Почему внедрение ИИ в российской науке буксует: исследование ВШЭ

Искусственный интеллект способен кардинально изменить научные исследования, начиная от обработки гигантских массивов данных и заканчивая автоматизацией лабораторных экспериментов. Однако в России этот процесс идет медленно, и причины кроются не только в технологиях, но и в системных проблемах. Свежий доклад Института статистических исследований и экономики знаний (ИСИЭЗ) НИУ ВШЭ проливает свет на главные препятствия: острый дефицит специалистов и недостаток вычислительных мощностей. Разберем, что именно мешает ученым и какие шаги могут изменить ситуацию.

Кадровый голод и нехватка вычислений: главные барьеры

Исследование, основанное на опросах научных организаций и анализе открытых данных, показало: почти половина российских научных коллективов, желающих применять ИИ, сталкивается с нехваткой квалифицированных кадров. Речь идет не только о программистах, но и о специалистах на стыке дисциплин — например, биоинформатиках или экспертах по анализу изображений в физике. Около трети респондентов также указали на отсутствие доступа к высокопроизводительным вычислительным кластерам, необходимым для обучения сложных нейросетей.

Эти трудности усугубляются устаревшей или недоступной инфраструктурой, особенно в регионах. В местах, где нет крупных университетов или научных центров, исследователи вынуждены либо арендовать дорогие облачные сервисы, либо вовсе отказываться от ИИ. По данным ВШЭ, лишь около 15% российских научных организаций активно применяют ИИ, тогда как в ведущих странах этот показатель достигает 40–50%. Разрыв очевиден, и он напрямую влияет на конкурентоспособность отечественной науки.

Почему это происходит: предыстория вопроса

Проблема не нова: еще в 2019 году в национальной стратегии развития ИИ были обозначены цели по интеграции технологий в науку, однако реализация идет медленно. Одной из причин является недостаточное финансирование: по оценкам экспертов, Россия тратит на исследования в области ИИ в несколько раз меньше, чем Китай или США. Сказывается и «утечка мозгов» — талантливые исследователи уезжают за рубеж, где условия оплаты труда и доступ к ресурсам лучше.

Исторически в российской науке сильна фундаментальная школа, но прикладные разработки, особенно в ИИ, часто отстают. Внедрение ИИ требует не только технических навыков, но и готовности менять методологию исследований, что встречает сопротивление в консервативной академической среде. Тем не менее, в последние годы появились позитивные сдвиги: в 2023 году запущен национальный проект «Наука и университеты», предусматривающий создание центров ИИ при вузах. Но этого пока недостаточно.

Какие конкретные проблемы мешают исследователям?

Практические трудности многообразны. Во-первых, отсутствие размеченных данных: для обучения моделей нужны большие объемы качественных данных, а во многих областях, таких как медицина или геология, они либо закрыты, либо не стандартизированы. Во-вторых, даже если данные есть, их обработка требует мощных GPU, которые в России дефицитны из-за санкционных ограничений на поставки чипов. В-третьих, проблема совместимости: многие западные программные платформы для ИИ недоступны, а отечественные аналоги пока не достигли нужной зрелости.

Эти факторы создают замкнутый круг: без ИИ невозможно повысить эффективность науки, но для внедрения ИИ нужны ресурсы, которых нет. В итоге исследователи часто предпочитают традиционные методы, что замедляет прогресс в таких областях, как фармакология, материаловедение и климатология. Например, в фармацевтике ИИ мог бы ускорить поиск новых молекул, но из-за отсутствия данных и вычислительных мощностей этот процесс остается медленным.

Технические и финансовые детали: что нужно для прорыва

Чтобы преодолеть барьеры, необходимо комплексное решение. Прежде всего, требуется значительное увеличение инвестиций в вычислительную инфраструктуру. По оценкам ИСИЭЗ, нужно как минимум удвоить количество суперкомпьютеров в стране и создать национальную облачную платформу, доступную исследователям по льготным тарифам. Параллельно необходимо развивать образовательные программы: готовить не только «чистых» программистов, но и специалистов, понимающих специфику конкретных научных областей.

Государственно-частное партнерство может сыграть ключевую роль. Крупные IT-компании, такие как Яндекс и Сбер, уже имеют опыт создания ИИ-решений для бизнеса, и их компетенции можно использовать для нужд науки. Однако такие коллаборации пока единичны. Кроме того, необходимо решить проблему с данными: создать репозитории открытых научных данных, доступных для обучения моделей, с соблюдением требований безопасности и этики. Это потребует координации между министерствами, научными институтами и бизнесом.

Кого затронет эта ситуация и как

Проблема касается не только ученых, но и всей страны. Для исследователей это означает невозможность использовать современные методы анализа, что снижает международную конкурентоспособность их работ. Для бизнеса, рассчитывающего на инновации из науки, это приводит к задержкам в разработке новых продуктов. Для государства — к риску технологического отставания в критически важных областях, таких как оборона, медицина и энергетика.

Особенно остро ситуация ощущается в регионах: если в Москве и Санкт-Петербурге есть доступ к ресурсам, то в Сибири или на Дальнем Востоке исследователи часто изолированы. В то же время есть позитивные примеры: некоторые институты РАН успешно применяют ИИ для обработки данных в астрофизике и генетике. Однако эти случаи единичны, и без системной поддержки они не приведут к массовому внедрению. Например, в Новосибирском Академгородке есть кластеры, но они перегружены, и малые лаборатории не могут получить к ним доступ.

Что будет дальше: прогнозы и ожидания

Судя по текущим тенденциям, в ближайшие два-три года ситуация может измениться, если будут реализованы заявленные программы. В 2026 году ожидается запуск нескольких центров ИИ на базе ведущих университетов, что должно улучшить доступ к вычислительным ресурсам. Минобрнауки анонсировало увеличение бюджетных мест на IT-специальности, что частично решит кадровую проблему, но не сразу — подготовка специалистов занимает годы.

Более оптимистичный сценарий предполагает, что российские компании создадут отечественные аналоги зарубежных облачных платформ, снизив зависимость от импорта. Однако для этого нужны значительные инвестиции и время. Вероятно, в ближайшей перспективе мы увидим точечные успехи в отдельных областях, но массового распространения ИИ в науке стоит ожидать не раньше конца десятилетия. Некоторые эксперты считают, что без радикальных мер Россия рискует остаться на периферии мировых исследований.

Итог

Таким образом, главными сдерживающими факторами для ИИ в российской науке являются кадровый дефицит и нехватка вычислительных мощностей. Без решения этих проблем страна рискует остаться на периферии мировых научных исследований. Однако при условии целенаправленных государственных и частных инвестиций ситуация может быть исправлена. Следить за развитием этой темы важно не только ученым, но и всем, кто интересуется будущим технологий в России. Будет ли прорыв — зависит от того, насколько быстро власти и бизнес осознают критичность проблемы и начнут действовать.