Искусственный интеллект (Artificial Intelligence, AI)

Искусственный интеллект (artificial intelligence, AI) — это, в формулировке NIST, машинная система, которая может делать прогнозы, рекомендации или принимать решения, влияющие на реальные или виртуальные среды, чтобы достигать целей, заданных человеком. В обновлённой трактовке OECD ИИ-система — это машинная система, которая по входным данным выводит, как создавать выходы: прогнозы, контент, рекомендации или решения, причём уровень автономности и способность адаптироваться после развёртывания могут различаться.

Важно: по состоянию на 2026-08-16 единого универсального определения ИИ нет. В праве ЕС действует связанное с регулированием определение из EU AI Act, а UNESCO для этики ИИ сознательно использует более широкую рамку и избегает одной узкой фиксированной дефиниции.

Английский термин: artificial intelligence, AI. Также встречается: AI system («система ИИ») — особенно в документах OECD и EU AI Act; по-русски обычно пишут «искусственный интеллект» или сокращённо «ИИ».

Простыми словами

Простыми словами, ИИ — это общее название для программных систем, которые получают входные данные и выдают осмысленный результат: прогноз, совет, решение или новый цифровой контент. То есть термин описывает не одну конкретную технологию, а целый класс машинных систем.

Грубо говоря, ИИ можно представить как «механизм преобразования входа в полезный выход». Но это только аналогия: официальные источники говорят не о «мышлении» машины, а о том, что система по входам формирует выходы для целей, которые задаёт человек.

Как это работает

В NIST, OECD и EU AI Act повторяется одна и та же базовая логика: есть входные данные, есть машинная система, есть вывод из этих данных, и есть выход, который затем влияет на реальную или виртуальную среду. Различия между источниками начинаются в акцентах: NIST подчёркивает человеческие цели, OECD и EU AI Act — вывод из входов, разную автономность и возможную адаптивность после развёртывания.

Цель, заданная человеком
            ↓
     Входные данные
            ↓
 Машинная система ИИ
   (вывод / inference)
            ↓
Выход:
- прогноз
- рекомендация
- решение
- контент
            ↓
Воздействие на реальную
или виртуальную среду

1. Человек задаёт цель. В определении NIST это важная часть: система работает для человечески определённых целей.
2. Система получает входы. OECD и EU AI Act описывают ИИ как систему, которая работает от входных данных.
3. Происходит машинный вывод. OECD прямо говорит об infer from inputs — система определяет, как получить нужный тип выхода.
4. Формируется выход. Это может быть прогноз, рекомендация, решение или контент.
5. Выход влияет на среду. NIST отдельно указывает на воздействие на реальные или виртуальные среды.
6. Адаптивность возможна, но не обязательна. OECD и EU AI Act допускают, что система может адаптироваться после развёртывания, но это не обязательный признак любого ИИ.

Где здесь машинное обучение? Часто внутри системы ИИ используется машинное обучение (machine learning). NIST определяет его как разработку и использование компьютерных систем, которые адаптируются и учатся на данных, чтобы повышать точность. Но обратное неверно: не всякий ИИ в официальных определениях обязан учиться после запуска.

Где применяется

• Прогнозирование. Система получает входные данные и выдаёт прогноз вероятного исхода. Такой тип выхода прямо перечисляют и NIST, и OECD.
• Рекомендации. ИИ может предлагать следующий шаг, вариант действия или набор приоритетов на основе входов.
• Поддержка или автоматизация решений. Система формирует решение либо заготовку решения, которая влияет на реальную или виртуальную среду. Этот акцент есть и у NIST, и в EU AI Act.
• Генерация контента. Отдельный класс ИИ-моделей создаёт синтетический текст, изображения, аудио, видео и другой цифровой контент. NIST выделяет generative AI как отдельный класс AI models.

Для практики это означает, что слово «ИИ» само по себе слишком широкое. В документации и требованиях полезнее сразу уточнять, о каком типе выхода идёт речь: прогноз, рекомендация, решение или генерация контента.

Если вы внедряете ИИ в процесс, полезно учитывать и управление рисками. Страница NIST AI Risk Management Framework фиксирует выпуск AI RMF 1.0 26.01.2023, профиль для generative AI 26.07.2024 и указывает, что рамка сейчас пересматривается.

Практический пример

Ниже — упрощённый сценарий. Это не описание конкретного продукта, а схема, которая помогает не путать общий термин «ИИ» с более узкими терминами вроде machine learning или generative AI.

1. Человек задаёт цель: например, нужно быстрее обрабатывать входящие обращения.
2. Система получает вход: текст обращения и связанные данные.
3. ИИ формирует выход: прогноз срочности, рекомендацию действия, проект ответа или решение о маршрутизации.
4. Результат влияет на среду: обращение уходит в нужный цифровой поток работы.
5. Человек сохраняет контроль там, где он нужен: особенно если ошибка выхода критична для процесса.
6. Если внутри есть обучение на данных, это частный случай machine learning; если система создаёт новый текст или изображение, это частный случай generative AI.

# Псевдосхема системы ИИ
goal = "обработать обращение"
input_data = "входной текст и связанные данные"

output = ai_system(input_data)

# output может быть одного из типов:
# prediction / recommendation / decision / content

human_review(output)
apply_to_environment(output)

Практический вывод: в рабочих документах лучше писать не просто «используем ИИ», а «используем ИИ для прогноза», «для рекомендации», «для автоматизации решения» или «для генерации контента». Так термин сразу становится проверяемым.

Чем отличается от машинного обучения, Generative AI и foundation model

Ограничения и заблуждения

• Заблуждение: «ИИ — это всегда машинное обучение». На практике ML часто используется внутри ИИ, но официальные определения ИИ шире.
• Заблуждение: «ИИ — это только генерация текста и картинок». Generative AI — лишь один класс ИИ, а не весь термин целиком.
• Заблуждение: «если система не учится после запуска, это уже не ИИ». OECD и EU AI Act говорят о возможной адаптивности, а не об обязательной.
• Ограничение определения: у ИИ нет одного универсального стандарта. NIST, OECD, EU и UNESCO сознательно используют разные рамки для разных задач.
• Ограничение терминологии: у NIST есть отдельный trustworthy-AI glossary hub на AIRC; сама страница помечает его как beta и как не привязанный к одной отрасли или use case. Значит, формулировки могут уточняться.
• Ограничение правового контекста: определение EU AI Act юридически важно для регулирования в ЕС, но его нельзя автоматически считать единственным мировым техническим стандартом.

Редакционное ограничение: эта статья сознательно не сводит ИИ к одному «окончательному» определению, потому что первоисточники NIST, OECD, EU и UNESCO формулируют термин для разных целей: технической, политической, правовой и этической.

Если вам нужен рабочий критерий, используйте такой: ИИ — это общий класс машинных систем, которые по входным данным получают выходы вроде прогнозов, рекомендаций, решений или контента. Но в спецификации, политике или договоре всегда уточняйте, на чьё определение вы опираетесь.

Связанные термины и материалы

• Генеративный ИИ — когда выходом становится синтетический текст, изображение, аудио или видео.
• Обучение с учителем (Supervised Learning) — один из практических режимов обучения моделей на размеченных данных.
• Обучение без учителя — подход, где структура данных ищется без готовых меток.
• Градиентный спуск — базовый механизм оптимизации при обучении многих моделей.
• Как использовать системные инструкции в Claude — прикладной материал о том, как управлять поведением модели на уровне инструкций.

Источники

• The Language of Trustworthy AI: An In-Depth Glossary of Terms
• OECD Legal Instruments
• AI principles | OECD

• artificial intelligence – Glossary | CSRC
• Explanatory memorandum on the updated OECD definition of an AI system | OECD
• Regulation – EU – 2024/1689 – EN – EUR-Lex
• Ethics of Artificial Intelligence – AI | UNESCO
• Machine Learning – Glossary | CSRC
• GenAI – Glossary | CSRC
• foundation model – Glossary | CSRC
• Glossary – AIRC
• AI Risk Management Framework | NIST

Вопросы и ответы

ИИ и машинное обучение — это одно и то же?

Нет. По NIST, machine learning — это более узкая область: системы учатся на данных и повышают точность. ИИ — более широкий термин для машинных систем, которые выдают прогнозы, рекомендации, решения или контент.

Generative AI — это весь искусственный интеллект?

Нет. NIST определяет generative AI как отдельный класс AI-моделей, создающих синтетический контент. Это часть ИИ, а не весь ИИ.

Почему у ИИ нет одного универсального определения?

Потому что разные институты решают разные задачи. NIST даёт технически удобную формулировку, OECD — международную политико-нормативную, EU AI Act — юридическую, UNESCO — этическую и более широкую.

Обязан ли ИИ учиться после развёртывания?

Нет. OECD и EU AI Act говорят о разной степени автономности и о возможной адаптивности после развёртывания, но не делают её обязательной для каждого ИИ.

Что в EU AI Act считается системой ИИ?

В Article 3 Regulation (EU) 2024/1689 ИИ-система описывается как машинная система с разной автономностью, которая по входам выводит, как создавать выходы — прогнозы, контент, рекомендации или решения. Это юридическое определение для регуляторного контекста ЕС.