Иван Оселедец: Наука должна оставаться международной

Россия отстает от Китая в разработке фундаментальных ИИ-моделей на несколько месяцев, но к концу 2027 г. может выйти с ним на паритет, считает генеральный директор AIRI, декан факультета ИИ МГУ и профессор РАН Иван Оселедец. В интервью «Ведомости&» он рассказал, на чем держится конкурентоспособность российской ИИ-науки, как ученым помогают ИИ-агенты и почему исследователи уходят в бизнес.

– Важно владеть собственной технологией создания моделей. Использование готовых зарубежных решений не заменяет этих компетенций: доступ к ним может исчезнуть, а для дальнейшего развития необходимо понимать, как строить модели самостоятельно. Перспективы российского искусственного интеллекта (ИИ) я связываю с нашей фундаментальной математической и физической школой, которая переориентируется на создание моделей, в том числе сильного ИИ. Потенциал позволяет ставить очень амбициозные исследовательские цели. И, конечно, искать хитрые способы оптимизации и работы над передовыми методами при меньшем количестве ресурсов.

– Россия входит в небольшой круг стран, способных обучать собственные фундаментальные модели. Исследовательская база тоже растет: число специалистов в этой области, по моей приблизительной оценке, с 2021 г. увеличилось примерно в 10 раз. Отставание Китая от США составляет примерно полгода, мы догоняем Китай с разрывом в несколько месяцев. В практических применениях мы находимся на первых позициях: обратите внимание на массовое внедрение ИИ в медицинскую практику в России. Результаты российских ученых лежат в основе множества работ по всему миру: например, исследования Юрия Куратова, Айдара (организация признана террористической и запрещена в РФ) Булатова и Михаила Бурцева.

– Изоляции нет, но санкционные ограничения противоречат идеалам науки и часто мешают работать, поэтому не все коллеги в других странах их поддерживают. Если некоторые площадки недоступны, нужно организовывать свои и приглашать зарубежных исследователей. Наука должна оставаться международной: необходимо публиковаться и поддерживать общение с коллегами. Например, в организации международного соревнования NTIRE 2026 (New Trends in Image Restoration and Enhancement) по прогнозированию зон визуального внимания в видео участвовали в том числе коллеги из Института проблем передачи информации им. Харкевича РАН (ИППИ РАН) и AIRI.

– Во всех. Я бы выделил математические методы машинного обучения и подходы, которые делают нейросети эффективнее: ускорение вычислений, сжатие моделей, создание более компактных архитектур. Есть заметные результаты в методах оптимизации, применении гиперболической геометрии к машинному обучению и байесовских подходах.

– CADENA (российский бренд оборудования и кабельной продукции для цифрового телевидения, телекоммуникационных и слаботочных сетей. – «Ведомости&»), совместная разработка команды Антона Конушина, лаборатории FusionBrain AIRI и SberAI, восстанавливает по скану детали редактируемую компьютерную модель. Система строит ее последовательно: выполняет операцию, проверяет расхождение с геометрией детали и определяет следующий шаг. На специализированном тесте BenchCAD (комплексный мультимодальный бенчмарк. – «Ведомости&») показатель восстановления объема составил 91% против 71% у зарубежных передовых моделей и 75% у специализированных.

Другой пример – OCC-RAG (семейство компактных языковых моделей с открытым исходным кодом. – «Ведомости&»). Это компактные модели на 0,6 и 1,7 млрд параметров, которые отвечают на вопросы по предоставленному тексту. Они умеют объединять несколько фактов, последовательно рассуждать и отказываться от ответа, когда информации не хватает. В таких задачах они показали качество на уровне моделей в 2–6 раз крупнее, а на тесте ConFiQA (специализированный бенчмарк для оценки достоверности ответов больших языковых моделей с опорой на предоставленный текст. – «Ведомости&») опередили Qwen. Конечно, это сравнение в определенных задачах и на конкретных тестах.

– Далеко не во всех случаях нужны огромные модели. Нужно развивать малые модели и мультиагентные системы. Кроме того, качество моделей одного размера постепенно растет.

– AIRI и МФТИ представили MIKASA-Robo – набор тестов и задач для проверки разных видов памяти роботов. Коллеги из Центра робототехники «Сбера» разработали GreenVLA – модель для управления роботами широкого профиля. Вместе с моделью им. Гурия Марчука мы создали ИИ-метеоролога, который автоматически составляет текстовые прогнозы погоды. Много внимания привлекли ИИ-агенты «Уроборос» и автономный «ГигаАгент».

– Науке необходимо взаимодействовать с реальными производственными процессами. Для промышленного ИИ недостаточно накопить архив данных: нужно понимать, как специалист принимает решения, учитывает ограничения, ошибается и исправляет ошибки. Только такое партнерство позволяет работать со сложными практическими задачами.

Например, мы организовали диалоги врачей: один играл роль врача, другой – пациента с определенным диагнозом. Собрали около 2000 цепочек рассуждений и на их основе построили систему из шести этапов и 16 агентов. В 2025 г. она уже работала в «СберЗдоровье».

– Есть разрыв между научным прототипом и готовым продуктом, которого ждет компания. Исследовательская экспертиза помогает оценить качество моделей, ограничения методов и применимость технологии к конкретной задаче. Нужны организации, способные дорабатывать академические решения, передавать их бизнесу и помогать ученым и компаниям выстраивать ожидания друг от друга. Наше консалтинговое направление развивается совместно с «ГигаАкадемией», которая выступает связующим звеном.

– После постановки задачи она способна изучить литературу, провести эксперименты на облачных серверах и подготовить статью в заданном формате. Еще одно возможное применение – помощь в рецензировании, включая предварительный отбор материалов. Шире – ИИ меняет организацию научной работы. Одна из перспектив – группы, которые одновременно занимаются несколькими направлениями и с помощью ИИ выполняют объем работы, прежде требовавший целого института. Ученые при этом никуда не деваются. Люди необходимы как минимум для выдвижения гипотез, поиска закономерностей и понимания результатов.

– Мы хотим готовить людей, способных разрабатывать новые методы и подходы. Поэтому с самого начала обучения будем связывать фундаментальные дисциплины с программированием и показывать, как теория помогает решать практические задачи. Студентов планируем привлекать к проектам уже на первых курсах. Нам важно, чтобы они учились думать самостоятельно, критически оценивать существующие решения и предлагать свои – более эффективные.

– Кто-то уезжает, так было всегда. Есть сильные исследователи, которые остаются в России, и те, кто вернулся после работы за границей. В нашем коллективе работают специалисты, приехавшие из США, Китая, Великобритании. Утечка происходит, когда у себя нет места для реализации интересных задач или нужных ресурсов. Есть спрос, хорошие рабочие места с нормальной зарплатой – есть и пространство для развития.

Отдельная проблема – уход молодых исследователей в индустрию, где выше стартовые зарплаты и быстрее рост. Научный результат сложно получить так же быстро, как выполнить коммерческий проект с заранее заданными сроками и показателями. Чтобы молодежь связывала будущее с наукой, ей нужны стабильный доход, понятные перспективы и возможность работать над интересными задачами. Для ученого это приоритетно: наука не работает с 10.00 до 19.00 пять дней в неделю, ей посвящают всю жизнь.

– Паритет с Китаем. &