Программа-минимум. РФ на современном ИИ-фронтире

ПРОГРАММА-МИНИМУМ: РОССИЯ НА СОВРЕМЕННОМ ИИ-ФРОНТИРЕ

Предыдущая часть позволила установить исходное положение России.

Страна располагает собственными крупными моделями, научными школами, сильными технологическими компаниями, значительным кадровым потенциалом и крупным внутренним рынком. Одновременно она существенно уступает ведущим ИИ-державам по ряду системообразующих компонентов: вычислительным мощностям, современной электронной компонентной базе, масштабам frontier research, инвестиционной экосистеме и широте среды, способной непрерывно создавать новые поколения ИИ.

Из этого непосредственно следует содержание программы-минимум.

Под программой-минимум в настоящей Доктрине понимается не минимально допустимый объём действий и тем более не стратегия технологической обороны.

Это программа достижения такой полноты современной ИИ-экосистемы, без которой невозможна программа-максимум.

Россия не сможет создать LPM мирового уровня без крупномасштабных вычислений.

Не сможет построить Метаорганон без развитых фундаментальных моделей.

Не сможет создать полномасштабный ИМИ1 без моделей, агентов, памяти, специализированного программного обеспечения, экспериментальной инфраструктуры и тысяч специалистов.

Поэтому между программой-минимум и программой-максимум нет противоречия.

Первая создаёт материальное и интеллектуальное основание второй.

Можно сформулировать это ещё жёстче:

Суверенный современный ИИ — стартовая площадка метаинтеллектуальной революции.

Программа-минимум должна решить семь фундаментальных задач:

создать достаточный национальный AI-compute;
радикально повысить вычислительную и электронную независимость;
сформировать несколько сильных отечественных линий фундаментальных моделей;
построить национальную инфраструктуру данных и знаний;
перейти к массовым агентным системам;
сделать ИИ одним из основных инструментов науки, промышленности и государства;
создать кадровую систему, способную воспроизводить весь этот технологический комплекс.
Речь, следовательно, идёт не о нескольких ИИ-проектах.

Речь идёт о создании полного технологического основания интеллектуальной державы.

Глава 1. Вычислительный суверенитет России
В современном искусственном интеллекте вычисления перестали быть нейтральной технической инфраструктурой.

Compute становится одним из важнейших факторов национальной интеллектуальной мощи.

Размер моделей, объём экспериментов, скорость их обучения, возможность создавать synthetic data, обучать reasoning-системы, проводить reinforcement learning, моделировать научные процессы и запускать миллионы параллельных ИИ-агентов прямо зависят от доступной вычислительной мощности.

Поэтому страна, не контролирующая критически необходимый ей compute, рискует утратить контроль и над собственной траекторией развития искусственного интеллекта.

В этом смысле вычислительный суверенитет XXI века всё больше начинает играть роль, сопоставимую с энергетическим суверенитетом индустриальной эпохи.

1. Национальный AI-compute
Под национальным AI-compute следует понимать не простую сумму производительности всех имеющихся в стране компьютеров.

Нас интересует прежде всего вычислительная система, реально пригодная для создания и эксплуатации современных и последующих поколений ИИ.

Она должна обеспечивать:

обучение крупных фундаментальных моделей;
постобучение;
reinforcement learning;
генерацию синтетических данных;
обучение мультимодальных систем;
работу научных ИИ;
массовый inference;
экспериментирование с новыми архитектурами;
дальнейшее создание LPM, Метаорганона и ИМИ.
Национальная стратегия развития искусственного интеллекта в редакции 2024 года устанавливает конкретный ориентир: совокупная максимальная мощность расположенных в России GPU-суперкомпьютеров для ИИ должна вырасти с 0,073 экзафлопса в 2022 году как минимум до 1 экзафлопса в 2030 году. Стратегия одновременно требует развития отечественных микропроцессоров для ИИ, сотрудничества с государствами-партнёрами в сфере вычислительных мощностей и создания отказоустойчивой инфраструктуры.

В марте 2026 года Правительство утвердило отдельную дорожную карту развития высокопроизводительных вычислений, алгоритмов ИИ, грид-технологий и суперкомпьютерной инфраструктуры. В ней предусмотрено, в частности, развитие Национальной исследовательской компьютерной сети, объединяющей сотни ведущих университетов и научных организаций.

Это правильное направление.

Но для настоящей Доктрины одного показателя «экзафлопс» недостаточно.

Необходимо измерять как минимум:

общий compute;

frontier training compute;

научный compute;

доступный compute;

суверенно контролируемый compute.

Суперкомпьютер, существующий физически, но почти недоступный российским университетам и frontier-командам, не равен национальной инфраструктуре развития ИИ.

Отсюда первый принцип:

Compute должен рассматриваться не как имущество отдельных организаций, а как распределённый стратегический ресурс национальной интеллектуальной системы.

2. Центры обработки данных
Обычный центр обработки данных и AI-ready дата-центр — уже не одно и то же.

Современные ИИ-нагрузки предъявляют чрезвычайно высокие требования к:

электрической мощности;
плотности размещения ускорителей;
охлаждению;
пропускной способности сетей;
высокоскоростной памяти;
внутреннему interconnect;
системам хранения;
отказоустойчивости.
Поэтому России необходима специальная карта национальной AI-инфраструктуры ЦОД.

Целесообразно разделить её по меньшей мере на четыре уровня.

Федеральные frontier-центры
Крупнейшие комплексы для обучения фундаментальных моделей, LPM, научных моделей и будущих ИМИ.

Научные центры
Инфраструктура университетов, РАН, национальных исследовательских центров и крупных научно-технологических консорциумов.

Корпоративные центры
Yandex, Сбер и другие крупные компании, выполняющие массовое обучение и inference.

Региональный AI-compute
Доступ к вычислениям для университетов, стартапов, средних компаний и региональных научно-производственных центров.

Особенно важна географическая децентрализация.

Национальный AI-compute не должен концентрироваться в нескольких физических точках, потеря которых способна резко снизить вычислительную мощность всей страны.

Необходима федеративная архитектура:

крупные центры + региональные центры + научная сеть + единая система распределения вычислительных заданий.

3. Суперкомпьютеры
Положение России в открытом рейтинге TOP500 на середину 2026 года наглядно демонстрирует проблему обновления поколений.

Наиболее мощный публично зарегистрированный российский суперкомпьютер Chervonenkis компании «Яндекс» имеет Rmax 21,53 PFLOPS и в июньском TOP500 2026 года занимает 101-е место. Galushkin — 134-е с 16,02 PFLOPS; Lyapunov — 161-е с 12,81 PFLOPS; Christofari Neo — 167-е с 11,95 PFLOPS. Все эти системы были установлены в 2020–2021 годах и используют ускорители NVIDIA A100.

Особенно показательна динамика.

Chervonenkis не стал слабее физически.

Но его место в мировом рейтинге снизилось.

То же происходит с другими системами.

Это означает:

в быстро развивающемся compute статичность эквивалентна отставанию.

Поэтому России требуется не проект «построить суперкомпьютер», а индустрия регулярного обновления суперкомпьютерных поколений.

Кроме того, традиционный Linpack уже не должен быть единственным главным измерителем.

Для ИИ имеют значение:

BF16/FP16/FP8;
матричная производительность;
bandwidth;
HBM;
скорость interconnect;
масштабируемость распределённого обучения;
training efficiency;
inference efficiency;
энергозатраты на обучение модели;
стоимость одного полезного токена или интеллектуальной операции.
Следовательно, рядом с классическим суперкомпьютерным рейтингом России нужен Национальный индекс AI-compute.

Он должен показывать не абстрактную арифметическую мощность, а реальную способность обучать и эксплуатировать современные модели.

4. Ускорители
Ускорители являются наиболее сложным компонентом российского вычислительного суверенитета.

На краткосрочном горизонте необходимо обеспечить максимально возможный доступ к современному зарубежному и партнёрскому hardware.

На среднем — создавать конкурентоспособные отечественные ускорители для специализированных задач и inference.

На более длинном — получить собственную платформу ускорителей, способную поддерживать обучение крупных моделей.

Это три разные задачи.

Их нельзя смешивать.

Ускоритель для машинного зрения в роботе — важная технология.

Но он не является заменой тысячам современных GPU, необходимым для обучения большой frontier-модели.

В 2025–2026 годах появились российские разработки специализированных тензорных ускорителей. Например, семейство LinQ позиционируется прежде всего для edge-инференса, компьютерного зрения, робототехники и специализированных ЦОД-нагрузок; разработчик заявляет до 24 TOPS int8 на одном процессоре и масштабирование готовых решений до 960 TOPS. В 2026 году отдельные устройства LinQ были включены в российские реестры промышленной продукции и ПО.

Это важный задел.

Но методологически неправильно было бы ставить знак равенства между подобным отечественным inference-ускорителем и современными training accelerators верхнего мирового уровня.

Национальная стратегия сама формулирует более высокую цель: обеспечить к 2030 году массовое производство в России конкурентоспособных микропроцессоров для ИИ, включая тензорные и нейроморфные.

Поэтому необходима лестница:

edge AI accelerator ; inference accelerator ; server AI accelerator ; training accelerator ; многопоколенная российская AI-compute platform.

Последний уровень и должен стать долгосрочной целью.

5. Энергетическая база
ИИ превращает энергетику в часть интеллектуальной инфраструктуры.

Современный дата-центр нельзя построить, не ответив предварительно на вопрос:

откуда будут поступать сотни мегаватт, а в перспективе и существенно большие объёмы стабильной электроэнергии?

Именно здесь Россия потенциально имеет серьёзное сравнительное преимущество.

Она располагает:

крупной атомной энергетикой;
гидроэнергетикой;
газовой генерацией;
значительными территориями;
регионами с относительно благоприятными климатическими условиями для охлаждения;
крупными энергосистемами.
Но наличие энергетических ресурсов само по себе не превращается в AI-compute.

Необходима специальная программа:

энергогенерация ; сети ; AI-ЦОД ; вычислительные кластеры.

Следует заранее резервировать энергомощности под крупные национальные вычислительные центры.

Перспективные ЦОД целесообразно проектировать вместе с источником энергии, а не пытаться вписать их постфактум в существующую региональную энергосеть.

В таком случае энергия становится не просто затратой.

Она превращается в национальное преимущество в мировой интеллектуальной конкуренции.

6. Распределённая вычислительная инфраструктура
Даже очень крупный вычислительный центр не должен становиться единственной архитектурой.

Для науки особенно важен другой принцип:

вычисления должны быть доступны там, где рождаются интеллектуальные идеи.

Российский университет или научная лаборатория не должны быть вынуждены сначала становиться крупной корпорацией, чтобы получить возможность провести эксперимент с большой моделью.

Принятая в 2026 году дорожная карта высокопроизводительных вычислений предполагает развитие Национальной исследовательской компьютерной сети, объединяющей сотни ведущих университетов и исследовательских организаций.

Эту линию необходимо развить значительно дальше.

Нужна национальная система, в которой исследователь может получить вычислительный ресурс:

по конкурсу;
автоматически;
по научному рейтингу проекта;
с прозрачными квотами;
без многомесячной административной процедуры.
Для этого необходимы:

единый каталог ресурсов;

общие API;

унифицированные контейнеры;

распределённое хранение данных;

федеративная идентификация;

грид-планировщик;

мониторинг загрузки;

система научных compute-грантов.

В пределе Россия должна обладать не только множеством суперкомпьютеров.

Она должна иметь виртуальный национальный суперкомпьютер, способный объединять многие вычислительные ресурсы для решения задач различного масштаба.

7. Резервирование критических ресурсов
Вычислительный суверенитет означает также способность переживать сбои.

Критические элементы должны резервироваться на нескольких уровнях.

Hardware-резервирование
Запас ускорителей, сетевых компонентов, систем хранения, блоков питания и критических запасных частей.

Архитектурное резервирование
Система не должна зависеть от единственного типа процессора.

Программное резервирование
Критические модели и фреймворки должны иметь возможность переноситься между несколькими аппаратными платформами.

Географическое резервирование
Ключевые вычислительные центры не должны находиться в одной агломерации.

Энергетическое резервирование
Должны существовать независимые каналы энергоснабжения.

Информационное резервирование
Модели, checkpoints, datasets, noogenetic archives и критические компоненты программного обеспечения должны существовать в нескольких защищённых копиях.

Это особенно важно для будущего ИМИ.

Если ИМИ становится одним из важнейших инструментов научной и технологической системы государства, утрата единственного вычислительного центра не должна означать утрату уникального интеллектуального субъекта или его эволюционной истории.

Отсюда более широкое определение:

вычислительный суверенитет — это гарантированная способность национальной интеллектуальной системы продолжать обучение, развитие и применение критически важных ИИ независимо от внешних ограничений и локальных отказов.

Глава 2. Российская полупроводниковая стратегия для ИИ
Если compute является энергетикой искусственного интеллекта, то современная микроэлектроника является его материальной нейрофизиологией.

Алгоритм не существует без физического носителя.

Какими бы совершенными ни были математические идеи, они не превращаются в крупномасштабную интеллектуальную систему без:

процессоров;
ускорителей;
памяти;
interconnect;
систем хранения;
сетевого оборудования;
производства и упаковки микросхем.
Поэтому полупроводниковая проблема является одним из наиболее тяжёлых элементов российской ИИ-стратегии.

Но здесь особенно вреден примитивный подход:

«Надо просто создать российскую NVIDIA».

NVIDIA — это не один процессор.

Это результат многолетней коэволюции:

архитектура ; silicon ; память ; interconnect ; CUDA ; библиотеки ; компиляторы ; серверы ; облака ; разработчики.

Следовательно, Россия должна создавать не отдельный «чип», а полупроводниково-программную экосистему ИИ.

1. Архитектуры ускорителей
Первый вопрос российской стратегии должен звучать не:

«Какой GPU производить?»

а:

«Какие классы вычислений необходимо суверенно обеспечивать?»

Нужно различать как минимум четыре слоя.

Edge AI
Беспилотники, роботы, камеры, промышленная автоматика, автономные устройства.

Здесь критичны:

энергопотребление;
latency;
компактность;
устойчивость;
локальный inference.
Массовый inference
Обслуживание миллионов запросов в LLM, speech, vision и других моделях.

Здесь требуется оптимизация стоимости одной интеллектуальной операции.

Научные и инженерные вычисления
Гибрид HPC + AI.

Training крупных моделей
Самый технологически сложный уровень.

Здесь важны:

высокая матричная производительность;
HBM;
скоростной interconnect;
масштабирование на тысячи и десятки тысяч ускорителей;
зрелая software ecosystem.
Отсюда вытекает принцип:

Россия не обязана начинать со штурма самого трудного уровня одновременно по всем направлениям.

Разумнее строить последовательность.

Сначала получить сильные позиции в edge и специализированном inference.

Параллельно — развивать серверные ускорители.

Затем — масштабируемую training-платформу.

И с самого начала создавать общий программный стек.

2. Производственная база
Национальная стратегия ИИ прямо предусматривает к 2030 году массовое производство на территории России конкурентоспособных микропроцессоров для задач искусственного интеллекта, включая тензорные и нейроморфные процессоры.

Это чрезвычайно высокая цель.

И её нельзя подменять статистикой всей электронной промышленности.

Например, Правительство сообщало, что доля российской электронной продукции на внутреннем рынке по итогам 2024 года составляла около 53%, а поставленная задача — увеличить её приблизительно до 70% в последующие пять лет. Но данный показатель охватывает широкую электронную продукцию и не означает, что Россия уже обеспечивает половину потребностей в frontier AI-чипах.

Именно поэтому для ИИ нужен отдельный баланс.

Необходимо ежегодно фиксировать:

какие процессоры проектируются в России;
где они физически производятся;
какие технологические нормы освоены серийно;
какие компоненты отечественные;
какие импортируются;
какие объёмы выпуска реально доступны;
для каких ИИ-нагрузок они пригодны.
Иными словами:

российское происхождение продукта и способность продукта конкурировать на frontier — два самостоятельных критерия.

Для технологического суверенитета нужны оба.

3. Упаковка и память
Современная гонка ИИ показывает, что нанометры — далеко не единственный технологический параметр.

По мере роста моделей критическими становятся:

HBM;
пропускная способность памяти;
advanced packaging;
chiplets;
высокоскоростной interconnect;
тепловой режим;
плотность соединений.
Это открывает для России одновременно проблему и возможность.

Проблема состоит в том, что создание полноценного ускорителя требует сложной экосистемы компонентов, часть которых ещё труднее воспроизвести, чем сам вычислительный кристалл.

Возможность — в том, что chiplet-подход позволяет разделить сложную систему на специализированные кристаллы и потенциально производить разные её части на разных технологических уровнях.

В 2026 году была зарегистрирована российская топология специализированного тензорного чиплета, рассчитанного на 28-нм процесс. При этом отраслевые оценки подчёркивали, что речь пока идёт о разработке и топологии, а не о наличии полномасштабного серийного производства.

Именно такой статус и должен фиксироваться честно:

разработано — не означает освоено серийно;

произведён образец — не означает создана промышленность;

создана промышленность — не означает достигнут мировой frontier.

Эти четыре стадии необходимо различать на протяжении всей полупроводниковой программы.

4. Альтернативные вычислительные архитектуры
Технологическое отставание создаёт соблазн просто повторять архитектуру лидера.

Но именно здесь возможна асимметрия.

Не все будущие вычисления обязаны строиться по сегодняшней схеме GPU + HBM.

Необходимо параллельно исследовать:

тензорные ASIC;
chiplet architectures;
нейроморфные процессоры;
вычисления в памяти;
фотонные вычисления;
аналоговые матричные вычисления;
FPGA-системы;
специализированные процессоры под LPM;
архитектуры под sparse models;
аппаратные средства для массовых agentic systems.
Особенно важен принцип software-hardware co-design.

Если Россия будет создавать новые архитектуры LPM или ИМИ, появляется возможность проектировать hardware одновременно с алгоритмом.

Это потенциально значительно сильнее, чем попытка запускать принципиально новую интеллектуальную архитектуру исключительно на вычислителях, оптимизированных под вчерашний класс моделей.

Таким образом, программа-максимум может постепенно начать влиять на программу-минимум.

ИМИ создаёт новые требования к compute.

Новый compute открывает новые возможности для ИМИ.

Возникает коэволюция архитектуры разума и архитектуры его физического носителя.

5. Импортозависимость
Полупроводниковая зависимость является многослойной.

Недостаточно задать вопрос:

«Российский ли процессор?»

Необходимо исследовать весь стек.

Первый уровень — архитектура и IP
Кто контролирует права и исходные архитектурные решения?

Второй — EDA
На каких инструментах проектируется микросхема?

Третий — fabrication
Где производится кристалл?

Четвёртый — память
Кто производит DRAM, HBM и другие критические компоненты?

Пятый — packaging
Где выполняется современная упаковка?

Шестой — interconnect
Какими системами соединяются ускорители?

Седьмой — firmware и drivers
Кто контролирует низкоуровневый программный слой?

Восьмой — compiler и runtime
Можно ли эффективно использовать hardware без иностранного закрытого программного стека?

Девятый — AI frameworks
Насколько легко переносить российские модели на отечественную платформу?

Именно поэтому настоящая задача заключается не в максимизации процента «российскости» любой ценой.

Она заключается в устранении неприемлемых single points of failure.

В некоторых компонентах Россия может производить сама.

В некоторых — сотрудничать с партнёрами.

В некоторых — поддерживать несколько альтернативных каналов поставок.

Но критические ИИ-системы не должны зависеть от одного внешнего решения, прекращение доступа к которому способно остановить развитие отрасли.

6. Долгосрочный технологический суверенитет
Российскую полупроводниковую стратегию для ИИ целесообразно строить как четыре параллельных программы.

Программа А. Гарантированный compute сегодняшнего поколения
Любым экономически и политически приемлемым способом обеспечивать современную вычислительную инфраструктуру, пока отечественный hardware не достиг необходимого класса.

Программа Б. Суверенный inference
Создать конкурентоспособные российские платформы для:

vision;
speech;
edge AI;
робототехники;
промышленного inference;
части LLM inference.
Программа В. Суверенный training
Создать многопоколенную российскую платформу для крупномасштабного обучения.

Это самая трудная задача.

Но без неё полный вычислительный суверенитет невозможен.

Программа Г. Следующий hardware-frontier
Исследовать архитектуры, которые могут оказаться оптимальными уже не для нынешних LLM, а для:

LPM;
MetaLPM;
агональных ИИ;
популяционных систем;
ИМИ;
ноофрактальной эволюции.
То есть российская стратегия должна иметь два направления движения:

воспроизведение критически необходимого сегодняшнего hardware;

и

проектирование hardware для интеллекта следующего поколения.

Самым опасным результатом было бы создать к 2031 году хороший российский аналог вычислительной архитектуры 2026 года именно в момент, когда мировой frontier уже начал переходить к другой.

Глава 3. Российские фундаментальные модели
Если вычислительная инфраструктура является физической основой ИИ-суверенитета, то фундаментальные модели становятся его действующим интеллектуальным слоем.

Именно через них compute превращается в:

язык;
код;
знания;
анализ;
управление;
научные гипотезы;
изображения;
речь;
агентные действия.
Россия уже прошла важный порог: она относится к сравнительно небольшому числу государств, способных самостоятельно создавать крупные современные языковые и мультимодальные модели.

Однако задача программы-минимум состоит не в том, чтобы просто сохранить наличие «своей LLM».

Нужно сформировать многопоколенную национальную индустрию фундаментальных моделей.

Её основной продукт — не конкретная модель.

Её основной продукт — способность постоянно создавать следующую модель.

1. LLM
К 2026 году в России сформировались два крупнейших центра развития универсальных LLM — Яндекс и Сбер.

Яндекс перешёл от линии YandexGPT к семейству Alice AI. Флагманская Alice AI LLM, по данным компании, содержит сотни миллиардов параметров и используется в поиске, чате и других сервисах. Наряду с ней действует облегчённая Alice AI LLM Flash, ориентированная на высокопроизводительные бизнес-сценарии.

Сбер развивает семейство GigaChat. Открытая GigaChat 3 Ultra Preview представляет собой MoE-модель примерно на 702 млрд параметров, из которых около 36 млрд активируются на токен; вместе с ней опубликована компактная GigaChat 3 Lightning 10B-A1.8B. Разработчики указывают, что модели обучены с нуля на собственном многоязычном корпусе, а открытые веса распространяются по MIT license.

У Яндекса также имеется открытая линия. YandexGPT 5 Lite — 8-миллиардная модель с контекстом 32 тыс. токенов; в 2025 году были опубликованы Pretrain- и Instruct-версии.

Эти факты позволяют сделать важный вывод:

Россия уже имеет не нулевую, а реальную суверенную школу больших языковых моделей.

Но это ещё не означает мирового frontier-лидерства.

Самооценки компаний на внутренних benchmark и независимое положение на международном frontier — разные вещи.

Поэтому следующий этап должен строиться на трёх требованиях.

Независимая оценка
Российские модели должны систематически проходить международные и национальные независимые benchmark.

Международная конкурентоспособность
Не только в русском языке, но и в:

математике;
программировании;
науке;
reasoning;
tool use;
agentic tasks.
Регулярность поколений
Не отдельный рывок раз в несколько лет, а постоянный цикл обновления.

Программа-минимум должна стремиться сохранить как минимум две сильные независимые школы фундаментальных моделей.

Монополия одного национального разработчика создала бы опасную интеллектуальную монокультуру.

Для развития необходим агон.

2. Мультимодальные модели
Человеческий интеллект не является исключительно языковым.

Поэтому фундаментальная российская модель не может ограничиваться текстом.

Она должна работать с:

изображениями;
видео;
речью;
звуком;
схемами;
таблицами;
пространственными структурами;
в перспективе — действиями физических систем.
Яндекс развивает семейство Alice AI, включающее языковую Alice AI LLM, визуально-языковую Alice AI VLM и генеративную графическую Alice AI ART. К июлю 2026 года процессы разработки всего семейства прошли аудит по ISO/IEC 42001.

В экосистеме Сбера существуют отдельные линии для различных модальностей. Например, открытое семейство GigaAM развивается как фундаментальная технология распознавания речи; версия 2026 года обучалась на миллионах часов многоязычных аудиоданных и поддерживает более 70 языков.

Следующий этап — не просто иметь отдельные модели для текста, изображения и голоса.

Необходимо создавать единые world-model-like representations, в которых разные модальности становятся взаимно переводимыми описаниями одного объекта.

Для робототехники это особенно важно:

зрение ; язык ; пространственная модель ; план ; физическое действие.

Поэтому мультимодальность является не дополнительной функцией LLM, а одним из мостов к embodied intelligence.

3. Reasoning-модели
Одним из главных направлений мирового frontier стало усиление способности моделей выполнять многошаговое рассуждение.

И здесь необходимо отделить интерфейсную функцию «режим рассуждения» от собственной технологической школы reasoning models.

У российских систем уже существуют механизмы углублённого решения задач. Яндекс ещё в 2025 году внедрял в свои модели режимы рассуждения, а в актуальной Alice AI развитие сложных многосоставных задач продолжается.

У GigaChat 3 разработчики прямо указывают, что опубликованные Ultra и Lightning не являются специализированными reasoning-моделями, хотя обладают базовыми reasoning-способностями.

Это важное честное разграничение.

Следовательно, для программы-минимум России необходима собственная отдельная линия:

Russian frontier reasoning models.

Они должны специализироваться на:

математике;
алгоритмах;
программировании;
научном доказательстве;
планировании;
проверке гипотез;
многошаговом tool use;
критике собственных решений.
Но уже здесь следует готовить переход к программе-максимум.

Reasoning-модель умеет лучше рассуждать.

Метаинтеллект должен уметь задавать следующий вопрос:

почему мы рассуждаем именно таким способом и нельзя ли создать более сильный способ рассуждения?

Так линия reasoning естественно выводит нас к Метаорганону и ИМИ.

4. Специализированные модели
Универсальные модели неизбежно имеют пределы.

Поэтому рядом с ними должна развиваться система специализированных моделей.

Для России особенно важны:

право;
медицина;
образование;
инженерия;
энергетика;
геология;
транспорт;
государственное управление;
кибербезопасность;
промышленность;
сельское хозяйство.
Не каждая такая модель должна обучаться с нуля.

Возможны:

fine-tuning;
adapters;
RAG;
continual learning;
domain pretraining;
специализированные небольшие модели.
Критерием должен быть не размер.

Критерием должна быть эффективность в конкретном технологическом контуре.

Нередко небольшая модель, глубоко интегрированная с данными предприятия и системой действий, полезнее универсального гиганта.

Поэтому национальная модельная экосистема должна быть похожа не на одну пирамиду с гигантской LLM наверху, а на биоценоз моделей различных размеров и специализаций.

5. Модели для науки
Научная модель отличается от обычного интеллектуального ассистента.

Её задачей должно быть не только рассказывать известную науку.

Она должна участвовать в производстве неизвестного.

России необходимы фундаментальные и специализированные модели для:

математики;
физики;
химии;
материаловедения;
биологии;
медицины;
климатического моделирования;
инженерных наук.
Причём в каждой области желательно развивать полный цикл:

литературный поиск ; реконструкция состояния проблемы ; гипотеза ; модель ; расчёт ; проектирование эксперимента ; интерпретация данных ; следующая гипотеза.

Настоящий критерий научного ИИ:

создал ли он новое знание, которое выдержало независимую научную проверку?

Необходимо постепенно переходить от benchmark типа «ответил ли ИИ на экзаменационный вопрос по химии?» к benchmark:

«помог ли он открыть новое химическое соединение или закономерность?»

Именно AI for Science способен стать одной из областей российского ускоренного развития, поскольку здесь соединяются ИИ и традиционно сильные математико-естественнонаучные компетенции страны.

6. Модели для промышленности
Промышленный ИИ предъявляет к модели иные требования, чем массовый чат.

Здесь особенно важны:

детерминированность;
latency;
надёжность;
возможность локального развёртывания;
защита коммерческой тайны;
работа с технологической документацией;
интеграция с датчиками;
управление оборудованием;
цифровые двойники.
Поэтому российская промышленность нуждается не только в больших облачных моделях.

Нужна линейка:

micro models ; edge models ; on-prem LLM ; отраслевые модели ; корпоративные агентные системы.

Это имеет прямую связь с отечественными ускорителями.

Российский edge accelerator может быть экономически оправдан раньше российского аналога крупнейшего training GPU, если существует широкий внутренний рынок:

роботов;
беспилотников;
камер;
промышленных контроллеров;
диагностических систем.
Таким образом, программное и аппаратное импортозамещение должно проектироваться совместно.

Модель создаёт рынок для процессора; процессор создаёт возможность суверенного массового применения модели.

7. Открытые и закрытые модели
Национальная ИИ-экосистема не должна выбирать между двумя крайностями:

всё закрыть;

или

всё открыть.

Оба подхода имеют функции.

Закрытые модели
Позволяют:

концентрировать большие инвестиции;
монетизировать технологию;
защищать часть know-how;
финансировать следующие поколения.
Открытые модели
Позволяют:

университетам проводить исследования;
стартапам строить продукты;
компаниям разворачивать модели локально;
проверять архитектуры;
снижать зависимость от API нескольких поставщиков;
формировать собственную developer community.
Россия уже имеет важные примеры открытой политики.

YandexGPT 5 Lite был опубликован в Pretrain- и Instruct-вариантах.

Сбер опубликовал GigaChat 3 Ultra Preview и GigaChat 3 Lightning с открытыми весами под MIT license.

Это направление необходимо расширять.

Но само слово «открытая модель» слишком расплывчато.

Следует различать уровни:

открытый API;
открытые веса;
открытая архитектура;
открытый training code;
открытые evaluation tools;
описание dataset composition;
воспроизводимый training pipeline.
Только последние уровни дают полноценную научную воспроизводимость.

Поэтому в России целесообразно создать национальный стандарт открытости фундаментальных моделей.

Он позволил бы точно понимать, что именно открыто.

Главная модельная стратегия программы-минимум должна быть двухконтурной:

закрытые frontier-модели для глобальной технологической конкуренции;

сильные открытые модели для расширения национальной ИИ-экосистемы.

Это не компромисс.

Это механизм разделения функций.

Стратегический итог первых трёх глав
Вычислительная инфраструктура, микроэлектроника и фундаментальные модели представляют собой не три независимые отрасли.

Это три слоя единой системы:

hardware ; compute ; intelligence.

Но в реальности цикл замыкается:

лучший интеллект помогает проектировать лучший hardware;

лучший hardware позволяет создавать лучший интеллект.

Для программы-минимум Россия должна добиться способности самостоятельно воспроизводить этот цикл хотя бы на уровне, достаточном для устойчивого участия в современном мировом ИИ-фронтире.

При этом понятие суверенитета необходимо понимать строго.

Суверенитет — не изоляция.

Суверенитет — это:

способность продолжать собственное развитие при изменении внешней среды.

Для compute это означает наличие гарантированной вычислительной мощности.

Для микроэлектроники — отсутствие критической зависимости от единственного внешнего технологического узла.

Для фундаментальных моделей — способность самостоятельно создавать следующие поколения моделей.

Именно на этом основании можно строить всё последующее.

Потому что следующий шаг Доктрины требует уже не просто машины, на которой работает ИИ, и не просто модели, способной отвечать на вопросы.

Он требует создания национальной среды, в которой интеллект превращается в постоянно развивающуюся технологическую экосистему.

*********

Глава 4. Национальная инфраструктура данных и знания
Искусственный интеллект зависит не только от алгоритмов и вычислений.

Третьим фундаментальным ресурсом являются данные и знания.

Compute определяет, сколько интеллектуальных операций способна выполнить система.

Модель определяет, каким образом эти операции организуются.

Но именно данные определяют, с каким миром имеет дело интеллект, а знания — какую устойчивую картину этого мира он способен построить и использовать.

Поэтому национальная ИИ-инфраструктура должна включать не просто большие массивы информации, а целостный контур:

данные ; качество ; семантизация ; верификация ; знания ; машинное использование ; новое знание.

Россия уже развивает государственную инфраструктуру управления данными. Национальный проект «Экономика данных и цифровая трансформация государства» предусматривает развитие витрин данных федеральных и региональных органов власти, платформ обработки больших данных и переход к управлению на основе автоматического сбора и анализа информации, включая применение машинного обучения и ИИ.

Но для глобального ИИ-лидерства этого недостаточно.

Необходимо поставить более широкую задачу:

создать национальную инфраструктуру данных и знания, пригодную не только для цифровизации существующих процессов, но и для массового обучения, заземления, проверки и дальнейшего развития ИИ, СИИ и ИМИ.

1. Данные
Распространено упрощённое представление:

чем больше данных, тем сильнее ИИ.

Современное развитие моделей показывает, что это утверждение верно лишь частично.

Значение имеют не только объём, но и:

качество;
разнообразие;
происхождение;
структура;
свежесть;
непротиворечивость;
разрешённость использования;
степень дублирования;
наличие метаданных;
возможность верификации.
Stanford AI Index 2026 отмечает, что простое наращивание синтетических данных пока не заменяет реальные данные в pretraining, тогда как качественная очистка, дедупликация и курирование способны давать существенный эффект даже моделям значительно меньшего масштаба.

Следовательно, национальный ресурс данных нельзя измерять терабайтами.

Необходим более содержательный критерий:

сколько высококачественных, юридически доступных, машиночитаемых и семантически описанных данных может быть эффективно использовано национальной интеллектуальной системой?

Для разных типов ИИ нужны разные данные.

LLM требуют больших корпусов текстов и кода.

Мультимодальные модели — синхронизированных текстовых, визуальных, аудиальных и иных наборов.

Промышленный ИИ — телеметрии, технологических процессов, изображений дефектов, истории эксплуатации.

Научный ИИ — экспериментальных данных, публикаций, протоколов, моделей, отрицательных результатов.

Робототехника — пространственных данных, видео, траекторий действий, данных датчиков и взаимодействия с физической средой.

ИМИ в перспективе потребует ещё одного класса данных — данных об интеллектуальной деятельности:

о способах решения задач;

о последовательностях рассуждений;

об интеллектуальных ошибках;

об альтернативных методах;

о результатах агонов;

об эволюции интеллектуальных архитектур.

Это уже начало перехода от обычной инфраструктуры данных к метаинтеллектуальной инфраструктуре.

2. Государственные данные
Государство является одним из крупнейших генераторов данных в стране.

Оно располагает информацией о:

экономике;

населении;

территориях;

инфраструктуре;

образовании;

здравоохранении;

экологии;

строительстве;

транспорте;

бюджетах;

государственных услугах;

регуляторной деятельности.

Но административное наличие данных ещё не означает их готовности к интеллектуальному использованию.

Данные могут находиться:

в несовместимых ведомственных системах;

в различных форматах;

с различными классификаторами;

без единой семантики;

с дублированием;

с разной периодичностью обновления;

с различным качеством.

Поэтому переход от электронного государства к ИИ-государству требует принципиального изменения архитектуры.

Российская нормативная рамка уже предусматривает создание витрин данных, стандартов качества и предоставление отдельных категорий государственных данных разработчикам ИИ на недискриминационной основе при соблюдении законодательства.

Эту линию необходимо развивать.

В перспективе государственные данные должны существовать не как множество цифровых ведомственных «складов», а как федеративная информационная система.

Это не означает создание одной гигантской базы, в которую физически сваливается вся государственная информация.

Напротив, более рациональна архитектура:

распределённое хранение + общие стандарты + единые идентификаторы + семантическая совместимость + управляемые права доступа + машиночитаемые интерфейсы.

Особенно важен принцип «данные у источника».

ИИ должен иметь возможность обращаться к актуальным авторитетным данным без бесконечного размножения устаревших копий.

3. Научные данные
В науке проблема данных ещё сложнее.

Статья отражает только часть научного процесса.

За ней находятся:

исходные наблюдения;
экспериментальные результаты;
лабораторные журналы;
исходный код;
параметры приборов;
вычислительные модели;
промежуточные результаты;
отрицательные результаты;
не подтвердившиеся гипотезы.
Для человека значительная часть этой информации традиционно теряется.

Для научного ИИ это колоссальная потеря обучающего материала.

Национальная система AI for Science должна поэтому стремиться к формированию машиночитаемой памяти российской науки.

При этом речь не идёт о безусловном открытии любых данных.

Часть информации связана с:

коммерческой тайной;

персональными данными;

оборонными исследованиями;

двойными технологиями;

интеллектуальной собственностью.

Следовательно, необходима многоуровневая архитектура доступа.

Первый уровень — открытая наука.

Второй — доступ аккредитованных научных организаций.

Третий — защищённые исследовательские контуры.

Четвёртый — особо регулируемые данные.

Но даже закрытые данные должны быть организованы таким образом, чтобы внутри разрешённого контура ими мог пользоваться ИИ.

Особенно ценно сохранять отрицательные результаты.

Сегодня наука систематически публикует успех и значительно хуже сохраняет неудачу.

Для машинного научного поиска это крайне неэффективно.

Неуспешный эксперимент также содержит знание:

этот участок пространства возможностей уже проверен.

Поэтому национальная научная память должна постепенно стать памятью не только открытий, но и исследованных тупиков.

4. Промышленные данные
Российская промышленность генерирует огромные массивы уникальных данных:

геологических;

энергетических;

металлургических;

атомных;

авиационных;

космических;

транспортных;

химических;

производственных.

По отдельным направлениям такие наборы могут представлять глобально уникальный ресурс.

Но промышленная информация особенно фрагментирована.

Каждая корпорация естественно стремится защищать собственные данные.

Это рационально на уровне предприятия, но может быть не оптимально на уровне национальной технологической системы.

Необходим механизм, позволяющий использовать часть промышленных данных для развития национального ИИ без их фактического отчуждения у собственника.

Возможны:

защищённые data spaces;
federated learning;
confidential computing;
обезличивание;
синтетические производные наборы;
вычисления «у данных»;
отраслевые доверенные полигоны.
Ключевой принцип:

ценные данные не обязательно должны покидать организацию, чтобы стать ресурсом национального ИИ.

Вместо передачи самих данных можно передавать к ним вычисление.

Это особенно важно для высокотехнологичных отраслей.

5. Машиночитаемое национальное знание
Данные и знания — не одно и то же.

Миллиард документов ещё не создаёт национальной базы знаний.

Знание предполагает по меньшей мере:

понятия;
отношения;
источники;
контекст;
степень достоверности;
временную актуальность;
причинные зависимости;
альтернативные позиции;
историю изменений.
Современные LLM способны неявно кодировать огромные объёмы информации в параметрах.

Это чрезвычайно мощный механизм.

Но для критических задач одного параметрического знания недостаточно.

Необходимо знать:

откуда получено утверждение;

когда оно было актуально;

какой источник является первичным;

существуют ли противоречащие данные;

изменилось ли состояние объекта.

Поэтому национальная интеллектуальная инфраструктура должна строиться как комбинация:

фундаментальных моделей + поисковых систем + баз данных + knowledge graphs + формальных моделей + библиотек + архивов + специализированных экспертных систем.

В перспективе должен возникнуть Национальный контур машиночитаемого знания.

Не одна энциклопедия.

Не один государственный портал.

Не одна LLM.

А распределённая система, позволяющая ИИ получать проверяемое знание из авторитетных источников.

Крупные классы такого знания:

право;

наука;

технологии;

экономика;

география;

культура;

история;

промышленность;

государственное управление.

Особенно важно переводить в машиночитаемую форму не только тексты, но и:

классификации;
онтологии;
формулы;
модели;
причинные графы;
алгоритмы;
стандарты;
технологические процессы.
Так начинается переход:

от цифрового архива страны — к её машинно доступной интеллектуальной памяти.

6. Качество и верификация
Рост ИИ повышает, а не снижает значение качества данных.

Если ошибка хранится в одной таблице, последствия ограничены.

Если на этой таблице обучена система, используемая миллионами людей, ошибка масштабируется.

Если ошибочные данные становятся основой для последующего машинно-сгенерированного знания, возникает ещё более опасный процесс:

ошибка начинает воспроизводить ошибку.

Поэтому национальная система данных требует развитой инфраструктуры provenance — происхождения информации.

Для критически важного знания желательно фиксировать:

источник;

владельца;

время создания;

время обновления;

метод получения;

степень достоверности;

историю изменений;

условия использования.

Нужно также различать:

факт;

оценку;

гипотезу;

прогноз;

машинную генерацию.

Современные модели всё ещё имеют серьёзные проблемы с достоверностью. AI Index 2026 приводит эксперименты, в которых уровень галлюцинаций на специальных тестах у ведущих моделей варьировался чрезвычайно широко.

Следовательно, будущее критических ИИ-систем — не в том, чтобы модель «знала всё».

Гораздо надёжнее принцип:

модель должна знать, где взять проверяемое знание, как оценить его качество и как показать происхождение вывода.

Для ИМИ это станет ещё важнее.

Метаинтеллект, который изменяет способы мышления других систем, не может строить свои решения на информационной среде с неизвестным происхождением.

7. Суверенные базы знаний
Суверенность знаний не означает изоляцию от мирового знания.

Наоборот, интеллектуальная система, искусственно отрезанная от мировой науки, обречена на деградацию.

Суверенность означает другое:

Россия должна сохранять гарантированную способность хранить, обновлять, индексировать, анализировать и использовать критически важное знание независимо от внешних платформ.

Это требует:

национальных научных архивов;

зеркал критических международных источников там, где это юридически допустимо;

машиночитаемого российского законодательства;

технологических справочников;

национальных терминологических систем;

knowledge graphs;

архивов моделей и кода;

систем долговременного цифрового хранения.

Особенно важна версионность знания.

Знание меняется.

Научная теория уточняется.

Закон пересматривается.

Технология устаревает.

Поэтому ИИ должен знать не просто:

«что истинно?»

Но и:

«что считалось истинным, кем, на каком основании и в какой момент времени?»

Именно такая инфраструктура становится необходимой основой будущего Метаорганона.

Метаорганон должен работать не с бесформенным информационным океаном, а с структурированной, проверяемой и эволюционирующей средой знания.

Глава 5. Агентная революция
Большие языковые модели первоначально вошли в массовое сознание как системы ответа.

Пользователь задаёт вопрос.

Модель формирует ответ.

Но уже следующий этап развития ИИ меняет базовую единицу взаимодействия.

От вопроса:

«Что ты знаешь?»

мы переходим к вопросу:

«Что ты можешь сделать?»

Так начинается агентная революция.

ИИ-агент отличается от обычной генеративной модели прежде всего тем, что включён в контур действия.

Он получает цель.

Наблюдает состояние среды.

Строит план.

Использует инструменты.

Совершает действия.

Проверяет результат.

Корректирует дальнейшее поведение.

Следовательно, агентность переводит ИИ из пространства когнитивной продукции в пространство организованной деятельности.

По данным Stanford AI Index 2026, в 2025 году результаты ИИ-агентов на OSWorld — benchmark реальной работы с компьютерными интерфейсами — выросли приблизительно с 12% до 66,3%, хотя агенты всё ещё не справляются примерно с каждой третьей структурированной задачей.

Это хорошо описывает современную фазу.

Агенты уже достаточно сильны, чтобы менять архитектуру цифрового труда.

Но ещё недостаточно надёжны, чтобы безоговорочно заменять человека в критических процессах.

1. ИИ-агенты
Базовую архитектуру агента можно представить циклом:

цель ; восприятие ; план ; действие ; результат ; оценка ; корректировка.

К обычной модели добавляются:

память;
инструменты;
доступ к внешним системам;
управление состоянием;
планирование;
механизм обратной связи.
Таким образом, модель становится не конечным продуктом, а когнитивным ядром действующей системы.

Это особенно важно для России.

В эпоху чат-ботов государство или компания могли использовать иностранную модель через API и получать значительную часть эффекта.

В эпоху агентов система глубже интегрируется в:

документы;
базы данных;
процессы;
финансы;
производство;
инфраструктуру управления.
Поэтому агентный суверенитет становится значительно важнее суверенитета обычного чат-интерфейса.

Необходимо контролировать:

какие цели получает агент;

какие инструменты доступны;

какие данные он видит;

что ему разрешено менять;

кто подтверждает критические действия;

как фиксируется история действий.

2. Многоагентные системы
Один универсальный агент не обязан быть оптимальной архитектурой.

Человеческая цивилизация достигла высокой интеллектуальной мощности не благодаря одному универсальному мозгу, а благодаря разделению функций:

учёный;

инженер;

критик;

эксперт;

руководитель;

исполнитель.

Аналогичная специализация возникает и у ИИ.

В многоагентной системе разные агенты могут выполнять различные роли:

генератор;

аналитик;

критик;

верификатор;

планировщик;

исследователь;

исполнитель;

судья.

Совместная работа нескольких агентов позволяет организовывать:

параллельный поиск;
независимые решения;
взаимную критику;
голосование;
состязание;
синтез.
Именно здесь обычная агентная революция начинает соединяться с более ранней теорией ментальных войн.

Многоагентная система может быть просто кооперативной.

Но если агенты получают альтернативные позиции, вынуждены аргументировать их, критиковать соперников, проходить независимую оценку и сохранять лучшие интеллектуальные приобретения, появляется агональный интеллект.

Таким образом:

многоагентность создаёт множество интеллектуальных субъектов; агональность превращает их взаимодействие в механизм развития интеллекта.

3. Автономность
Автономность нельзя понимать бинарно:

автономный / неавтономный.

Практически полезнее рассматривать её как шкалу.

На нижнем уровне система только советует человеку.

Следующий уровень — выполняет отдельную операцию после подтверждения.

Далее — самостоятельно выполняет последовательность операций в заданных пределах.

Ещё выше — самостоятельно выбирает подцели и средства.

И наконец — может существенно реорганизовывать собственную деятельность.

Чем выше автономность, тем больше потенциальная производительность.

Но одновременно растёт цена ошибки.

Поэтому принцип программы-минимум:

максимально допустимая автономность должна зависеть от обратимости действия.

Если агент ошибся при подготовке черновика документа, стоимость ошибки невелика.

Если агент самостоятельно перевёл миллиард рублей, остановил энергоблок или изменил медицинский протокол, требования принципиально другие.

Следовательно, масштабирование агентов требует архитектуры разрешений.

Важнейшие действия должны иметь:

порог полномочий;

двухконтурную проверку;

human-in-the-loop или human-on-the-loop;

журналирование;

возможность отмены;

автоматическое обнаружение аномалий.

Автономность должна быть управляемой, а не максимальной любой ценой.

4. Инструментальное действие
Настоящий агент начинается там, где модель получает инструменты.

Это могут быть:

поиск;

код;

базы данных;

калькуляторы;

электронная почта;

CRM;

ERP;

лабораторное оборудование;

робот;

производственная линия.

Инструмент делает интеллектуальный результат физически или организационно действенным.

Возникает фундаментальный переход:

текст ; команда ; изменение мира.

Именно поэтому tool use является одним из важнейших направлений ближайшего ИИ-фронтира.

Для России критически важно создать национальный стандарт безопасного агентного взаимодействия с инструментами.

Необходимо определить:

как описывается инструмент;

какие права он предоставляет;

как агент идентифицируется;

как подтверждается действие;

как регистрируется результат;

как ограничивается ущерб.

В перспективе должна появиться своего рода операционная система агентной экономики.

Миллионы людей, компаний и машин смогут предоставлять друг другу не только информацию, но и действия через стандартизированные интерфейсы.

5. Организационные агенты
Одно из крупнейших применений ИИ — превращение организации из системы, где каждый информационный поток проходит через человека, в человеко-машинную организацию.

Организационные агенты способны выполнять:

мониторинг;

подготовку решений;

поиск информации;

документооборот;

контроль исполнения;

аналитику;

закупки;

работу с клиентами;

управление проектами.

Следующий этап — агентные коллективы.

Например, проектный контур может включать:

агента-аналитика;

агента-планировщика;

агента по рискам;

агента-финансиста;

агента по нормативному соответствию;

агента-критика.

Но здесь возникает принципиальная опасность.

Если механически встроить ИИ в плохую бюрократию, можно получить:

автоматизированную плохую бюрократию.

Поэтому агентная трансформация должна сопровождаться реинжинирингом самого процесса.

Не:

«Как заменить чиновника или сотрудника агентом?»

а:

«Как должен быть устроен процесс, если часть интеллектуальных функций теперь выполняется практически мгновенно?»

Это уже вопрос организационной архитектуры.

6. Научные агенты
Наука представляет особый класс агентной деятельности.

Здесь недостаточно выполнить заранее известную процедуру.

Необходимо действовать в условиях, где правильный ответ ещё неизвестен.

Научный агент должен уметь:

искать литературу;

анализировать противоречия;

формулировать гипотезы;

строить модели;

проектировать проверки;

писать код;

анализировать результаты;

изменять гипотезу.

Google в 2025 году представил AI Co-Scientist — многоагентную систему для генерации и развития научных гипотез и исследовательских предложений. В её архитектуре специализированные агенты итеративно генерируют, оценивают и улучшают гипотезы.

Это особенно важно концептуально.

Научный ИИ постепенно перестаёт быть просто библиотекарем или редактором текста.

Он входит в контур создания нового знания.

Но современный уровень нельзя переоценивать.

Stanford AI Index 2026 показывает, что лучшие агенты на end-to-end научных задачах всё ещё существенно уступают PhD-экспертам: в PaperArena лучший результат составлял 38,8% против 83,5% у специалистов, а на реальных задачах биоинформатики показатели были ещё ниже.

Следовательно:

научный агент уже реален как усилитель исследователя, но автономный универсальный учёный пока не создан.

Именно этот разрыв и является пространством стратегического соревнования.

7. Промышленные агенты
В промышленности агентная революция соединяет цифровой и физический мир.

Промышленный агент может:

анализировать технологический процесс;

предсказывать отказ;

заказывать обслуживание;

перенастраивать параметры;

формировать производственный план;

координировать роботов;

работать с цифровым двойником.

Главное отличие от офисного агента — существенно более высокая цена ошибки.

Поэтому здесь особенно необходима архитектура:

ИИ предлагает ; модель процесса проверяет ; система безопасности разрешает ; исполнительный контур действует.

В критических производствах агент не должен иметь возможность напрямую изменить любой параметр только потому, что LLM сформировала убедительный план.

Необходимо разделять:

интеллектуальный слой;

управляющий слой;

инвариантный контур безопасности.

Это положение впоследствии станет критически важным и для ИМИ.

Если обычному промышленному агенту нельзя бесконтрольно менять технологический процесс, то метаинтеллекту тем более нельзя бесконтрольно менять собственную интеллектуальную архитектуру.

Стратегический итог агентной революции
Агентная революция меняет основную функцию ИИ:

модель отвечает; агент действует.

Следующий переход ещё глубже:

многоагентная система организует коллективную деятельность.

Но для настоящей Доктрины это всё ещё промежуточный этап.

Агент способен действовать в существующей архитектуре.

ИМИ должен получить ещё одну функцию:

изменять и развивать архитектуры самих действующих интеллектов.

Поэтому можно выстроить последовательность:

модель ; агент ; коллектив агентов ; агональная система ; карион ; ИМИ.

В этом смысле агентная революция является одним из важнейших технологических мостов от современного ИИ к метаинтеллектуальному фронтиру.

Глава 6. ИИ для науки
Наиболее глубокое воздействие искусственного интеллекта на цивилизацию может быть связано не с автоматизацией офисного труда и даже не с роботизацией производства.

Оно может возникнуть в результате ускорения производства нового знания.

Наука является механизмом, посредством которого цивилизация расширяет пространство технологически возможного.

Новая физика создаёт новые энергетические технологии.

Новая химия — материалы.

Новая биология — лекарства.

Новая математика — новые языки науки и техники.

Поэтому если ИИ способен ускорить саму науку, он получает мультипликативное влияние практически на все отрасли.

Возникает контур:

ИИ ; ускорение науки ; новые технологии ; новые вычислительные средства ; более мощный ИИ ; ещё более быстрое развитие науки.

Именно поэтому AI for Science должен стать одним из наиболее приоритетных направлений российской программы-минимум.

Мировая динамика уже очевидна. В 2025 году количество AI-связанных публикаций в естественных науках достигло приблизительно 80 тыс., увеличившись на 26% за год. Stanford оценивает долю ИИ-исследований в отдельных научных областях уже примерно в 5,8–8,8% общего публикационного потока.

Однако главный переход состоит не в использовании ИИ учёными.

Он состоит в появлении частично машинной науки.

1. Автоматизация исследований
Первая волна цифровизации науки автоматизировала расчёты.

Вторая — обработку данных.

Современный ИИ начинает автоматизировать значительно более широкий спектр интеллектуальных функций:

поиск литературы;

реферирование;

программирование;

анализ данных;

поиск закономерностей;

моделирование;

генерацию гипотез;

планирование экспериментов.

Но отдельные автоматизированные функции ещё не создают автоматизированной науки.

Настоящий переход происходит, когда они соединяются в цикл:

проблема ; состояние знания ; гипотезы ; модель ; эксперимент ; результаты ; критика ; новое знание ; новые гипотезы.

Каждый раз, когда человек обязан вручную переносить результат между стадиями, цикл замедляется.

Поэтому ключевая задача AI for Science — замыкание исследовательского контура.

Для России это особенно важно.

При ограниченности кадров ускорение одного исследователя в несколько раз может частично компенсировать количественный разрыв.

Но главная цель значительно выше:

не просто сделать существующего учёного быстрее, а создать новый тип научного производства.

2. Научные агенты
Научный агент — не поисковая система и не чат-бот, знающий научные термины.

Он должен быть включён в реальный исследовательский процесс.

Его функции могут включать:

определение нерешённой проблемы;

реконструкцию пространства существующих подходов;

обнаружение противоречий;

формирование альтернативных гипотез;

планирование проверки;

написание кода;

анализ данных;

подготовку следующей итерации.

AI Co-Scientist Google уже демонстрирует многоагентную архитектуру, где специализированные компоненты генерируют, ранжируют, критикуют и совершенствуют научные гипотезы; система была экспериментально исследована на нескольких биомедицинских задачах.

В 2025 году была также принята на workshop работа, полностью сформированная системой AI Scientist-v2 без человеческого шаблона статьи — важный эксперимент, хотя он сам по себе, разумеется, не доказывает возникновение автономной науки.

Эти результаты необходимо интерпретировать строго.

Научный текст ещё не равен открытию.

Гипотеза ещё не равна подтверждённому знанию.

Правильный ответ на benchmark ещё не равен способности самостоятельно воспроизвести научную работу.

Stanford показывает именно этот разрыв: frontier-модели уже превосходят средний уровень человеческих экспертов на некоторых химических вопросах, но на полном воспроизведении опубликованных исследований результаты остаются ниже 20%.

Следовательно, главным frontier становится уже не «ИИ знает науку», а:

ИИ умеет делать науку.

3. Моделирование
Моделирование — одна из областей, где машинный интеллект уже способен давать системный научный эффект.

Классическая наука часто строит цепь:

теория ; математическая модель ; численное решение ; сравнение с экспериментом.

ИИ добавляет несколько новых возможностей.

Он может строить суррогатные модели, работающие намного быстрее традиционного расчёта.

Может искать закономерности непосредственно в экспериментальных данных.

Может комбинировать физические ограничения с машинным обучением.

Может автоматически исследовать огромное пространство параметров.

Особенно показательны успехи прогнозирования погоды. Stanford AI Index 2026 отмечает, что в 2025 году Aardvark Weather впервые продемонстрировал полный end-to-end ML-конвейер прогнозирования, а новые модели способны формировать длинные глобальные прогнозы значительно быстрее традиционных вычислительных подходов.

Для России подобные методы особенно важны в:

климате;

метеорологии;

гидродинамике;

плазменной физике;

атомной энергетике;

геологии;

нефтегазовой отрасли;

аэродинамике;

космических задачах.

Стратегическая цель:

в каждой вычислительно тяжёлой области создать гибрид классического моделирования и ИИ.

ИИ не должен обязательно заменять физику.

Он должен уменьшать стоимость исследования пространства решений и помогать обнаруживать те области, где необходим наиболее точный физический расчёт.

4. Генерация гипотез
Наука отличается от расчёта тем, что необходимо не только получить ответ на известный вопрос, но и сформулировать новый вопрос.

Именно генерация гипотез постепенно становится одной из самых перспективных областей AI for Science.

Модель может прочитать объём литературы, недоступный отдельному человеку.

Сопоставить результаты различных дисциплин.

Найти слабые связи.

Выявить несовместимые объяснения.

Предложить альтернативу.

Но количество гипотез практически не ограничено.

Поэтому настоящая проблема не в генерации.

Главная проблема — селекция.

Научный ИИ должен отвечать:

какая гипотеза нова;

какая проверяема;

какая противоречит известным данным;

какой эксперимент различает конкурирующие объяснения;

какая гипотеза способна дать максимальный прирост знания при ограниченных ресурсах.

Здесь возникает прямой мост к агональному интеллекту.

Вместо одной гипотезы:

генерируется популяция гипотез ; между ними организуется ментальный агон ; сильнейшие получают экспериментальный ресурс.

Это уже зародыш эволюционной организации науки.

5. Экспериментальные циклы
Самая мощная форма AI for Science возникает, когда ИИ соединяется с реальным экспериментом.

Так формируется self-driving laboratory:

ИИ предлагает эксперимент;

роботизированная лаборатория выполняет его;

приборы возвращают данные;

ИИ анализирует результат;

выбирает следующий эксперимент.

Возникает замкнутый цикл.

Вместо того чтобы проверять заранее заданный список вариантов, система может использовать active learning и выбирать именно тот следующий эксперимент, который сильнее всего сокращает неопределённость.

Это способно на порядки увеличить эффективность научного поиска.

Именно поэтому России необходимо создавать не только суперкомпьютеры, но и автоматизированные экспериментальные фабрики.

Особенно в:

материаловедении;

химии;

биологии;

фармацевтике;

электронике.

К 2031 году должны существовать десятки экспериментальных контуров, где значительная часть цикла от гипотезы до следующей гипотезы автоматизирована.

Но с обязательным условием:

финальным основанием научного знания остаётся проверяемый результат, а не уверенность модели.

6. Новые материалы
Материаловедение является одним из наиболее очевидных кандидатов для ИИ-ускорения.

Пространство возможных химических составов и кристаллических структур огромно.

Человек физически не способен перебрать его экспериментально.

ИИ может радикально сузить поиск.

Показательный пример — GNoME Google DeepMind. Система предсказала около 2,2 млн новых стабильных кристаллических структур, из которых примерно 380 тыс. были отнесены к наиболее перспективным стабильным кандидатам; сотни предсказанных структур независимо получили экспериментальное подтверждение.

Для России этот класс технологий имеет огромное значение.

Материалы лежат в основе:

микроэлектроники;

энергетики;

авиации;

космоса;

ядерных технологий;

аккумуляторов;

оптики;

сверхпроводимости.

Поэтому национальная платформа AI for Materials может стать одним из наиболее эффективных стратегических проектов.

Она должна объединять:

теоретические модели;

базы известных материалов;

генеративные системы;

квантово-химические расчёты;

автоматизированный синтез;

экспериментальную характеризацию.

Цель — не «использовать ИИ в материаловедении».

Цель значительно конкретнее:

радикально сократить среднее время от гипотезы о новом материале до экспериментально подтверждённого образца.

7. Биотехнологии
Биология стала одним из первых направлений, где ИИ продемонстрировал способность решать фундаментальные научные задачи.

AlphaFold превратил предсказание структуры белков из многолетней вычислительно-экспериментальной проблемы в массово доступный инструмент. К 2025 году AlphaFold использовали миллионы исследователей более чем в 190 странах, а база содержала свыше 200 млн предсказанных белковых структур.

AlphaFold 3 расширил задачу от структуры отдельных белков к моделированию взаимодействий белков с другими классами биомолекул.

Это важнейший урок.

ИИ в науке способен не просто ускорить операцию.

Он способен изменить экономику целой исследовательской процедуры.

Для России перспективными направлениями являются:

структурная биология;

геномика;

протеомика;

поиск лекарственных соединений;

синтетическая биология;

биокатализ;

агробиотехнологии.

Но биология одновременно требует наиболее строгой системы безопасности, верификации и разделения доступов.

Чем сильнее научный ИИ, тем важнее различать:

способность генерировать научное знание;

и

полномочие превращать это знание в биологическое действие.

8. Физика
Физика представляет иной класс задач.

Здесь важны не только данные, но и фундаментальные законы.

Поэтому наиболее перспективен гибридный подход:

физическая теория + вычислительная модель + машинное обучение.

ИИ способен:

ускорять численное моделирование;

искать приближённые решения;

анализировать результаты экспериментов;

обнаруживать аномалии;

предлагать новые параметризации;

оптимизировать сложные установки.

Особенно перспективны:

плазма;

управляемый термоядерный синтез;

физика высоких энергий;

астрофизика;

квантовые системы;

гидродинамика;

материалы;

оптика.

В астрономии в 2025 году уже появились первые специализированные foundation models, обученные на данных сотен миллионов небесных объектов, а объём отдельных обучающих наборов достигал порядка 100 ТБ.

Это показывает важную тенденцию:

каждая крупная наука начинает получать собственные фундаментальные модели.

Россия должна участвовать в этой волне не только как пользователь зарубежных систем.

В областях, где она располагает уникальными приборами и экспериментальными данными, необходимо создавать собственные scientific foundation models.

9. Математика
Математика занимает особое положение.

Её экспериментальная среда в значительной степени может быть полностью цифровой.

Это делает математику потенциально одной из первых наук, где возможно чрезвычайно глубокое участие ИИ во всём исследовательском цикле.

Математический ИИ может:

искать контрпримеры;

генерировать гипотезы;

проводить символьные преобразования;

строить доказательства;

проверять доказательства;

создавать формальные библиотеки;

сопоставлять различные теории.

Современные системы уже достигли уровня золотой медали Международной математической олимпиады на конкурсных задачах.

Но это достижение также необходимо интерпретировать строго.

Решение крайне трудной известной задачи и создание новой математики — различные уровни.

Высший frontier должен оцениваться вопросами:

способен ли ИИ сформулировать содержательную новую математическую проблему;

создать новую систему понятий;

выдвинуть плодотворную гипотезу;

найти принципиально новый способ доказательства;

создать новую математическую теорию?

И именно здесь математика особенно тесно соприкасается с будущим Метаорганоном и метааксиоматическим методом.

Обычный математический ИИ ищет вывод внутри заданной системы.

Более сильный интеллект должен уметь спрашивать:

какие основания самой системы следует изменить?

Это уже движение от математического интеллекта к математическому метаинтеллекту.

От AI for Science к искусственной эволюции науки
Если объединить описанные направления, возникает последовательность.

Первый уровень:

ИИ помогает учёному.

Второй:

ИИ выполняет отдельные исследовательские функции.

Третий:

научный агент ведёт длительный исследовательский процесс.

Четвёртый:

система агентов генерирует и селектирует конкурирующие исследовательские программы.

Пятый:

ИИ изменяет методы, посредством которых осуществляется само научное исследование.

Именно последний уровень уже является метаинтеллектуальным.

Поэтому AI for Science представляет для России двойную ценность.

В ближайшие годы это один из наиболее мощных способов ускорить существующую науку.

Но одновременно это экспериментальная среда для будущего ИМИ.

Наука идеально подходит для проверки метаинтеллекта, потому что здесь можно объективно спросить:

создал ли он новую гипотезу;

выдержала ли она критику;

подтвердил ли её эксперимент;

превзошёл ли новый метод прежние;

можно ли воспроизвести результат.

Таким образом, одной из наиболее сильных траекторий первого пятилетия может стать:

ИИ для науки ; автономные научные агенты ; агональные исследовательские системы ; Метаорганон науки ; научный ИМИ.

И тогда российская программа AI for Science перестаёт быть просто программой повышения производительности исследователей.

Она становится одной из первых площадок, на которых можно практически проверять центральную гипотезу всей Доктрины:

может ли разум создать систему, которая не только производит новое знание, но и целенаправленно совершенствует способы производства нового знания

*************

Глава 7. ИИ для промышленности и экономики
Программа-минимум не может считаться выполненной, если Россия создаст сильные фундаментальные модели, но основная экономика продолжит работать почти так же, как до ИИ-революции.

Технологическое лидерство возникает не в момент появления модели, а тогда, когда новая интеллектуальная технология начинает систематически менять:

производительность;
качество продукции;
скорость инноваций;
себестоимость;
организацию предприятий;
инвестиционные решения;
использование оборудования и ресурсов;
способность создавать новые продукты и отрасли.
В этом смысле ИИ должен стать не отдельным сектором российской экономики, а сквозным интеллектуальным слоем практически всех её отраслей.

Масштаб задачи пока очень велик. По данным Росстата, проанализированным ИСИЭЗ НИУ ВШЭ, в 2025 году технологии искусственного интеллекта для решения производственных задач применяла примерно каждая двадцатая крупная или средняя организация. При этом облачные сервисы и цифровые платформы распространены значительно шире. Это означает, что необходимая цифровая основа постепенно формируется, но переход от цифровизации к массовой интеллектуализации экономики ещё только начинается.

Одновременно объём затрат крупных и средних организаций на цифровые технологии в 2025 году достиг почти 5,9 трлн рублей, увеличившись на 11,8% за год. Рост вложений был зафиксирован в 16 из 18 рассматриваемых отраслей.

Следовательно, проблема России состоит не в отсутствии процесса цифровой трансформации.

Проблема состоит в скорости перехода от цифровой экономики к ИИ-экономике.

Главным результатом программы должно стать изменение базовой производственной формулы:

данные ; модель ; прогноз ; решение ; действие ; измерение результата ; обучение системы.

Когда этот цикл начинает работать непрерывно, предприятие становится не просто автоматизированным.

Оно становится интеллектуализированным.

1. Производство
Именно промышленность должна стать одним из главных российских полигонов прикладного искусственного интеллекта.

Причина очевидна.

Россия имеет большую материальную экономику:

машиностроение;

металлургию;

химию;

нефтегазовый комплекс;

атомную промышленность;

авиацию;

космическую отрасль;

горнодобывающую промышленность;

оборонно-промышленный комплекс.

Здесь ИИ способен непосредственно преобразовывать физическое производство.

Основные направления уже понятны:

предиктивное обслуживание оборудования;

компьютерное зрение и контроль качества;

оптимизация технологических режимов;

цифровые двойники;

управление производственными цепочками;

генеративное инженерное проектирование;

автоматическая подготовка технологической документации;

управление роботами;

оптимизация энергопотребления;

прогнозирование отказов.

Обновлённое стратегическое направление цифровой трансформации обрабатывающей промышленности ставит задачу достижения к 2030 году цифровой зрелости отрасли, включая ускоренное применение больших данных, машинного обучения и искусственного интеллекта и автоматизацию значительной части транзакций на основе цифровых платформ.

Но для настоящей Доктрины даже этого недостаточно.

Следующий этап должен означать переход:

от ИИ как дополнения к производственной линии — к производственной системе, архитектура которой изначально проектируется с учётом ИИ.

Такое предприятие должно обладать собственным цифровым двойником.

Непрерывно получать данные.

Сравнивать реальный процесс с оптимальным.

Предсказывать отказ до его возникновения.

Автоматически перестраивать планирование при изменении спроса или поставок.

Использовать генеративные системы для проектирования новых изделий.

Связывать научные ИИ с инженерными ИИ и производственными агентами.

Возникает принципиально новый контур:

наука ; проектирование ; цифровой двойник ; производство ; эксплуатационные данные ; новая конструкция.

ИИ замыкает этот цикл.

В долгосрочной перспективе конкурентоспособность будет определяться уже не столько стоимостью отдельного станка, сколько скоростью интеллектуального самообновления всей производственной системы.

2. Энергетика
Энергетика занимает двойственное место в ИИ-революции.

С одной стороны, она сама является огромным объектом интеллектуализации.

С другой — становится физической основой вычислительной экономики.

Поэтому взаимодействие ИИ и энергетики носит взаимно усиливающий характер:

больше ИИ требует больше энергии; более интеллектуальная энергетика позволяет эффективнее производить и распределять энергию для ИИ.

Обновлённое стратегическое направление цифровой трансформации российского топливно-энергетического комплекса до 2036 года прямо предусматривает активное применение технологий искусственного интеллекта и машинного обучения, развитие управления на основе данных, создание необходимой информационно-коммуникационной инфраструктуры и повышение качества отраслевых данных.

Главные сферы применения:

геологоразведка;

моделирование месторождений;

управление добычей;

предиктивное обслуживание;

управление электросетями;

прогнозирование спроса;

оптимизация генерации;

автоматизированное диспетчерское управление;

атомная энергетика;

расчёт сложных режимов;

диагностика оборудования.

Особенно перспективен переход к интеллектуальным энергосистемам, которые работают не только по заранее установленным правилам, но способны прогнозировать состояние сети и оптимизировать распределение ресурсов в реальном времени.

Для России здесь возникает ещё одна стратегическая возможность.

Избыток или относительно дешёвая генерация в отдельных регионах может быть преобразован в вычислительную мощность.

То есть электрическая энергия фактически превращается в:

compute ; модели ; научные открытия ; технологии ; экономическую мощь.

Это новая форма глубокой переработки энергетического ресурса.

В индустриальную эпоху экспортировалось сырьё или электроэнергия.

В интеллектуальную эпоху всё более выгодным может становиться экспорт результатов вычислений и интеллекта, произведённых с помощью этой энергии.

3. Транспорт
Транспорт представляет идеальную среду для соединения:

ИИ;

компьютерного зрения;

робототехники;

цифровых карт;

спутниковой навигации;

предиктивной аналитики;

многоагентного управления.

Российские документы цифровой трансформации транспорта ориентируют отрасль на 2025–2030 годы и особо подчёркивают импортозамещение систем критической информационной инфраструктуры, разработку передовых цифровых технологий и снижение зависимости от человеческого фактора в управленческих процессах.

Именно транспорт может стать одной из первых больших киберфизических ИИ-систем страны.

Основные направления:

автономный транспорт;

беспилотные грузовые перевозки;

железнодорожная автоматика;

морская навигация;

управление авиационными потоками;

предиктивное обслуживание;

интеллектуальное управление городской мобильностью;

планирование транспортных сетей.

Особую роль играют беспилотные авиационные системы.

Российская нормативная база уже предусматривает требования к идентификации, навигации, наблюдению, предотвращению столкновений и интеграции беспилотных систем в общее воздушное пространство.

В перспективе отдельный беспилотник должен рассматриваться не изолированно, а как элемент:

транспортного брейома — распределённой интеллектуальной транспортной системы.

Тогда ИИ управляет уже не отдельным автомобилем или дроном, а потоками множества автономных транспортных средств, людей и инфраструктурных объектов.

4. Логистика
Логистика является одной из областей, где эффект ИИ способен особенно быстро превращаться в экономический результат.

Здесь существуют хорошо измеримые цели:

стоимость;

срок доставки;

загрузка;

простой;

запасы;

длина маршрута;

расход топлива;

вероятность срыва.

Поэтому ИИ может непрерывно оптимизировать:

маршруты;

склады;

запасы;

закупки;

распределение грузов;

планирование поставок;

мультимодальные перевозки.

Но следующий шаг значительно интереснее.

Современные цепочки поставок слишком сложны для централизованного ручного управления.

В них участвуют тысячи предприятий, транспортных операторов, складов, банков, страховщиков и государственных систем.

Следовательно, логистика естественно движется к многоагентной организации.

У каждого крупного субъекта появляется цифровой агент.

Агенты:

согласовывают сроки;

перераспределяют ресурсы;

ищут альтернативных поставщиков;

оценивают риски;

оптимизируют общий процесс.

Для России с её огромными расстояниями снижение даже нескольких процентов логистических потерь может иметь макроэкономическое значение.

Именно поэтому транспортно-логистический сектор уже является одним из заметных центров российской ИИ-компетентности: по данным обследования 2024 года, на него приходилось около 15% работников с ИИ-компетенциями среди обследованных организаций.

5. Финансы
Финансовая отрасль сегодня является, вероятно, наиболее развитым крупным российским сектором по практическому использованию ИИ.

ИИ применяется здесь задолго до нынешнего бума генеративных моделей:

кредитный скоринг;

антифрод;

управление рисками;

маркетинг;

персонализация;

прогнозирование;

алгоритмическая аналитика.

Банк России прямо отмечает, что ИИ давно используется финансовыми организациями, в частности в кредитном скоринге, где значительная часть решений уже может приниматься автоматизированно.

Данные Росстата и ИСИЭЗ НИУ ВШЭ подтверждают лидерскую роль финансового сектора. Среди организаций — пользователей ИИ именно финансовые компании демонстрировали особенно высокое применение обработки текста, интеллектуальной поддержки принятия решений и технологий повышения эффективности ИИ. На сектор приходилось 77% расходов обследованных организаций на оборудование для ИИ и 43% расходов на специализированное ИИ-ПО.

Это делает финансовую отрасль важным российским полигоном для перехода:

от модели ; к агенту ; от агента ; к многоагентной цифровой организации.

Но высокая автоматизация финансов требует особенно строгого разделения:

прогноза;

рекомендации;

решения;

необратимого действия.

Чем выше автономность финансового агента, тем выше требования к:

аудиту;

объяснимости;

ограничению полномочий;

защите данных;

ответственности.

В перспективе именно финансовый сектор может одним из первых экспериментировать с организационными карионами — системами, анализирующими не только отдельные решения, но эффективность всей интеллектуальной архитектуры организации.

Однако это уже мост к программе-максимум.

6. Строительство
Строительство традиционно характеризуется большим количеством участников, длительными проектными циклами, сложной документацией и значительным объёмом пространственных данных.

Поэтому ИИ способен воздействовать практически на весь жизненный цикл объекта:

выбор площадки;

проектирование;

расчёт;

смету;

планирование;

контроль строительства;

безопасность;

эксплуатацию;

ремонт.

Ключевым промежуточным слоем становятся технологии информационного моделирования.

Когда BIM-модель соединяется с:

геоданными;

датчиками;

компьютерным зрением;

финансовыми данными;

ИИ-планированием,

возникает цифровой двойник строительного объекта.

Российские стратегические документы предусматривают развитие отечественного геопространственного обеспечения, интегрированного с региональными и муниципальными информационными системами во всех 89 субъектах Федерации к концу 2030 года.

Следующий этап должен состоять в создании ИИ-контура строительства территории.

Не только отдельное здание, но:

жильё;

транспорт;

энергетика;

социальная инфраструктура;

экология;

плотность населения

могут проектироваться как единая система.

ИИ здесь постепенно превращается из инструмента проектировщика в инструмент системного проектирования среды жизни.

7. Сельское хозяйство
Сельское хозяйство особенно интересно тем, что объединяет цифровой и биологический мир.

Основные направления ИИ:

компьютерное зрение;

мониторинг растений;

распознавание болезней;

анализ почв;

прогноз урожайности;

точное внесение удобрений;

управление техникой;

животноводство;

селекция;

оптимизация использования воды.

Правительство в 2026 году актуализировало цифровую трансформацию агропромышленного и рыбохозяйственного комплексов. К 2030 году не менее 80% предприятий АПК должны использовать базовое и прикладное российское ПО в ключевых производственных и управленческих процессах.

Кроме того, принято решение о создании единой цифровой платформы агропромышленного и рыбохозяйственного комплексов с применением искусственного интеллекта, которая должна интегрировать государственные информационные системы, знания, научные результаты и сервисы управления.

Это потенциально важная архитектура.

Поскольку будущее сельского хозяйства — не просто «цифровая ферма».

Это:

спутники + БПЛА + сенсоры + роботы + генетические данные + погодные модели + ИИ.

Возникает интеллектуальная агроэкосистема.

Особенно важна связь с AI for Science.

ИИ должен не только оптимизировать существующее растениеводство.

Он способен участвовать в создании:

новых сортов;

новых агротехнологий;

новых способов защиты растений;

новых биологических средств производства.

8. Сервисные отрасли
Наиболее массовое воздействие генеративного ИИ, вероятно, произойдёт в сфере услуг.

Здесь главный объект автоматизации — уже не физическая операция, а когнитивная рутина.

ИИ способен брать на себя значительную долю операций в:

торговле;

маркетинге;

праве;

бухгалтерии;

страховании;

консалтинге;

туризме;

образовании;

медиа;

клиентском сервисе.

Но экономический эффект не должен измеряться числом установленных чат-ботов.

Главный критерий:

изменился ли сам бизнес-процесс?

Если сотрудник раньше тратил час на документ, а теперь двадцать минут, это первый эффект.

Если система вообще устраняет необходимость ручной подготовки типового документа — второй.

Если агент самостоятельно ведёт целый сквозной процесс и человек вмешивается только в исключения — третий.

Таким образом, можно выделить три стадии:

ИИ-помощник ; ИИ-исполнитель ; агентная организация.

Программа-минимум должна обеспечить массовый переход хотя бы ко второй стадии, а в ряде отраслей — к третьей.

Экономика как человеко-машинная интеллектуальная система
Общий смысл отраслевого внедрения состоит не в том, чтобы «добавить ИИ» в каждый сектор.

В результате должна начать возникать новая экономическая архитектура.

Предприятия получают цифровых агентов.

Агенты взаимодействуют с другими агентами.

Производство соединяется с наукой.

Наука — с инженерией.

Инженерия — с роботизированным производством.

Производственные данные возвращаются в научно-конструкторский цикл.

Возникает:

человеко-машинная экономика с быстро сокращающимся циклом между знанием и его материализацией.

Именно эта способность — скорость превращения знания в действие — будет одним из главных источников национальной конкурентоспособности.

Глава 8. ИИ-государство
Государство является одной из крупнейших информационных систем общества.

Оно непрерывно:

собирает данные;

создаёт правила;

распределяет ресурсы;

выдаёт разрешения;

контролирует исполнение;

анализирует состояние общества;

принимает решения;

реагирует на кризисы.

Поэтому искусственный интеллект способен радикально изменить государственное управление.

Но здесь особенно важно избежать примитивной формулы:

ИИ-государство = государство, которым управляет ИИ.

Такая постановка одновременно концептуально неверна и потенциально опасна.

ИИ-государство в рамках настоящей Доктрины — это:

государство, в котором искусственный интеллект становится развитой инфраструктурой анализа, прогнозирования, проектирования, исполнения и обратной связи, оставаясь встроенным в систему человеческой политической субъектности, права и ответственности.

Россия уже создаёт институциональный контур подобного перехода.

В июне 2025 года учреждён Центр развития искусственного интеллекта при Правительстве Российской Федерации для координации работы федеральных органов, регионов и заинтересованных организаций. В марте 2026 года была сформирована правительственная подкомиссия по развитию и внедрению ИИ, включая автономные системы; она встроена в более широкую систему координации с Комиссией при Президенте по вопросам развития ИИ.

Само появление таких институтов показывает переход от отдельных ведомственных проектов к системе государственного управления ИИ-развитием.

Но следующая задача — ИИ в самом управлении.

1. Государственные ИИ-системы
Сегодня государственный ИИ часто развивается как множество отдельных решений:

чат-бот;

распознавание документов;

анализ обращений;

мониторинг;

поиск нарушений;

поддержка принятия решений.

Это полезно, но воспроизводит ведомственную архитектуру государства.

Следующий этап должен строиться иначе.

Необходимо создавать общие государственные ИИ-компоненты, которые могут повторно использоваться различными органами власти:

национальные фундаментальные модели;

защищённые государственные LLM;

поиск и RAG;

верификация нормативной информации;

геоаналитика;

прогнозные модели;

агентные платформы;

общие стандарты безопасности.

Государственный ИИ не должен означать, что каждое ведомство создаёт свою маленькую несовместимую модель.

Более рациональная архитектура:

общий технологический фундамент + специализированные ведомственные контуры.

Это уменьшает расходы, повышает качество и позволяет централизованно решать вопросы безопасности.

2. Аналитика
Первый большой эффект ИИ для государства связан с переходом от отчётного управления к ситуационной аналитике.

Традиционная система часто работает так:

событие;

сбор статистики;

формирование отчёта;

передача вверх;

анализ;

решение.

К моменту принятия решения ситуация уже может измениться.

Современные данные и ИИ позволяют сокращать цикл:

событие ; данные ; автоматический анализ ; сигнал ; решение.

Объектами могут быть:

цены;

занятость;

строительство;

транспорт;

исполнение бюджета;

региональная экономика;

экологические показатели;

здравоохранение;

реализация проектов.

При этом ИИ должен не только строить красивый dashboard.

Он должен обнаруживать:

аномалии;

скрытые зависимости;

расхождения между ведомствами;

потенциальные точки кризиса;

неэффективное расходование ресурсов.

По данным Росстата за 2025 год, уже 41% опрошенных государственных служащих сообщали о наличии навыков работы с ИИ, хотя лишь 6% считали их необходимыми для своей работы. Это показывает характерный разрыв: индивидуальное освоение технологии опережает формальную перестройку государственных процессов.

Задача следующего этапа — превратить индивидуальное использование в институциональную ИИ-архитектуру.

3. Прогнозирование
Государство по своей природе обязано работать с будущим.

Бюджет.

Демография.

Инфраструктура.

Энергетика.

Образование.

Наука.

Оборона.

Территориальное развитие.

Но прогнозирование часто существует отдельно по ведомствам и строится на небольшом числе сценариев.

ИИ позволяет перейти к более сложному режиму:

массовому многовариантному моделированию будущего.

Система может генерировать тысячи сценариев и проверять:

какие факторы критичны;

где существуют точки бифуркации;

какие решения наиболее устойчивы;

что происходит при одновременном изменении нескольких параметров.

Однако здесь особенно важно не путать прогноз и предсказание.

ИИ не «знает будущее».

Он расширяет пространство моделируемых вариантов.

Поэтому правильный принцип:

ИИ должен не заменять государственный выбор, а увеличивать число и качество видимых последствий выбора.

Это интеллектуальный радар, а не политический суверен.

4. Управление ресурсами
Государство распределяет огромные объёмы:

денег;

инфраструктуры;

кадров;

земли;

энергии;

государственного заказа.

Даже небольшое повышение эффективности такого распределения может иметь огромный макроэкономический эффект.

ИИ способен:

выявлять дублирование программ;

анализировать результативность расходов;

сопоставлять государственные проекты;

прогнозировать сроки;

выявлять bottlenecks;

оптимизировать закупки;

предлагать альтернативные комбинации ресурсов.

Но здесь возникает принципиальная проблема критериев.

Что означает «оптимально»?

Минимальная стоимость?

Максимальный ВВП?

Минимальный риск?

Равномерность регионального развития?

Национальная безопасность?

Именно поэтому государственный ИИ неизбежно становится многокритериальным.

Чем выше уровень решения, тем меньше вероятность, что существует одна очевидная целевая функция.

Это первая область, где даже программа-минимум начинает упираться в будущую проблематику Метаорганона.

Государству нужен не просто оптимизатор.

Ему требуется система, способная сравнивать различные системы критериев.

5. Административная автоматизация
Наиболее быстрые результаты могут быть получены в массовой административной деятельности.

ИИ способен автоматизировать:

классификацию документов;

ответы на типовые запросы;

подготовку проектов решений;

проверку документов;

сопоставление нормативных требований;

контроль сроков;

перевод информации между форматами;

поиск противоречий.

Это способно высвободить огромное количество человеческого труда.

Но конечная цель должна состоять не в создании «электронного чиновника».

Значительно важнее:

ликвидировать саму необходимость в части административных операций.

Если государство уже располагает необходимыми данными, гражданин не должен повторно предоставлять справку.

Если система способна автоматически установить право на услугу, не всегда необходимо заявление.

Если нарушение можно предотвратить до его возникновения, санкция постфактум становится менее важной.

Так возникает переход:

электронное государство ; проактивное государство ; интеллектуальное государство.

6. Стратегическое планирование
Наиболее глубокая возможность ИИ связана со стратегическим управлением.

Современное государство сталкивается с системами, которые невозможно эффективно анализировать изолированно:

демография влияет на рынок труда;

рынок труда — на образование;

образование — на технологии;

технологии — на производительность;

производительность — на бюджет;

бюджет — на инфраструктуру;

инфраструктура — на демографию.

Это и есть ноостемная проблема: объект существует одновременно как множество взаимосвязанных функций, субъектов, ресурсов, смыслов и сценариев.

Поэтому государственный стратегический ИИ должен уметь работать не только с отдельными KPI, но с целостными системами развития.

Возможный контур:

данные ; модель страны ; сценарии ; стратегии ; программы ; проекты ; мониторинг ; корректировка модели.

Именно здесь в перспективе может появиться национальный человеко-машинный стратегический карион.

Но его нельзя понимать как «суперкомпьютер, принимающий решения за Россию».

Его функция противоположна.

Он должен:

расширять пространство альтернатив;

организовывать независимые экспертизы;

выявлять скрытые предпосылки;

проводить мысленные и модельные агоны;

проверять последствия;

обнаруживать ошибки самой стратегии.

То есть:

не мыслить вместо страны, а повышать качество способности страны мыслить о собственном развитии.

7. Ограничения автоматизации власти
Именно государство требует наиболее строгого ограничения иллюзии ИИ-всемогущества.

Есть принципиальная разница между:

может вычислить

и

имеет право решить.

Политическая власть включает:

ценности;

легитимность;

ответственность;

право;

общественный выбор;

конфликт интересов.

Эти категории нельзя автоматически вывести из benchmark-производительности модели.

Поэтому необходимо установить фундаментальный принцип:

чем ближе решение к суверенным политическим, правовым и ценностным функциям государства, тем меньше допустимость неконтролируемой машинной автономии.

ИИ может:

показывать варианты;

просчитывать последствия;

обнаруживать противоречия;

предлагать оптимизацию.

Но ответственность за фундаментальный выбор должна оставаться у легитимного человеческого субъекта.

Важнейшие ограничения:

проверяемость;

право человека на обжалование;

журналирование решений;

защита персональных данных;

недопустимость скрытой дискриминации;

разделение аналитики и властного полномочия;

защита от манипулирования самой моделью.

Именно поэтому зрелое ИИ-государство характеризуется не максимальным числом автоматических решений.

Оно характеризуется:

максимальным интеллектуальным усилением государственного субъекта при сохранении его ответственности.

Глава 9. ИИ в обороне и национальной безопасности
Искусственный интеллект является технологией двойного назначения.

Практически любое крупное достижение в:

компьютерном зрении;

автономных системах;

робототехнике;

кибербезопасности;

моделировании;

анализе больших данных

может иметь как гражданское, так и оборонное применение.

Поэтому государство, существенно отстающее по ИИ, рискует получить не только экономический, но и стратегический разрыв.

Российская государственная система прямо относит развитие и внедрение ИИ к вопросам национальной обороны и безопасности. В задачи Комиссии при Президенте по вопросам развития технологий искусственного интеллекта включена разработка подходов к применению ИИ для повышения эффективности экономики, государственного управления, национальной обороны и национальной безопасности.

Однако этот раздел требует особой методологической дисциплины.

Большая часть реально значимых военных данных закрыта.

Поэтому Доктрина не должна имитировать знание засекреченных характеристик.

Здесь целесообразно говорить прежде всего о классах стратегически необходимых возможностей.

1. Разведывательная аналитика
Современная среда генерирует объёмы данных, которые физически не могут быть полностью обработаны человеком.

Это:

спутниковые изображения;

радиолокационная информация;

открытые источники;

геопространственные данные;

видео;

телеметрия;

сетевые события.

ИИ способен выполнять первый уровень:

фильтрацию;

классификацию;

обнаружение аномалий;

сопоставление источников;

выделение объектов;

обнаружение изменений.

Но главная ценность возникает при информационном синтезе.

Отдельный сигнал может быть слабым.

Несколько слабых сигналов из независимых источников могут образовать сильную гипотезу.

Следовательно, перспективная разведывательная система должна быть мультимодальной.

Она должна уметь отвечать не только:

«Что изображено на снимке?»

но:

«Как изменилось состояние системы, какие гипотезы объясняют эти изменения и что ещё необходимо проверить?»

При этом фундаментально важно различать:

обнаружение;

интерпретацию;

решение.

Высокая точность распознавания объекта ещё не означает достаточной надёжности для автоматически принимаемого стратегического решения.

Поэтому критические выводы должны строиться на:

независимых источниках;

нескольких моделях;

проверяемой логике;

человеческой ответственности.

2. Автономные системы
ИИ радикально расширяет возможности автономных технических систем.

Это касается:

беспилотной авиации;

морских и подводных аппаратов;

наземных роботов;

автономных средств наблюдения;

логистических платформ.

Стратегический переход идёт от:

дистанционно управляемого аппарата

к

частично автономному агенту, способному самостоятельно решать навигационные и тактические подзадачи в установленных человеком пределах.

Но рост автономности одновременно создаёт новые риски.

Ошибка алгоритма в обычной рекомендательной системе может стоить времени.

Ошибка автономной системы в критической среде может иметь необратимые последствия.

Поэтому должна действовать архитектура ограниченной автономии:

автономность в навигации;

автономность в уклонении от препятствий;

автономность в распределении рутинных задач;

жёстко ограниченные уровни полномочий для необратимых действий.

Общий принцип тот же, что и в промышленности, но требования значительно выше:

уровень машинной автономии должен быть обратно пропорционален необратимости потенциального ущерба.

3. Кибербезопасность
Киберпространство — вероятно, первая большая область, где ИИ будет массово противостоять ИИ.

Одна система:

ищет уязвимости;

генерирует вредоносные действия;

маскирует активность.

Другая:

анализирует трафик;

обнаруживает аномалии;

классифицирует угрозы;

автоматизирует защиту.

Таким образом, кибербезопасность постепенно превращается в скоростной машинный агон.

Человек физически не способен вручную анализировать миллионы событий в реальном времени.

Поэтому ИИ-защита должна работать непрерывно.

Для России необходим национальный контур, способный защищать:

государственную инфраструктуру;

энергетику;

транспорт;

финансовую систему;

связь;

ИИ-ЦОД;

сами фундаментальные модели.

Последний пункт особенно важен.

По мере роста роли ИИ появляется новый класс объектов атаки:

обучающие данные;

weights;

system prompts;

agent tools;

supply chain моделей;

механизмы обновления.

Следовательно:

безопасность ИИ становится частью кибербезопасности, а кибербезопасность — частью безопасности ИИ.

4. Информационные и ментальные угрозы
Генеративный ИИ радикально снижает стоимость производства:

текстов;

изображений;

видео;

персонализированной коммуникации.

Это повышает масштаб возможных информационных воздействий.

Но было бы методологической ошибкой отождествлять эту проблематику с ментальными войнами в смысле настоящей Доктрины.

Необходимо строго различать:

воздействие на сознание как объект

и

агональную организацию интеллектуальной деятельности как механизм.

Пропаганда, дезинформация или когнитивное воздействие относятся преимущественно к первому.

Ментальная война в развиваемой здесь теоретической линии представляет собой специально организованную конкурентно-селективную систему мышления, предназначенную для повышения качества познания и отбора интеллектуальных решений.

Это различие принципиально.

ИИ создаёт угрозу массового синтетического информационного воздействия.

Но тот же ИИ может быть использован для защиты:

верификации;

сопоставления источников;

обнаружения манипулятивных паттернов;

поиска противоречий;

реконструкции происхождения контента.

В перспективе возникает необходимость не только информационной безопасности, но нооиммунитета общества — способности интеллектуальной системы сохранять устойчивость в среде гигантского количества искусственно генерируемых сообщений.

5. Военная робототехника
Военная робототехника является частью более широкой embodied-AI революции.

И здесь гражданская и оборонная промышленность имеют общую технологическую базу:

сенсоры;

электроприводы;

батареи;

компьютерное зрение;

навигация;

edge compute;

связь;

производство.

Поэтому сильная национальная гражданская робототехника одновременно повышает технологическую устойчивость оборонной отрасли.

Важнейший стратегический принцип:

нельзя построить устойчивую передовую военную робототехнику на слабой общей робототехнической промышленности.

И наоборот, большой государственный спрос способен ускорить создание компонентов двойного назначения.

Но технологический суверенитет здесь особенно важен.

Критическая автономная система не должна зависеть от:

недоступного обновления;

закрытой зарубежной библиотеки;

единственного импортного ускорителя;

внешнего облака.

Таким образом, военная робототехника возвращает нас к основам программы-минимум:

микроэлектроника ; compute ; модели ; embodied AI.

6. Стратегические риски
Военное применение ИИ создаёт несколько принципиально новых классов рисков.

Ускорение принятия решений
ИИ сокращает время от получения сигнала до возможного действия.

Это повышает эффективность, но одновременно может сократить время для человеческой проверки.

Ошибочная автоматизация
Модель может быть статистически очень сильной и всё же ошибаться в уникальной ситуации.

Взаимодействие автономных систем
Два автономных агента могут породить динамику, не предусмотренную ни одной стороной.

Информационное заражение
Если противник способен управлять частью входных данных, он может воздействовать на вывод интеллектуальной системы.

Гонка автономности
Стороны могут повышать автономность только из опасения, что противник сделает это раньше.

Метасистемный риск
Особенно опасно появление ИИ, который влияет не на отдельное решение, а на сами механизмы формирования решений.

Именно поэтому будущий оборонный ИМИ потребует значительно более строгих ограничений, чем обычный аналитический ИИ.

Ключевой принцип безопасности:

чем выше уровень интеллектуальной системы, тем важнее разделять способность предложить изменение и полномочие это изменение реализовать.

Это положение впоследствии должно стать одним из базовых принципов архитектуры ИМИ.

Глава 10. Кадровый суверенитет
ИИ-гонка часто описывается как соревнование моделей, GPU и инвестиций.

Но в основе каждого из этих компонентов находятся люди.

Архитектуру ускорителя создают люди.

Фундаментальную модель проектируют люди.

Научный breakthrough делают исследовательские коллективы.

Даже система, способная в будущем участвовать в собственном развитии, первоначально должна быть создана человеческой интеллектуальной культурой.

Поэтому кадровый суверенитет — один из наиболее фундаментальных компонентов национального ИИ-суверенитета.

Но его нельзя понимать только как количество программистов.

Нужна полная кадровая экосистема, включающая:

фундаментальных исследователей;

математиков;

архитекторов моделей;

ML-инженеров;

системных инженеров;

разработчиков аппаратуры;

специалистов по HPC;

экспертов предметных областей;

специалистов по безопасности;

разработчиков ментальных и метаинтеллектуальных технологий.

Россия обладает значительной исходной базой.

По данным обследования организаций за 2024 год, было зафиксировано свыше 242 тыс. работников с ИИ-компетенциями, включая приблизительно 39 тыс. профильных ИИ-специалистов и 203 тыс. работников, применяющих ИИ профессионально.

Другой, более широкий показатель даёт обследование рабочей силы Росстата за 2025 год. По самооценкам работников, определёнными навыками использования ИИ обладали 37,5% занятых: 22,7% — базовыми, 11,7% — средними и только 3,2% — продвинутыми навыками создания и сопровождения ИИ-решений. Эти данные относятся уже к репрезентативной выборке всего занятого населения и поэтому методологически не совпадают с предыдущим обследованием организаций.

Главный вывод одинаков:

массовое знакомство с ИИ растёт быстро, но верхушка пирамиды остаётся узкой.

А именно эта верхушка определяет frontier.

1. Исследователи
Первый критический класс — люди, способные создавать новое знание об искусственном интеллекте.

Исследователь отличается от разработчика.

Разработчик способен реализовать известную архитектуру.

Frontier researcher должен быть способен поставить вопрос:

какую архитектуру человечество ещё не создало?

Именно такие люди создают:

новые training algorithms;

новые model architectures;

новые формы памяти;

новые способы reasoning;

новые методы обучения агентов;

новые safety mechanisms.

Их невозможно массово подготовить короткими курсами.

Необходима многолетняя среда:

сильная математика;

сильная информатика;

доступ к compute;

семинары;

научная конкуренция;

международный уровень задач;

возможность ошибаться;

возможность вести высокорисковый поиск.

Особенно важно изменить критерии успеха.

Российская frontier-лаборатория не должна оптимизироваться преимущественно по количеству публикаций.

Главный вопрос:

создала ли она новое направление?

Для программы-максимум потребуется ещё более редкий тип исследователя — метаинтеллектуал, работающий уже с развитием способов мышления и интеллектов.

Такой специалист должен соединять:

ИИ;

математику;

когнитивные науки;

эпистемологию;

методологию;

теорию систем;

теорию эволюции;

ментальные технологии.

Сегодня полноценной профессии такого типа практически не существует.

Её придётся создавать.

2. Инженеры
Если исследователь создаёт принцип, инженер превращает принцип в работающую систему.

Frontier AI всё меньше похож на обычное программирование.

Необходимо уметь:

обучать огромные модели;

оптимизировать распределённые системы;

работать с памятью;

компиляторами;

inference engines;

данными;

отказоустойчивостью;

security.

Поэтому России нужны не просто «AI-разработчики».

Нужны крупные инженерные школы.

Задача может быть сформулирована так:

каждая сильная российская идея в области ИИ должна иметь возможность быстро получить команду, способную масштабировать её от статьи до промышленной платформы.

Именно это часто отличает технологический центр от академического.

В одной стране идея остаётся публикацией.

В другой через два года становится компанией с миллионами пользователей.

Следовательно, инженерная способность является мостом между интеллектуальным и экономическим капиталом.

3. Архитекторы ИИ
Отдельный класс специалистов — архитекторы сложных интеллектуальных систем.

Сегодня ИИ-система может включать:

несколько моделей;

RAG;

память;

агентов;

инструменты;

knowledge graph;

верификаторы;

human oversight;

robotics.

Кто-то должен понимать систему как целое.

Архитектор ИИ работает не с одним алгоритмом, а с организацией множества интеллектуальных функций.

С развитием карионных систем значение такой профессии только возрастёт.

Появятся:

архитекторы брейомов;

архитекторы карионов;

архитекторы ИМИ;

архитекторы агональных сред;

архитекторы ноогенетических систем.

И это не просто новые красивые названия.

Каждый следующий класс требует способности проектировать более высокий уровень организации интеллекта.

Поэтому кадровая политика должна готовиться к профессиям, которых ещё практически нет на сегодняшнем рынке труда.

4. Математики
Современный ИИ вырос из математики.

Линейная алгебра.

Теория вероятностей.

Статистика.

Оптимизация.

Теория информации.

Численные методы.

Но по мере зрелости инженерных платформ появляется опасность:

заменить понимание фундаментальных оснований умением использовать готовый framework.

Для страны, которая хочет не применять, а создавать следующий frontier, это недопустимо.

России необходимо сохранить и усилить одно из своих наиболее традиционных конкурентных преимуществ — фундаментальную математическую культуру.

Особенно нужны специалисты в:

оптимизации;

вероятностных методах;

дискретной математике;

геометрии;

теории алгоритмов;

теории сложности;

динамических системах;

категориальных и структурных подходах;

формальных методах.

LPM, метааксиоматические системы и ИМИ могут потребовать совершенно новых математических аппаратов.

Следовательно, математик в ИИ-программе — не обслуживающий специалист.

Он является одним из потенциальных создателей языка следующего интеллекта.

5. Специалисты по вычислительной инфраструктуре
Самая сильная модель бесполезна, если её невозможно эффективно обучить.

Поэтому кадровая программа должна включать:

HPC-инженеров;

специалистов по GPU programming;

распределённым системам;

сетям;

компиляторам;

хранилищам;

ЦОД;

энергетической инфраструктуре;

охлаждению;

hardware-software co-design.

Это огромная и часто недооценённая часть ИИ-экосистемы.

В условиях технологических ограничений значение таких специалистов для России ещё выше.

Они должны уметь не только эксплуатировать стандартную западную платформу.

Им необходимо адаптировать модели к:

различным ускорителям;

гетерогенным кластерам;

ограниченной памяти;

альтернативным interconnect;

новым отечественным архитектурам.

В этом смысле российское отставание способно породить собственную школу вычислительной эффективности.

Если compute дорог, возникает сильное селективное давление на:

сжатие моделей;

sparsity;

эффективный training;

экономный inference;

новые алгоритмы.

Подобно тому как ограничения ускорили китайские исследования эффективности, они могут — при правильной организации — стимулировать и российские.

6. Новая система ИИ-образования
Традиционная образовательная система имеет слишком большой временной лаг.

Если университет начинает сегодня проектировать новую специальность, первые выпускники могут выйти на рынок через несколько лет.

Но за это время ИИ-фронтир способен смениться несколько раз.

Следовательно, образование должно стать адаптивным.

Необходимо различать как минимум четыре уровня.

Массовая ИИ-грамотность
Практически каждый выпускник должен понимать:

что умеет ИИ;

чего он не умеет;

как правильно ставить задачу;

как проверять результат;

как безопасно работать с данными.

Профессиональное использование ИИ
Инженер, врач, юрист, учёный, экономист должны уметь применять специализированные ИИ-системы своей отрасли.

Разработка ИИ
Модели, агенты, инфраструктура, робототехника.

Frontier research
Небольшое число наиболее сильных студентов должно как можно раньше попадать в реальные исследовательские группы и работать на мировом уровне.

Данные Росстата за 2025 год показывают, насколько важна эта многоуровневая структура. Среди работников с высшим образованием ИИ-навыками обладали около 47%, тогда как среди работников со средним профессиональным образованием — около 33%; продвинутые ИИ-компетенции были сконцентрированы особенно сильно среди людей с высшим образованием.

При этом обнаруживается очень интересный парадокс.

37,5% занятых заявляют о наличии тех или иных ИИ-навыков, но только 4,9% считают такие навыки необходимыми для своей текущей работы. ИСИЭЗ интерпретирует это как сочетание опережающего самостоятельного освоения технологий и отставания формальной организации рабочих мест.

Это означает:

образовательная трансформация уже началась снизу быстрее, чем организационная трансформация экономики сверху.

Задача государства и бизнеса — превратить этот стихийный процесс в систему.

Стратегическое направление цифровой трансформации науки и высшего образования до 2030 года уже предусматривает применение российских ИИ-технологий как средство повышения эффективности исследований и подготовки кадров для технологического лидерства.

Но необходимо идти дальше.

ИИ должен стать не только предметом образования, но и средством его преобразования.

У каждого учащегося может появиться персональный ИИ-наставник.

У преподавателя — аналитический помощник.

У университета — система выявления талантов.

У научной школы — агентная исследовательская среда.

В пределе образование должно перестать быть системой передачи фиксированного объёма знаний.

Оно должно превращаться в систему ускоренного развития способности человека самостоятельно производить новое знание.

Это уже прямой мост к Метаорганону.

7. Возвращение и привлечение талантов
В мировом ИИ-фронтире идёт конкуренция не только технологий, но людей.

Небольшая группа выдающихся исследователей способна изменить положение целой компании.

Поэтому задача кадрового суверенитета не может решаться исключительно выпуском собственных специалистов.

Необходимо создавать условия для:

сохранения сильных российских специалистов;

возвращения части работающих за рубежом;

привлечения иностранных исследователей;

создания международных научных команд;

включения русскоязычной технологической диаспоры в российские проекты.

Но здесь часто допускается фундаментальная ошибка.

Выдающийся исследователь приезжает не только за зарплатой.

Он выбирает:

качество коллег;

compute;

свободу научного поиска;

масштаб задачи;

репутацию лаборатории;

возможность создать нечто мирового уровня.

Следовательно:

лучшая политика привлечения frontier-талантов — наличие frontier-проекта.

Именно поэтому проект ИМИ1 может иметь значение существенно более широкое, чем собственно разработка ИМИ.

Если Россия поставит перед собой интеллектуальную задачу, которой почти никто в мире ещё системно не занимается, вокруг неё потенциально может возникнуть новая международная школа.

Необходимо создать условия, при которых сильный молодой исследователь сможет сказать:

«Если я хочу заниматься развитием следующего поколения разума, одно из лучших мест для этого находится в России».

Только тогда программа кадрового суверенитета станет одновременно программой глобального лидерства.

От кадрового суверенитета к интеллектуальному воспроизводству
Главный показатель кадровой системы — не число дипломов.

И даже не число сегодняшних специалистов.

Более глубокий критерий:

способна ли национальная система самостоятельно воспроизводить людей, которые создают следующие поколения интеллектуальных технологий?

Это значит, что Россия должна воспроизводить:

учеников;

исследователей;

научные школы;

архитекторов;

инженеров;

руководителей frontier-проектов.

А затем — новый тип специалистов:

проектировщиков развития самого интеллекта.

Программа-минимум заканчивается там, где Россия получает необходимую человеческую, вычислительную, модельную, инфраструктурную и промышленную способность устойчиво участвовать в современном ИИ-фронтире.

Но именно в этот момент возникает следующий вопрос.

Если создана инфраструктура, способная воспроизводить современный искусственный интеллект, следует ли использовать её только для создания всё более совершенных версий уже существующих архитектур?

Или следующим объектом проектирования должен стать сам механизм возникновения новых архитектур разума?

Именно на этой границе программа-минимум переходит в программу-максимум.

********