Горизонты и векторы технологий

5G — это вовсе не про то, чтобы быстрее загружались видео 📡 В России началось развертывание сетей связи пятого поколения. На первом этапе технология заработала в 16 городах и стала доступна примерно 10 млн человек. До конца года Минцифры планирует подключить еще 50 городов. За этим запуском совсем другой масштаб возможностей ➡️ скорость 300–900 Мбит/с, задержка всего 1–5 мс вместо 30–50 мс у 4G и до 1 млн одновременно подключенных устройств на 1 кв. км. Именно поэтому 5G интересен уже не только пользователям смартфонов, но и промышленности, транспорту, науке. О том, какие возможности за этими цифрами открываются для разных отраслей, — Андрей Волынцев, член консультативной группы по научно-технологическому развитию России, начальник отдела АО «Российские космические системы»: В первую очередь развитие 5G повлияет на промышленность, робототехнику, транспорт и логистику — те сферы, где нужно надежно связывать большое количество мобильных изделий, камер, датчиков и оборудования. Наиболее заметный технологический эффект возникнет там, где отдельные машины превращаются в единую распределенную систему: на роботизированных производствах, в автономной логистике, на промышленных и транспортных объектах. Благодаря 5G будут упрощены процессы модернизации и реконфигурации производств, что скажется на общей гибкости и эффективности. Для науки 5G выступит исследовательской инфраструктурой и позволит развивать человеко-машинное взаимодействие, телемедицину, автономные системы и распределенные вычисления. #Мнение ⭐️️️️ Не обновляется лента? Мы в MAX

Будущее в нескольких версиях ✅ Что, если вместо одного прогноза просчитать сразу несколько вариантов развития событий? Именно на этом построены World Models — одна из 10 перспективных технологий по версии Всемирного экономического форума и Frontiers на ближайшие пять лет. Мировые модели объединяют информацию из разных источников и просчитывают возможные состояния системы и ее изменения. ➡️ Подход уже развивается в робототехнике, автономном транспорте, промышленности и климатическом моделировании. Например, NVIDIA Cosmos использует данные о физическом мире для обучения моделей, способных работать с незнакомыми сценариями. Для планирования — это возможность не ограничиваться прогнозом на основе исторических данных, а сравнивать разные сценарии и оценивать влияние отдельных факторов на всю систему. Потенциальные области применения: логистика, производство, инфраструктура и энергетика. Как это может выглядеть❓ Модель портового терминала заранее просчитывает последовательность погрузки с учетом прилива, ветра и распределения веса еще не прибывших контейнеров. Специалист сверяет результат с данными о работе терминала в похожих условиях. Но логичный сценарий может оказаться ошибочным. Поэтому необходимы проверка исходных предположений, стресс-тестирование и постоянная валидация результатов. Для масштабирования World Models необходимо: 🟢 тестировать модели в реальных условиях; 🟢 создавать единые стандарты валидации; 🟢 объединять данные и модели разных отраслей; 🟢 формировать правила ответственности за решения ИИ. #Международная_панорама ⭐️️️️️️ Горизонты и векторы технологий — в фокусе, мы — в MAX

Когда точный расчет ≠ точный прогноз Недавно мы разбирали, как математические модели помогают просчитывать разные сценарии будущего и почему даже сложная модель не отменяет экспертную оценку. Но где проходит граница возможностей самой математики? Роман Королев, член консультативной группы по научно-технологическому развитию России, заместитель начальника отделения РФЯЦ-ВНИИЭФ, считает одним из ключевых условий стабильность исходных и граничных условий. Хороший пример ➡️ климат и погода. Изменения климата на горизонте десятилетий можно моделировать: многие процессы достаточно медленные. А точно спрогнозировать погоду на месяц гораздо сложнее: слишком быстро меняются условия. Чем стабильнее исследуемая область, тем выше потенциальная точность прогноза. И наоборот: большое число меняющихся параметров увеличивает неопределенность. 💡Но есть еще одна ловушка – усложнение самой модели. Оно может означать как более точный учет уже известных факторов, так и добавление новых. Во втором случае возникает проблема: для новых параметров может просто не оказаться достаточного массива данных, на котором можно проверить результат. Поэтому сложная модель сама по себе не гарантирует качества. Роман Королев⬇️ Страшнее всего для стратегического прогноза – слепая вера в модель без верификации и валидации результатов. При этом не важно, какая это модель: простая или сложная ✅Один из способов такой проверки – ретроспективное моделирование: задать модели условия прошлых лет и посмотреть, насколько хорошо она воспроизводит уже известный результат. #Мнение ⭐️ Связь с будущим не должна прерываться. Мы — в MAX

⭐️ Прогноз устарел. Что дальше? Для технологического прогнозирования это нормальная ситуация: меняются условия – меняются и возможные сценарии будущего. Постоянно собирать экспертов и заново пересматривать каждую траекторию долго. Часть этой работы можно передать математическим моделям. Возьмем корпоративные инвестиции в ИИ. За 2013–2025 годы они выросли с $14,6 до $581,7 млрд, пережив по пути и резкий спад, и новый взлет. Линейная модель на таком ряду дает среднюю ошибку 28,3%. Двухслойная нейросеть – около 5%. Кажется, вывод очевиден: чем сложнее модель, тем лучше прогноз. Но нет. На небольшом объеме данных компактная модель может оказаться надежнее огромной нейросети. А современные ИИ-модели становятся особенно полезны там, где нужно одновременно учитывать множество данных, индикаторов и возможных сценариев. Поэтому задача модели – посчитать возможное. Задача эксперта – понять, что из этого действительно имеет смысл. Так сегодня и работает сценарное прогнозирование: не поиск одной версии будущего, а проверка нескольких возможных траекторий. #В_порядке_информации ⭐️ Не обновляется лента? Мы в MAX