[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"glossary-deep-learning::ru":3,"gloss-cluster-deep-learning::ru":23,"gloss-next-deep-learning::ru":9},{"slug":4,"category":5,"name":6,"definition":7,"meta_desc":8,"faq":9,"schema_markup":9,"related":10},"deep-learning","core-ai","Глубокое обучение","Глубокое обучение — это машинное обучение на нейросетях, достаточно глубоких, чтобы выучить признаки самостоятельно. В классическом машинном обучении человек решал, что измерять: частоты слов, гистограммы пикселей, придуманные вручную сигналы, — а алгоритм взвешивал эти входы. Глубокой сети дают более или менее сырые данные и множество уложенных друг на друга слоёв, и каждый слой выучивает представление, построенное на предыдущем: границы, затем формы, затем объекты; символы, затем слова, затем смысл. Эти промежуточные понятия никто не задаёт — именно поэтому подход масштабировался на задачи, где конструирование признаков забуксовало, и поэтому же он лежит в основе практически всех сильных языковых, визуальных, речевых и видеомоделей. Сработали три вещи, и все три практические, а не теоретические. Данные: слоям с миллионами и миллиардами параметров нужны огромные обучающие наборы, которые дал интернет. Вычисления: задействованная матричная арифметика хорошо ложится на GPU, поэтому обучение, занявшее бы годы, стало занимать недели. И архитектура: свёртки для изображений, а затем трансформеры для последовательностей дали сетям правильное структурное смещение под их домен. Уберите любую из трёх — и область останется на уровне 2010 года. Издержки — зеркальное отражение выгод. Поскольку модель выучивает собственное представление, прочитать её рассуждение по весам нельзя: именно из-за глубоких моделей интерпретируемость стала научной областью, а не пунктом код-ревью. Поскольку им нужен масштаб, обучение флагманской модели с нуля недоступно почти никому, и поэтому практический путь — взять предобученную модель и адаптировать её: дообучить или, чаще, просто попросить промптом. И поскольку они интерполируют внутри своего обучающего распределения, а не рассуждают по правилам, они ломаются иначе, чем системы на правилах: уверенно, гладко и на входах, которые выглядят ничем не примечательными. Для разработчика SaaS вывод такой: глубокое обучение — это редко то, что вы делаете; это то, что вы потребляете через API, а инженерные усилия уходят на данные, которые вы ему даёте, и на ограждения вокруг того, что он возвращает.","Глубокое обучение складывает достаточно слоёв, чтобы модель выучила признаки сама: отсюда и её масштабируемость, и невозможность прочесть её логику по весам.",null,[11,14,17,20],{"slug":12,"name":13},"llm","Большая языковая модель (LLM)",{"slug":15,"name":16},"machine-learning","Машинное обучение (ML)",{"slug":18,"name":19},"neural-network","Нейронная сеть",{"slug":21,"name":22},"transformer","Трансформер",[24,28,32,36,39,42,45,48,51,54,57,60],{"slug":25,"category":5,"name":26,"updated_at":27},"agentic","Агентный AI (Agentic AI)","2026-08-24T02:46:36+00:00",{"slug":29,"category":5,"name":30,"updated_at":31},"alignment-tax","Налог на выравнивание (Alignment Tax)","2026-08-24T02:46:37+00:00",{"slug":33,"category":5,"name":34,"updated_at":35},"artificial-intelligence","Искусственный интеллект (ИИ)","2026-08-24T02:46:38+00:00",{"slug":37,"category":5,"name":38,"updated_at":27},"attention","Внимание (Attention)",{"slug":40,"category":5,"name":41,"updated_at":35},"beam-search","Лучевой поиск",{"slug":43,"category":5,"name":44,"updated_at":31},"benchmark-contamination","Загрязнение бенчмарка (Benchmark Contamination)",{"slug":46,"category":5,"name":47,"updated_at":31},"catastrophic-forgetting","Катастрофическое забывание (Catastrophic Forgetting)",{"slug":49,"category":5,"name":50,"updated_at":35},"computer-vision","Компьютерное зрение",{"slug":52,"category":5,"name":53,"updated_at":31},"constitutional-ai","Конституционный ИИ (Constitutional AI)",{"slug":55,"category":5,"name":56,"updated_at":27},"context-window","Контекстное окно",{"slug":58,"category":5,"name":59,"updated_at":27},"diffusion-model","Диффузионная модель (Diffusion Model)",{"slug":61,"category":5,"name":62,"updated_at":31},"direct-preference-optimization","Прямая оптимизация предпочтений (DPO)"]