Генеративный ИИ — что это простыми словами, как работает, примеры

Генеративный искусственный интеллект — это программы, которые умеют создавать новое: писать текст, рисовать картинки, делать видео и звук по вашему описанию. Проще всего сравнить его с художником, который пересмотрел огромное количество работ и научился рисовать в любой манере, но не копирует конкретные полотна, а каждый раз пишет заново. Вы говорите «портрет в осеннем парке, тёплый свет», и модель собирает такой кадр из выученных закономерностей: как выглядит листва, как свет ложится на лицо, какие цвета дают ощущение осени. В быту это чат-боты, которые отвечают на вопросы, генераторы изображений, сервисы, которые оживляют фото или показывают одежду на вашем снимке. Общее у них одно: результат не выбирают из готового списка, а создают под запрос. Поэтому он всякий раз немного другой, и проверять его приходится глазами.

У любой генеративной модели две фазы. Первая — обучение: нейросеть прогоняют через огромный набор примеров, и она подстраивает внутренние параметры так, чтобы воспроизводить закономерности данных. Языковая модель учится угадывать следующий фрагмент текста, модель изображений учится восстанавливать картинку из шума. Вторая фаза — генерация по запросу. Вы даёте условие: вопрос, текстовое описание кадра, фото. Языковая модель пишет ответ по кусочку, каждый раз выбирая вероятное продолжение. Диффузионная модель начинает со случайного шума и за серию шагов превращает его в изображение, которое подходит под описание. В процесс заложена доля случайности, поэтому один и тот же запрос даёт разные варианты. Модель не хранит готовые ответы и не ищет их в интернете, если к ней специально не подключили поиск: она строит результат из того, что усвоила при обучении.

Генеративный ИИ — не отдельная наука, а часть искусственного интеллекта, и обе ветви обычно построены на нейросетях. Разница в задаче. Классическая, распознающая модель выбирает ответ из заранее известных вариантов: спам или не спам, платье или юбка, вырастет спрос или упадёт. Её легко проверить, потому что у задачи есть правильный ответ и процент попаданий. Генеративная модель создаёт то, чего раньше не было: письмо вместо пометки «спам», портрет вместо распознанного лица, вещь на человеке вместо найденной категории товара. Правильного ответа здесь нет, качество оценивают по правдоподобию и по тому, насколько результат соответствует запросу. В моде это хорошо видно на примере поиска по фото: найти похожие брюки в каталоге — работа распознающей модели, а показать эти брюки на вашем снимке — работа генеративной. На практике их часто соединяют в одной системе.

Самые известные примеры — чат-боты на больших языковых моделях: ChatGPT, YandexGPT, GigaChat. Они пишут тексты, отвечают на вопросы, пересказывают документы. Второй большой класс — генераторы изображений: Midjourney, Stable Diffusion, Шедеврум. К этой же группе относится генеративная заливка в Photoshop, которая дорисовывает или заменяет часть снимка. Есть модели для видео, музыки, озвучки и программного кода. В моде и торговле генеративный ИИ — это примерка вещи на фото покупателя, замена одежды на готовом снимке, фотосессии по одному портрету, съёмка товара на ИИ-моделях, оживление фотографий. Если в тесте просят выбрать пример генеративного ИИ из списка, помогает простой критерий: система создаёт новый контент или выбирает из готового. Распознавание номера машины, фильтр спама и сортировка ленты — не генеративный ИИ, даже если там стоит нейросеть. Текст, картинка или видео, собранные под запрос, — генеративный.

Их удобно делить двумя способами. Первый — по типу результата. Текстовые модели пишут и редактируют текст, модели изображений создают и правят картинки, есть модели для видео, звука и речи, кода, трёхмерных объектов. Мультимодальные умеют принимать и выдавать несколько типов данных сразу, например понимают фото и отвечают текстом или берут снимок человека и изображение вещи и возвращают новое фото. Второй способ — по архитектуре. Генеративно-состязательные сети, GAN, устроены как пара соперников: генератор и дискриминатор. Вариационные автоэнкодеры сжимают данные в компактное описание и разворачивают обратно. Трансформеры лежат в основе языковых моделей. Диффузионные модели строят изображение из шума и широко применяются в генерации картинок. В реальных сервисах архитектуры часто комбинируют: одна часть понимает запрос, другая рисует, третья повышает разрешение.

Модальность — это тип данных, с которым работает модель: текст, изображение, звук, видео. Одномодальная модель понимает один тип, например только текст, и выдаёт тоже текст. Мультимодальная принимает несколько сразу: вы загружаете фото и пишете вопрос, а модель отвечает с учётом обоих. От модальности зависит, какие задачи вообще можно поставить. Текст в изображение — генерация картинки по описанию. Изображение в изображение — правка или перерисовка снимка. Изображение в видео — оживление фотографии. Изображение плюс изображение в изображение — это как раз примерка: снимок человека и фото вещи на входе, новое фото на выходе. Практический смысл простой: чисто текстовая модель не видит вашу фотографию, сколько бы подробно вы её ни описывали. Для задач с внешностью и одеждой нужна модель, которая принимает изображение.

Галлюцинацией называют уверенный, но неверный результат. Модель не лжёт намеренно: она выдаёт самое вероятное продолжение, и иногда вероятное не совпадает с правдой. В тексте это выдуманные цифры, несуществующие книги и ссылки, чужие цитаты, приписанные не тому человеку. В изображениях — лишние пальцы, пуговицы не на своём месте, буквы, которые складываются в бессмыслицу, логотип, похожий на настоящий, но с ошибкой. Чем реже подобное встречалось в обучающих данных, тем выше риск. Снизить его можно: давать модели чёткий запрос и чистый исходник, делать несколько вариантов, проверять факты по первоисточникам, а детали на изображении — по оригиналу. Продавцу особенно важно сверять ИИ-фото с реальным товаром: придуманная строчка или чужой принт на кадре превращаются в претензию покупателя после получения посылки.

Человек ставит задачу, выбирает исходники, оценивает результат и отвечает за то, что в итоге публикуется. Модель не знает контекста: для какого повода образ, какой дресс-код в офисе, удобно ли вам в этой вещи ходить весь день. У неё нет вкуса, есть только статистика того, что обычно встречается вместе. Поэтому стилист использует генерацию как быстрый эскиз, а решение принимает сам. Фотограф выбирает из серии кадры, где свет, поза и детали выглядят естественно, и отбраковывает неудачные. Продавец проверяет, что вещь на ИИ-фото совпадает с настоящей по цвету, фурнитуре и принту. Отдельная зона ответственности — этика: загружать можно только свои фото или снимки людей, которые на это согласились, и не выдавать сгенерированное изображение за реальную съёмку конкретного человека. Чем лучше человек понимает ограничения модели, тем полезнее результат.