Академик РАН: россиянам не стоит увлекаться "яркими вспышками" ИИ
Вокруг искусственного интеллекта сегодня много шума: новые модели выходят одна за другой, сервисы обещают "революцию" в любой сфере, а яркие демонстрации возможностей нейросетей мгновенно разлетаются по соцсетям и СМИ. Но академик РАН, доктор физико-математических наук и директор Института системного программирования РАН Арутюн Аветисян призывает относиться к этому спокойнее и прагматичнее - без восторженного увлечения "яркими вспышками", но и без пренебрежительного отношения к технологии.
По словам ученого, важнее не поражаться эффектным примерам, а выстраивать системную работу и понимать, куда движутся технологии, в чем их сильные стороны и где скрываются ограничения. Он подчеркивает: смысл любой технологии - либо рост производительности труда, либо создание принципиально новых систем, которые дают экономике и обществу измеримую пользу. Именно этот критерий, а не вау-эффект, должен быть главным при внедрении ИИ.
Арутюн Аветисян - российский математик и специалист по системному программированию, академик РАН, профессор РАН. Он также является лауреатом премии Oganesson, учрежденной известным физиком Юрием Оганесяном - руководителем лаборатории ядерных реакций Объединенного института ядерных исследований в Дубне. Премию вручают с 2023 года. На ее создание Оганесян направил 20 млн рублей, которые получил в 2022 году после присуждения Научной премии Сбербанка. Аветисян стал лауреатом в 2026 году - за работы, связанные с развитием доверенного ИИ.
Выступая в эфире программы "Таманцев. В итоге" на "Радио РБК", ученый отметил: при появлении новых моделей и инструментов важно учиться применять их так, чтобы это работало на конкурентоспособное развитие России. При этом в оценке перспектив нужно оставаться реалистами и не заниматься "шапкозакидательством": ИИ - мощный инструмент, но не волшебная палочка, которая автоматически решит кадровые, управленческие и технологические проблемы.
Отдельный акцент он делает на образовании. По мнению академика, развивая ИИ-ресурсы, нельзя терять фундаментальность отечественной школы подготовки. Внедрение нейросетей в учебный процесс требует осторожности и здравого смысла: технологии могут помогать, но не должны подменять обучение. Один из разумных сценариев - использовать ИИ для проверки домашнего задания и рутинных задач, чтобы хоть частично облегчить тяжелый труд учителей, сохранив при этом роль педагога как наставника и эксперта.
Не менее важный слой дискуссии - безопасность и надежность программной основы ИИ. Аветисян обращает внимание, что разработчики моделей в 2026 году нередко строят решения на базе готовых фреймворков - предустановленных пакетов инструментов, которые ускоряют создание систем машинного обучения. По сути, это фундамент будущего продукта. И если в нем есть незамеченные дефекты или уязвимости, они неизбежно "переедут" в итоговую систему - уже на уровне бизнеса, госорганов или критически важных сервисов.
Поэтому в ИСП РАН ведут детальные исследования библиотек и фреймворков для ML с применением статического и динамического анализа - подходов, позволяющих находить ошибки и уязвимости еще до того, как они станут причиной серьезных сбоев. Ученый подчеркивает, что даже такие широко используемые решения, как TensorFlow и PyTorch, - это чрезвычайно сложные программные комплексы. Когда к ним применяют инструменты анализа ИСП РАН, обнаруживаются десятки ошибок. Параллельно в институте разработаны доверенные версии популярных средств ML - TrustTorch и TrustFlow: в первой исправлено более 50 ошибок, во второй - более 33.
Этот пример показывает ключевой принцип "взрослого" подхода к ИИ: впечатляющие результаты моделей - лишь верхушка айсберга. Под ней находятся качество кода, воспроизводимость, защищенность цепочки поставок, надежность инфраструктуры, корректность зависимостей и процессы обновлений. Без этого любая "яркая вспышка" может обернуться техническим долгом, утечками, простоями и репутационными потерями.
Еще одна важная тема - управляемость внедрения. ИИ не работает "сам по себе": ему нужны данные, регламенты, ответственность владельцев процессов и понятные метрики эффекта. Если организация не понимает, какие показатели хочет улучшить, то внедрение нейросетей часто превращается в демонстрацию модного инструмента без понятного результата. Практичный подход начинается с вопросов: где потери времени, где ошибки, где узкие места, где можно сократить цикл принятия решений - и только потом выбирается модель и архитектура.
При этом нельзя забывать о кадровой стороне. Массовое использование ИИ повышает спрос не только на дата-сайентистов, но и на инженеров по качеству, специалистов по безопасности, архитекторов, продуктовых аналитиков. В долгосрочной перспективе выигрывают те, кто инвестирует в компетенции - и в университетах, и внутри компаний - а не только закупает решения "под ключ".
Системная работа важна и на уровне государства. В апреле 2026 года президент России Владимир Путин поручил правительству России совместно с главами регионов сформир... - сам факт такого поручения показывает, что тема ИИ выходит за рамки экспериментов и требует согласованных мер, координации и ответственности на разных уровнях управления.
Наконец, рациональный разговор об ИИ - это еще и баланс ожиданий. Нейросети действительно умеют многое: ускорять обработку документов, помогать в поддержке клиентов, находить аномалии, подсказывать варианты решений. Но они также могут ошибаться, быть уязвимыми, зависеть от качества данных и допускать систематические искажения. Поэтому главная стратегия - не поклоняться "вспышкам", а строить надежные, проверяемые и полезные решения, которые работают не на презентации, а в реальной нагрузке и в реальной ответственности.
