Что такое AI, ML и LLM?

Объясняю простыми словами, без заумных терминов и формул.

← Нулевой уровень · Как работают нейросети → · 🇬🇧 English

Содержание

1. AI, ML, LLM — в чём разница?
2. Что такое языковая модель (LLM)?
3. Откуда модель знает ответы?
4. Параметры: что значат цифры 7B, 14B, 70B
5. Open-source vs проприетарные модели
6. Что дальше

1. AI, ML, LLM — в чём разница?

Эти три буквосочетания часто путают. Давайте разложим по полочкам.

┌──────────────────────────────────────┐
│  AI (Artificial Intelligence)        │
│  Искусственный интеллект — общее     │
│  понятие: машина, которая «думает»   │
│                                      │
│  ┌──────────────────────────────┐    │
│  │  ML (Machine Learning)       │    │
│  │  Машинное обучение — AI,    │    │
│  │  который учится на данных    │    │
│  │                              │    │
│  │  ┌──────────────────────┐    │    │
│  │  │  LLM (Large Language │    │    │
│  │  │  Model)              │    │    │
│  │  │  Большая языковая   │    │    │
│  │  │  модель — то, с чем  │    │    │
│  │  │  вы общаетесь в чате│    │    │
│  │  └──────────────────────┘    │    │
│  └──────────────────────────────┘    │
└──────────────────────────────────────┘

AI — самое широкое понятие. Сюда входят и шахматные программы, и распознавание лиц в телефоне, и голосовые ассистенты.

ML — способ создать AI: не программировать правила вручную, а «скормить» программе примеры и дать ей самой найти закономерности.

LLM — конкретный тип ML, который работает с текстом. ChatGPT, Claude, Qwen, DeepSeek — это всё LLM.

Для этого handbook: мы говорим почти исключительно про LLM — языковые модели, которые вы можете запустить на своём компьютере.

2. Что такое языковая модель (LLM)?

Представьте «умный автодополнитель», который работает не со словами, а с целыми текстами.

Вы начинаете фразу — модель продолжает. Вы задаёте вопрос — модель «дописывает» ответ. Всё, что она делает — предсказывает следующее слово (точнее, токен) на основе предыдущих.

Аналогия: LLM — это человек, который прочитал почти весь интернет и теперь может закончить вашу мысль. Не потому что он «понимает», а потому что миллионы раз видел похожие тексты.

Важно: модель не «думает» и не «понимает» в человеческом смысле. Она — чрезвычайно сложный калькулятор вероятностей: на входе последовательность слов, на выходе — наиболее вероятное продолжение. Но из-за сложности (миллиарды параметров) результат выглядит так, будто модель действительно понимает.

3. Откуда модель знает ответы?

Модель не имеет доступа в интернет в момент ответа. Все её «знания» — это то, что она запомнила во время обучения.

Процесс выглядит так:

Этап 1: Обучение (Training)

Модель «скармливают» огромное количество текстов — книги, статьи, сайты, код. Триллионы слов. Она учится предсказывать следующее слово снова и снова, пока не научится делать это достаточно хорошо.

Аналогия: представьте, что вы никогда не видели шахмат. Вам показали миллион партий, и вы начали угадывать, какой ход обычно делают в той или иной позиции. Вы не знаете правил — вы просто «наиграли» статистику.

Обучение большой модели занимает месяцы и стоит миллионы долларов (электричество, аренда серверов). Этим занимаются крупные компании: Meta, Google, Alibaba, DeepSeek.

Этап 2: Инференс (Inference)

Это то, что вы делаете, когда печатаете вопрос в чате. Модель уже обучена — она просто применяет свои знания. Это быстро и бесплатно (только электричество).

Обучение → модель стала умной. Инференс → она отвечает на вопросы.

Этап 3: Дообучение (Fine-tuning)

Если вам нужно, чтобы модель разбиралась в вашей узкой области — можно взять готовую модель и «доучить» на ваших данных.

Аналогия: модель окончила обычную школу. Вы отправляете её на курсы повышения квалификации по вашей специальности. Это гораздо быстрее и дешевле, чем учить с нуля.

4. Параметры: что значат цифры 7B, 14B, 70B

Когда смотрите на модель, вы видите: Qwen 3.5 7B, Llama 3.1 70B. Цифра с буквой B — количество параметров (B = billion, миллиард).

Параметры — это «нейроны» модели. Чем их больше, тем модель потенциально умнее, но и тем больше ресурсов ей нужно.

Параметров	Аналогия	Где запускать	Примеры
1–3B	🐭 мозг мыши	Любой ноутбук, 8 GB RAM	Phi-3-mini, Qwen 2.5 1.5B
7–9B	🐕 золотая середина	MacBook / ПК, 16 GB RAM	Qwen 3.5 7B, Llama 3.1 8B
14–30B	🐒 нужно железо	32 GB RAM или GPU	Qwen 3.5 14B, DeepSeek-R1 14B
70B+	человек	Сервер, 64 GB+ RAM	Llama 3 70B, DeepSeek-R1 671B

Золотое правило: чем больше параметров, тем умнее модель, но она требует пропорционально больше памяти. На MacBook Air 16 GB — ваш потолок 7–9B. На MacBook Pro 48 GB — можно запустить 30B.

Важный нюанс: 70B модель не в 10 раз умнее 7B. Она умнее на 20–30%, но требует в 10 раз больше ресурсов. Для большинства повседневных задач 7–9B моделей более чем достаточно.

5. Open-source vs проприетарные модели

Для локального запуска нас интересуют только open-source модели. Их веса (weights) открыты — вы можете скачать файл модели и запустить где угодно.

Ведущие open-source модели на июль 2026:

• Qwen 3.5 (Alibaba) — лучшая для русского языка
• Llama 3.1 / 4 (Meta) — эталон, хороший английский
• DeepSeek-R1 / V3 — отличные рассуждения
• Mistral — эффективные модели
• Gemma 4 (Google) — набирают популярность
• Phi-4 (Microsoft) — маленькие и умные

6. Что дальше

В разделе: what-is-ai · how-models-work · cloud-vs-local · hardware-guide · glossary · faq · learning-path · setup-windows · setup-linux
Связанные разделы: Локальные модели · AI-агенты · Use Cases
Навигация: ← Нулевой уровень · ↑ На главную · 🇬🇧 English