Глоссарий по ИИ (9 мая 2026) разъясняет AGI, AI‑агентов, API‑эндпоинты и chain‑of‑thought

Обновляемый глоссарий терминов искусственного интеллекта опубликован 9 мая 2026 и нацелен на сокращение путаницы вокруг обилия аббревиатур и жаргона в индустрии. Документ позиционируется как «живой» ресурс для инженеров, менеджеров продуктов и исследователей: определения призваны быть понятными и обновляться по мере развития области, чтобы облегчить коммуникацию и принятие проектных решений.

В разделе об AGI отражены разные подходы к определению понятия. Авторитетные формулировки остаются размытыми: один из часто цитируемых описаний от Sam Altman называет AGI «эквивалентом среднего человека, которого можно было бы нанять как коллегу», устав OpenAI описывает AGI как «высокоавтономные системы, которые превосходят людей в большинстве экономически значимых задач», а Google DeepMind рассматривает сопоставимость с человеческими возможностями в большинстве когнитивных задач. Глоссарий подчёркивает, что эти определения отражают разные акценты в оценке масштабов и рисков AGI.

Пояснение про AI‑агента уточняет, что под таким термином чаще всего понимают не просто чат‑боты, а системы, выполняющие серию действий от имени пользователя: ведение учёта расходов, бронирование билетов или столов, а также написание и поддержка кода. При этом авторы отмечают вариативность определений и то, что инфраструктура для полноценной работы агентов всё ещё достраивается; типичный агент может комбинировать несколько моделей и сервисов, чтобы решать многошаговые задачи.

Раздел про API‑эндпоинты даёт практическую аналогию: эндпоинты — это «кнопки» программного интерфейса, которые другие приложения «нажимают», чтобы вызвать функции. Для разработчиков это основа интеграций между сервисами; глоссарий обращает внимание на то, что по мере роста возможностей агенты всё чаще обнаруживают и используют такие эндпоинты самостоятельно, что открывает мощные и иногда неожиданные сценарии автоматизации.

Объяснение принципа chain‑of‑thought показывает, как разбиение задачи на промежуточные шаги повышает точность ответов больших языковых моделей в логических и кодовых задачах, хотя и увеличивает время вывода. Глоссарий указывает, что reasoning‑модели обычно строятся на базе больших моделей и оптимизируются методами вроде reinforcement learning; для практики это значит, что выбор архитектуры и подходов к обучению напрямую влияет на качество рассуждений и помогает проектировать более безопасные и предсказуемые системы.