Как российские учёные делают искусственный интеллект эффективнее

Исследователи факультета компьютерных наук НИУ ВШЭ улучшили метод обучения генеративных потоковых нейросетей для работы с неструктурированными задачами. Это позволит снизить энергозатраты, ускорить обучение и укрепить технологический суверенитет.

Новый успех российских ученых

Специалисты Национального исследовательского университета «Высшая школа экономики» (НИУ ВШЭ) разработали новый метод, который значительно повышает эффективность обучения генеративных потоковых нейросетей - моделей, которые создают сложные объекты поэтапно (прямая и обратная модели). Новый подход улучшает баланс между этими компонентами, делая обучение гибким, ускоренным и менее ресурсоёмким.

Генеративные потоковые сети (GFlowNets) - особый тип алгоритмов машинного обучения, который строит сложные объекты шаг за шагом. Ученые применяют их для поиска белков, лекарств и оптимизации транспортных систем.

Традиционные методы требуют огромных вычислительных мощностей и времени. Разработка счётчика решает эту проблему гибкой настройки компонентов, что снижает нагрузку на оборудование и ускоряет разработку ИИ-моделей. Это не просто улучшение алгоритма - это шаг к более устойчивой и доступной цифровой инфраструктуре и это огромный прорыв в обучении генеративных нейросетей.

Значимость для российских IT-отраслей

Открытие имеет стратегическое значение для развития отечественной технологической сферы. Во-первых, оно позволяет снизить нагрузку со стороны внешних вычислительных мощностей, что особенно важно в условиях импортозамещения и ограниченного доступа к передовому «железу».

Во-вторых, оно повышает позиции российских научных центров в мировой сфере, демонстрируя их способность разрабатывать конкурентные и инновационные решения в области искусственного интеллекта. Такие прорывы повышают привлекательность отечественных разработок для бизнеса и государства, стимулируя развитие собственных ИИ-экосистем.

Мы сделали так, что поиск оптимального решения стал похож на переговоры, в которых обе стороны готовы менять свою позицию. В задачах с большой степенью неизвестности обратная модель — лишь вспомогательный инструмент, улучшающий результаты прямой модели. Мы искали способ сделать работу обратной модели гибкой и наконец смогли его получить

Тимофей Грицаев

один из авторов работы, стажер-исследователь Центра глубокого обучения и байесовских методов Института искусственного интеллекта и цифровых наук ФКН НИУ ВШЭ

Эффективность = экономия. Меньше энергии, меньше серверов, меньше времени - это значит, что отечественные компании и госорганы смогут внедрить передовые ИИ-решения без многомиллионных инвестиций в «железо». Это особенно важно в условиях импортозамещения и развития национальной цифровой экономики.

Что это даст людям и стране?

Для граждан России это означает более быстрое развитие важнейших технологий: от поиска новых методов до оптимизации городского транспорта и экологического анализа. Новый метод ускорит все процессы в разы. Для России это восстановление технологического суверенитета. Разработка подчёркивает, что страна способна не только адаптироваться, но и задавать тенденции в мировой ИИ-науке. А для мира - возможность сотрудничества. Метод может быть востребован в международных проектах в области медицины, логистики, климатических исследований, где эффективность и масштабируемость играют ключевую роль.

Российская школа ИИ: путь к эффективности

Этот прорыв - не единственный случай. За последние пять лет российские учёные постепенно развивают направление ресурсосберегающего обучения ИИ. Так, исследователи Сбербанка и МФТИ разработали алгоритмы сжатия данных и редкой синхронизации в распределенном обучении. Учёные ВШЭ и AIRI предложили метод «Group-and-Shuffle», ускоряющий дообучение моделей без потерь качества.

Все эти работы решают одну задачу - сделать ИИ не только умнее, но и «дешевле» в эксплуатации. Новый метод ВШЭ становится логическим продолжением этой традиции.

От науки к первому применению: путь российской ИИ

Метод уже является кандидатом на внедрение в рамках национального проекта «Цифровая экономика». Он может использовать стартапы и технологии компаний, особенно в таких важных понятиях, как фармацевтика, логистика и образование, где большое значение имеют скорость и эффективность ИИ-моделей.

Большой потенциал заключается в развитии с другими отечественными разработками, например, нейроморфными процессорами «АлтАИ». Это позволит создать замкнутую экосистему российского искусственного интеллекта: от алгоритмов до аппаратного обеспечения.

В более широкой перспективе Россия может выйти на международный рынок не только в качестве поставщика энергоресурсов, но и в качестве экспортера передовых цифровых технологий. Искусственный интеллект, разработанный в российских лабораториях, может стать новым вектором технологической промышленности в мире.

Эффективность как новая сила

Разработка ВШЭ - не просто научная публикация. Это сигнал: Россия активно входит в число лидеров по созданию энергоэффективных, масштабируемых и применимых ИИ-решений. В условиях, когда мощность ограничена, спрос на ИИ растёт, именно эффективность становится главным конкурентным преимуществом.