Андрей Грунин: «Стремление уйти от зависимости от зарубежных поставщиков дает нам шанс»

«Текущие применения ИИ — лишь верхушка айсберга»

— Андрей Анатольевич, мы встречаемся с вами на полях Международного банковского форума — площадки, где будущее финансовой отрасли обсуждают практики. Что вы, как ученый, работающий на переднем крае фундаментальной науки, ищете в таком диалоге? Где точки соприкосновения между высокой теорией и прикладными запросами банков?

— Вы знаете, для меня это не просто формальность. Я приезжаю сюда не как «кабинетный» теоретик, а скорее как организатор науки, цель которого — найти практическое применение фундаментальным знаниям.

Ключевая ценность такого форума — это возможность провести своего рода «диагностику» отрасли. Услышать из первых уст, какие именно «болевые точки», технологические барьеры и новые вызовы стоят сегодня перед банками. Где они чувствуют ограничения существующих решений? Это понимание позволяет, с одной стороны, сфокусировать наши научные изыскания на реальных проблемах отрасли, а с другой — познакомить бизнес с уже существующими прорывными наработками, о потенциале которых он мог и не подозревать. Это взаимовыгодный обмен: мы получаем ценнейший материал для постановки актуальных научных задач, а индустрия — доступ к потенциально прорывным технологиям. В конечном счете это глубокое погружение в проблематику с точки зрения поиска решений, а не просто констатации фактов.

— Давайте поговорим о конкретных технологиях. Искусственный интеллект уже стал мейнстримом в финансах, в основном в виде чат-ботов и систем скоринга. Какие следующие, возможно, менее очевидные, но гораздо более мощные применения ИИ вы видите на горизонте? В частности, что может предложить генеративный ИИ?

— Вы правы, текущие применения — лишь верхушка айсберга. С точки зрения фундаментальных предпосылок, наибольший потенциал я связываю с концепцией гиперперсонализации (маркетинговый инструмент, который помогает компаниям взаимодействовать с клиентам, — прим. ред.). Генеративный ИИ — это не просто «улучшенный» чат-бот. Это технология, способная на основе анализа вашего цифрового следа — транзакций, поведенческих паттернов, жизненных ситуаций — в реальном времени генерировать уникальные финансовые продукты, сервисы и коммуникации. Представьте, что банк предлагает вам не стандартный кредит из меню, а создает персональный кредитный продукт с уникальными условиями, идеально подходящий под ваши текущие обстоятельства, и делает это автоматически. Без генеративных моделей такой подход был бы экономически нецелесообразен — слишком дорого создавать индивидуальный контент и продукты для каждого клиента вручную.

Второе ключевое направление — это Data Fusion (слияние данных, — прим. авт.). Банки сегодня — это хранилища уникальных данных.

В отличие от социальных сетей, которые знают, что вам нравится, банк знает, за что вы платите. А интерес, подтвержденный деньгами, — это гораздо более сильная и достоверная верификация предпочтений.

Объединяя эти данные с другими источниками (с соблюдением всех норм безопасности, разумеется), можно строить невероятно точные поведенческие и прогнозные модели. Именно поэтому банки, наряду с IT-гигантами, становятся одними из главных драйверов развития ИИ в России. Они не только потребители, но и активные участники создания новых технологий.

Что же касается прогнозирования финансовых рынков с помощью генеративных моделей — это пока только будущее. Задача создания всеобъемлющей модели, учитывающей очень большое количество экономических, политических и социальных факторов, не решена. Но тренд движется в сторону мультимодальных систем, которые работают с разными типами данных одновременно, и здесь потенциал огромен.

«Интерес государства и крупных корпораций к суверенизации «железа» растет»

— Вы совмещаете административную должность в Институте ИИ МГУ с непосредственной научной работой в лаборатории, где занимаетесь нейроморфными системами на основе фотоники. Как эти две роли дополняют друг друга и на какие прорывные проблемы ориентированы ваши «аппаратные» исследования?

— Для меня это не просто совмещение, а очень осознанный и продуктивный симбиоз. Административная позиция дает то, что я называю «высотой взгляда». Она позволяет видеть общие тренды, понимать, какие задачи сегодня востребованы рынком, государством, обществом. Это помогает мне как ученому ставить правильные, актуальные цели в лаборатории, избегая ухода в чистый академизм, оторванный от реальности. С другой стороны, постоянная практическая работа «у станка» не позволяет потерять связь с почвой под ногами. Невозможно эффективно управлять научным направлением, не понимая на глубинном уровне технологических барьеров, с которыми сталкиваются твои коллеги. Это уберегает от принятия неверных стратегических решений, основанных на поверхностном понимании.

Что касается фотонных вычислений, наша сверхзадача — совершить качественный скачок в вычислениях для задач искусственного интеллекта. Мы не стремимся сделать еще один процессор, который находится на уровне или чуть лучше существующих. Наша цель — найти такие фотонные архитектуры и создать такую элементную базу, которые дадут радикальное, на порядок большее преимущество в скорости и/или энергоэффективности. Мы ориентируемся на показатели в пять—десять раз выше, чем у современных лидеров рынка, таких как NVIDIA H100.

Одна из ключевых научных проблем, которую мы решаем в Лаборатории нейроморфной фотоники МГУ, — создание эффективной оптической памяти и новых способов управления оптическим излучением. В современных вычислениях основные потери и задержки происходят при взаимодействии процессора с памятью. Если нам удастся создать полноценный фотонный контур, где и вычисления, и передача данных происходят с помощью света, эти потери можно радикально сократить. Конечно, вызовы колоссальны, особенно в России, где с прототипированием и производством таких сложных систем исторически тяжело. Но текущий глобальный тренд на суверенизацию «железа», стремление уйти от зависимости от зарубежных поставщиков, дает нам новый шанс. Интерес со стороны государства и крупных корпораций к этой теме растет.

— Вопрос, который волнует все научное сообщество: как в современных условиях выстраивается взаимодействие между фундаментальной наукой и индустрией? Не кажется ли вам, что баланс сместился в сторону бизнеса?

— Вы затрагиваете очень болезненную и актуальную тему. Да, в области ИИ мы переживаем уникальный момент: скорость внедрения достигла невиданных масштабов. Алгоритм, опубликованный в научной статье сегодня, через полгода-год может быть уже в продакшене. Это привело к сильнейшему перекосу.

Индустрия, особенно IT и финансовый сектор, предлагает зарплаты, в разы, а иногда и на порядки превышающие академические. Естественно, происходит «утечка мозгов». Талантливые выпускники и даже опытные ученые уходят в коммерческие компании.

В этих условиях академическая наука выживает, по сути, по двум сценариям. Первый — это теснейшая интеграция с индустрией через создание совместных лабораторий, партнерских программ, выполнение хоздоговорных работ. Это позволяет оставаться на острие прикладных задач и иметь финансовые ресурсы для удержания высококлассных специалистов. Второй путь — это сознательная ориентация на более теоретические, фундаментальные исследования. Есть процент людей, для которых высшая ценность — не коммерциализация, а академическая свобода, поиск истины, решение сложнейших научных проблем, не обещающих сиюминутной выгоды. История знает подобные примеры, как тот же советский атомный проект, когда наука становилась стратегическим ресурсом и лучшие кадры зачастую оказывались в индустрии. Я уверен, что система со временем найдет новую точку равновесия.

«Задача — чтобы ученый-естественник приходил в свою область уже вооруженный знаниями»

— К вопросу о кадрах, в МГУ вы занимаетесь в том числе и подготовкой специалистов. Как устроена программа AI Masters и каких специалистов она готовит? Достаточно ли давать только математику и data science, или нужен более междисциплинарный подход?

— Это крайне важный вопрос. Программа дополнительного образования, но по уровню как магистерская программа, ориентированная на подготовку специалистов в области машинного обучения и анализа больших данных. Она дает сильнейшую математическую базу, глубокое понимание алгоритмов — то, без чего невозможно стать профессионалом в области ИИ. Выпускники такой программы — это высококлассные «инженеры данных», способные строить эффективные модели.

Но мир ИИ не стоит на месте. Сегодня мы наблюдаем взрывной рост так называемой «искусственной науки» (AI for Science). Раньше ученый, условно говоря, работал с «лопатой», вручную обрабатывая данные. Теперь же ИИ дает ему в руки «экскаватор», позволяя обрабатывать колоссальные объемы информации и открывать новые закономерности в физике, химии, биологии, материаловедении. Например, анализ данных с Большого адронного коллайдера или предсказание свойств новых материалов уже давно были немыслимы без методов машинного обучения, сейчас это уже и в других науках.

Поэтому, отвечая на ваш вопрос, скажу: готовить только узких специалистов по data science — необходимо, но уже недостаточно. Будущее — за междисциплинарными подходами. Для развития применения ИИ в других науках эффективнее не пытаться сделать из специалиста по ИИ биолога или физика, а дать самому биологу или физику мощные инструменты ИИ. Именно поэтому мы развиваем курсы и программы на самых разных факультетах МГУ — от физфака до биологического и химического. Задача — чтобы будущий ученый-естественник приходил в свою область уже вооруженный знаниями о том, как современные технологии могут ускорить его исследования. Обратный путь — научить «айтишника» разбираться в тонкостях квантовой механики — гораздо сложнее. Таким образом, наша стратегия — это сочетание глубокой специализации и широкой «прививки» компетенций ИИ специалистам из других научных направлений.

— Вы неоднократно указывали на угрозы, связанные с использованием ИИ для манипуляции поведением. Как человеку защититься в мире, где его «психологический портрет» может быть использован против него?

— Риски действительно фундаментальны, и их можно разделить на два типа. Первый — системный, идеологический. Большие языковые модели, обученные на определенных данных, несут в себе ценностные предустановки своих создателей и той выборки данных, на которых обучались. Массовое использование таких моделей в качестве ассистентов, советников, источников информации может незаметно и постепенно смещать общественные предпочтения в ту или иную сторону. Это мягкая сила, действующая на уровне всего общества.

Второй риск — персонифицированное мошенничество и социальная инженерия. ИИ, анализируя вашу активность в цифровой среде, может построить вашу точную поведенческую модель и генерировать такие стимулы — тексты, голосовые сообщения, даже видео — которые с высокой вероятностью спровоцируют вас на нужные действия, например, передачу денег мошенникам. Это уже не теория, а суровая реальность.

Как защититься? Главное — осознанность и критическое мышление. Необходимо понимать, что никто не застрахован от манипуляции. Нельзя считать себя «слишком умным» для этого. Самый эффективный способ — это прервать любой подозрительный контакт при первых же признаках. Не вступать в дискуссию, не пытаться «переубедить» собеседника. В глобальном же смысле, противостоять этому можно только с помощью самого ИИ. Задача — создавать системы, которые будут в реальном времени выявлять подобные мошеннические аномалии в коммуникациях. И здесь как раз банки и телеком-операторы находятся на передовой, развивая системы антифрода. Борьба идет на уровне алгоритма против алгоритма. Пытаться же ограничить доступ к информации в современном мире — бесперспективно. Наше спасение — в развитии технологий защиты, а не в построении цифровых баррикад.