Митько А.В. Президент Арктической общественной академии наук, руководитель совета КС НСБ России, доцент ВНИИМ им. Д.И. Менделеева, Санкт-Петербургский государственный университет.

О применении технологий искусственного интеллекта (ИИ )в рамках федерального проекта «Северный морской путь» (СМП) пока говорят редко — слишком много инфраструктурных задач, слишком высокая цена ошибки, слишком жесткие требования к надежности. Но при этом все больше направлений, где цифровые технологии становятся не фоном, а обязательной частью логистики и управления.

В 2020 году Указ Президента РФ утвердил основы государственной политики в Арктике до 2035 года. Одним из главных приоритетов обозначено развитие Северного морского пути как устойчивой, конкурентоспособной и безопасной транспортной системы. Это предусматривает модернизацию портов, строительство ледокольного, спасательного и вспомогательного флота, развитие систем реагирования на аварии, в том числе разливы нефти. Задачи масштабные, и без современных цифровых решений их не решить.

ИИ может применяться в самых разных направлениях: от маршрутизации и мониторинга до анализа данных с гидрографических съемок и управления аварийно-спасательным флотом. Эти направления уже формализованы: в паспорте федерального проекта «Развитие Северного морского пути», прямо указаны мероприятия по цифровизации, включая создание экосистемы СМП и обеспечение передачи данных в соответствии с международной конвенцией SOLAS-74.

Использование ИИ на  СМП не подается как эффектная инновация — это строго прикладная история. И тем важнее сегодня понять, какие именно модели и подходы здесь применимы, а какие нет.

Вопрос не только в том, чтобы внедрить технологии в арктические проекты, но и в том, чтобы сделать это грамотно, с учетом реальной инженерной экспертизы и технологических ограничений. Стратегия развития Арктической зоны Российской Федерации и обеспечения национальной безопасности до 2035 годанапрямую связывает развитие Арктики с внедрением новых технологических решений.

В документе отдельно подчеркивается значимость следующих направлений:

реализация в Арктике крупных инвестиционных проектов, создающих спрос на высокотехнологичную и наукоемкую продукцию;

развитие СМП как международного транспортного коридора, включая цифровизацию логистики, внедрение платформ для безбумажного оформления мультимодальных перевозок;

поддержка научных и технологических разработок, в том числе фундаментальных исследований, направленных на освоение Арктики.

Эти позиции задают вполне конкретный вектор: без инноваций, включая ИИ, развитие СМП невозможно. Пусть в документах упоминания технологий искусственного интеллекта пока носят обтекаемый характер, контекст все равно очевиден — речь идет о переходе к цифровой экосистеме с элементами интеллектуальной автоматизации.

В рамках этого процесса критически важно понимать, какие именно ИИ-модели могут быть применимы в арктических проектах. На практике условно выделяют три основные концепции:

NAI — узкий (или «слабый») искусственный интеллект, решающий конкретные задачи в рамках заданных сценариев;

AGI — так называемый «сильный» ИИ, способный к более универсальному обучению и работе с разнообразными типами информации;

ASI — гипотетическая модель сверхразума, пока скорее философская конструкция, чем инженерная реальность.

 С точки зрения применения на СМП, именно первая категория — NAI — сегодня наиболее релевантна. Она проще в реализации, технически устойчивее и лучше адаптируется к специфике арктической инфраструктуры. Именно такие решения и нужно рассматривать всерьез, без лишнего футуризма, но с опорой на практику.

NAI (Narrow AI, или «узкий ИИ») представляет собой значимый этап в развитии искусственного интеллекта. Он ориентирован на выполнение специализированных задач и приложений в четко определенной области. В отличие от AGI — общего ИИ, стремящегося частично воспроизводить человеческие когнитивные способности на основе заданных моделей обучения, — NAI решает конкретные задачи в ограниченном контексте. Такие системы, несмотря на узость применения, демонстрируют высокую точность и эффективность, обучаясь на специализированных наборах данных. Обычно они используют алгоритмы, адаптированные под специфическую задачу.

AGI трактует понятие «генеративность» как способность автономно создавать новый контент, сопоставимый с результатами, произведенными человеком. В исследовании Накби[4] рассматриваются сценарии, при которых AGI может дополнять человеческий труд, автоматизировать определенные функции или трансформировать отдельные участки творческой работы, открывая новые возможности и повышая общую эффективность. Анализ контента в рамках исследования позволил выявить как перспективные направления применения AGI, так и существующие пробелы. Отдельное внимание уделяется зависимости результатов от факторов вроде уровня образования пользователя.

ASI (Artificial Superintelligence) рассматривается как гипотетическая модель, основанная на программных алгоритмах с интеллектуальными возможностями, которые либо выходят за рамки человеческого уровня, либо полностью его повторяют. Такие системы предполагают способность к ситуативному анализу, адаптации к условиям и работе с параметрами в зависимости от контекста.

В применении ИИ к задачам Северного морского пути до сих пор существуют разночтения, особенно в трактовке различных моделей и их роли в логистике. За основу можно взять  два характерных подхода к пониманию ASI:

использование ASI как когнитивной системы с более развитыми, чем у человека, способностями к анализу и принятию решений;

применение ситуативного ASI, который приближен к человеческому интеллекту и способен опираться на существующие гипотезы, меняя их в зависимости от условий — например, погодных факторов.

Эта классификация напрямую отражается на работе над цифровой экосистемой СМП. В свое время мы с партнерами прорабатывали проектную часть, в которой ключевыми направлениями стали:

управление мореплаванием;

обеспечение безопасности;

гидрометеорологическое и ледовое сопровождение;

навигационно-гидрографическое обеспечение и т.д.

Эта архитектура предполагала создание цифровой платформы, включающей несколько специализированных подсистем. В каждой из них мы закладывали возможность применения инновационных решений, в том числе на базе ИИ.

Особое внимание стоит уделять моделям AGI и ASI. Именно они позволяют не просто обрабатывать данные, но и выходить на уровень моделирования и имитации. А это критически важно в условиях, где любая ошибка стоит дорого.

Поскольку мы ориентируемся на цифровые платформы (экосистемы) как базовую структуру, неизбежно сталкиваемся с направлением BPM. Сегодня BPM (Business Process Management) — это своего рода «нексус»-подход к системной организации бизнес-процессов. Его воспринимают как обязательный атрибут для автоматизации, оптимизации и мониторинга операций. Сбор статистических показателей по отдельным метрикам позволяет не только настраивать процессы, но и управлять организацией более точно и оперативно.

BPM объединяет анализ, проектирование, оптимизацию и автоматизацию процессов. Его основная цель — повысить эффективность и гибкость, улучшить качество услуг и продуктов, сократить издержки  Именно поэтому BPM становится основой для построения цифровых экосистем. В контексте СМП любая попытка создать технологический «конструктор» должна начинаться именно с этой логики и предполагать возможность дальнейшей интеграции ИИ-моделей.

Цифровой цикл BPM по определению предполагает развитие, в том числе в сторону имитационного моделирования. Это, по сути, создание модели, способной воспроизвести реальную структуру и функционирование системы в динамике. Такие инструменты уже сейчас позволяют прогнозировать форс-мажоры, собирать данные в автоматическом режиме, а в перспективе могут быть полезны и при применении гипотетических моделей ASI.

В логистике СМП особое значение приобретает маршрутная детализация и архитектура типа «ведущий — ведомый», где движение судов сопровождают ледоколы. Здесь критично точно моделировать поведение систем с учетом погодных факторов, грузовых потоков, технических ограничений. Подобная архитектура требует единого цифрового транзита данных и высокой степени согласованности.

Сегодня работа по формированию архитектурных подсистем ведется, но остаются слабые места — в том числе в интеграции с инновационными решениями. Это требует более глубокой проработки технологической архитектуры и аккуратного выбора ИИ-моделей под каждую задачу.

Таким образом, вопрос о внедрении технолгий ИИ на  СМП остается открытым и явно недоработанным. Пока формируется лишь контур проектной среды, на базе которой можно было бы выстраивать единый ландшафт мероприятий, способный связать между собой разные кейсы федерального уровня. При этом сама среда Севморпути, стратегическая и высоко нагруженная, может в перспективе стать полигоном для обкатки ИИ-моделей нового уровня.

Всё острее стоят вопросы эффективного и устойчивого управления энергоресурсами. Возрастает производство и потребление электроэнергии. Так, по данным в базовом сценарии от World Energy Outlook 2024 мировой спрос на электроэнергию вырастет с 26 000 ТВт ч в 2023 г. до 50 000 ТВт/ч к 2050 г.

В условиях интенсивного роста потребления энергии компании нацелены на поиск современных и эффективных инструментов, которые способствовали бы развитию ТЭК и совершенствовали деятельность компаний. В качестве такого инструмента можно рассматривать искусственный интеллект. Поэтому его применение становится уже не новомодным трендом, а необходимостью.

Какие задачи решает ИИ в ТЭК

Многие исследования показывают эффективность внедрения технологий искусственного интеллекта в энергетике.

Так, по данным исследования АНО «Цифровая экономика», в ТЭК совокупная доля организаций, которые используют ИИ, выросла до 58% в 2024 г. против 41% в 2023 г. Чаще всего организации используют интеллектуальные системы поддержки принятия решений (37%), компьютерное зрение (25%), перспективные методы ИИ (14%).

Энергетические компании используют ИИ для следующих актуальных задач:

- оптимизация энергопотребления. С помощью машинного обучения можно анализировать потребление в реальном времени, выявлять пики и провалы и разрабатывать оптимальные стратегии снижения затрат;

- прогнозирование сбоев и поломок. Одна из актуальных проблем энергетики — состояние оборудования. ИИ предсказывает сбои поломки, основываясь на исторических данных и текущих показателях, что повышает надёжность систем.

Кроме того, одна из траекторий применения ИИ — децентрализация энергетических экосистем. Каждый потребитель может быть одновременно производителем (prosumer), а локальные сети — распределителем ресурсов. Это изменит и технологическую, но и экономическую модель отрасли.

Сложности и вызовы

Дефицит высококачественных данных. Для эффективного применения ИИ важна унификация форматов представления данных.

«Подготовка данных играет определяющую роль для успешного применения ИИ-технологий, причём именно на этот этап приходится наибольшая часть временных затрат при внедрении. Независимо от сложности алгоритма, система должна чётко различать входные параметры, понимать, на каких показателях строить прогнозы, и однозначно определять целевой параметр для точного прогнозирования по новым поступающим данным. Именно поэтому созданию качественных структурированных датасетов уделяется особое внимание в современном развитии ИИ-методов в отрасли», — отмечает Алексей Борисенко, региональный директор SPE Россия и Каспий.

Нехватка квалифицированных специалистов. Около 78% мировых компаний-лидеров считают недостаток обучения проблемой для внедрения искусственного интеллекта. Энергетическим компаниям важно повышать квалификацию работников, чтобы ИИ можно было применять на всех этапах цепочки создания стоимости.

Один из вариантов решения этой проблемы — повышение квалификации и переподготовка сотрудников энергетической отрасли в сфере ИИ. Такое обучение возможно пройти на базе вузов. Например, в Высшей школе экономики на факультете компьютерных наук реализуются программы дополнительного образования в сфере Data Science и ИИ как для физических, так и юридических лиц.

Стоимость внедрения и недостаток финансирования. По данным исследования ADNOC, Masdar и Microsoft, частные инвестиции в ИИ для энергетики сократились более чем на 30% за последние три года.

Эксперты в сфере цифровизации ТЭК также высказываются о недостаточном финансировании проектов: «В настоящее время, экономические вызовы детерминируют ограничения на использование многих решений — финансировать любые проекты стало сложнее. Поэтому в первую очередь внедряются проекты с высокой окупаемостью, с минимальными инвестиционными бюджетами», — подчёркивает генеральный директор ГК ИНФОПРО Павел Сергиенко

В сочетании с возможностями генеративного ИИ цифровой двойник становится не просто симулятором, но и активным советчиком. Большая языковая модель может ускорять создание и настройку элементов цифровой копии, а цифровой двойник, в свою очередь, проверять и уточнять рекомендации ИИ через прогон сценариев в реальном времени.

Это взаимное усиление позволяет предприятиям быстрее переходить от анализа к действию, снижая риски неправильной интерпретации выводов модели и сокращая время на донастройку симулятора.

В России металлургическая компания НЛМК запустила пилот по подключению цифрового двойника доменной печи к генеративному ИИ для оптимизации энергопотребления. Идея состоит в том, чтобы нейросеть генерировала сотни комбинаций параметров — температуры, расхода дутья, состава шихты, а цифровая термодинамическая модель печи оценивала их влияние на расход топлива и выход металла. В результате экспериментального перебора автоматически выявляются нестандартные режимы, которые позволяют снизить удельный расход энергии без потери качества. Такие рекомендации инженеры-технологи затем верифицируют и внедряют в производство, ожидая значительного сокращения издержек и выбросов CO₂ при одновременном повышении стабильности процессов.

Похожая архитектура задействована в решении AVA от AspenTech и Emerson, интегрированном с системой APC DMC3. Этот виртуальный советник в режиме реального времени анализирует ограничения технологического процесса и параметры оборудования, а затем предлагает операторам способы снятия узких мест и увеличения выхода продукции. Комбинация цифрового двойника процесса и генеративного ИИ позволяет не просто выявлять отклонения, но и рекомендовать конкретные настройки: изменять подачу реагентов, корректировать температурные режимы и оптимизировать расход сырья.

Такой интерактивный подход сокращает время простоя, снижает операционные риски и повышает общую эффективность производства.