Антон Алиханов о внедрении ИИ на заводах: "Своих обкатанных решений не хватает"

Какие отрасли промышленности успешнее всего внедряют искусственный интеллект в производственные процессы? Как и для чего его используют? Можете назвать конкретные примеры, которые могли бы стать лучшими практиками для масштабирования?

— На сегодняшний день наиболее успешно искусственный интеллект используется в нефтегазовой отрасли и добывающей промышленности. Его применяют для моделирования месторождений, повышения эффективности бурения, диагностики трубопроводов, прогнозирования аварийных ситуаций или анализа сейсмических данных.

Также ИИ используют в металлургии для автоматической оценки качества продукции на конвейере, в машиностроении — для роботизации сборочных линий, в энергетике — для автоматического анализа видео с дронов при поиске дефектов на линиях электропередачи, в химической промышленности применяется компьютерное зрение для непрерывного контроля размера гранул полимеров на конвейере и так далее.

На портале ГИСП (Государственная информационная система промышленности. — Ред.) мы проводим комплексную оценку уровня цифровой зрелости промышленных предприятий, которую прошли уже более 1 тыс. компаний (1081). По результатам опроса наиболее востребованной технологией стало оптическое распознавание символов (33,5%), компьютерное зрение (11,1%), обработка естественного языка (10%).

Что касается лучших практик, здесь могу привести в качестве примера использование компьютерного зрения на производстве металлопроката, что позволяет с точностью до 98% находить микротрещины и дефекты на стальных листах. Для наращивания выпуска удобрений предприятия применяют цифровых советчиков, которые на базе искусственного интеллекта дают рекомендации по оптимизации состава удобрения.

С какими сложностями сталкиваются производства при внедрении ИИ, систематизируется ли министерством информация в этой области?

— Во–первых, это инфраструктура. Если на предприятии стоит несовременное оборудование без необходимых датчиков, подключённых к Сети, то попросту неоткуда получать актуальные данные в реальном времени.

Во–вторых — дефицит "зрелых" отечественных решений. Зарубежные платформы сейчас часто недоступны, а своих готовых, по–настоящему обкатанных решений не хватает. Приходится либо писать всё с нуля, либо подгонять алгоритмы под конкретный цех. Это и долго, и дорого.

В–третьих — так называемые грязные данные. Нейросети учатся на чётких, структурированных массивах, но на заводах информация часто разбросана по разным программам и журналам, записана в разных форматах или просто содержит ошибки. Отсюда возможны и ошибки в прогнозировании.

Четвёртое — информационная безопасность. Когда данные уходят в облако, у руководителей сразу возникает вопрос: а не станут ли они лёгкой целью для кибермошенников? Особенно если речь идёт о стратегических объектах или критической информационной инфраструктуре. Риски тут вполне реальные, и игнорировать их нельзя.

Для мониторинга за текущим состоянием внедрения технологий у нас есть набор инструментов. Например — уже упомянутый мною портал ГИСП, созданный для обеспечения эффективной коммуникации с государством. На платформе систематизируются сведения о производителях, мерах господдержки и реестрах российской промышленной продукции.

Совместно с ФСТЭК России мы сформировали перечни типовых объектов критической информационной инфраструктуры, которые помогают предприятиям быть точными при категорировании, поскольку содержат в себе конкретный перечень информационных систем, которые должны рассматриваться в рамках установленной процедуры категорирования. Когда предприятие выявило у себя значимый объект КИИ, оно должно подобрать релевантные средства защиты, которые на сегодняшний день уже имеют встроенные механизмы искусственного интеллекта.

Кроме того, у нас работают индустриальные центры компетенций. Это специализированные площадки, которые объединяют представителей регуляторов, промышленности, разработчиков и экспертное сообщество. Их цель — обеспечить ускоренное замещение зарубежных аналогов российскими отраслевыми цифровыми решениями в целях достижения технологического суверенитета страны.

По какому пути чаще идут промышленные предприятия: использование открытых моделей ИИ или создание собственных закрытых систем? Как решаются проблемы безопасности, которые на предприятиях кажутся более серьёзными, чем, например, в рядовом делопроизводстве?

— Выбор между открытыми и закрытыми моделями на российских предприятиях всегда подразумевает под собой баланс между скоростью внедрения и жёсткими требованиями по информационной безопасности. На практике чаще всего используют гибридную модель.

Предприятия берут сильные открытые модели и дообучают их на своих специфических данных. Это дешевле и быстрее, чем создавать архитектуру нейросети с нуля. В случае собственного закрытого контура модель разворачивается на собственных серверах компании. Данные не уходят во внешние облака, что превращает систему в закрытую для внешнего мира.

В производстве риски выше: например, утечка данных о составе сплава или взлом системы управления турбиной могут привести к катастрофе. Следовательно, и решения здесь гораздо жёстче, чем в офисном софте. Поэтому все критически важные ИИ–системы, управляющие станками или химическими реакторами, полностью изолированы, то есть физически не имеют выхода в интернет. Обучение таких моделей происходит во внутреннем защищённом периметре.

Чтобы не рисковать реальной информацией при обучении ИИ, предприятия создают "цифровых двойников", которые генерируют искусственные (синтетические) — при этом математически верные — данные для тренировки нейросетей.

Одной из перспективных сфер применения ИИ является беспилотный транспорт. Каковы успехи в производстве таких транспортных средств и когда можно ожидать их массового внедрения?

— Беспилотный транспорт действительно является одной из перспективных сфер применения искусственного интеллекта, и в России эта отрасль уже перешла от отдельных испытаний к практической эксплуатации, прежде всего в сегменте грузовых перевозок.

По состоянию на конец 2025 года в рамках экспериментальных правовых режимов в эксплуатации находится 113 беспилотных грузовиков, а в проекте участвуют три производителя — NAVIO, "Яндекс" и КамАЗ. К 2028 году годовой выпуск таких машин должен вырасти до 720 единиц, общий парк в эксплуатации — до 1163 грузовиков, а к 2035 году — до 46 тыс. При этом, по предварительной оценке, к 2035 году автономные грузовики смогут обеспечивать около половины автомобильных грузоперевозок в стране.

Уже накоплен и значимый практический эффект по беспилотным перевозкам грузов. По расчётам на основе данных производителей высокоавтоматизированных автотранспортных средств (ВАТС), применение беспилотных грузовиков позволяет снизить себестоимость грузовых автоперевозок на 10–20%, обеспечить экономию топлива на 10–12%, а скорость перемещения грузов увеличить примерно в 2 раза по сравнению с грузовиками, управляемыми водителями. Экономия участников рынка может достичь 59 млрд рублей в 2030 году и 613 млрд в 2035–м.

В легковом сегменте и городской роботизированной доставке также есть заметные результаты. Парк роботакси "Яндекса" составляет 88 машин. В 2026 году планируется увеличение парка до 200 автомобилей.

Одновременно формируется технологическая база для локализации. К 2035 году рынок новых ВАТС может достичь до 5% рынка новых автомобилей, или около 120 тыс. единиц. Потенциальный рынок блоков управления беспилотной техникой и сенсоров для ВАТС оценивается примерно в 89 млрд рублей, а запуск серийного производства отечественных решений в этой части требует около 4 лет подготовки. При этом главным ограничением остаются не сами транспортные средства, а зрелость регулирования, компонентной базы и инфраструктуры.

Для полноценного выхода на эксплуатацию автономного транспорта без человека в кабине необходимо завершить разработку технических требований, системы сертификации, правил и ответственности, механизмов мониторинга безопасности, требований к дорогам и страхованию ответственности. Поэтому реалистичный прогноз, когда можно ожидать начала широкого коммерческого внедрения беспилотного транспорта, — это 2028 год, а его действительно массовое распространение — уже в горизонте 2030–х годов.