3 июля 2026 года TechCrunch опубликовал большой словарь терминов ИИ для тех, кто уже устал делать умный вид на созвонах, где через слово летят LLM, MCP, RLHF и AGI. Для русскоязычной IT-аудитории это не просто ликбез: словарь терминов ИИ быстро превращается в рабочий инструмент, если вы пишете продукт, оцениваете подрядчика, нанимаете команду или пытаетесь понять, что именно вам продают под видом «агентной автоматизации».
Материал, как пишет TechCrunch, собрали сразу четыре автора: Наташа Ломас, Ромен Дийе, Кайл Уиггерс и Лукас Ропек. Формат у них предельно практичный: не академический учебник, а «живой документ», который будут регулярно обновлять по мере того, как рынок генерирует новые слова быстрее, чем успевает объяснять старые. Сам по себе этот ход показателен. Еще пару лет назад индустрия могла спорить о моделях, чипах и инвестициях, не тратя половину разговора на расшифровку терминов. В 2026-м без переводчика с AI-диалекта уже тяжело даже внутри самой отрасли.
Словарь начинается с самых скользких понятий. Например, AGI TechCrunch прямо называет расплывчатым термином и показывает, что даже у лидеров рынка нет единой версии. Сэм Альтман ранее описывал AGI как систему уровня «среднего человека, которого можно нанять коллегой». В уставе OpenAI формулировка жестче: это высокоавтономные системы, которые превосходят людей в большинстве экономически ценной работы. У Google DeepMind свой акцент: уровень человека в большинстве когнитивных задач. Полезный вывод для бизнеса здесь простой: когда стартап или вендор обещает «путь к AGI», сначала стоит спросить, по какой именно шкале он меряет это обещание. Иначе обсуждение быстро превращается в конкурс красивых слайдов.
Вторая важная линия — разница между чат-ботом, агентом и специализированным агентом для кода. TechCrunch аккуратно разводит эти понятия. AI-агент — это система, которая не просто отвечает на запрос, а выполняет цепочку действий: от бронирования и оформления расходов до работы с внешними сервисами. Coding agent — уже более узкий класс, заточенный под разработку: писать код, гонять тесты, искать баги, вносить правки по всему репозиторию. Для разработчиков и CTO это, пожалуй, самая прикладная часть словаря терминов ИИ. На рынке слишком много продуктов, которые называют себя «агентами», хотя по факту это обычный чат с кнопкой Run. Если терминология размыта, то и ожидания у заказчика будут завышены, а разочарование — дорогим.
Отдельно TechCrunch проходит по словам, которые все слышали, но не все одинаково понимают: chain of thought, inference, fine-tuning, distillation, hallucination. Здесь особенно полезно, что редакция привязывает определения к реальным сценариям. Chain of thought — это разбиение задачи на промежуточные шаги ради более точного ответа, особенно в логике и коде. Inference — запуск уже обученной модели, то есть момент, когда вся эта дорогая математика наконец начинает работать на пользователя. Fine-tuning — дообучение под конкретную задачу или отрасль. Distillation — перенос поведения большой модели в более компактную и дешевую. Hallucination — любимый эвфемизм индустрии для случаев, когда модель просто выдумывает факты. Для компаний это не игра в термины: на этих различиях держатся и сметы на инфраструктуру, и требования к качеству, и юридические риски.
Есть и хороший срез по инфраструктурной стороне рынка. В словаре фигурируют compute, parallelization, memory cache, token throughput, weights, validation loss и Mixture of Experts. Иначе говоря, TechCrunch напоминает: ИИ — это не только интерфейсы и красивые демо, но еще и стоимость вычислений, пропускная способность, память, архитектурные компромиссы и очень конкретные ограничения железа. Показателен даже термин RAMageddon — полушутливое название дефицита памяти, который разгоняет цены и бьет по смежным отраслям, от потребительской электроники до корпоративных дата-центров. Для продактов и IT-директоров смысл прозрачен: если поставщик говорит о «снижении стоимости инференса» или «росте throughput», это не декоративный жаргон, а разговор о том, сколько пользователей сервис выдержит и во сколько обойдется каждая дополнительная фича.
Наконец, словарь фиксирует, как быстро вчерашние нишевые термины становятся базовой грамотой рынка. Самый заметный пример — Model Context Protocol, или MCP. TechCrunch напоминает, что стандарт представила Anthropic в 2024 году, затем его передали Linux Foundation, а позже его приняли OpenAI, Google и Microsoft. Еще недавно такие детали интересовали в основном платформенных инженеров. Теперь это уже предмет разговора для любого бизнеса, который хочет подключать модели к файлам, базам данных, Slack или Google Drive без кастомной интеграции на каждый случай. Та же история с open source, MoE и transfer learning: эти термины давно вышли из исследовательских лабораторий и стали частью нормального продуктового словаря.
Главный эффект от публикации TechCrunch даже не в самих определениях, а в признании очевидного факта: рынок ИИ создал собственный профессиональный диалект, который влияет на найм, закупки, архитектуру и ожидания клиентов не меньше, чем сами модели. Поэтому следующий раунд конкуренции, похоже, пойдет не только за более мощные модели, но и за право навязать отрасли свои термины как стандарт. Кто контролирует словарь, тот довольно часто контролирует и повестку.