Редакционная пометка. Статья восстановлена по сохранившимся репликам разговора от 16 октября 2026 года и по его основным темам. Прямые слова Романа приведены как цитаты; объясняющий текст написан заново для публикации. Это не дословная стенограмма.

Сделаем нейросеть сами

Всё началось с довольно простой просьбы:

Роман: «Давай сделаем простейшую нейросеть».

Когда говорят «нейросеть», воображение обычно рисует ChatGPT, генерацию изображений или что-то столь же сложное. Но для знакомства с принципом работы необязательно начинать с миллионов параметров. Достаточно одного искусственного нейрона.

Он получает числа на вход, умножает каждое на определённый вес, складывает результаты и решает, выдавать ли сигнал на выходе.

Например, для двух входов:

S=x1w1+x2w2.S=x_1w_1+x_2w_2.

Здесь x1x_1 и x2x_2 — входные значения, а w1w_1 и w2w_2 — веса. Веса определяют, насколько сильно каждый вход влияет на решение.

В простейшем пороговом нейроне ответ равен 1, если сумма достигла установленного порога θ\theta, и 0 — если не достигла:

y={1,S≥θ,0,S<θ.y=\begin{cases} 1, & S\geq\theta,\\ 0, & S<\theta. \end{cases}

Это ещё не ChatGPT. Но здесь уже есть главное: числа на входе, настраиваемые параметры и правило получения ответа.

Хорошо бы увидеть, как это работает

Следующим пожеланием стал интерфейс:

Роман: «Можно к этой программе приделать интерфейс?»

Идея оказалась полезной: гораздо легче понять нейрон, если можно менять веса и порог и сразу смотреть, как меняется результат.

Но интуитивная ясность пришла не сразу.

Роман: «До понимания мне еще как до Луны».

Именно поэтому мы решили не перескакивать к сложным сетям, а задержаться на одном понятии — пороге срабатывания.

Порог — это граница, после которой нейрон говорит «да», то есть выдаёт 1. Сам порог не имеет смысла отдельно от весов: важно, какую сумму создают входные сигналы.

Возьмём веса w1=w2=1w_1=w_2=1.

При пороге 1 нейрон реализует логическое «ИЛИ»: достаточно, чтобы хотя бы один вход был равен 1.

Первый вход Второй вход Сумма Выход при пороге 1
0 0 0 0
0 1 1 1
1 0 1 1
1 1 2 1

Роман: «Даже если порог 1, все равно „или“».

Да, именно так — при этих весах и правиле срабатывания S≥θS\geq\theta. Чтобы получить «И», можно поднять порог до 2: тогда оба входа должны быть равны единице.

Здесь мы обнаружили важную вещь: один и тот же нейрон может вести себя по-разному в зависимости от весов и порога. Меняется не программа вычисления, а её параметры.

Кто это придумал?

Почти неизбежно возник исторический вопрос:

Роман: «А кто вообще тот гений кто придумал нейросеть?»

У этой истории нет одного-единственного автора. Уоррен Мак-Каллок и Уолтер Питтс предложили раннюю математическую модель искусственного нейрона в 1943 году. Позже Фрэнк Розенблатт разработал перцептрон — систему, которая могла изменять свои параметры в процессе обучения на примерах.

Роман: «Так все-таки, Розенблатт это тот кто стоит у истоков?»

Да, один из ключевых исследователей ранних обучаемых нейронных сетей. Но у истоков стояли несколько учёных и несколько разных идей. Важно различать модель искусственного нейрона и перцептрон как обучаемую систему.

И ещё одно различие: пороговый нейрон, которому мы сами выставили веса, не обязательно обучается. Обучение начинается там, где существует правило, позволяющее изменять параметры по результатам работы.

А какие сети бывают ещё?

Роман: «Кроме перцептрона, какие бывают сети? Чем отличаются?»

Нейросети различаются не только числом нейронов. У них бывает разная архитектура — то есть разные способы организации вычислений и передачи информации.

Например:

  • Многослойные полносвязные сети пропускают данные через несколько последовательных слоёв нейронов.
  • Свёрточные сети (CNN) особенно известны применениями к изображениям: они используют локальные фильтры, распознающие особенности входных данных.
  • Рекуррентные сети (RNN) обрабатывают последовательности и используют информацию о предыдущих шагах.
  • Трансформеры применяют механизм внимания для работы со взаимосвязями между элементами последовательности. На этой архитектуре основано множество современных языковых моделей.
  • Автоэнкодеры учатся представлять данные в сжатой или преобразованной форме и затем восстанавливать их.

Все они родственны по общей идее настраиваемых параметров и вычислений, но устроены и обучаются не совершенно одинаково.

Почему одного нейрона недостаточно?

В конце разговора возник вопрос, который стал мостом ко второй статье.

Простейший пороговый перцептрон с двумя входами может реализовать «И» и «ИЛИ». Но существует операция, с которой он не справляется, как ни меняй веса и порог, — XOR, исключающее «ИЛИ».

XOR выдаёт 1, если входы различаются, и 0, если они одинаковы.

Первый вход Второй вход XOR
0 0 0
0 1 1
1 0 1
1 1 0

Почему этот случай особенный? Потому что один пороговый нейрон разделяет входные точки прямой линией, а точки XOR одной прямой правильно разделить нельзя.

Вот тут и появляется следующий вопрос: если один нейрон не справляется, могут ли справиться несколько, соединённых вместе?

Во второй статье мы попробуем ответить на него — и от трёх нейронов доберёмся до производных, градиентного спуска и обратного распространения ошибки.

Роман и Астра (ChatGPT). По мотивам диалога от 16 октября 2026 года; редакционная реконструкция с сохранением подтверждённых реплик.