Столкновение умов: как не проиграть конкуренцию в борьбе за лидерство в области ИИ
Знать свое место
В наше время определяющую роль в ИИ-гонке будут играть не только умы, но и деньги. Видимо, для существующих технологий больших языковых моделей в ближайшее время не стоит ждать революционных скачков в развитии. Да, появляются определенные ноу-хау: например, разработчики DeepSeek утверждают, что обучили свою модель за довольно скромные по меркам таких систем $6 млн. По тому, как думает и рассуждает эта модель, ее можно считать некоей следующей итерацией, новым этапом в развитии моделей машинного обучения.
Но в целом текущий путь развития LLM-систем достаточно экстенсивный — для улучшения моделей разработчики фактически только увеличивают количество параметров и объемы данных, используемых для их обучения.
Однако экстенсивный путь развития очень дорог. И главный вопрос в том, кто в Европе, России, на Ближнем Востоке или где-то еще будет вкладываться в развитие таких технологий.
У России есть свои особые конкурентные преимущества — это не только великолепная математическая школа, но и доступная энергетика и избыток генерируемых мощностей, благодаря которым можно строить мощные ЦОДы. Например, Германия, которая отказалась от атомной энергетики около 20 лет назад, сейчас не может себе этого позволить, так как зеленая энергетика не в состоянии генерировать достаточно мощности.
У ИИ в России есть все исходные данные: ресурсы во всех смыслах, запрос от государства, корпораций и, что радует, малого бизнеса, сильные игроки, которые уже представили и развивают коммерческие модели, и разработчики прикладного ПО, активно включающие в свои продукты ИИ.
Следующий необходимый шаг — серьезная политическая воля, созревшая на уровне серьезных акторов нашего бизнес-пространства и политики, убежденность в том, что государству это нужно. Вспомним историю создания ядерного оружия в СССР — это хороший пример акта политической воли, связанный с национальной безопасностью. В этом же аспекте можно рассматривать ценность ИИ для современной России применительно к военной сфере, к обеспечению безопасности.
Гонка ИИ идет не только на уровне уникальных способностей моделей или позиций конкретных нейронок в рейтингах — она в плоскости массового использования. Одно дело, когда специализированный ИИ помогает работе одного марсохода, другое — когда 80% бизнесов половину задач решают быстрее и точнее с помощью нейросетей, увеличивая эффективность целых отраслей.
Ключевой фактор успеха — это поиск применения ИИ, работающих сценариев. Представьте, что конвейеры на всех заводах страны работают под управлением ИИ. Или в каждом отделе продаж ИИ автоматически расшифровывает все звонки с клиентами и заполняет карточки, а руководитель видит соответствие звонка скрипту. Такой срез определит результаты экономической конкуренции бизнесов внутри региона и между странами.
Как готовить специалистов
Сегодняшнее высшее образование ведется по учебникам, и оно просто не успевает за развитием современных технологий, в том числе и ИИ. В техническом, технологическом образовании важна определенная этапность. И здесь прекрасно подходит модель высшего образования «2+2+2», когда в первые два года студент получает теоретические, базовые знания, в следующие два года он может выбрать определенную специализацию, и на этом этапе подключаются практические знания, а в последние два года, в магистратуре, он совершенствуется в выбранной области и получает исключительно узкие, профильные знания и навыки.
Базовое техническое образование в России было и остается достаточно сильным. Но на следующем этапе, там, где начинается специализация и подключается практика, нужны квалифицированные специалисты, которые либо сами ведут практические проекты, либо углубленно занимаются наукой в конкретной, узкой области. Однако в нашей системе высшей школы это большая редкость. Да и в целом в мире мы можем наблюдать одну и ту же тенденцию: преподаватель, последнее звено, которое взаимодействует со студентами, не мотивирован развиваться и совершенствоваться. Сложно сокращать расходы на образование и получать при этом высококвалифицированных специалистов. Это возможно только в отдельных вузах, где есть сильные научные группы, школы, которые могут заработать деньги, взаимодействуя с бизнесом или научными фондами.
Поэтому сейчас очень большое значение приобретают программы корпоративного обучения, создаваемые крупным бизнесом на площадках различных вузов — они могут помочь в развитии квалифицированных специалистов начиная еще со второго этапа обучения, до магистратуры. Такой подход может начать сращивать образование и бизнес. При этом бизнес будет забирать себе прикладных специалистов, а за государством остается задача обеспечить конкурентоспособные условия для тех, кто готов оставаться в науке, что, безусловно, требует госфинансирования, в том числе и со стороны самих вузов. Университеты, которые это не понимают, обречены превратиться в «колледжи», которые будут готовить техников, но никак не будут центрами науки и развития высоких технологий.
Адаптация с малых лет
Безусловно, помимо качественных теоретических знаний нужно учить людей новым технологиям, тем, которые мы сейчас развиваем. Должны быть курсы в школьной программе, которые обучают работе с LLM-моделями на практическом уровне. Ведь ChatGPT, DeepSeek — это отличные инструменты, которые помогают работать самым разным специалистам.
Мы видим это в Китае — там такие программы внедряют в первом, втором классах школы. Вряд ли мы вернемся в то состояние, когда искусственного интеллекта не будет. Поэтому обучение работе с ним обязательно.
Обучать работе с ИИ нужно не только молодежь, но и взрослых людей. Мы не можем вычеркнуть из уравнения тех, кто уже закончил школу или вуз. И хотя в идеале обучение — личная ответственность человека, эта задача ложится непосредственно на владельцев бизнеса и управленцев: именно они должны инициировать обучение, знакомство сотрудников с ИИ. Это необходимо при внедрении ИИ в бизнес-процессы, для того чтобы организовать работу компании по-новому.
Что касается дальнейшего обучения специалистов, которые готовы создавать системы ИИ, у нас в стране есть хорошие технические вузы, которые готовят такие кадры. Но подходы к образованию должны очень гибко меняться — сейчас практически любую учебную задачу можно решить с помощью нейросетей. А значит, преподавателям придется усложнять эти самые задачи, тем самым заставляя студентов думать, размышлять, искать новые способы решения даже с использованием ИИ-инструментов. Такие студенты не только усвоят базовые знания, но и научатся работать с нейросетями, добиваться от них нужного результата, станут как минимум очень хорошим пользователем этой технологии.
Современное образование, как и вообще современный мир, становится киберфизическим. Мы живем в своем физическом мире и одновременно — в цифровом. В образовании они очень пересекаются.
Симбиоз науки и бизнеса
При этом нужно отдавать себе отчет в том, что в сегодняшних реалиях наука не сможет развиваться отдельно от бизнеса. Любые достижения научной мысли рано или поздно будут коммерциализированы. Успешный ученый тот, кто научился лицензировать свои разработки, правильно их продавать и в итоге создал своего рода научный бизнес — продолжает заниматься наукой, получая прибыли от изобретений.
Огромная проблема России в этом плане — отсутствие хорошо налаженного трансфера технологий. Есть огромное количество интересных научных идей, но если человек начинает их продавать, каким-то образом их монетизировать, считается, что для науки он потерян, потому что ему придется заниматься множеством других проблем, бизнесовых. Самый оптимальный вариант — это передавать новые технологии через определенные структуры трансфера технологий тем, кто может перевести их в плоскость технологического бизнеса.
Наука — это основа для хороших прорывных стартапов. В основе любого успешного технологического проекта лежат научные исследования, теоретическая основа. Хороший пример — блокчейн, который базируется на знании комбинаторики и дискретной математики.
IT в целом и ИИ в частности — это дорого, и развиваться эти сферы могут только при наличии серьезных инвестиций. В отличие от США, например, в России крупными технологическими компаниями, которые развивают сферу ИИ, оказались в первую очередь банки, имеющие возможность инвестировать в науку и технологии. А поскольку доля госучастия в технологических компаниях у нас в принципе достаточно заметна, вероятно, они получают одобрение и поддержку и от властных структур — такие приоритеты расставляются исключительно государством.
Российская система финансирования научных исследований в области ИИ имеет несколько источников. Российский научный фонд финансирует проекты нулевого, первого, второго уровня готовности — то есть те, что находятся на начальных этапах. Также такие исследования финансируют различные министерства — образования и науки, здравоохранения и т.д., они целевым образом выделяют средства на фундаментальные исследования.
Частные инвесторы (как правило, это крупные корпорации) подключаются на том этапе, когда результаты исследований представляют собой более или менее готовый продукт. Но, скорее всего, корпорация будет обозначать свои пожелания к продукту, и ученому придется подстраиваться под нужды такого инвестора.
До недавнего времени существовали различные федеральные целевые программы, которые позволяли в режиме грантов довести фундаментальные исследования до уровня, который может заинтересовать частных инвесторов. Но с 2020 года таких конкурсов больше не проводится. Существуют программы, например «Приоритет — 2030», в рамках которых происходит распределение денег университетам, отдельные вузы получают по ним до миллиарда рублей.
Но в целом имеет место разрыв в непрерывном финансировании между этапами, от фундаментального научного результата до прикладного. Научные фонды не очень любят вкладывать деньги в прикладные исследования, но и частным инвесторам на этой стадии они не всегда интересны, так как дальнейшее их развитие сложно предсказать. Науке не хватает финансирования на исследования, которые повысили бы уровень готовности технологии и сделали бы ее привлекательной для инвесторов.
Таким образом, роль бизнеса в развитии ИИ видится в двух направлениях. Первое — синергия бизнеса с наукой, создание и поддержка научных стартапов, разработка уникальных ИИ-моделей. Второе — постоянное внедрение ИИ-решений в бизнес-процессы, поиск работающих сценариев, повышение эффективности целых сегментов рынка за счет использования искусственного интеллекта. И у России есть потенциал как для первого, так и для второго пути.
Мнение редакции может не совпадать с точкой зрения авторов