_662d105e0543d.jpg)
Я этого не знаю, к счастью. Вообще прелесть современного будущего в том, что оно становится все менее предсказуемым и этот процесс ускоряется. Я слежу за развитием искусственного интеллекта задолго до появления ChatGPT в 2022 году, даже история ИИ «под капотом» различных сервисов вроде поиска «Яндекса» за 10 лет показывает, как стремительно меняется ландшафт. Пытаться угадать, что будет важно через 5–10 лет, не только бесполезно, но и вредно: потом на такие прогнозы ссылаются как на экспертные. Я не люблю «атласы будущих профессий»: в них нет актуальных специальностей, зато хватает фантастики вроде агронома межзвездных культур. Будущее — не улучшенное настоящее, а нечто принципиально новое; если профессию можно придумать уже сегодня, она, скорее всего, не про будущее — а про сегодня или даже вчера.
Развитие беспилотного транспорта в России идет чуть медленнее мирового — сказывается осторожный подход регуляторов. Наиболее заметные темпы внедрения — в Китае и США: там к 2025–2026 годам автономный транспорт фактически перешел из пилотных проектов в промышленную эксплуатацию. Число поездок на полностью автономных такси, без страхующего водителя, уже исчисляется миллионами, а это позволяет просчитать юнит‑экономику и подтвердить безопасность: статистика аварий на миллион километров пробега существенно ниже, чем у такси с водителями. Таким образом, главный страх о росте дорожных катастроф из‑за беспилотного транспорта уже развеян — не теоретическими расчетами и симуляциями, а реальной эксплуатацией, причем в непростых мегаполисах с огромным трафиком, типа Шанхая.
В России активно развиваются пилотные проекты — прежде всего автономные грузовики, в том числе у «Яндекса» и «Сбера» и других стартапов. Например, недавно «Яндекс» опубликовал 8-часовую запись поездки автономного грузовика из Москвы в Петербург: за все время водитель ни разу не коснулся руля и педалей. В Москве тестируют также беспилотные трамваи и поезда метро. Беспилотный транспорт — одно из самых зрелых направлений: в ближайшие годы возможен переход от экспериментов к массовому продукту.
Что касается человекоподобных и специализированных роботов, например, для помощи экстренным службам, они пока отстают, но темп прогресса здесь очень высокий — в отдельных сценариях, если нужно куда-то вскарабкаться, робособаки могут оказаться эффективнее гуманоидных роботов.
Демонстрационные шоу с роботами — вроде акробатических номеров или синхронных танцев, конечно, впечатляют, но зачастую не отражают настоящую автономность. Там роботы работают по жесткой программе в контролируемых условиях. Если в зону его действия шагнет человек, система не среагирует, а это не полноценное взаимодействие со средой.
Куда ценнее примеры реального автономного поведения как, например, в решениях «Сбера» — робот «Грин». Он способен распознать объект, например апельсин, рассчитать усилие, чтобы не повредить его и взять его в руку, отследить положение руки человека и аккуратно передать предмет. При этом робот учитывает окружение: не делает лишних движений, не задевает людей. За этим стоит комплекс ИИ‑технологий — машинное зрение, понимание команд, анализ среды и принятие решений в реальном времени.
Специалисты «Яндекс Роботикс» подтверждают: именно такая способность к автономному взаимодействию важнее зрелищных шоу. Пока российские компании делают акцент на прикладных задачах, например, складской автоматизации, но развитие в сторону полноценной адаптации к динамичной среде сегодня ключевой вектор.
В принятом законе нет нормы об обязательной маркировке ИИ‑контента — и на то были весомые аргументы. Например, представители бизнеса, в том числе «Яндекса» указывали, что это ударит по малому и среднему бизнесу. Сегодня многие продавцы на маркетплейсах используют ИИ, чтобы улучшить фото товаров: превратить неудачный снимок чайника в привлекательную картинку в кухонном интерьере. Маркировка такого контента сделала бы электронную коммерцию менее удобной и создала бы преимущество для крупных игроков, которые могут позволить себе живых дизайнеров и фотографов. Это был один из аргументов, чтобы не убирать демократизирующую роль ИИ в бизнесе.
Закон приняли в рамочном виде, что разумно с учетом скорости технологических изменений: так его не придется срочно корректировать через полгода‑год. Практическое применение будет зависеть от подзаконных актов, которые профильные ведомства примут в ближайшие годы. Вполне вероятно, что регулирование для рекламы на маркетплейсах и для массовой кинопродукции будет различаться — и это логично. Пока рано делать окончательные выводы: нужно дождаться конкретных нормативных документов, чтобы понять, как правила затронут разные сферы, в том числе творческую деятельность.
У телеком‑компаний обширная внутренняя инфраструктура — дата‑центры, линии связи, — и здесь ИИ дает ощутимый эффект. Яркий пример — предиктивное обслуживание оборудования: система сигнализирует, что диск с высокой вероятностью выйдет из строя в ближайший месяц, и его можно заменить планово, а не в аварийном режиме. Система предиктивного обслуживания оборудования демонстрирует высокую эффективность — и с экономической точки зрения это крайне выгодно.
Еще одно перспективное направление — работа с данными. Телеком‑оператор каждую секунду генерирует огромный поток информации о пользователях. Продавать сырые данные менее выгодно, чем создавать на их основе рыночные продукты — например, рекламные решения или аналитические сервисы. При этом все данные должны быть обезличены и обработаны с соблюдением закона о персональных данных. Превратить этот массив в востребованный продукт сегодня практически невозможно без инструментов искусственного интеллекта.
Распространенное мнение, будто автономные системы, например, транспорт или роботы невозможны без 6G, считаю ошибочным — и даже опасным. Нельзя выпускать робота или беспилотник, который станет неуправляемым при потере связи. Особенно критично это, если автономный автомобиль движется на скорости скажем 130 км в час по трассе и там нельзя останавливаться. По‑настоящему автономная робототехника должна функционировать независимо от качества сети — иначе ее эксплуатация недопустима. Например, для внутрискладских роботов можно использовать локальные высокоскоростные сети — при необходимости легко развернуть Wi‑Fi. В «Яндекс Роботикс» мне прямо говорили: острой потребности в 5G или 6G сейчас нет. Дело в том, что автономность должна быть нечувствительна к скорости связи или ее временным перебоям — это базовый принцип. Разумеется, существуют сценарии применения, о которых я могу не знать, но в знакомых мне областях приоритет — именно в локальной автономности, а не в сверхбыстрых сетях.
Отсутствие глубокой цифровой культуры и цифровой инфраструктуры в самих компаниях при внедрении ИИ может закончиться катастрофически. Нередко компании не готовы к ИИ не из‑за нежелания, а из‑за отсутствия цифровой культуры и инфраструктуры. Цифровая трансформация подразумевает дисциплину работы с данными, разработку цифровых продуктов, выстроенную информационную безопасность. Если эта база есть, интеграция ИИ проходит плавно и безопасно — например, принципы управления правами доступа к данным логично переносятся на работу с автономными ИИ‑агентами. Если совсем упрощать, когда вы хорошо знаете, как раздавать людям права доступа, вы примерно уже знаете, как раздавать права доступа автономным агентам, которые что-то программируют. Если же такой культуры нет, внедрение ИИ чревато рисками и может привести к серьезным проблемам. И этот пробел быстро не закрыть: формирование нужной среды — долгий процесс. Другой барьер — психологический: сотрудники опасаются, что автоматизация приведет к сокращениям, в том числе и их самих. Отсюда скепсис, сопротивление и формальные отговорки про «риски».
При этом регуляторика сейчас скорее поддерживает развитие ИИ, а не тормозит его: например, принятый закон («О поддержке развития технологий искусственного интеллекта в Российской Федерации») носит рамочный характер и ориентирован именно на поддержку и развитие технологий.
Еще один важный момент: для большинства бизнес‑задач не нужны самые мощные модели. Гораздо важнее сейчас вот слово, которое надо учить — harness (обвязка), это — инструменты и процессы вокруг модели: работа с источниками, фильтрация некачественных данных, специализированные узкие модели для конкретных задач. Яркий пример — поисковые сервисы: качество результата определяется не только мощностью основной модели, но и всей системой ее сопровождения. То же справедливо и для других прикладных сценариев — вплоть до программирования. Таким образом, главные ограничения сегодня — не в железе и не в регуляторике, а в зрелости внутренних процессов компаний и в преодолении человеческого сопротивления переменам.
