Такие данные приведены в аналитическом исследовании «Промышленный искусственный интеллект», подготовленном при участии Газпромбанка, «Газпром нефти», ПАО «Северсталь» и ООО «Газинформсервис».
По оценке авторов исследования, темп роста российского рынка будет немного опережать среднегодовой темп роста мирового рынка промышленного ИИ, который, как ожидается, составит 23,4%. При этом самы рынок вырастет с $53,8 млрд в 2025 году до $153,9 млрд к 2030 году.
Российский рынок промышленного ИИ имеет ряд особенностей. Крупные промышленные компании преимущественно разворачивают ИИ-решения внутри собственных закрытых ИТ-контуров, что повышает требования к вычислительным мощностям и собственной технологической инфраструктуре.
К 2030 году может заметно измениться:
Структура российского рынка промышленного ИИ
| Сегмент | Объем рынка в 2025 г., млрд руб. | Объем рынка в 2030 г., млрд руб. (прогноз) |
| Платформы машинного обучения | 4,8 | 18,8 |
| Периферийные вычисления | 1,6 | 10,7 |
| Компьютерное зрение | 10,4 | 24,1 |
| Предиктивная аналитика | 8 | 21,4 |
В исследовании также сформулированы стратегические контуры развития промышленного ИИ в России до 2030 года. В качестве одного из целевых состояний указано достижение высокой готовности к внедрению ИИ в 95% приоритетных отраслей экономики. Точечные пилотные проекты при этом должны постепенно уступать место типовым отраслевым платформам с готовыми домен-специфичными моделями.
Еще один контур связан с развитием вычислительной инфраструктуры и снижением зависимости от импортных аппаратных решений.
Также важную роль будет играть кибербезопасность промышленного ИИ. По мере роста автономности повышаются требования к контролю данных и доступа, мониторингу моделей, управлению изменениями и сохранению человеческого контроля над работой системы.
Павел Салугин, исполнительный вице-президент Газпромбанка, отметил: «Промышленный искусственный интеллект постепенно переходит от отдельных пилотных проектов к более широкому внедрению в производственные процессы. При этом сама ИИ-модель — только один из элементов таких систем. Для масштабирования нужны: подготовленная ИТ-инфраструктура, качественные данные, необходимые компетенции, механизмы кибербезопасности. Исследование позволяет увидеть потенциал этих технологий, существующие ограничения и практические результаты их применения на промышленных предприятиях».
Иван Эрих, начальник управления инновационной экосистемы и коммерциализации в компании «Газпром нефть»: «Для масштабного применения ИИ в нефтегазовой отрасли нужны не только технологии, но и специалисты, умеющие с ними работать. Поэтому мы развиваем оба направления параллельно: вместе с университетами готовим ИИ-специалистов и обучаем сотрудников, а также создаём специализированную ИИ-модель O1L для нефтяной отрасли. Она нужна, потому что универсальные нейросети не всегда учитывают специфику индустриальных задач, а наша модель обучена на отраслевых знаниях и инструменты на её основе уже помогают инженерам находить нужную информацию и выполнять расчёты. Мы делаем ИИ доступным помощником в повседневной работе инженеров. Это создает основу для широкого применения ИИ в «Газпром нефти». А в перспективе наша ИИ-модель может стать национальной моделью для всей нефтегазовой отрасли».
Александр Бубнов, руководитель центра экспертизы по инновациям и трендам Академии по развитию Бизнес Системы «Севергрупп»: «Для промышленного бизнеса особенно важен переход от отдельных экспериментов к масштабируемым решениям, встроенным в реальные производственные и управленческие процессы. Модель может хорошо показать себя на тестовых данных, но на производстве ей приходится работать с разным оборудованием, неполной телеметрией и высокими требованиями к надёжности и безопасности. Поэтому масштабирование начинается с качества данных и понятной ответственности за результат, а не только с выбора технологии. В совместном отчёте мы рассматриваем рынок промышленного ИИ в России и мире через задачи предприятий: где технологии уже находят применение, что требуется для их внедрения и какие ограничения важно учесть до запуска проекта. Нам было важно отделить перспективные сценарии от тех, для которых пока не хватает данных, инфраструктуры или подтверждённого эффекта».
Лидия Виткова, начальник Аналитического центра кибербезопасности ООО «Газинформсервис»: «По мере того как искусственный интеллект всё глубже встраивается в производственные процессы, защищать только инфраструктуру уже недостаточно. Объектами защиты становятся сами модели, данные, на которых они обучаются и работают, механизмы их обновления, а также логика принятия решений. Для промышленного ИИ особенно важно сохранять контроль над тем, какие данные получает модель, какие действия ей разрешены и как меняется её поведение со временем. Поэтому безопасность должна закладываться на уровне архитектуры и сопровождать весь жизненный цикл ИИ-системы — от разработки и обучения до эксплуатации и обновления. Чем выше автономность системы, тем жёстче должны быть требования к контролю доступа, мониторингу моделей, управлению изменениями и возможности вмешательства человека».
