Генеративный искусственный интеллект уже уверенно применяется в корпоративных процессах — от генерации документов до ассистентов в закупках. По данным TAdviser, в 2024 году 90 из 100 крупнейших компаний России применяли ИИ и машинное обучение для внутренних задач. Сейчас фокус смещается: технологии выходят из офисов на производственные площадки. Именно об этом шла речь на открытой дискуссии Сколтеха, где представители АО «ТВЭЛ», «Норникеля», «Газпромнефть-НТЦ», Сбера, Datana и Наньянского технологического университета (Сингапур) обсуждали, как перейти от прототипов к работающим решениям.
Один из главных выводов дискуссии — промышленности нужны не абстрактные универсальные модели, а точные, специализированные инструменты, заточенные под конкретные процессы. Отсюда — интерес к мультимодальным и мультиагентным архитектурам: они умеют обрабатывать текст, изображения, телеметрию и учитывать регламенты. Это особенно важно, когда в реальном времени нужно анализировать показания датчиков, видео с камер и одновременно соблюдать стандарты.
Пример «Норникеля» один из немногих, где ИИ уже работает в производстве. Модели прогнозирования помогают управлять процессом флотации — извлечением цветных металлов из руды с помощью пузырьков воздуха. Система анализирует состав пены и в реальном времени корректирует параметры оборудования. Сначала технология работала только с табличными данными, затем добавили компьютерное зрение — и показатели извлечения выросли на 0,3–0,5%. Сейчас в компании разрабатывают языковую модель для металлургии: она обучена на ГОСТах, регламентах и техпроцессах и станет основой для ассистентов в R&D, HR и юридических службах.
В «Газпромнефть-НТЦ» ИИ тестируют в условиях, где классическая автоматизация не справляется — при добыче трудноизвлекаемых запасов. Около 70% скважин работают в нестабильном режиме: с резкими колебаниями давления, прорывами газа и периодической остановкой насосов. Такие условия не позволяют эффективно управлять оборудованием через дата-центры: данные поступают с задержкой, а система не успевает реагировать на быстро меняющуюся обстановку. Решение — перенести обработку сигналов ближе к оборудованию. Уже сегодня локальные компьютеры на скважинах анализируют данные в режиме реального времени. Следующий шаг — научить их корректировать параметры без участия человека. «Это позволит раскрыть операционный потенциал, который сейчас просто теряется», — отметил Евгений Юдин, директор программы «Управление добычей на текущих мощностях».
Но технологии — лишь часть уравнения. Все участники подчёркивают: масштабное внедрение требует не только алгоритмов, но и зрелой инфраструктуры, регуляторной базы и вычислительных мощностей. И главный вопрос — кто отвечает за решение, если его приняла нейросеть?
Еще одна дискуссия в рамках ИИ-трека — «Искусственный интеллект для автономных адаптивных систем» — прошла под модерацией Александра Меньщикова, руководителя Лаборатории «ИИ для автономных систем» Центра искусственного интеллекта Сколтеха. К разговору он пригласил Дмитрия Девитта (Центр БАС Университета Иннополис), Владимира Карапетьянца (АО «НИИМА “Прогресс”»), Андрея Коригодского («Сверх»), Ивана Оселедца (AIRI и Сколтех), Дмитрия Сиземова («Цифра Роботикс») и Максима Томских («Дронсхаб групп»). В центре внимания оказались три взаимосвязанные задачи: непрерывная адаптация моделей в «живой» промышленной среде, преодоление семантического разрыва между теоретическими RL-подходами и реальным производством, а также распределение вычислений между бортом и облаком там, где связь нестабильна или вовсе отсутствует.
Открывая дискуссию, Александр сформулировал ключевую дилемму: «Сценарий определяет архитектуру. Там, где связь непредсказуема, критичные функции должны жить на борту, иначе задержка в двести миллисекунд превращается в столкновение». Технический директор «Цифра Роботикс» Дмитрий Сиземов поддержал тезис примерами из карьеров, где тяжёлые самосвалы «учатся» накапливать знания об опасных препятствиях; по его словам, адаптация модели начинается с ручной разметки водителями, но уже через несколько рейсов система сама уточняет карту риска и уменьшает количество ложных срабатываний. Иван Оселедец добавил, что современный «мульти-контекстный» reinforcement learning, когда агент тренируется на множестве задач и траекторий, позволяет значительно улучшить перенос симуляции в реальный цех, однако требует миллиардов примеров и скоростных симуляторов.
Проблема аппаратной независимости вышла на первый план, когда Владимир Карапетьянц предложил «нервную кооперацию»: концентрировать усилия вокруг отечественных микросхем и компонентов, чтобы ИИ-системы не зависели от импортной элементной базы. В ответ Сергей Ященников, чьи нейроморфные исследования упоминались в зале, отметил, что переход к мозгоподобным чипам может стать «короткой траекторией» для России в глобальной микроэлектронике, но только если сосредоточить ресурсы на целевых программах. Максим Томских, работающий с флотами дронов и наземных роботов, описал гибридный подход: недорогой робот выполняет базовые функции локально, а сложная координация и обучение моделей происходят в краевом облаке, что позволяет обновлять навыки всей группы без повышения стоимости каждой единицы техники.
Финалом обсуждения стала интерактивная «оценка доверия»: аудитория проголосовала через QR-код, и большинство признало, что готово полагаться на автономные системы при чётко заданных границах ответственности и прозрачных критериях безопасности. Таким образом, сессия подчеркнула: чтобы сузить семантический разрыв между академией и фабрикой, нужно одновременно продвигать алгоритмы адаптивного обучения, развивать отечественную аппаратную платформу и формулировать бизнес-задачи максимально конкретно — тогда работоспособные ИИ-решения покинут лаборатории и станут частью повседневной индустриальной практики.