Павел Дроговоз
первый проректор Московского государственного технического университета имени Н. Э. Баумана
КОГДА СХОДЯТСЯ ЗВЕЗДЫ
Технологии искусственного интеллекта для инженеров будущего:
от цифровых двойников до фотонных процессоров
В настоящей статье представлен анализ ключевых направлений развития технологий искусственного интеллекта (ИИ) применительно к сферам тяжелого машиностроения, ракетно-космической отрасли, транспорта и энергетики. МГТУ им. Н. Э. Баумана, сочетая фундаментальную инженерную подготовку с прикладными исследованиями, рассматривает ИИ не как автономную дисциплину, а как инструментарий, интегрируемый в проектные, производственные и эксплуатационные процессы.
Основное внимание уделяется трем магистральным направлениям: агентные и промышленные ИИ-системы, распределенные вычисления на конечных устройствах (Edge AI), а также перспективы фотонных вычислителей. Отдельно рассматриваются вопросы безопасности, доверия к ИИ-решениям и подготовки кадров.
[1]
Агентные и промышленные
ИИ-системы в ключевых отраслях
Агентные системы как основа
управления производством
В отличие от монолитных нейросетевых моделей, ориентированных на обработку статических массивов данных, агентные ИИ-системы представляют собой распределенные ансамбли автономных сущностей, каждая из которых решает локальную задачу в рамках общей производственной или логистической цепочки.
Такой подход обеспечивает адаптивность к изменяющимся условиям, отказоустойчивость и возможность децентрализованного принятия решений. Согласно прогнозам, к 2028 году доля промышленных предприятий, использующих мультиагентные системы для оперативного управления, возрастет с 6% (2025) до 24−28%.
Ракетостроение и космическая техника
Применение ИИ-агентов в ракетно-космической отрасли реализуется по трем основным векторам:
  • Предиктивная диагностика двигательных установок: агенты, работающие в реальном времени, анализируют телеметрические параметры (вибрация, температура, давление в камерах сгорания) и прогнозируют исчерпание ресурса компонентов за сотни часов до возникновения критических отклонений;
  • Автономное управление миссиями: бортовые ИИ-агенты обеспечивают выполнение маневров, стыковку и реакцию на нештатные ситуации без постоянной связи с наземными пунктами управления, что критически важно для дальних космических полетов и работы в условиях задержки сигнала;
  • Оптимизация проектирования: агентные модели симулируют поведение материалов и конструкций в условиях перегрузок, вакуума и радиационного воздействия, что сокращает количество натурных испытаний и сокращает цикл проектирования.
Тяжелое машиностроение и металлургия
В данных отраслях внедрение агентных ИИ-систем ориентировано на создание «цифровых двойников» производственных цехов и агрегатов.
Ансамбли агентов моделируют потоки сырья, энергопотребление, загрузку оборудования и логистику готовой продукции. Результатом является выявление узких мест и формирование рекомендаций по оптимальным графикам работы. Дополнительно реализуются функции адаптивного управления технологическими процессами (плавка, сварка, литье) с обратной связью по качеству сырья.
Транспорт
(железнодорожный и автомобильный)
Применительно к транспорту агентные ИИ-системы используются в интеллектуальных диспетчерских комплексах, координирующих движение составов с учетом загрузки путей, погодных условий и графиков ремонтных работ. В автомобильном транспорте (в том числе беспилотных грузовых перевозках) ИИ-агенты распределяют задачи между единицами автопарка, оптимизируют маршруты и планируют техническое обслуживание.
[2]
Распределенные вычисления и ИИ на конечных устройствах
Концепция Edge AI
Перенос вычислительных нагрузок с облачных серверов на локальные устройства (промышленные контроллеры, датчики, бортовые вычислители) позволяет снизить задержки, сократить сетевой трафик и повысить отказоустойчивость. Указанный подход обозначается как граничные вычисления (Edge AI).
Ключевые технологии
  • TinyML: методы машинного обучения, адаптированные для микроконтроллеров с объемом оперативной памяти в десятки килобайт. Используются для первичной обработки сигналов и детекции аномалий непосредственно на месте установки датчика.
  • Федеративное обучение: алгоритмы, позволяющие устройствам обучать локальные модели на своих данных с последующей агрегацией обобщенных параметров (градиентов или весов) на центральном сервере без передачи исходных массивов информации.
  • Сжатие моделей: квантование (снижение битности весов до 8 бит и менее), прунинг (удаление избыточных нейронных связей) и дистилляция знаний (обучение компактной модели на выходах более сложной).
Примеры промышленной реализации
  • Промышленные датчики со встроенными ИИ-модулями выявляют аномалии вибрации или температуры оборудования и передают сигнал тревоги только при превышении пороговых значений, что снижает нагрузку на каналы связи.
  • Бортовые системы транспортных средств анализируют видеопоток с камер для обнаружения препятствий и разметки без подключения к внешним вычислительным ресурсам.
  • Носимые устройства для персонала контролируют физиологические параметры и соблюдение техники безопасности в реальном времени.
Преимущества для промышленности
  • Отказоустойчивость: сохранение работоспособности при потере связи с центром обработки данных.
  • Конфиденциальность: первичные данные не покидают территорию объекта.
  • Энергоэффективность: снижение энергопотребления на передачу и централизованную обработку информации.
[3]
Пределы кремниевой микроэлектроники и фотонные вычислители
Кризис масштабирования кремниевых чипов
Замедление действия закона Мура обусловлено физическими ограничениями.
Тепловыделение, токи утечки и квантовые эффекты делают дальнейшее уменьшение технологической нормы (ниже 2−3 нм) экономически и технически затруднительным. Традиционные архитектуры CPU и GPU достигают пределов производительности для задач обучения и инференса больших нейросетей.
Фотонные вычислители как альтернатива
Использование световых сигналов вместо электрических обеспечивает следующие преимущества:
  • скорость распространения сигнала, сопоставимая со скоростью света в оптической среде, значительно превышает скорость дрейфа электронов;
  • параллелизм: оптические схемы способны выполнять матричные умножения (основную операцию в нейросетях) одновременно для всех элементов массива;
  • энергоэффективность: потери на нагрев при передаче оптических сигналов существенно ниже.
Направления развития
  • Гибридные вычислительные системы: фотонные ускорители для матричных операций в сочетании с классическими процессорами для последовательной логики.
  • Оптические нейросети: аппаратная реализация нейронных слоев и синаптических связей непосредственно на фотонных чипах.
  • Квантово-фотонные гибриды: использование фотонов для связи между кубитами в квантовых вычислителях.
Перспективы для МГТУ им. Н. Э. Баумана
Подготовка инженерных кадров, владеющих принципами интеграции фотонных вычислителей в гетерогенные вычислительные системы.
Разработка фотонных сопроцессоров для задач компьютерного зрения в робототехнике, а также создание оптических платформ для моделирования аэрогазодинамики и тепловых процессов в двигательных установках.
[4]
Безопасность, доверие и объяснимость ИИ-систем
Проблема «черного ящика»
Глубокие нейросетевые модели, особенно трансформерной архитектуры, принимают решения, интерпретация которых для человека-оператора часто затруднена.
В отраслях с высокими требованиями к надежности (промышленность, транспорт, космос) это обстоятельство является препятствием для сертификации и широкого внедрения.
Различие в допустимой погрешности
В финансовой, юридической и кадровой сферах статистическая погрешность на уровне 3−5% считается приемлемой (ошибки скоринга, подбора персонала).
В промышленности, на транспорте и в космической отрасли аналогичная погрешность может приводить к авариям, разрушению оборудования и человеческим жертвам. Соответственно, требования к точности и детерминированности ИИ-решений ужесточаются на один-два порядка.
Инструменты повышения доверия
  • Объяснимый ИИ (XAI): методы визуализации решений (карты значимости признаков, аппроксимация локальными деревьями), позволяющие определить, какие входные параметры оказали наибольшее влияние на вывод модели.
  • Формальная верификация: математическое доказательство корректности поведения модели для заданного множества сценариев (в ограниченных доменах).
  • Мониторинг дрейфа данных: автоматическое отслеживание изменений статистических распределений входных данных, которые могут сделать модель невалидной.
Безопасность промышленных ИИ-систем
  • Защита от состязательных атак (adversarial examples): устойчивость к целенаправленно искаженным входным данным.
  • Отказоустойчивость: наличие алгоритмов самодиагностики и перехода в безопасный режим при обнаружении сбоев.
  • Аудит и сертификация: разработка стандартов безопасности для ИИ-систем на критической информационной инфраструктуре (КИИ). По состоянию на 2025–2026 годы ФСТЭК России и Технический комитет № 164 Росстандарта ведут работу над соответствующими нормативными документами.
Регуляторные изменения
С 1 марта 2026 года вступил в силу приказ ФСТЭК № 117 от 11 апреля 2025 года, устанавливающий требования к безопасности информационных систем госорганов с использованием ИИ.
Уголовный кодекс РФ дополнен статьей 274.1 (неправомерный доступ к критической информационной инфраструктуре). Таким образом, обеспечение доверия к ИИ переходит из области добровольных рекомендаций в плоскость обязательных нормативов.
[5]
Подготовка кадров для эпохи промышленного ИИ
Вызовы системе образования
Развитие ИИ изменяет требования к компетенциям инженеров, математиков и управленцев:
  • инженерные кадры должны понимать принципы работы ИИ-систем, уметь интегрировать их в технические объекты и верифицировать результаты;
  • математики и информатики — владеть методами теории вероятностей, оптимизации, статистики и машинного обучения, а также навыками работы с большими данными;
  • управленцы — оценивать потенциал ИИ для оптимизации бизнес-процессов, управлять проектами с использованием интеллектуальных технологий и принимать решения на основе данных.
Сохранение фундаментальной подготовки
Классическая составляющая инженерного образования должна быть сохранена:
  • фундаментальная математическая подготовка (математический анализ, линейная алгебра, дифференциальные уравнения, теория вероятностей);
  • базовые инженерные дисциплины (материаловедение, сопротивление материалов, термодинамика, гидрогазодинамика);
  • лабораторные работы с реальным оборудованием (тактильный опыт и понимание физических процессов);
  • проектное обучение, формирующее навыки работы в команде и решения нестандартных задач.
Добавление ИИ-компетенций
Образовательные программы дополняются следующими модулями:
  • машинное обучение, анализ данных и компьютерное зрение с акцентом на инженерные приложения;
  • агентные системы и цифровые двойники для моделирования сложных объектов (двигатели, цеха, транспортные сети);
  • безопасность и верификация ИИ-систем (XAI, тестирование на устойчивость к состязательным атакам);
  • основы фотонных вычислений и квантовых алгоритмов (для исследовательских магистерских программ);
  • управление ИИ-проектами: оценка рисков, ROI, интеграция в существующие бизнес-процессы.
Практическая подготовка и индустриальное партнерство
  • Стажировки в R&D-центрах промышленных компаний.
  • Совместные лаборатории с предприятиями для разработки конкретных ИИ-решений (контроль качества сварных швов, предиктивная диагностика оборудования).
  • Хакатоны и конкурсы по созданию агентных моделей для управления транспортом или оптимизации космических миссий.
  • Курсы от индустриальных партнеров (Ростех, Роскосмос, РЖД) по стандартам безопасности и отраслевой специфике.
Инструментальная база обучения
  • Облачные среды с доступом к GPU/TPU (Google Colab, Yandex DataSphere).
  • Симуляторы промышленных процессов с ИИ-модулями (ANSYS, Simulink).
  • Платформы для TinyML (TensorFlow Lite, Edge Impulse) для обучения моделей под микроконтроллеры.
  • VR/AR-тренажеры для отработки навыков на опасных объектах (АЭС, химические производства).
  • Открытые отраслевые датасеты (телеметрия станков, данные с датчиков транспорта) для учебных проектов.
Целевая модель компетенций выпускника
Выпускник МГТУ им. Н. Э. Баумана должен демонстрировать следующие компетенции:
  • понимание математических основ ИИ (оптимизация, статистика, теория графов);
  • способность интегрировать ИИ-инструменты в инженерные задачи (проектирование, диагностика, управление);
  • навыки верификации и интерпретации результатов моделей (XAI, тесты на устойчивость);
  • знание стандартов безопасности для критических объектов (промышленность, космос, транспорт);
  • умение работать с Edge-вычислениями и распределенными системами (TinyML, федеративное обучение);
  • способность оценивать экономический и социальный эффект внедрения ИИ, включая этические аспекты.
[6]
Заключение
Будущее искусственного интеллекта в промышленности, ракетно-космической отрасли и на транспорте определяется не гонкой за вычислительной мощностью как таковой, а балансом между производительностью, энергоэффективностью, безопасностью и доверием к решениям. МГТУ им. Н. Э. Баумана, сохраняя традиции фундаментального инженерного образования и развивая прорывные исследования, видит свою роль в создании:
  • надежных агентных систем для промышленности и космоса;
  • энергоэффективных Edge-решений на базе TinyML и федеративного обучения;
  • фотонных вычислителей нового поколения;
  • стандартов безопасности и объяснимости ИИ для критических информационных инфраструктур.
Интеграция указанных направлений в образовательные и научно-исследовательские программы университета является необходимым условием для обеспечения технологического суверенитета Российской Федерации в области интеллектуальных систем управления и автоматизации.
К содержанию диджитал книги