыми правильными ответами (математика, программный код, проверяемый компилятором).
*   Применяется обучение с подкреплением (reinforcement learning).
*   Модель учится выстраивать внутреннюю «цепочку мыслей» (chain of thought) [2:24].

Мартин отмечает, что когда чат-бот делает паузу перед ответом с пометкой «думаю» — это работа модели рассуждения, которая разбивает сложную проблему на мелкие шаги [2:38].

## 📊 Векторные базы данных и эмбеддинги
[[JUMP:2:54]]

На более низком техническом уровне ключевую роль играют векторные базы данных (Vector Databases). В них данные (тексты, изображения) хранятся не в виде обычных файлов, а преобразуются с помощью модели эмбеддинга в векторы — длинные списки чисел [3:08].

Преимущество такого подхода заключается в возможности семантического поиска:

*   Вектор фиксирует смысловое значение контента [3:35].
*   Поиск выполняется как математическая операция по нахождению векторов, расположенных близко друг к другу.
*   Система может найти изображения, статьи или музыку, которые «похожи» по смыслу на исходный запрос, даже если в них нет прямых совпадений по ключевым словам [4:12].

## 🏗️ RAG: генерация с дополненной выборкой
[[JUMP:4:26]]

Четвертый термин — RAG (Retrieval Augmented Generation). Эта технология использует векторные базы данных для обогащения промптов (запросов), направляемых в LLM [4:26]. 

Механика работы RAG:

1.  Запрос пользователя превращается в вектор.
2.  В векторной базе данных выполняется поиск похожей информации (например, из внутренних документов компании).
3.  Найденные данные добавляются в промпт.
4.  LLM генерирует ответ, основываясь на этой актуальной и специфической информации [5:10].

Примером может служить вопрос сотрудника о внутренней политике компании. Система RAG найдет нужный раздел в «Справочнике сотрудника» и передаст его модели, чтобы та дала точный ответ [5:36].

## 🔌 Протокол контекста модели (MCP)
[[JUMP:5:36]]

Пятый термин — Model Context Protocol (MCP) — Мартин называет «по-настоящему захватывающим» [5:36]. Для того чтобы ИИ был полезен, ему нужно взаимодействовать с внешними данными: базами данных, репозиториями кода или серверами электронной почты.

Раньше разработчикам приходилось создавать уникальные соединения для каждого нового инструмента. MCP стандартизирует этот процесс [6:16]:

*   Он обеспечивает единый способ предоставления контекста для LLM.
*   MCP-сервер выступает связующим звеном, через которое ИИ понимает, как взаимодействовать с любой внешней системой [6:42].

## 🧩 Mixture of Experts (MoE): эффективность масштабирования
[[JUMP:6:42]]

Идея Mixture of Experts (MoE, «Смесь экспертов») существует с 1991 года, но стала критически важной только сейчас [6:54]. Эта архитектура разделяет одну огромную модель на множество специализированных нейронных подсетей («экспертов»).

Принцип работы MoE:

*   Модель может содержать сотни экспертов.
*   Механизм маршрутизации (routing) активирует только тех экспертов, которые необходимы для конкретной задачи.
*   Затем происходит процесс слияния (merge) их ответов в единый результат [7:23].

Это позволяет значительно увеличить размер модели без пропорционального роста вычислительных затрат. Мартин приводит в пример серию моделей IBM Granite 4.0: модель может иметь миллиарды параметров, но в момент генерации конкретного токена используется лишь малая их часть [7:50].

## ⚡ ASI: искусственный супер-интеллект
[[JUMP:8:15]]

Седьмой термин — ASI (Artificial Super Intelligence) — является главной целью ведущих ИИ-лабораторий мира. Мартин подчеркивает, что на данный момент это чисто теоретическая концепция, и неизвестно, будет ли она когда-либо реализована [8:15].

Иерархия развития ИИ выглядит так:

1.  **Текущие модели:** постепенно приближаются к уровню AGI.
2.  **AGI (общий ИИ):** гипотетическая система, способная выполнять любые когнитивные задачи на уровне человека-эксперта [8:43].
3.  **ASI (супер-интеллект):** интеллект, превосходящий человеческий уровень во всех сферах.

Главная особенность ASI — способность к рекурсивному самосовершенствованию. Система сможет перепроектировать и обновлять саму себя, становясь умнее с каждым циклом [9:09]. По мнению Мартина, такое развитие событий может либо решить величайшие проблемы человечества, либо создать совершенно новые угрозы, которые мы даже не можем себе представить [9:21].

## 🎓 Анонс IBM Tech Exchange
[[JUMP:9:46]]

В завершение видео Мартин и его коллега Грэм пригласили зрителей на конференцию IBM Tech Exchange, которая пройдет в Орландо в октябре этого года [10:00]. Программа мероприятия включает:

*   Буткемпы и воркшопы.
*   Сертификации и живые демо-показы.
*   Специальную студию Lightboard, где Мартин будет проводить сессии вживую и обучать желающих технике создания видео с использованием прозрачной доски (лайтборда) [10:26].