Как российские ученые меняют правила игры в области искусственного интеллекта

От культа «идеала» к культу эффективности

Лучшей работой конференции было признано исследование «Нормы Ки Фана и не только: двойственные нормы и комбинации для оптимизации матриц», представленное учеными из МФТИ, Sber AI4Science и Института AIRI.

Эта работа продемонстрировала принципиально новый подход: для настройки весовых матриц нейронных сетей «почти оптимальное» решение часто не уступает по качеству идеальному, но достигается в разы быстрее и с меньшими затратами. Это открывает путь к созданию более «легких» и при этом мощных моделей, значительно снижая порог входа для компаний, у которых нет миллиардных бюджетов на суперкомпьютеры.

Представьте себе строительство: вам нужно не идеально выровнять каждую плитку с точностью до микрона, а просто качественно положить кафель, который будет служить десятилетиями. Для 99% практических задач такой подход более чем достаточен. Этот же принцип теперь применяется и в разработке ИИ.

Прорыв в оптимизации: метод Ньютона 2.0

Особое внимание на конференции привлекла работа об «Адаптивных регуляризованных методах Ньютона с неточным гессианом», созданная международным коллективом с участием Александра Гасникова, ректора Университета Иннополис, вошедшего в оргкомитет конференции. Ученым удалось совершить, казалось бы, невозможное — упростить классический метод Ньютона, один из столпов вычислительной математики.

Ученые разрешили алгоритму работать с приближениями вместо трудоемких вычислений вторых производных. В экономических терминах это называется радикальным снижением издержек. На выходе мы получаем инструмент, который не жертвует качеством, но делает разработку и эксплуатацию ИИ значительно менее затратными.

Этот подход особенно важен в контексте подготовки кадров для ИИ-индустрии. Накануне конференции организаторы провели школу по вычислительной оптимизации ASCOMP, которую посетили 108 студентов и молодых исследователей из ведущих российских и международных вузов. Такие образовательные инициативы готовят новое поколение специалистов, способных работать с эффективными, а не просто мощными алгоритмами.

Практические инструменты для реального бизнеса

Конференция стала площадкой для представления конкретных инструментов, которые уже сегодня могут использоваться малым и средним бизнесом. На специальной сессии Сбера были представлены разработки, готовые к промышленному внедрению.

Денис Пархоменко, исполнительный директор по исследованию данных Сбера, представил новый высокоэффективный медиа-токенизатор, превосходящий по качеству и эффективности существующие аналоги. Этот алгоритм преобразует изображения и видео в специальные «токены» — компактные числовые представления. Практические инструменты для реального бизнеса.

— Наша группа создала токенизатор, который при той же степени сжатия, что и у современных state-of-the-art-аналогов, обеспечивает более высокое качество реконструкции. Это напрямую влияет и на скорость работы генеративной модели: обычно зависимость квадратичная, и на качество синтеза. Уже сейчас он позволяет обучить модель, такую как Kandinsky, генерировать видео и изображения с более высокой четкостью и точностью, что мы и планируем сделать в ближайшем будущем. Но еще важнее, что мы стали лидерами по качеству реконструкции, не проигрывая в степени сжатия. Это создает фундаментальную основу для разработки токенизаторов следующего поколения с еще более высокой степенью сжатия, — рассказал Денис Пархоменко.

Для бизнеса это означает не только снижение затрат на вычисления на 30—40% и ускорение работы в 2—3 раза, но и доступ к более качественным и быстрым генеративным моделям без увеличения бюджета.

Не менее значимыми оказались разработки в области логистики и прогнозирования. Фреймворк Ride для поиска кратчайших маршрутов в сложных графах и библиотека TSForesight для прогнозирования временных рядов — это готовые решения, которые могут внедряться компаниями практически без адаптации.

Для логистических компаний внедрение Ride позволяет снижать расходы на топливо на 15—25% за счет исключения неоптимальных маршрутов. В ретейле использование TSForesight повышает точность прогнозирования спроса на 30—40%, что позволяет значительно сократить затраты на логистику и хранение.

Экономический эффект: цифры и факты

Актуальность этого подхода подтверждается независимыми исследованиями. Согласно данным Института статистических исследований и экономики знаний НИУ ВШЭ, российские компании, внедряющие ИИ, направляют на эти технологии около 15% всех затрат на цифровизацию. При этом более половины проектов (51%) финансируются из собственных средств организаций, что делает вопрос снижения издержек критически важным для их реального внедрения.

Оценки стоимости ИИ-проектов показывают, насколько значительной может быть экономия. Небольшой проект с моделью обнаружения объектов оценивается примерно в 2,2—2,75 млн рублей (исходя из часа стоимости разработчика Python), тогда как крупные и сложные проекты могут требовать многолетней разработки и значительно больших инвестиций. Новые алгоритмы, представленные на ICOMP 2025, позволяют сократить эти затраты на 40—60% за счет снижения требуемых вычислительных ресурсов и времени обучения моделей.

Технология позволяет небольшим компаниям конкурировать с IT-гигантами на равных. Если раньше для работы с качественным генеративным ИИ требовались огромные вычислительные ресурсы, то теперь достаточно стандартного сервера.

Повышение доступности технологий: новые возможности для регионов

Особенно важно, что представленные разработки создают синергетический эффект с глобальным трендом на открытость в ИИ. Согласно исследованию Linux Foundation, внедрение открытых решений обходится бизнесу в среднем в 3,5 раза дешевле проприетарных аналогов.

Для малого и среднего бизнеса это означает возможность использовать те же технологии, что и у IT-гигантов, но без многомиллионных инвестиций в инфраструктуру. Теперь даже региональный логистический оператор может использовать те же алгоритмы, что и международные гиганты.

Этот подход особенно актуален в условиях импортозамещения, когда многие предприятия сталкиваются с необходимостью оптимизировать издержки. Производственные компании, транспортные операторы, финансовые организации — все они могут получить прямое экономическое преимущество от внедрения адаптивных методов оптимизации.

Что в сухом остатке?

ICOMP 2025 четко обозначила: мы вступаем в фазу, когда технологическое преимущество определяется не объемом данных или вычислительных мощностей самих по себе, а эффективностью алгоритмов, которые эти данные обрабатывают. Российская математическая школа, традиционно сильная в области оптимизации, становится критически важным активом в этой гонке.

Иногда достаточно почти оптимального варианта, который дает тот же результат, но обрабатывается гораздо быстрее. Этот принцип «эффективной достаточности» может стать основой для нового технологического уклада, где ИИ будет действительно доступен всем — от глобальных корпораций до стартапов из российских регионов.

Повышение доступности технологий через открытые модели и эффективные алгоритмы — это про создание конкурентной среды, где инновации рождаются не только в стенах корпоративных R&D-центров, но и в малых компаниях, в университетских лабораториях, в регионах. И у России, как показала конференция, есть все шансы занять в этой новой реальности свое достойное место — не как догоняющей стороны, а как одного из архитекторов эпохи доступного интеллекта.