Изображение: Фотобанк Росконгресс/Виктория Ламзина
На дискуссии ПМЭФ-2025 говорили не о том, что ИИ может, а о том, где в этой истории Россия и что делать дальше. erid: 2W5zFHaAQQQ
ООО Доктор Веб Реклама
Сегодня почти каждая вторая компания в стране уже пробует ИИ — от первых тестов до внедрения в реальную работу. Разрабатываются и собственные базовые модели. Но если смотреть шире, картина сложнее: 90% всех фундаментальных разработок в мире приходятся на США и Китай. Остальным странам достаются считаные проценты, и России в том числе.
Тем не менее, потенциал есть. По оценкам, уже к 2028 году вклад ИИ в экономику России может составить 6,9 трлн рублей, почти 4% ВВП. И это не предел.
Так что главный вопрос звучал просто: как России занять свое место в мире, где темпы развития ИИ диктуют другие?
Содержание:
О сильных и слабых сторонах российского ИИ
Наша страна не просто наблюдатель в мировой ИИ-гонке, уверен Александр Крайнов, директор по развитию технологий искусственного интеллекта Яндекса. И не потому, что хочется себя подбодрить. А потому что есть, чем ответить.
Если говорить о науке, российские ученые — в числе соавторов многих международных публикаций. В open source-проектах — те же библиотеки, модели, датасеты — тоже немало знакомых имен и тегов made in Russia. А значит, страна встроена в мировое ИИ-сообщество не только через свои границы, но и через строки кода.
Но главный аргумент не в статьях и не в гитхабах. По мнению Александра, Россия сегодня — в числе мировых лидеров по внедрению ИИ. И не потому что все идеально, а потому что многое делается быстро и решительно. Сказывается сильная инженерная база, а также регулирование, которое пока не душит эксперимент, а, напротив, позволяет действовать и получать результат.
Проблемы тоже общие — и, увы, глобальные. Во-первых, острый дефицит топовых специалистов, потому что мир охотится не за просто программистами, а за теми, кто может тянуть действительно сложные ИИ-системы. Во-вторых, инфраструктура — в том числе доступ к мощным вычислительным ресурсам и электроэнергии. Ну и, конечно, инвестиции: в этой гонке все еще больше тратят, чем зарабатывают, особенно если хочешь попасть в мировую лигу.
ИИ для всех, а не для избранных
Что будет, если смотреть на ИИ не как на коммерческий инструмент, а как на общественную инфраструктуру? Индия — как раз тот случай. Министр Ашвини Вайшнав говорил о подходе, где ключевое слово — доступность.
По его словам, цель Индии — не просто развивать ИИ, а демократизировать его. То есть дать возможность пользоваться технологиями не только корпорациям, но и студентам, стартапам, ученым. Для этого была запущена государственная «AI-миссия», в рамках которой доступ к мощностям получают все, кому это нужно — например, 34 тысячи GPU уже работают в общем доступе. ИИ-редакция будущего: что обсуждали на ПМЭФ-2025 Крупнейшая утечка данных или 16 миллиардов причин включить мозг Как предсказать популярность сервиса еще до его внедрения?
Второй акцент — технологическое регулирование. Индия не спешит создавать тонны новых законов — вместо этого делает ставку на то, чтобы бороться с рисками самого ИИ с помощью… ИИ. Например, один из индийских институтов разработал систему для обнаружения фейков и дипфейков. Такой подход эффективнее, чем перегруженная нормативка.
Еще одна важная задача — национальные модели. Индия делает ставку не только на крупные open source-системы, но и на компактные, узкоспециализированные модели: для кредитного скоринга, медицины, образования, энергетики. Локальные задачи — локальные модели.
И наконец, образование. В стране уже пересматривают курсы в технических вузах, чтобы готовить специалистов разных уровней, от простых пользователей до исследователей. Цель — сформировать прочный кадровый «пояс», который сможет не только использовать, но и развивать собственные ИИ-решения.
«Это не Python. Это совсем-совсем не Python»
Разговор о железе и регулировании — важный, но без людей ничего не заработает. За последние годы в России выстраивается прочная инфраструктура коллаборации. Один из заметных примеров — Сбер, который, по сути, строит собственную ИИ-экосистему, опираясь на научные центры. Университеты первой и второй волны, крупные исследовательские площадки, а главное, работающие проекты, которые уже приносят ощутимую отдачу. Но возникает вопрос: как выстроить эту связку правильно? Чтобы фундаментальные исследования не пылились на полке, а бизнес не играл вслепую.
По словам Андрея Белевцева, экономический эффект от применения искусственного интеллекта в Сбере в прошлом году превысил 400 миллиардов рублей. Причем отдельно стали считать влияние генеративного ИИ: более 10 миллиардов рублей за 2024 год. В этом году Сбер таргетирует уже 50 миллиардов только от новых технологий. Но гораздо важнее — что за этими цифрами. Читайте также
Приватность — это миф современного интернета В цифровую эпоху остаться незамеченным стало невозможным. Даже если вы ничего не публикуете и не ведёте соцсети, ваш след в интернете найдёт любой, кто умеет пользоваться поисковиком. IT-World изучил, как OSINT превратил частную жизнь в общедоступный контент, кто и зачем собирает о нас данные, насколько это законно и опасно, и есть ли шанс снова стать невидимкой?
С приходом генеративного ИИ в ИТ наступает новое технологическое поколение. Меняется все — и особенно требования к специалистам. Те, кто работает над фундаментальными моделями, — уже не классические дата-сайентисты. В команде GigaChat средний возраст меньше 30, и многие всерьез обижаются, если их так называют. «Говорят: какие мы вам дата-сайентисты? Мы — инженеры». Почему? Потому что работают они на стыке олимпиадного программирования и математики, пишут на C++, а не на Python, и создают высоконагруженные системы огромной размерности, где решаются сложные задачи оптимизации — и каждая неэффективность стоит больших денег.
Но и работать без инфраструктуры они не могут. Если раньше хватало одной GPU «в разделяемом режиме», то сегодня без полноценной машины класса HGX — ничего не получится. Поэтому Сбер выстраивает полноценную цепочку: исследовательские центры (в первую очередь Сколтех и AIRI), команды продакшна и общее планирование. Ключевое — это научно-технический маршрут, выстроенный вокруг фреймворка Practical Agile. Только те направления, которые туда входят, получают ресурсы, поддержку, возможность доводить идею до внедрения.
Второй фокус — публикации. Шесть лет назад в России на всю страну едва набиралось два десятка статей на конференциях высокого уровня. Сейчас один только AIRI опубликовал 91 статью за год. Это достижение, но и напоминание, что мы все равно сильно отстаем от Китая.
А дальше — следующий рубеж. В этом году появилась первая статья в A конференции, написанная без участия человека. Не просто оформленная, а созданная мультиагентной системой, от идеи до результата. И таких работ будет больше: «Я думаю, что в следующем году количество таких статей составит очень значимый процент. А еще через год, наверное, где-то в 2027-м, нам придется пересматривать критерии», — считает Крайнов.
Что с этим делать? У представителя Сбера — прагматичный ответ: если работа хорошая и проходит peer-review, пусть публикуется. Но появляется и другой вопрос — а что тогда делать молодым исследователям? Ведь машины быстрее, производительнее и могут работать по методу грубой силы, в хорошем смысле.
Так появился пример из DeepMind, где галлюцинации моделей предложили называть «воображением». Без них, без отклонений от нормы невозможна эволюция. И если раньше эволюционировала только наука, теперь это делает сам ИИ. Уже сегодня он участник исследовательской команды.
Регулирование, которого (пока) не случилось
«Я, честно скажу вам, доволен, что за три года мы ничего не сделали в регулировании», — признался сенатор Александр Шендерюк-Жидков. По его словам, Россия оказалась в выигрыше за счет выжидательной позиции. Пока в других странах то ужесточают, то отменяют законы, в России ИИ развивается без лишних барьеров. «Если мы сейчас поторопимся с каким-то ужесточением… мы просто можем навредить нашим ИТ-гигантам», — подчеркнул он.
Он напомнил, что в США при Байдене регулирование усиливалось, но с возвращением Трампа повестка резко сменилась. В ЕС принятый в 2024 году AI Act, по его словам, уже выглядит дерегулированным. А Китай, при всей внешней непрозрачности, судя по развитию стартапов, не страдает от избыточного контроля. ООН призывала к глобальному регулированию, но «ни о чем же не договорились до сих пор».
Шендерюк-Жидков обратил внимание и на недавние события. Сначала — манифест Сэма Альтмана «Нежная сингулярность», где прозвучала мысль о том, что ИИ способен привести к появлению новых политических идей и общественного договора, который сначала никто не примет. «Это очень похоже на манифест коммунистической партии XIX века», — заметил сенатор. И добавил: «На таких сессиях, возможно, скоро стоит звать представителей структур, отвечающих за охрану конституционного строя».
Второй пример — китайский стартап Minimax, который, по их же заявлениям, создал новую модель всего за три недели и $500 тысяч. По мнению сенатора, это означает одно: теперь в каждом гараже могут появляться свои модели. И непонятно, как это вообще регулировать — и нужно ли.
Вместо этого, считает он, стоит сосредоточиться на другом. Например, на вопросе налогообложения ИИ. Если технологии замещают труд, а компании получают прибыль, логично, чтобы они делились этой прибылью с обществом. Россия, напомнил он, давно обсуждает собственный аналог Pillar 1 — международного механизма налогообложения ИТ-гигантов. Совет Федерации уже подготовил соответствующий законопроект и направил его в Минфин.
Завершил он темой интеллектуальной собственности. Генерируемый ИИ-контент все чаще использует чужие наработки — а авторские права остаются в подвешенном состоянии.
Развитие ИИ в России во многом стало возможным благодаря тому, что правовая среда не мешает, а в некоторых случаях — даже помогает. После запуска первой отечественной генеративной модели в 2023 году начался шквал обращений и жалоб, но реакция оказалась не запретительной, а конструктивной. «Генпрокуратура… пошла разбираться, они пошли разбираться в технологии, в применении, в практике. Они попросили организовать для них сессии с погружением», — отметил Андрей Белевцев.
Но в технологической части ситуация сложнее. Nvidia под санкциями, и даже урезанные H800 больше не поставляются ни в Россию, ни в Китай. Поэтому все громкие заявления — вроде «новая модель за три недели и $500 тысяч» — нужно воспринимать с оговорками. Кто-то считает только финальный цикл обучения, кто-то отдельный этап, а всю цепочку итераций и экспериментов никто не показывает. Формально — правда, но не вся.
Китай ищет и находит обходные пути. Несмотря на отставание оборудования, строится своя технологическая вертикаль — включая альтернативу CUDA: CAN. Под него уже работают миллионы разработчиков. Это не просто замена фреймворка — это основа собственной школы ИИ, в которой важна не только мощность, но и способность адаптироваться. Читайте также
Как предсказать популярность сервиса еще до его внедрения? Представьте себе ситуацию, когда в аэропорту поставили дорогущую автоматическую систему проверки паспортов, а народ всё равно идёт к живому человеку. Ну просто потому что «так спокойнее». И вы не можете понять причины неприятия новой, системы, как и, зачем вообще вы выбросили на ветер огромное количество времени, сил и денег?
Раньше о таких системах писали в рейтингах суперкомпьютеров. Теперь — тишина. Сверхмощные установки ушли в тень, и побеждает не тот, кто громче, а тот, кто гибче. В этом мире многое пишется «между строк» — и читать их становится обязательным навыком.
Уравнение ИИ: данные, мощности, кадры
ИИ-экономика требует прочного фундамента. Без надежной инфраструктуры и достоверных данных масштабирование невозможно. По оценкам Ростелекома, к 2030 году в России число используемых видеокарт вырастет с 10 до 80–90 тысяч — в восемь раз. Это значит, что ключевая задача на ближайшие годы — обеспечить достаточные вычислительные мощности как для крупных генеративных моделей, так и для прикладных решений в промышленности и госсекторе.
Но вопрос не только в «железе». Модели нужно дообучать, а значит — постоянно подпитывать их массивами актуальных данных. Это требует и технических, и организационных усилий, особенно с учетом требований к кибербезопасности. Проблема в том, как обеспечить и рост объемов, и защиту.
Не менее остро стоит кадровый вопрос. По словам Дария Халитова, заместителя президента – председателя правления ПАО «Ростелеком», «в России должен быть фокус на повсеместное массовое проникновение технологий в области искусственного интеллекта». Без этого не будет ни устойчивого внедрения, ни технологического суверенитета.
Внутри Ростелекома такой подход уже реализуется: 30 тысяч сотрудников ежедневно используют нейрошлюз — внутреннюю платформу, которая объединяет open source, отечественные LLM и популярные инструменты вроде GigaChat и Яндекс GPT. Не ради эксперимента, а для реальной работы.
«ИИ меняет бизнес и станет драйвером экономического роста для всех стран», — подчеркнул Алок Кумар, почетный директор Торгово-промышленной палаты БРИКС. По его словам, в условиях, когда все страны стремятся к технологическому суверенитету, важно не только развивать собственные решения, но и объединять усилия, чтобы технологии оставались устойчивыми и доступными — особенно в формате open source.
Рабочая группа БРИКС, по его словам, уже обсуждает направления совместной работы: совместные исследования и инновации, согласование подходов к управлению данными и выработку общих стандартов в области этического ИИ. «Нам нужен единый подход, чтобы понимать, как мы сотрудничаем между странами на этих платформах».
Он отметил и языковой барьер: большинство ИИ-моделей сегодня обучаются преимущественно на английском, и это ограничивает доступность технологий. Чтобы говорить о равноправном развитии, нужно создавать инструменты, которые работают на разных языках и в разных культурных контекстах.
ИИ может принести пользу в здравоохранении, агросекторе, развитии умных городов — но для этого нужно, чтобы open source-решения были действительно универсальными и взаимно используемыми.
Также прозвучал акцент на необходимость регуляторной координации. Кумар напомнил, что в эпоху появления интернета сначала не было никаких правил — и это было свободно, но хаотично. Сейчас ИИ требует другой логики: «Вы не можете двигаться по дороге без правил дорожного движения». Особенно когда речь идет об обработке персональных данных: «Те сервисы, которые выдают кредит за 10–20 минут, работают с чувствительной информацией. Она не должна быть полностью открыта».
По его словам, в Индии уже более 750 миллионов пользователей интернета, и стране пришлось выстраивать цифровые процессы так, чтобы они были одновременно масштабируемыми и регулируемыми.
Искусственный интеллект в промышленности
Промышленность не торопится дружить с генеративным ИИ. Как отметил Михаил Аронсон, директор по цифровизации производств компании «Цифра», в этой сфере работают с физико-химическими процессами, где требуются строгие модели, а не фантазия нейросетей. Поэтому здесь по-прежнему применяются классические технологии машинного обучения: предиктивная аналитика турбин, мониторинг станков, оптимизация техпроцессов. Однако даже успешные кейсы трудно масштабировать — слишком уж они завязаны на конкретное оборудование и параметры.
Проблема — не в отсутствии данных, а в разрыве между цехом и управлением. Данные собираются, но «где-нибудь наверху появляется Excel, появляется телефон, и управление через данные начинает рваться». Чтобы этого избежать, «Цифра» вместе со Сбером пилотирует интеграцию Гигачата в промышленные ИТ-системы — ИИ становится интерфейсом между человеком и машиной.
Пока же во многих отраслях нет даже стандартов сбора данных. «Цифра» совместно с Минпромторгом начала передавать обезличенные данные с ЧПУ-станков в национальный центр ИИ — чтобы накапливать датасеты и строить типовые предиктивные модели.
Один из самых перспективных направлений — цифровые двойники. Компания уже реализовала проект цифрового двойника газоконденсатного месторождения для «Газпрома», который позволяет моделировать сценарии работы целого производственного актива в реальном времени. Читайте также
Юрий Хаханов: «ИИ-проектировщик вытеснит человека быстрее, чем вы думаете» Пока чиновники держат «ручник» и с опаской подписываются под цифровыми решениями, девелоперы и проектировщики идут вперед. Директор по акселерации Build UP, руководитель направления «Городские технологии» Фонда «Сколково» Юрий Хаханов рассказывает IT-World, как стартапы действительно внедряются в стройку, почему 3D-печать на обычном бетоне — это технологический прорыв, и как нейросеть помогает понять, куда уходит тепло в пустом офисе.
Внедрение генеративного ИИ — не вопрос одной модели. Чтобы получить эффект, нужно пройти длинный путь: от гипотез к реальным результатам. В одном из проектов ЦРТ в нефтехимии от 150 гипотез до финального внедрения дошли лишь четыре. И в одиночку такой путь повторить можно, но долго и дорого. Поэтому компании все чаще идут с партнерами — теми, кто уже собрал стек и проверил его в полевых условиях.
При этом сама модель — лишь один из компонентов. Даже если она open source, без контроля над данными обучения доверять ей сложно. Особенно в таких сферах, как здравоохранение. «Вы получаете код, но не получаете самого главного — вы не получаете тот притрейн, на котором эта модель обучалась», — подчеркивает Дмитрий Дырмовский, гендиректор ГК ЦРТ.
Чтобы минимизировать риски, организации все чаще используют on-prem-решения — модели разворачиваются внутри периметра заказчика. Там же происходит их дообучение и настройка. В крупных внедрениях ЦРТ уже применяется сразу несколько моделей, включая Gigachat и Яндекс GPT, а итоговый выбор делает платформа.
Бизнесу важно не распыляться на сбор пайплайнов, а концентрироваться на проверке гипотез и достижении эффекта. Это экономит ресурс и ускоряет результат.
Где ИИ точно пригодится — и где пока бессилен
Производство — одна из отраслей, где искусственный интеллект способен дать наибольший эффект. Уже сейчас разрабатываются технологии, позволяющие по 3D-скану детали автоматически создавать модель в CAD-программе, а затем генерировать код для станка с ЧПУ. Такой сквозной процесс — от сканирования до готовой детали — особенно востребован в задачах обратного инжиниринга и может существенно ускорить восстановление и разработку новых компонентов.
Кроме того, ИИ-модели начинают использоваться не только для воспроизведения, но и для улучшения: с помощью эволюционных алгоритмов они проектируют следующие поколения деталей с оптимизированными характеристиками. Это открывает путь к полностью цифровому и адаптивному производству.
В то же время остаются сферы, где искусственный интеллект пока бессилен. Например, все, что связано с мелкой моторикой и физическим взаимодействием в условиях неопределенности, по-прежнему остается задачей, в которой человек значительно эффективнее. Даже простые действия, такие как аккуратно убрать шахматные фигуры после игры, остаются трудновыполнимыми для роботов. Пока технологии движутся быстрее, чем появляется понимание, где и как их эффективно применять. Поэтому основное препятствие не в потенциале ИИ, а в том, как именно его встроить в практику.
Ольга ПоповаГлавный редактор IT Manager
Искусственный интеллект (ИИ, AI)