Генеративный ИИ: текст, изображения, музыка

Что такое генеративный ИИ

Генеративный искусственный интеллект — класс моделей, создающих новый контент, а не только анализирующих существующий. Если распознаватель изображений отвечает «на этой фотографии собака», то генеративная модель по описанию «собака в скафандре на фоне галактики Андромеды» создаёт саму фотографию. Термин «генеративный» подчёркивает ключевое свойство: модель порождает информацию, которой раньше не существовало — текст, изображения, музыку, программный код и видео.

Трансформеры: архитектура предсказания текста

Современные языковые модели построены на архитектуре трансформер, предложенной исследователями Google Brain в статье «Attention Is All You Need» 2017 года. Ключевой механизм — внимание (attention): при обработке каждого слова модель одновременно учитывает контекст всех остальных слов в последовательности. Это решает проблему предыдущих архитектур (RNN, LSTM), которые «забывали» начало длинного текста. На базе трансформера построены GPT-3 (175 миллиардов параметров), GPT-4 (предположительно 1,76 триллиона параметров), российский GigaChat и сотни других моделей. Механизм генерации текста — предсказание следующего токена: получив последовательность слов, модель вычисляет вероятности для каждого возможного продолжения и выбирает наиболее вероятное, затем повторяет процесс токен за токеном до завершения ответа.

Диффузионные модели: от шума к изображению

Генерация изображений опирается на диффузионные модели, принцип которых парадоксален. Модель учится двум операциям: сначала добавлять шум к чёткому изображению, постепенно превращая его в хаотичный набор пикселей, затем — восстанавливать изображение из шума. После обучения на миллионах пар «текст — изображение» модель способна по новому описанию шаг за шагом превратить случайный шум в детализированную картинку разрешением до 4K. По этому принципу работают Stable Diffusion (выпущена Stability AI в августе 2022 года), Midjourney и DALL-E 2 от OpenAI.

Масштаб: нейросети, прочитавшие весь интернет

GPT-3, опубликованная OpenAI в 2020 году, содержит 175 миллиардов параметров и обучена на текстовом корпусе объёмом около 570 гигабайт — книги, статьи, веб-страницы, программный код. ChatGPT, запущенный в ноябре 2022 года, набрал 100 миллионов пользователей за два месяца — рекорд скорости распространения среди всех потребительских продуктов в истории. Одновременно развивается генерация музыки (Suno), видео (Sora от OpenAI, анонсирована в феврале 2024 года) и трёхмерных объектов. Общий принцип един: модель извлекает статистические закономерности из миллионов примеров и применяет их к новым входным данным.

Российские системы: GigaChat и Kandinsky

В 2023 году Сбер представил GigaChat — мультимодальную генеративную модель, оптимизированную для работы с русским языком, способную создавать тексты, отвечать на вопросы и программировать. Для генерации изображений запущена нейросеть Kandinsky — российский аналог Midjourney и Stable Diffusion, работающий по тому же диффузионному принципу. Эти системы демонстрируют, что гонка генеративного ИИ носит глобальный характер и не ограничивается американскими компаниями.

Галлюцинации: когда ИИ выдумывает правду

Фундаментальное ограничение генеративных моделей — галлюцинации. Языковая модель не проверяет факты и не имеет доступа к базе истины: она предсказывает статистически наиболее вероятное продолжение текста. Если в обучающих данных некое ложное утверждение встречалось часто, модель воспроизведёт его с полной уверенностью. ChatGPT может назвать неверную дату исторического события, придумать несуществующую научную статью с убедительными названием и фамилиями авторов, «процитировать» закон, которого нет в правовой базе. Модель не подключена к интернету и не обновляет знания в реальном времени — её знания заморожены на дату завершения обучения. По данным исследований 2023–2024 годов, от 3 до 15% фактических утверждений даже лучших моделей содержат ошибки.

Авторское право и этика

Генеративные модели обучаются на миллиардах изображений и текстов, защищённых авторским правом, без явного согласия создателей. Принадлежит ли сгенерированное изображение пользователю, написавшему текстовый запрос, разработчику модели или вообще никому? Эти вопросы находятся в центре юридических дискуссий и на 2026 год не имеют однозначного правового решения ни в одной юрисдикции.