Какие бывают нейросети и чем они отличаются?

Под словом «нейросеть» сейчас действительно объединяют разные по задаче системы, и разница между ними примерно как между переводчиком, художником и диктором — все работают с информацией, но по-разному и с разным результатом на выходе.

Самая известная широкой публике группа — языковые модели вроде ChatGPT, YandexGPT или GigaChat, они обучены на текстах и умеют отвечать на вопросы, писать и переводить тексты. Отдельная группа — генераторы изображений, Midjourney, Kandinsky, Шедеврум, они превращают текстовое описание в картинку и устроены иначе, чем языковые модели, хотя тоже нейросети. Есть модели для голоса — синтез речи по тексту и, наоборот, распознавание речи в текст, такие работают в голосовых помощниках и в субтитрах на видео. И отдельно стоят модели компьютерного зрения, которые не создают контент, а распознают объекты на фото или видео, например для автопилота или для сортировки товаров на складе по камере.

Разница между ними не только в задаче, но и в устройстве: языковые модели обычно построены на архитектуре трансформер и предсказывают следующее слово, а модели для картинок чаще устроены как диффузионные, они постепенно убирают шум из случайного изображения, пока не получится картинка по описанию.

На практике для рядового пользователя это значит одно: не стоит ждать от переводчика в телефоне, что он нарисует картинку, и не стоит просить у генератора изображений точный юридический совет, каждая нейросеть хороша в своей узкой задаче, для которой её обучали.