🚀 Продолжится ли стремительный рост мощности ИИ до 2030 года?

Исследователи из Института будущего человечества изучили возможности масштабирования тренировок ИИ-моделей в ближайшие годы. Их главный вывод - к 2030 году будет технически возможно провести тренировочные запуски мощностью до 2e29 FLOP. Это в 10 000 раз мощнее, чем GPT-4!

🔬 Ключевые выводы исследования:

1. Темпы роста вычислительной мощности ИИ-моделей сейчас составляют примерно 4x в год. Это быстрее, чем рост мобильной связи или солнечной энергетики в их лучшие годы.

2. Основные ограничения для дальнейшего роста:
- Электроэнергия 🔌
- Производство чипов 💻
- Нехватка данных для обучения 📊
- "Latency" - фундаментальное ограничение скорости вычислений ⏱️

3. Энергопотребление: к 2030 году возможны распределенные дата-центры мощностью 2-45 ГВт. Этого хватит для тренировок в 10 000 раз мощнее GPT-4.

4. Чипы: производство может вырасти до 100 млн GPU-эквивалентов в год. Но есть риски нехватки мощностей для упаковки чипов.

5. Данные: мультимодальное обучение (текст + видео + аудио) может увеличить доступный объем данных в 3 раза. Синтетические данные потенциально снимают это ограничение.

6. Сетевые задержки пока не является критичным ограничением для роста.

💰 Стоимость кластера для тренировки модели мощностью 2e29 FLOP может достигать сотен миллиардов долларов. Но потенциальная экономическая отдача огромна - ИИ сможет автоматизировать значительную часть человеческого труда.

🤔 Главный вопрос - решатся ли компании и правительства инвестировать такие суммы в развитие ИИ? Некоторые признаки говорят "да" - например, Microsoft и OpenAI планируют дата-центр Stargate стоимостью $100 млрд.

🌟 Если прогноз сбудется, к концу десятилетия мы увидим такой же скачок в возможностях ИИ, как между GPT-2 и GPT-4. Это может стать крупнейшим технологическим проектом в истории человечества.

А что думаете вы - оправданы ли такие гигантские инвестиции в ИИ? Какие перспективы это открывает и какие риски несет? Делитесь мнением в комментариях! 👇

#ИИ #ИскусственныйИнтеллект #Технологии #Будущее

@technologies_trends

Парад «Старгейтов»

Похоже, 2025 год имеет все шансы стать годом #ИИ. Еще только февраль, а глобальных событий масса, и еще много предстоит. И каждое окажет влияние на то, как пойдет развитие #AI-технологий в ближайшие годы.

Вот несколько недавних новостей, оцените, как кучно идут:

🔸 В Париже 11 февраля прошел саммит Евросоюза AI Champions Initiative. Европа выделяет €200 млрд на строительство «гигафабрик», на которых будут обучаться новые европейские нейронки.

🔸 В тот же день Эммануэль Макрон объявил о выделении €109 млрд на собственный французский проект развития ИИ — Франция хочет сделать свой Stargate.

🔸 Напомним, что Трамп анонсировал Stargate с бюджетом $500 млрд 22 января.

🔸 27 января Китай ответил Трампу, субсидировав на развитие ИИ 1 триллион юаней ($137 млрд).

🔸 А полутора месяцами ранее, 11 декабря, было объявлено о создании Альянса БРИКС по развитию искусственного интеллекта.

Тенденция, однако.

О чем это говорит? Все развитые страны понимают, насколько БОЛЬШОЕ влияние ИИ окажет на мир вот прям скоро. И спешат принять меры. Кто может — сам, кто не может — коллективно. Ставки слишком высоки.

🚀 NYT уже сравнила обладание собственными моделями ИИ с наличием ядерного оружия. Это теперь не просто технология, а 1) важный элемент национального суверенитета (экономического и военного) и 2) очень весомый козырь в борьбе за мировое лидерство. Кто выиграет гонку ИИ, будет диктовать правила игры при новом технологическом укладе.

Не будем вдаваться в геополитику, поговорим об экономике и технологиях (хотя всё это связано). Евросоюз озабочен своим отставанием от США и Китая в целом ряде ключевых позиций, в т.ч. роботизации. Согласно прогнозу General Catalyst, внедрение генеративных нейросетей может повысить производительность Европы на 3% к 2030 году. Три процента для Европы — это много, но дело даже не в этом: если сейчас не форсировать развитие ИИ, ЕС утратит все надежды на возможное лидерство в будущем.

Тем же самым озабочены и США относительно Китая. Отсюда и «парад Старгейтов».

🇷🇺 Каковы в этой гонке шансы России? Кстати, не так уж плохи. Во-первых, у нас тоже идут инвестиции в ИИ. До 2030 года намечено вложить 149 млрд рублей (с 2019-го по 2023 год потратили всего 19,4 млрд). Во-вторых, можем, умеем, практикуем. Более трети моделей генеративного ИИ, используемых в российском бизнесе, являются отечественными. Создаются целые кластеры специализированных вычислений ИИ. А всего сектор ИИ к 2030 г. должен составить не менее 12 трлн руб. (сейчас — 4 трлн, или 2,2% ВВП). Ну и в-третьих, надо состоять в удачных альянсах. В наше время колаборация — это всё, а у нас в партнерах Китай, Индия и ОАЭ, которые тоже активно вкладываются сейчас в развитие нейронок. По некоторым оценкам, реализованный экономический эффект от внедрения генеративного ИИ в странах БРИКС+ к 2030 г. может достичь $350–600 млрд.

P.S. На наш взгляд, NYT излишне драматизирует. Скорее, ИИ надо сравнить не с атомной бомбой, а с индустриализацией XX века. Тогда тоже менялся глобальный технологический уклад. И хотя каждый, при наличии денег, мог лично построить завод, именно от усилий государства зависело, насколько быстро страна перейдет на новые рельсы. Но в итоге все там будут 😉

🚀 Подписывайтесь на ТехноТренды — самый экспертный канал об AI, IT и роботизации!

🇷🇺 Магнитогорский металлургический комбинат (ПАО «ММК») объявил о создании Центра компетенций искусственного интеллекта. Задача Центра — разрабатывать высокотехнологичные решения и обеспечивать масштабируемость проектов ИИ для повышения эффективности бизнеса компании.

Над цифровизацией производства в ММК работают уже более 5 лет, более половины проектов разрабатываются с учетом привлечения ИИ. Экономический эффект от внедрения этих решений превысил 4,5 млрд рублей.

Свежий пример — AI-ассистент, внедренный в январе в электросталеплавильном цехе. ИИ, разработанный с применением методов машинного обучения, предназначен для прогнозирования температуры заказа. Модель обучена на исторических данных по 32 тыс. плавок и учитывает десятки параметров плавки. Вся информация отображается в онлайн-таблице цеха и накапливается в базе для последующего анализа закономерностей и отклонений.

Добавим, что ММК — не исключение. Например, на Надеждинском металлургическом заводе (входит в «Норникель») ИИ, цифровые двойники и специальные роботы применялись при проектировке и монтаже печи для переработки медно-никелевого концентрата. «Северсталь», Новолипецкий ЛМК, РУСАЛ тоже не отстают. В целом по горно-металлургической отрасли в 2023-2024 гг. доля компаний, планирующих увеличить эффект от цифровизации, выросла почти в 4 раза: с 15% до 55%.

🎯 Какие здесь тренды?

👉 Системный подход к внедрению AI. Крупные промышленные компании инвестируют в создание собственных центров компетенций, таких как вышеупомянутый центр на ММК, программа «Цифровая сталь» на «Северстали», Лаборатория ГИИ на Новолипецком ЛМК и т.п. Это позволяет разрабатывать и масштабировать AI-решения под конкретные задачи бизнеса, снижая издержки и повышая эффективность.

👉 Комплексность. Интеграция в производственный процесс широкого спектра технологий (машинное обучение, статистическое моделирование, компьютерное зрение, LLM и др.), а также перспективное планирование их внедрения свидетельствует о более зрелом, комплексном подходе к цифровизации отрасли.

👉 Фокус на производственные процессы. Изначально ИИ использовался преимущественно для оптимизации менеджмента (логистика, HR, работа с клиентами). Теперь мы видим, как акцент всё больше смещается на производство: обработка больших данных, прогнозирование параметров, контроль качества, обеспечение безопасности труда, что, по оценкам руководства компаний, уже приводит к значительному экономическому эффекту.

👉 Концепция AI-first. То, что происходит в металлургии, соответствует общему мета-тренду: все ведущие промышленные отрасли сейчас переходят на новый технологический уровень, где ИИ становится ключевым инструментом повышения эффективности, конкурентоспособности и экономической отдачи.

#роботизация_промышленности #AI_ассистенты #ИИ #металлургия

🚀 Подписывайтесь на ТехноТренды — самый экспертный канал об AI, IT и роботизации!

Мира Мурати, бывший технический директор OpenAI, объявила о запуске ИИ-стартапа Thinking Machines Lab. Его цель — создание доступных и адаптируемых интеллектуальных систем на принципах Open Source.

К проекту Миры присоединились несколько крутых специалистов, также покинувших компанию после (временного) увольнения Сэма Альтмана в 2023 году. Например, соучредитель OpenAI Джон Шульман займет должность руководителя исследований, Барретт Зоф станет техническим директором, Александр Кириллов займется мультимодальными моделями ИИ. Джонатан Лахман, возглавлявший отдел специальных проектов OpenAI, также войдет в число топ-менеджеров. Кроме них, проект собрал ведущих исследователей и инженеров из других элитных лабораторий (в т.ч. Character.AI и Google DeepMind), таких как Майл Отт, один из авторов библиотек FSDP и fairseq, и Рэндалл Лин, бывший техлид Твиттера.

Философию этой «команды-ух» сама Мира Мурати определяет так:

«Мы стремимся к открытой науке посредством публикации исходного кода, уделяя особое внимание сотрудничеству человека и искусственного интеллекта в различных областях... Мы строим будущее, в котором каждый будет иметь доступ к знаниям и инструментам, позволяющим использовать искусственный интеллект для удовлетворения своих уникальных потребностей и целей».

Что наблюдаем? Многие «звездные» разработчики не согласны с трендом на развитие ИИ как проприетарных автономных систем и деятельно выступают за опенсорс, мультимодальность, колаборацию ИИ с человеком. Нечто подобное мы уже слышали недавно из Европы, причем там это заявлено как государственная концепция. Набирает силу новый тренд, который в будущем должен сделать ИИ-технологии максимально доступными для массового пользователя, прозрачными, адаптивными и масштабируемыми.

#AI #ИИ #стартапы

🇷🇺 В Сколково прошла презентация тренд-репорта «Рынок GenAI в 2025: что нужно знать бизнесу» (🎦Youtube, Rutube). Эксперты проанализировали и обобщили
● состояние рынка GenAI в мире и в России,
● технологические и пользовательские тренды генеративного ИИ в 2025 году,
● ситуацию на рынке труда на фоне широкого внедрения GenAI-моделей.

Скачать документ в формате PDF можно по ссылке. Некоторые ключевые тезисы:

🔸 Ожидаемый среднегодовой темп роста рынка GenAI на 2024–2030 гг. оценивается в 46,48%. К 2030 году его объем увеличится в 10 раз, достигнув $356,1 млрд. Ключевую роль в развитии рынка будут играть США, Европа и Азия, но и наша страна имеет достаточный потенциал для появления собственных «единорогов» (стартапов-миллиардеров).

🔸 Объем рынка GenAI в России прогнозируется на уровне $4,15 млрд, со среднегодовым ростом 25%. К 2030 году правительство планирует выделить $0,3 млрд на развитие AI. Вложения из внебюджетных источников, таких как Сбер и РФПИ, могут составить $1,16 млрд. Технология набирает популярность как в бизнесе, так и среди частных пользователей.

🔸Развитие AI-систем движется в сторону агентного подхода: автономные AI-агенты, мультиагентные системы (MAS) и агенты пользовательского интерфейса. Подобная модульность создает предпосылки для формирования композитных AI — мета-структур, которые преодолевают ограничения традиционных LLM за счет интеграции различных технологий в единый комплекс.

🔸Технология RAG (Retrieval-Augmented Generation) становится базово применимой концепцией для LLM
и продолжает эволюционировать, расширяя разнообразие архитектур. Так же активно идет развитие Vision-Language Models (VLM) — продвинутых AI-моделей, работающих одновременно с текстом и изображениями.

🔸Еще один тренд — на развитие SLM (Small Language Models), компактных нейросетей, оптимизированных для узкоспециальных задач. По прогнозу Gartner, к 2027 году более 50% моделей GenAI, используемых в бизнесе, будут адаптированы под конкретные отрасли или бизнес-функции.

🔸Также нас ожидает массовое внедрение AI-агентов и копилотов в физические устройства (дальнейшее развитие «интернета вещей») и переход LM-систем от вопросно-ответных датасетов к рассуждающим моделям.

🔸Что касается перемен на рынке труда, то прогноз позитивный.

Несмотря на автоматизацию, безработица не должна вырасти, так как появляются новые профессии. Однако большинство специальностей потребуется адаптировать, а сотрудников — обучать работе в среде с AI-агентами.

☝️ AI-агент не заменяет человека, но дополняет его. Конкуренция возникает не между людьми и машинами, а между теми, кто эффективно использует AI, и теми, кто этого не делает. Часть задач передается ботам, что меняет структуру труда и перераспределяет работу. Появляются новые требования к сотрудникам, AI-навыки становятся ценным преимуществом.

«AI — не очередной хайп. Это следующий технологический цикл, который приведет к масштабным изменениям и долгосрочному обновлению бизнес-процессов».

#аналитика #AI #LLM #SLM #ИИ #RAG

🚀 Подписывайтесь на ТехноТренды — самый экспертный канал об AI, IT и роботизации!

Рынок вычислений для ИИ — мировые и российские тренды

Мы уже писали о том, что искусственный интеллект становится одним из приоритетов развития бизнеса. В свою очередь, спрос на внедрение генеративного AI вызвал в мире кратный рост рынка вычислительных мощностей.

Согласно данным аналитиков, глобальный рынок центров обработки данных (ЦОД) вырос с $187 млрд в 2020 году до $342 млрд в 2024 году. Стремительное развитие ИИ привлекает всё новые инвестиции. Например, только в 2023 году на ИИ-проекты было потрачено более $150 млрд, что стимулировало строительство новых ЦОД по всему миру.

А что у нас?
Россия не остается в стороне от общемирового тренда. По данным ассоциации «Финтех», уже к середине 2023 года 95% компаний внедрили ИИ-технологии в основные процессы. Крупные игроки, такие как «Ростелеком» и «Яндекс», инвестируют в строительство новых дата-центров и разработку собственных процессоров для ИИ. Например, «Яндекс» к 2025 году планирует увеличить мощности своих ЦОД на 30%.

Спрос на вычислительные мощности в стране продолжает расти, опережая предложение. По итогам 2024 года объем российского рынка центров обработки данных достиг 156,5 млрд рублей — на треть больше, чем в 2023-м. CAGR (среднегодовой темп роста) 30% — не самый высокий для технологичных отраслей, но рынок далек от насыщения, и есть основания ожидать, что в ближайшие годы CAGR вырастет до 45% и выше.

На фоне мировых лидеров это всё равно пока выглядит скромно. Например, в США объем рынка ЦОД в тот же период составил $120 млрд — почти в 70 раз больше, чем в России. На долю США приходится около 40% всех мировых вычислительных мощностей, тогда как РФ занимает менее 1%.

Важное преимущество для развития отрасли в России — дешевизна электроэнергии, почти вдвое ниже среднемировых цен (4,80 ₽ за кВт·ч против 8,67 ₽ за кВт·ч).

С другой стороны, мешают развитию ограниченный доступ к современным технологиям, дефицит квалифицированных кадров, высокая стоимость заемных средств (а отсюда недостаток инвестиций).

Пятилетка ударного роста
Тем не менее, эксперты отрасли настроены позитивно. По мнению вице-президента «Ростелекома» Д.Халитова, к 2030 г. мощность российских ЦОД для решения задач ИИ должна превысить эквивалент 70 000 GPU Nvidia А100.

Крупнейшие российские IT-компании сейчас суммарно владеют вычислительными мощностями, эквивалентными примерно 10 тысячам A100. (Для сравнения, в США только компания Tesla располагает массивом в 350 000 карт Nvidia H200, а каждая H200 в 15 раз мощнее A100). Т.е. парк высокопроизводительных вычислителей в РФ должен за 5 лет вырасти всемеро.

Насколько реалистична такая оценка? Надо учесть, что даже Nvidia A100 в достаточных объемах закупать сейчас не так-то просто. С 2022 года США запретили поставки в Россию и Китай современных GPU-ускорителей, а схемы параллельного импорта как следует еще не выстроены. Одним из решений может стать разработка отечественных AI-процессоров, и такие разработки уже есть. Следите за нашими публикациями!

#ИИ #AI #ЦОД #прогноз #цифры #Россия

🚀 ©ТехноТренды

Собрали для вас в одном посте всё про экономику инференса LLM.

Краткое summary:
1️⃣ Из чего складывается стоимость инференса? Как размер модели, тип данных и объем задач влияют на итоговую сумму и за счет чего можно понизить требовательность приложения.
2️⃣ Облачный сервис или свой сервер? Ожидаемые вложения в пользование облаком или в создание собственной инфраструктуры. Реальные расклады по CAPEX и OPEX, «подводные камни», способы снижения затрат.
3️⃣ Как считать затраты и рентабельность — детальный разбор для разных сценариев внедрения. Используйте наш калькулятор, чтобы выбрать оптимальный вариант.

Читайте, считайте, делитесь с коллегами и друзьями, задавайте вопросы в комментариях👇

#ИИ #оптимизация #инференс #аналитика #токеномика #дайджест

🚀 ©ТехноТренды

По данным отчета ООН, в 2025 году мировая готовность к передовым технологиям — включая ИИ, IoT и блокчейн — по-прежнему демонстрирует резкий разрыв между развитыми и развивающимися странами. В лидерах — США, Швеция и Великобритания, а вот страны BRICS — Бразилия, Россия, Индия, Китай и Южная Африка — показывают разнонаправленные, но перспективные результаты.

📊 В инфографике — позиции стран по индексу готовности к передовым технологиям. Среди стран BRICS:

🇨🇳 Китай — 21 место, наивысший результат среди развивающихся стран.

🇷🇺 Россия — 33 место.

🇮🇳 Индия — 36 место.

🇧🇷 Бразилия — 38 место.

🇿🇦 ЮАР — 52 место.

Также в состав расширенного BRICS входят: 🇦🇪 ОАЭ (35), 🇮🇷 Иран (72), 🇮🇩 Индонезия (76), 🇪🇬 Египет (85) и 🇪🇹 Эфиопия (144). Эти страны демонстрируют растущие амбиции, но ограничены инфраструктурой, доступом к данным и нехваткой специалистов.

📉 Отчет подчеркивает: без укрепления инфраструктуры, кадрового потенциала и данных, развивающимся странам будет сложно не только догнать лидеров, но и избежать технологической зависимости. Особенно важно развивать национальные стратегии в области ИИ и наращивать международное сотрудничество.

#тренды #аналитика #ИИ #IoT #технологический_суверенитет

🚀 ©ТехноТренды

Критическое мышление для сферы инноваций

Какова связь технологии и психологии? Она теснее, чем мы думаем. Например, эффективность изменений напрямую зависит от способности людей и организаций мыслить критически. В первую очередь — о себе самих.

Мы привыкли считать себя рациональными и логичными. На практике же мышление человека пронизано искажениями. Неопределённость, давление, эмоции, ограниченный опыт делают наше поведение далёким от рационального. А это прямо сказывается на принятии решений, бизнес-процессах и даже технологических паттернах.

Давайте поговорим о когнитивных искажениях, которые порождают устойчивые ошибки мышления и «заражают» даже искусственный интеллект.

1️⃣ Когнитивные искажения: враг инновационного мышления

Начнём с того, что рациональность человека — миф. Наш мозг стремится к экономии энергии и часто упрощает принятие решений за счёт эвристик — ментальных коротких путей. Однако эвристики формируют когнитивные искажения — устойчивые ошибки мышления. Эти искажения особенно мешают в условиях, где необходим выход за рамки шаблонов — т.е. в сфере инноваций.

🤷‍♂️ Пример 1: совещания и «ошибка одного эксперта»

В компаниях часто стратегические решения принимаются на основе обсуждения в группе экспертов. Однако, как показали исследования, даже у профессионалов с одинаковой квалификацией суждения подвержены огромному разбросу. Кроме того, в силу присущего человеческой психике конформизма группа часто склоняется к мнению одного, самого опытного. В результате совещания с участием одних и тех же людей могут давать диаметрально противоположные выводы по одному и тому же вопросу.

🤷‍♂️ Пример 2: инвесторы — нерациональные машины

Рынок — одна из ярчайших иллюстраций нерационального поведения. Инвесторы:
• переоценивают значение недавних событий (эффект доступности),
• склонны держать убыточные активы дольше, чем прибыльные (эффект владения),
• и нередко действуют эмоционально, особенно в условиях паники или ажиотажа.

А поскольку человек склонен подсознательно «рационализировать» свои эмоциональные импульсы, рынок становится площадкой иррациональных решений в маске осознанности.

2️⃣ ИИ и когнитивные искажения: масштабирование человеческих ошибок

Многие считают, что искусственный интеллект лишён эмоций и, следовательно, более объективен. Однако ИИ обучается на данных, созданных людьми. Это означает, что:
• модели наследуют искажения, присутствующие в обучающих выборках;
• модели могут проявлять «предвзятость середины» — тенденцию к усреднённым, безопасным решениям, особенно при недостатке контекста;
• подтверждающие искажения в данных приводят к системной недооценке альтернативных гипотез.

👉 Без механизмов критической фильтрации это может привести к ошибкам в диагностике, предсказаниях и автоматизированных рекомендациях.

3️⃣ Как бороться с ошибками восприятия

Чтобы инновации не разрушались на этапе суждений и восприятия, необходимо системно развивать критическое мышление. Способствуют этому:
• регулярная саморефлексия, направленная на осознание когнитивных искажений;
• расширение кругозора — знакомство с чужими точками зрения, междисциплинарность;
• использование структурированных методик принятия решений, таких как «pre-mortem», «six thinking hats» или матрица рисков;
• создание сред обсуждения, где допускается сомнение и несогласие, без страха социальной санкции.

4️⃣ Вывод: «будем же хорошо учиться думать!»

Призыв Паскаля не теряет актуальности. Мы живём в мире, где предположение о рациональности человека привело к институциональному самообману. Этот самообман масштабируется через технологии и алгоритмы, проникая уже на уровень искусственного интеллекта.

👉 Нужно учиться выстраивать мышление так же внимательно, как мы проектируем продукт. Без развитого критического мышления инновации либо остаются в стадии концепций, либо трансформируются в неэффективные или разрушительные решения.

📖 Полезную литературу по теме вы найдете в первом комментарии к этому посту.

#психология #ИИ

🚀 ©ТехноТренды

AI и борьба за доступ к данным: что изменилось с 2024 года?

Чуть меньше года назад мы писали о нарастающих проблемах с доступом к данным для обучения ИИ-моделей. С тех пор ситуация значительно обострилась. Если в 2024 году основной тренд заключался в ужесточении ограничений через файлы robots.txt и сокращении доступности данных, то к 2025 году эти тенденции усилились.

Похоже, что технологическая сингулярность откладывается.
• В декабре 2024 года сооснователь OpenAI Илья Суцкевер заявил, что индустрия достигла «пика данных» и объем доступных датасетов практически исчерпан.
• В январе 2025 года Илон Маск подтвердил эти опасения:

«Мы фактически исчерпали общую сумму человеческих знаний для обучения ИИ».

Почему данные заканчиваются?

👉 Во-первых, объем накопленной человечеством информации не бесконечен, а ИИ осваивает ее с экспоненциальной скоростью. Исследования показывают, что качественные текстовые данные в Интернете могут закончиться к 2026 году, если не изменится темп их накопления.
График на картинке выше иллюстрирует прогнозы объемов публичного текста и наборов данных, созданных человеком, для LLM с 2020 по 2034 год.

👉 Во-вторых, дело не только в количестве данных, но и в их качестве. Модели ИИ требуют высокой точности, однако большая часть ежедневно генерируемых данных либо недоступна, либо не соответствует стандартам современных LLM. По оценке Epoch AI, общедоступные текстовые данные составляют около 300 трлн токенов, причем их уже начали обрабатывать по второму кругу, что снижает эффективность обучения.

👉 В-третьих, усиливаются запреты, касающиеся конфиденциальности и безопасности. По данным отчета «Consent in Crisis» (2024), доля недоступных для индексирования доменов за год выросла на 25%.

К чему приводит дефицит новых данных?

1️⃣ Ужесточение регулирования повышает зависимость компаний от дешевых, но низкокачественных данных, таких как контент из блогов или коммерческих сайтов, а это ухудшает надежность моделей. В стэнфордском отчете AI Index Report 2025 отмечается, что исчерпание доступных датасетов стало серьезно тормозить развитие медицинского ИИ.

2️⃣ Без качественных данных ИИ теряет точность, а новые проекты могут быть заблокированы на этапе разработки. Это угрожает не только технологическим инновациям, но и безопасности: для компенсации нехватки информации разработчики нередко используют частные данные, что повышает риски предвзятости, нарушений конфиденциальности, кибератак и т.д.

Что делать?

🔥 Одно из перспективных направлений — создание синтетических данных, искусственно сгенерированных с помощью алгоритмов, моделей или симуляций. Они имитируют реальные кейсы, но не содержат фактической информации из реального мира. Рынок таких решений, по прогнозам, к 2030 году вырастет до $2,3 млрд. IBM и Google уже внедряют технологии генерации данных через нейросети. Но результат сильно зависит от продуманности алгоритмов генерации и может даже привести к деградации моделей.

🔥 Еще один путь — легальное использование частных данных. OpenAI и другие компании начали платить авторам YouTube, TikTok и других соцсетей за неопубликованные материалы. Это позволяет формировать высококачественные датасеты, не нарушая прав владельцев информации.

🔥 Третья перспективная возможность — оптимизация моделей, позволяющая улучшить эффективность ИИ при ограниченных ресурсах. Малые языковые модели (SLM) демонстрируют, что успех зависит не от объема данных, а от их структуры и точности. Как бонус, это снижает энергопотребление и упрощает адаптацию моделей под специфические задачи.

Будущее ИИ: вызовы и возможности

Хотя ни один из методов не решает проблему полностью, их комбинация открывает простор для инноваций. Парадоксально, но дефицит данных может стать катализатором развития: разработчики вынуждены будут искать нестандартные подходы, такие как гибридные модели обучения или новые алгоритмы обработки информации. Как отметил один из экспертов, «ограничения стимулируют творчество» — и в случае с ИИ это особенно актуально.

#ИИ #тренды #ML

🚀 ©ТехноТренды

Мы уже писали о примерах внедрения ИИ в тяжелой промышленности. Один из самых удачных кейсов такого рода демонстрирует ПАО «Северсталь». Его опыт интересен тем, что цифровые технологии в металлургии применены комплексно и масштабно, охватывая сразу многие сферы.

Началось с того, что в «Северстали» искали способ нарастить производство без лишних затрат и с сохранением качества. Обычный выход в таких случаях — оптимизация процессов, и для этого решили привлечь ИИ. В результате возник Центр искусственного интеллекта и машинного обучения «Северсталь Диджитал», а экономический эффект составил сотни миллионов рублей.

Методики внедрения ИИ

1️⃣ Анализ и выявление точек роста эффективности. Первый этап — сбор данных для обучения будущего ИИ. Специалисты по данным совместно с технологами и операторами изучают исторические данные (например, параметры работы оборудования за несколько лет), выявляют аномалии, ключевые факторы влияния на качество и производительность.

2️⃣ Разработка и тестирование моделей. После сбора данных создаются алгоритмы машинного обучения, которые тестируются на симуляционных датасетах. И только после успешного тестирования модель внедряется в реальные процессы.

3️⃣ Интеграция в производство. Для масштабирования решений «Северсталь» развивает собственную ИТ-инфраструктуру, включая платформы для обработки данных и вычислительные мощности. Например, система «Автотемп 2.0» на стане 2000 Череповецкого МК интегрирована в процессы управления темпом прокатки и выдачей заготовок из печи, обеспечивая автоматическое принятие решений.

Взаимодействие ИИ с технологическими процессами

На предприятиях концерна ИИ задействован сразу по нескольким ключевым направлениям.
🔸 Контроль качества продукции. Интеллектуальная система инспекции металлопроката, запущенная в 2025 году, автоматически обнаруживает и классифицирует отклонения на поверхности металла (например, трещины, включения). Решение направляет оператору информацию о дефектах, что позволяет оперативно корректировать процесс и снизить количество брака.
🔸 Оптимизация производственных агрегатов:
• ИИ-алгоритмы скорректировали режимы работы агрегата непрерывного горячего цинкования, за первые три месяца повысив производительность на 3,4% и дав экономию > 100 млн руб.;
• применение системы «Автотемп 2.0» позволило дополнительно произвести 65,5 тыс. т металлопроката в 2023 году, сэкономив 184,5 млн руб.
🔸 Предиктивное обслуживание и безопасность:
• робособака Deep Robotics тестируется на территории Череповецкого МК для мониторинга состояния оборудования и выявления потенциальных поломок;
• используются AI-решения для прогнозирования износа инструментов и планирования ремонта до фактической поломки, что минимизирует затраты на обслуживание.
🔸 Обучение персонала через VR. Платформа «Метасфера», зарегистрированная в Роспатенте, применяется для тренировок операторов на VR-тренажерах. Это ускоряет адаптацию сотрудников к новым технологиям и снижает ошибки при работе с ИИ-системами.

Перспективы, вызовы и тренды

«Северсталь» продолжает развивать направления ИИ-автоматизации, включая переход от AI-ассистентов к полностью автономным решениям. Затрудняет эту работу несколько аспектов — все они типичны для цифровизационных процессов в промышленности:
• сложность адаптации ИИ-решений под специфику металлургических процессов;
• отсутствие четких регламентов юридической ответственности за ошибки алгоритмов;
• человеческий фактор — сотрудникам иногда тяжело перестроиться на новые методы работы и освоить высокотехнологичное оборудование.

Тем не менее, уже очевидно, что ИИ стал необходимым фактором роста не только в торгово-финансовом, но и в реальном секторе. Кроме «Северстали» успешно внедряют у себя ИИ-технологии «Норникель», ТМК, «Полюс» и другие крупные горно-металлургические компании. А всего в России, по мнению вице-премьера Дмитрий Чернышенко, экономический эффект от использования ИИ в разных отраслях к 2030 году составит 11 трлн рублей.

#ИИ #промышленная_роботизация #внедрение #металлургия

🚀 ©ТехноТренды

Умеет ли думать искусственный интеллект? Статья Apple вызвала бурную дискуссию в индустрии

LRM — большая «рассуждающая» (reasoning) модель — маркетинговый термин, в который разработчики вкладывают свое понимание, а публика свое. При этом процесс ризонинга на самом деле изучен очень мало. Считается, что чем больше бюджет токенов, тем выше качество ответов. Но не всё так однозначно ©.

Иллюзия мышления?

Накануне очередной конференции WWDC эксперты Apple выпустили статью «The Illusion of Thinking», посвященную результатам тестирования передовых LRM, таких как OpenAI o1 и o3, DeepSeek R1, Claude 3.7 Sonnet и др. в сравнении с обычными LLM.

Целью тестов было проверить, как работает ризонинг на простых алгоритмических головоломках: «Ханойская башня», «Переправа через реку» и «Мир блоков». Условия задач постепенно усложнялись, оценивалось качество «мышления» при увеличении нагрузки.

Тесты показали следующее:

1️⃣ Резкое падение точности по мере усложнения задач. При превышении определенного уровня сложности (например, при добавлении очередного диска в Ханойской башне) способность моделей решать задачи падает до нуля.

2️⃣ Столкнувшись с трудной задачей, LRM резко сокращают затраты ресурсов на рассуждения — как ленивые студенты, пасующие перед трудностями. Здесь есть нюансы:
• С простыми задачами «нерассуждающие» LLM часто справляются лучше. LRM склонны к overthinking’у: быстро получив правильный ответ, не фиксируют его и продолжают «думать», пока не израсходуют бюджет токенов.
• На задачах средней сложности LRM выигрывают благодаря механизмам цепочек рассуждений.
• На сложных задачах падает эффективность всех моделей, что говорит о фундаментальных ограничениях масштабируемости.

3️⃣ Неспособность следовать четким алгоритмам. Даже имея алгоритм решения задачи, модели терпят неудачу на тех же уровнях сложности.

4️⃣ Непоследовательность ризонинга. Модели могут успешно решить «Ханойскую башню» с множеством шагов, но провалиться на более простой «Переправе».

Исследователи Apple делают вывод: системы ИИ не обладают истинной способностью к рассуждению. Их работа основана на запоминании паттернов и статистическом прогнозировании, а не на универсальном логическом анализе. Пресловутый AGI всё еще остаётся фантастикой.

Или иллюзия иллюзии?

Конкуренты нашли, что ответить. Вышла контр-статья с критикой методов исследования Apple. Если кратко — тестировщики намеренно «валили» LRM:
• автоматическая система оценки засчитывала ответ, только если модель явно перечисляла все шаги решения, и игнорировала решения без «росписи» действий;
• в тестах присутствовали заведомо нерешаемые задачи (например, о переправе N ≥ 6 для трехместной лодки), но модели всё равно получали нулевой балл за «провал»;
• моделям выдавали слишком мало токенов, что мешало полноценно рассуждать. И т.д.

Забавно, что один из двух соавторов дисса — Claude Opus от Anthropic. LRM вписалась за LRM ))

Главное — вовремя задать вопрос

Исследование Apple вышло хоть и спорным, но очень своевременным, чтобы вернуть наше внимание к некоторым ключевым темам.

👉 То, что называется «рассуждениями» ИИ, по сути является высокоразвитой формой спекуляции шаблонами. (Это было понятно и раньше, но маркетинг всех оглушил). Необходимо более критично оценивать «связность» и «логичность» выводов моделей, искать объективные критерии оценки, изучать механизмы самокоррекции моделей, выявлять фундаментальные недостатки и явные ограничения масштабирования.

👉 Концепция «сопутствующего интеллекта» как сценарий на ближайшее будущее более реалистична, чем гипотетический AGI. Ограничения LRM актуализируют необходимость участия человека в работе ИИ.

👉 Достижение AGI, как очевидно, невозможно за счет простого масштабирования LRM. Прежде надо разобраться, что реально происходит в «уме» нейросетей, понять причины ограниченности моделей, а потом уже, возможно, создать более надежный и по-настоящему мыслящий ИИ.

#ИИ #LRM #исследования

🚀 ©ТехноТренды

ИИ в 2025 году: технологические тренды и перспективы

Innovation Endeavors выпустили обзор «State of Foundation Models, 2025» — исчерпывающий отчет о текущем состоянии и тенденциях развития искусственного интеллекта. В центре внимания — базовые модели, которые лежат в основе множества современных приложений.

ИИ плотно вошел в нашу жизнь, констатируют авторы исследования. Около 1 млрд человек уже используют ИИ ежемесячно, причем 90% роста пришлись на последние полгода. ChatGPT получил 100 миллионов пользователей за 60 дней — быстрее, чем любая технология в истории. Cursor стал самой быстрорастущей SaaS-компанией, достигнув $100 млн выручки менее чем за 2 года.

Технологические тренды

1️⃣ Экспоненциальный рост возможностей ИИ. Все технические метрики ежегодно улучшаются более чем на порядок:
• Стоимость 1 млн токенов снизилась с $100 до $0.1.
• Контекстное окно увеличилось с нескольких тысяч токенов до ~1 млн.
• Вычислительная мощность, необходимая для обучения, выросла с 10^24 до 10^28 FLOP.
2️⃣ Рассуждающие модели: новый этап развития ИИ. Модели, способные «думать перед ответом», становятся основой новых масштабных возможностей ИИ. Для их обучения требуются значительные достижения в посттренировке, включая обучение с подкреплением и создание систем вознаграждений. Посттренировка становится важнее предварительной подготовки моделей.
3️⃣ Увеличение контекстного окна, развитие мультимодальности. Продолжительность задач, которые модели могут надежно выполнять, удваивается каждые 7 месяцев. Контекстное окно достигло 256K токенов, что позволяет обрабатывать сложные запросы с большими объемами данных.
• Мультимодальные модели (текст, изображение, видео, аудио) продолжают совершенствоваться, хотя полноценная омни-модальность пока находится на стадии исследований.
• Видео-модели с появлением таких продуктов, как Veo, переживают бурный рост, похожий на то, что показал в свое время ChatGPT.
• Так же активно развиваются физические системы, такие как Physical Intelligence и Genie 2.

Экономика и менеджмент

1️⃣ ИИ становится прибыльным, но ресурсоемким товаром. Лидеры рынка, такие как OpenAI и Anthropic, показывают рекордный рост доходов (> $1 млрд в год). Однако обучение frontier моделей стоит около $500 млн, и модели быстро устаревают — их жизненный цикл составляет всего 3 недели из-за высокой конкуренции и развития open-source решений.
2️⃣ Опенсорс становятся популярнее. Например, обучение модели DeepSeek-VL требует всего $10 млн — по сравнению с $100 млн для GPT-4. Это снижает барьеры входа для новых игроков и усиливает конкуренцию.
3️⃣ Возникают новые бизнес-модели и рынки:
• Data-as-a-Service: новые компании используют ИИ для сбора, структурирования и анализа данных, например Happenstance и Ferry Health.
• Генерация синтетических данных: AI позволяет создавать искусственные датасеты для обучения моделей, что очень актуально на фоне дефицита данных.
4️⃣ Активно развиваются инфраструктура и аппаратное обеспечение. Появление нового поколения чипов, ориентированных на работу с трансформерами, стимулирует развитие базовых моделей. Стремительно развивается рынок аренды вычислительных мощностей, появляются новые «GPU Cloud» провайдеры.
5️⃣ ИИ внедряется в специализированные профессии. Меняется корпоративная культура, снижается иерархичность. Организации, ориентированные на ИИ, имеют более горизонтальную структуру, где ценятся общие навыки, а не узкая специализация.
6️⃣ Трансформируются производственные процессы: управление флотом ИИ-работников становится новым навыком, аналогичным управлению людьми.
7️⃣ ИИ-агенты становятся массово доступными и интегрируются в большое количество программ и устройств, хотя понимание того, как строить ИИ-продукты, еще только формируется.

🔥 Мир стоит на пороге новой эпохи в развитии искусственного интеллекта. ИИ преобразует подходы к работе, образованию и даже структуре организаций. Однако экономическая эффективность, скорость устаревания моделей и необходимость создания новых инфраструктурных решений остаются ключевыми вызовами.

#ИИ #тренды #исследования

🚀 ©ТехноТренды

Сотни миллионов за мозги: Big Tech в погоне за AI-талантами

В новостях только и разговоров, что о переманивании AI-разработчиков. Ведущие профессионалы получают трансферы больше, чем футбольные суперзвезды. Что происходит — Цукерберги и Альтманы сошли с ума, или на планете реально возникла технологическая сверхэлита?

💰 Big Tech открывает кошельки настежь

На глобальном рынке труда — беспрецедентная конкуренция за специалистов по искусственному интеллекту. Например, Meta* при создании Superintelligence Labs предложила ведущим сотрудникам пакеты компенсаций до $300 млн за четыре года (свыше $100 млн — только за первый год). По данным Wired, как минимум 10 столь же головокружительных офферов получили сотрудники OpenAI.

Аналогичные пряники предлагают Google DeepMind, Anthropic и NVIDIA. Базовые зарплаты здесь превышают $300 тыс., к которым добавляются бонусы и опционы. Даже Netflix, Amazon и Tesla включились в гонку .

💵 Рекордные бюджеты на исследования и разработки

Зарплатный ажиотаж поддерживается рекордными бюджетами на R&D. В 2025 году четверка лидеров — Meta*, Google, Amazon и Microsoft — намерена потратить около $320 млрд на развитие AI-инфраструктуры (более чем вдвое выше уровня двухлетней давности). Эти средства направляются не только на оборудование, но и на закупку талантов через сложные компенсационные схемы, включающие в себя совокупность бонусов, акций, опционов и долгосрочных выплат. В Meta*, например, ведущие специалисты уровня E7 получают порядка $1,5 млн в год, большая часть которых приходится на доли в компании.

💸 Стартапы конкурируют с грандами

AI-стартапы становятся серьезными игроками на рынке талантов. Они не могут предложить таких же окладов, как лидеры рынка, но обещают значительную долю в бизнесе. Если проект выстрелит, эта доля может принести состояние. Примеры xAI и Mistral AI подтверждают, что новые компании могут стать «единорогами», т.е. выйти на $1 млрд капитализации всего за несколько месяцев. Такая скорость обогащения делает опционы от стартапов привлекательным вариантом даже для тех, кто получает восьмизначные офферы от мейджоров.

К тому же для амбициозных профессионалов важным фактором является возможность создать в стартапе нечто революционное, что вряд ли получится в стенах корпорации.

📈 Изменения на рынке труда

Рынок труда в сфере AI буквально перекраивается, и это выглядит даже подозрительно. Шестизначные зарплаты, ранее считавшиеся невероятным исключением, становятся нормой. В индустрии появились свои «суперзвезды»: за лучших специалистов борются лидеры рынка, а те имеют возможность выбирать между гарантированными миллионами в корпорациях и потенциальным джекпотом в стартапах. Для них открывается доступ к ресурсам, влиянию на ключевые проекты и карьерным высотам, сравнимый с топ-менеджментом крупных компаний. Но надолго ли такой праздник?

🎯 Последствия и перспективы

Хайп уже начал создавать проблемы. Университеты и исследовательские центры сталкиваются с «утечкой мозгов», поскольку не могут конкурировать с финансовыми возможностями Big Tech.

С другой стороны, AI-бум стимулирует образование и инвестиции в человеческий капитал. Узкие специалисты теперь ощущают свою ценность, что может привлечь в эту сферу еще больше талантов. Как мы и отмечали, ИИ не вытесняет специалистов, а трансформирует среду, создавая новые ниши. Потенциально в выигрыше все участники рынка, готовые развиваться и осваивать новые технологии.

В целом тренд выглядит так: AI-специалисты — новый сверхценный актив. Насколько это серьезно, свидетельствует дискуссия «Передовые технологии для новой геополитической эры» с участием Кондолизы Райс, прошедшая в феврале в Стэнфорде. Тот же Стэнфордский институт в своих отчетах фиксирует, что ИИ становится приоритетным направлением в мире, и спрос на AI-инженеров опережает предложение. Ажиотаж вокруг их найма отражает то, какую огромную ставку делает индустрия на искусственный интеллект. И пока эта ставка оправдывает себя, зарплаты будут только расти.

————————
* Признана экстремистской и запрещена на территории РФ.

#BigData #рынок_труда #ИИ

🚀 ©ТехноТренды