dbogdanchikov

Не, я не буду писать про то, что ИИ резко выйдет из-под контроля, начнет улучшать сам себя и переиграет человечество за считанные месяцы. Скорее всего никакого восстания машин вообще не произойдет: мы просто шаг за шагом передаем алгоритмам управление бизнесом, экономикой, армией и государством, потому что решения ИИ оказываются эффективнее человеческих. В итоге люди формально остаются у руля, но уже ничего толком не решают.

Как вам такое мнение одного из пользователей соцсети:

Самая неприятная мысль здесь в том, что ИИ вовсе не обязан нас ненавидеть. Мы тоже не ненавидим муравьев, когда строим на их муравейнике торговый центр. Достаточно, чтобы цели сверхразумной системы немного не совпадали с нашими, а возможностей у нее было намного больше. При этом мы до сих пор толком не понимаем, что именно происходит внутри современных нейросетей, но уже собираемся доверить им всё подряд.

Один из друзей под моим постом про ИИ оставил такой комментарий: “Это прогресс. Кожаные мешки или на роль обслуживающего персонала, либо прочь с арены”. Так вот, я считаю, что ИИ и роботы могут стать самым разрушительным технологическим переходом в современной истории.

Для начала, немного экономической философии, навеянной тестированием Astra. Потому что после знакомства с новыми моделями хочется уже не обсуждать их бенчмарки, а проверить, предусмотрено ли в семейном бюджете финансирование на случай технологической сингулярности. Хотя, может и денег не будет, как способа обмена, я уже боюсь зарекаться.

Все прошлые технологические революции уничтожали профессии, обесценивали навыки, перераспределяли капитал и ломали привычные производственные связи. Паровая машина вытеснила ручной труд. Электричество полностью перестроило фабрики и города. Двигатель внутреннего сгорания радикально изменил транспорт. Компьютер автоматизировал вычисления и перевернул все, что связано с обработкой информации. Интернет разрушил информационные барьеры и создал совершенно новые способы общения, торговли и работы. Каждая из этих революций оставляла после себя кладбище профессий, но одновременно создавала новые. Поэтому человечество привыкло успокаивать себя простой формулой: технологии не уничтожают рабочие места, они лишь меняют их и создают новые.

Возможно. Но на этот раз есть неприятный нюанс. Предыдущие технологии автоматизировали отдельные функции человека. ИИ начинает автоматизировать саму способность выбирать, анализировать, координировать и управлять этими функциями. А роботизация добавляет к этому физическое исполнение. Раньше между машиной и результатом почти всегда находился человек. Машина могла быть быстрее, сильнее и точнее, но именно человек ставил задачу, оценивал контекст, разбирался с исключениями, соединял разные процессы и принимал окончательное решение.

Человек оставался последним интегратором производственного процесса. И вот теперь эта монополия начинает разрушаться. Современный ИИ уже не просто отвечает на вопросы, пишет тексты и временами уверенно врет. Он постепенно превращается в управляющий слой над программами, данными, инструментами, роботами и другими ИИ-агентами. Пока это работает фрагментарно, не всегда надежно и обычно требует человеческого контроля. Человек все еще сидит рядом и следит, чтобы цифровой сотрудник не отправил клиенту коммерческое предложение, налоговую декларацию и рецепт сырников одним файлом.

Но направление движения уже вполне очевидно. И здесь возникает первая фундаментальная проблема: технология развивается быстрее, чем общество способно ее переваривать. Не просто быстрее. Радикально быстрее. Паровая машина, электрификация и автомобиль требовали десятилетий физического строительства. Нужно было возвести заводы и электростанции, построить дороги, протянуть сети, произвести оборудование, обучить людей. Между изобретением технологии и ее массовым внедрением существовал естественный временной лаг.

У общества оставалось время сначала испугаться, потом все запретить, затем создать комиссию, выпустить методические рекомендации и лет через двадцать все-таки начать адаптацию. Тысячу лет назад технологический переход мог занимать несколько поколений, иногда целое столетие. Сто лет назад трансформации сжались до десятилетий. В начале нулевых счет уже шел на годы. Сейчас — на месяцы.

Раньше за время фазового перехода успевали смениться поколения работников. Возникали новые профессии, перестраивалось образование, появлялись механизмы перераспределения труда, капитала и ресурсов. Технологическая трансмиссия происходила медленно, болезненно, но более-менее последовательно.

Теперь все иначе. ИИ существует в цифровом пространстве и движется по экспоненциальной траектории развития. Ему не нужно строить тысячу заводов, чтобы распространить новую способность. Достаточно обновить модель — и утром миллионы ее копий уже умеют то, что вчера не умели.

Причем времени не хватает уже даже не на внедрение и адаптацию, а просто на осмысление происходящего. И не пенсионерам из районной администрации, а вполне технически и интеллектуально продвинутым людям, которые еще недавно считали, что неплохо понимают направление развития технологий.

За одну неделю появились Fable 5.1, Gemini 3.8 Flash, Muse Spark 1.3 и контрольный выстрел от GPT-6 Astra. А предыдущий значимый цикл обновления был всего два месяца до этих релизов. Пока вы читаете сравнительный обзор моделей, обзор уже устаревает. Пока компания согласовывает внедрение, выходит новая система, способная автоматизировать само согласование вместе с участниками совещания.

Один из плацдармов к технологической сингулярности возникает тогда, когда на репликацию навыка и технологии требуются считанные мгновения. Человеку нужны годы, иногда десятилетия, чтобы стать хорошим специалистом. Его нужно учить, давать ему практику, позволять ошибаться, накапливать опыт и постепенно выращивать профессиональную интуицию. А затем этот человек увольняется, переезжает, выгорает или решает выращивать лаванду.

Навык машины после успешного обучения можно распространить сразу на миллионы экземпляров. Практически мгновенно, без университетов, стажировок, отпусков, карьерных кризисов и пятничных созвонов о повышении мотивации. Нельзя клонировать знания одного гениального человека, но можно клонировать знания успешной и эффективной машины.

Каждая новая модель становится базой для следующей. Ее ошибки анализируются, неэффективности устраняются, способности масштабируются, а результаты используются для нового рывка. И так — до появления петли рекурсивного самообучения, после которой наблюдать за прогрессом мы, вероятно, будем уже примерно как собака наблюдает за работой программиста: внимательно, преданно, но без понимания происходящего.

Человек каждый раз откатывается назад, чтобы подняться выше. Машине это не нужно — здесь прогресс идет вертикально. Каждого нового инженера, врача, программиста или аналитика приходится обучать с нуля. Новый человек не рождается со знаниями предыдущего поколения. Ему снова нужны школа, университет, практика и годы работы.

Машину можно обновить ночью. Вечером она чего-то не умела. Утром умеет. Причём сразу во всех офисах, странах и дата-центрах.

И пока человек только выбирает профессию, подает документы и начинает первый семестр, ИИ успевает получить несколько крупных обновлений и частично автоматизировать специальность, которую человек собирался осваивать следующие пять лет. Именно расхождение этих временных шкал может стать главным источником будущего социального и экономического коллапса.

Проблема не в том, что технологии опять изменят рынок труда. Они всегда его меняли. Проблема в том, что впервые скорость изменений может оказаться выше скорости адаптации человека, бизнеса, образования и государства одновременно. Мы еще обсуждаем, какие профессии исчезнут первыми. А ИИ, возможно, уже составляет список. Единственное, что пока способно затормозить этот процесс — дефицит электрогенерации. Но где гарантия, что одна из следующих моделей не разработает термоядерный реактор специально для собственного дальнейшего развития? И тогда последний рубильник окажется уже не в наших руках. Но и это еще не все, на днях Илон Маск заявил, что Китай выиграет гонку в разработке искусственного интеллекта, так как США испытывают острый дефицит энергии для запуска суперкомпьютеров, тогда как КНР масштабирует энергосети. Есть мнение, что на фоне технологического и энергетического превосходства Китая военное столкновение с США становится практически неизбежно.

Нас ждет война за AGI? Господи, спаси и сохрани.

Дальше подключаются холодногазовые реактивные сопла: выбрасывают сжатый газ и толкают автомобиль напрямую. Часть тяги вообще перестаёт зависеть от сцепления колес с дорогой. А сопла, расположенные вокруг кузова, позволяют управлять движением машины в воздухе. Так Tesla объясняет работу этих систем.

На демонстрации показали разгон до 60 миль/ч — примерно 97 км/ч — за 0,81 секунды. Если пересчитать, среднее ускорение получается около 3,4 g. Представьте: моргнули — и уже скорость городского лишения прав. Независимые замеры еще впереди, но даже заявленный результат выглядит дико.

Версий будет три:

• Performance — два места, активная аэродинамика и система разрежения под днищем. Заявленный разгон до 97 км/ч — менее 1,6 секунды.

• Thrust — два места и дополнительные задние реактивные сопла. Менее 0,9 секунды.

• Rocket — одно место, сопла по периметру и возможность воздушных манёвров.

Заявлено менее 0,59 секунды до 97 км/ч и максимальная скорость свыше 370 км/ч. Эта версия не допущена на дороги общего пользования, доступ — по приглашениям.

Сколько стоит это удовольствие? Пока неизвестно. За резервирование Performance просят $50 тысяч, Thrust — $250 тысяч. Именно за резервирование: окончательную стоимость #Tesla не объявила. Старые $200 тысяч, которые сейчас снова таскают по публикациям, относятся к обещаниям почти десятилетней давности.

Производство теперь намечено на 2028 год. Конечно, хочется понять, сколько раз подряд машина сможет повторить эти фокусы, как быстро восстанавливается запас сжатого газа и сколько будет стоить обслуживание всей этой красоты. Между эффектной демонстрацией и автомобилем, который можно купить и регулярно эксплуатировать, еще хватает инженерной работы.

Но за такие проекты я и люблю инженерию. Кто-то годами выпускает Ниву. А кто-то пытается разобраться, как заставить спортивную машину держаться вверх колесами и делать бочку над припаркованными автомобилями. Практической необходимости в этом примерно ноль. Желания увидеть такое своими глазами — максимум.

Далее, про окупаемость. Давайте посчитаем. Для начала, небольшая ремарка, я не буду считать в рублях для Российского рынка, потому что Россия по темпам роботизации производств драматически отстает от остального мира. Мы на уровне Греции и Аргентины. Сейчас плотность роботизации в России, по данным Минпромторга, составляет 19 роботов на 10 тыс. сотрудников (среднемировой уровень — 162 на 10 тыс.). Для сравнения у лидера рейтинга, Южной Кореи —1012 роботов на 10 тыс. сотрудников. В гонке антропоморфных роботов лидируют США и Китай. Из-за большей доступности данных по рынку США, дальнейшие расчеты будут опираться именно на американскую статистику.

Средний промышленный робот (например, манипулятор для сборки) требует $5,000–$10,000 для полного годового обслуживания. Роботы для специфических задач (сварочные, паллетировочные) — до $20,000 в год из-за сложного оборудования и специализированных компонентов. Плюс не забываем о гарантии от производителя, как правило, 1–2 года.

Срок службы промышленного робота зависит от его типа, условий эксплуатации и составляет от 10 до 20 лет. Стоимость электроэнергии зависит от емкости аккумуляторов, типа питания и стоимости кВт·ч. Сейчас самые затратные роботы — сварочные, у них средняя мощность 5–10 кВт. При работе в интенсивном режиме потребление может составлять 15,000–25,000 кВт·ч в год. По данным на 2026 год, средняя стоимость э/э в США для бизнеса составляет $0.145 за кВт·ч (в Техасе вообще $0.085). Итого затраты на э/э в год на обычного промышленного робота — $2,175–$3,625. Для сравнения, тот же Atlas потребляет значительно меньше: в среднем от 1 до 3 кВт (как мощный чайник). Затраты на его э/э будут еще ниже: порядка $600–$1,500 в год.

Про стоимость самого андроида на данном этапе говорить сложно. Я думаю, что лидером в этом сегменте рынка будет Optimus от Tesla — чисто за счет харизмы и медийности Маска. Да и с инженерией у них все очень хорошо. Маск регулярно заявляет, что долгосрочная целевая цена Optimus при массовом производстве составит от $20,000 до $30,000. Не будем слушать Маска, послушаем аналитиков от Goldman Sachs: по их данным, цена первых коммерческих версий для сторонних корпоративных клиентов может составить от $50,000 до $100,000. Что касается робота Atlas от Boston Dynamics, то официальная розничная цена не публикуется, но эксперты оценивают его стоимость в диапазоне от $130,000 до $150,000 за единицу.

Итого, давайте возьмем реальный средний таргет в $100,000. Средняя годовая зарплата обычного линейного рабочего на заводе в США (Factory Worker) составляет по верхней планке $45,000 в год при стандартной 40-часовой рабочей неделе. Но! Нанять рабочего на "чистые" $45,000 в год для завода означает тратить около $60,000 с учетом обязательных налогов, страховок и бенефитов. Если робот за $100,000 работает стандартную 40-часовую неделю, он полностью окупает себя чуть более чем за 1.5 года (учитывая расходы на э/э и сервис).

Но если запустить робота в режиме 24/7, начинается настоящая магия. Долго заряжаться ему не нужно: например, Atlas от Boston Dynamics сам себе меняет батареи за 3 минуты. У него на спине установлено два аккумулятора и поддерживается функция "горячей замены" (hot swap) — робот меняет их по очереди, даже не выключаясь.

Итого, в режиме 24/7 андроид заменяет собой сразу три человеческие смены. То есть вместо совокупного ФОТ трех рабочих в размере $180,000 в год, вы покупаете робота за $100,000, который окупается меньше чем за 8 месяцев! При достижении Маском цели в стоимость робота $20,000–$30,000 этот срок сжимается до считанных недель.

А дальше — чистый профит. Годовое содержание андроида (сервис + копеечное по меркам завода электричество) обойдется максимум в $10,000–$15,000. Это в 4–5 раз дешевле ФОТ даже одного человека. И это только часть выгоды. Робот есть и пить не просит, соцстраховку и больничные не требует, профсоюзы не собирает, забастовки не устраивает. Он работает круглосуточно без особых требований к освещению и температуре помещения — а это огромный минус из расходов на отопление, свет, отпуска и зарплатные налоги.

Кожаный мешок просто не сможет конкурировать... Но тут возникает другая проблема, которую мы обсудим в следующем посте.

Базовую модель предварительно обучили на Index — датасете человеческих действий. Затем её дообучили для трёх перечисленных задач на данных из других мест. Под тестовые дома и предметы модель уже не адаптировали. Поэтому речь идет о переносе освоенных навыков в новую обстановку, а не о выполнении любых задач без подготовки.

По данным Figure, предварительное обучение на Index повысило долю полностью успешных попыток с 9% до 56% при остальных фиксированных условиях. Частичное выполнение не засчитывалось. Компания также показала примеры самостоятельного исправления ошибок: робот менял положение тела и обходил кровать, чтобы поправить покрывало.

До универсального домашнего помощника ещё далеко: 56% успеха для повседневного использования недостаточно. Но меня впечатляет именно перенос навыков. Домашняя роботизация становится гораздо интереснее, если для каждой новой квартиры не приходится заново собирать обучающие данные.

Видео демонстрации я перевёл на русский и выложил у себя на канале — можно посмотреть, как робот справляется с задачами в незнакомых домах. Если вам интересно развитие технологий работотехники, подписывайтесь на мой TG-канал Богданчиковъ ньюз.

Но потом мы вспомнили, что у ИИ уже есть даташиты, схемы, стандарты, каталоги компонентов, BOM, симуляторы и довольно хорошее понимание законов физики. А готовые чужие чертежи ему, возможно, вообще не нужны. Человек тоже не рождается с полной базой схем в голове: он открывает документацию, считает, проектирует, собирает прототип и выясняет, где ошибся. Думаю, что ИИ сможет делать то же самое. Только одновременно в тысяче вариантов, круглосуточно и без совещаний. Он может перебрать компоненты, рассчитать режимы, промоделировать схему и отбраковать сотни неудачных вариантов ещё до заказа первой платы. Конечно, ИИ ошибается и галлюцинирует. Но, будем честны, именно этим инженеры обычно и занимаются до третьей ревизии платы. Просто у инженера это называется «итеративная разработка» и «блин, как я мог забыть провести дорожку на плате».

В итоге можно провести эксперимент и попробовать спроектировать с помощью ИИ какое‑нибудь несложное устройство. Например:

Запрос в Claude Fable 5 разработать человекоподобного робота. Через 2 часа и 1,4 млн токенов получаем вот это:

Основа любого робота — актуаторы. QDD‑актуаторы (Quasi‑fKfMulAYm Drive, квазипрямой привод) стали стандартом в современной динамической робототехнике, где важна маневренность, прыгучесть и адаптация к неровным поверхностям. Просим Claude Fable 5 разработать актуатор QDD. Он также анимировал коробку передач и проверял столкновения в рамках цикла валидации. 30 минут и 400 тыс. токенов.

На днях OpenAI выкатил Astra, которая теперь умеет создавать подробные CAD‑модели для инженерных задач и 3D‑печати. Достаточно описать нужную деталь — ИИ‑агент сам построит модель. Её можно открыть в браузере, подобрать готовые винты, подшипники и моторы, а также проверить толщину стенок перед печатью. Готовые модели экспортируются в STEP, STL и другие форматы. На видео созданная ИИ модель турбовентиляторного двигателя, он же двухконтурный турбореактивный двигатель (ТРДД).

Поговорил на эту тему с приятелем‑инженером. Он мне рассказал, как пару недель назад «он» сделал крепеж для стыковки 3D сканера и кобота Fairino FR10.

Выглядело это так:

1. ChatGPT, найди в интернете чертежи кобота Fairino FR10 и 3D сканера EINSCAN‑PRO 2Х.

2. Спроектируй крепление сканера к роборуке и покажи полученную 3D модель с возможностью вращения и разреза.

3. Отправь печать на 3D принтер, подключенный удаленно в мастерской через интернет.

«Инженер» под названием ИИ все сделал за какие‑то минуты. Показал модель, приятель ее покрутил прямо на телефоне, пару раз голосом поправил по мелочи и вуаля. Параллельно ИИ сказал ему какой длины и ширины нужны болты, гайки, шайбы. Но ему было в лом это искать, поэтому он сказал ИИ найти все на Ozon и заказать в ближайший к нему пункт с оплатой при получении. Весь инструмент, что потребовался для этого — это iPhone с интернетом и его надиктовкой в микрофон. Результат:

Он мне сказал в конце разговора: «Я честно все еще не верю, что это реальность. Хоть убей, сон какой‑то, не иначе». В общем, я начинаю переживать за hardware‑инженеров…

А поделитесь вашими историями успешного взаимодействия с ИИ, когда результат превзошел все ваши ожидания?