Словарь AI-терминов за последние два года разросся до почти 30 понятий: от AGI и RLHF до MCP, MoE и opaque recurrence. 7 сентября TechCrunch собрал и обновил такой глоссарий, сообщает TechCrunch, и это не академическая забава, а рабочий минимум для тех, кто покупает, внедряет, продает или регулирует AI-системы.
Главный повод для обновления — появление термина opaque recurrence, связанного с новой моделью OpenAI Astra, выпущенной в сентябре 2026 года. По описанию TechCrunch, речь о технике рассуждения, при которой модель многократно прогоняет запрос через внутренние слои, а не раскладывает ответ в человекочитаемую цепочку шагов. Для пользователя это может выглядеть как более быстрый и дешевый ответ. Для специалистов по безопасности — как новая головная боль: если рассуждение хуже видно снаружи, сложнее понять, где модель ошиблась, почему выбрала вредное действие или как ее проверять.
До сих пор одним из удобных объяснений «разумности» больших языковых моделей был chain of thought — цепочка рассуждений. Модель делит задачу на промежуточные шаги, что особенно полезно в логике, математике и программировании. Да, ответ появляется медленнее, зато его проще проверять. Opaque recurrence обещает похожий выигрыш в качестве без такого прозрачного следа. И вот тут начинается привычная для AI-индустрии сделка: производительность против наблюдаемости.
Глоссарий TechCrunch полезен еще и потому, что фиксирует, насколько быстро инженерные термины становятся языком менеджерских презентаций. Словарь AI-терминов теперь нужен не только ML-инженеру. Продакт должен понимать, чем AI-агент отличается от чат-бота. IT-директору важно не путать обучение модели с inference, потому что это разные бюджеты и разные требования к инфраструктуре. HR в IT уже видит в вакансиях coding agents, RAG и fine-tuning, хотя еще вчера достаточно было написать «опыт с Python и API».
Отдельный блок касается AI-агентов и coding agents. В базовом варианте AI-агент — система, которая выполняет многошаговую задачу за пользователя: например, бронирует билеты, оформляет расходы или работает с внешними сервисами через API endpoints. Coding agent — более узкая версия для разработки: он не просто предлагает фрагмент кода, а может менять файлы, запускать тесты, искать ошибки и повторять цикл до результата. Звучит как мечта тимлида, пока не вспоминаешь, что быстрый исполнитель без ревью быстро превращается в источник быстрых инцидентов.
Термины вокруг инфраструктуры тоже перестали быть внутренней кухней дата-центров. Compute — это не абстрактная «мощность», а GPU, CPU, TPU и вся железная база, на которой держатся обучение и запуск моделей. Token throughput показывает, сколько текстовой работы система способна обработать за единицу времени. Memory cache, включая KV caching в трансформерных моделях, нужен для ускорения inference и снижения числа повторных вычислений. В бизнес-переводе это означает простую вещь: скорость ответа AI-сервиса, его цена и масштабирование завязаны не на магию, а на железо, память и архитектуру.
Важная часть глоссария — старые, но все еще плохо понятые понятия. LLM — это большая языковая модель с миллиардами параметров, на которой работают ChatGPT, Claude, Gemini, Microsoft Copilot и другие ассистенты. Fine-tuning — дообучение модели под конкретную задачу или отрасль. Distillation — перенос поведения большой модели в меньшую, более дешевую и быструю. Diffusion лежит в основе многих генераторов изображений, музыки и текста: система учится восстанавливать данные из шума. GAN — архитектура с двумя конкурирующими сетями, генератором и дискриминатором, которая исторически дала сильный толчок реалистичной генерации, включая deepfake-инструменты.
Для рынка особенно показательны два термина: MCP и open source. Model Context Protocol, представленный Anthropic в 2024 году и затем переданный Linux Foundation, описывается как стандарт подключения моделей к внешним данным и инструментам: файлам, базам, корпоративным приложениям. Его уже приняли OpenAI, Google и Microsoft. Open source в AI остается спорным полем: открытые модели вроде Llama дают разработчикам возможность проверять и дорабатывать систему, закрытые модели предлагают готовый сервис, но требуют доверия к поставщику. Для enterprise-команд это не идеологический спор, а вопрос аудита, зависимости от вендора и контроля данных.
Есть и менее приятная часть словаря: hallucination, neuralese, recursive self-improvement и RAMageddon. Галлюцинации — это не забавный сбой, а риск неверных медицинских, юридических или технических рекомендаций. Neuralese пока описывает гипотетический сценарий, где модель рассуждает полностью во внутренних числовых представлениях, почти без понятного человеку следа. Recursive self-improvement — идея, что AI сможет улучшать сам себя без участия людей. RAMageddon — разговорное название дефицита памяти, который усиливается из-за спроса AI-компаний на дата-центры и уже цепляет игровые консоли, смартфоны и корпоративную инфраструктуру.
Словарь AI-терминов важен не потому, что индустрия любит новые аббревиатуры. Он показывает, где проходят реальные линии риска: прозрачность против эффективности, открытые модели против закрытых, агенты против ручного контроля, скорость вывода против стоимости инфраструктуры. Следующий этап для компаний — не выучить все слова, а научиться задавать по ним правильные вопросы поставщикам: что именно делает модель, где это логируется, как проверяется, сколько стоит запуск и кто отвечает, когда «умный агент» нажал не ту кнопку.
