В предыдущей статье я обсудил развитии ИТ и индустрии полупроводников в РФ - ещё один шаг, выполнение которого приведёт к росту ВВП России до 30 трлн., $ по ППС, в этой части, я продолжаю рассматривать и анализировать нужные инвестиции в рост экономики, посредством:
Инвестиций в искусственный интеллект, квантовые вычисления, биотехнологии, нейро-технологии и полная локализация производства этих критических технологий.
Инвестиции в искусственный интеллект
Искусственный интеллект (ИИ) - область информатики, которая занимается созданием компьютерных систем, способных выполнять задачи, требующие человеческого интеллекта. Он стремится к созданию систем, которые мыслят, учится, принимают решения и решают проблемы, и адаптируются к новым ситуациям, схоже, как это делает человеческий мозг. ИИ состоит из различных методов и техник, такие как машинное обучение, глубокое обучение, нейронные сети, обработка естественного языка и многое другое. Он находит применение во многих областях, включая робототехнику, медицину, финансы, производство, транспорт, где он помогает автоматизировать задачи, прогнозировать тренды, анализировать данные и принимать решения.
Искусственный интеллект (ИИ) играет ключевую роль для дополнительного роста ВВП в различных секторах экономики. По исследованиям McKinsey Global Institute внедрение ИИ добавит от 1,2% до 2% к годовому росту глобального ВВП. Organisation for Economic Co-operation and Development (OECD) утверждает, что ИИ добавит до 1,6% к годовому росту ВВП США к 2035 году. Аналогичные цифры роста ВВП применимы к РФ.
Дополнительный рост ВВП достигается с помощью развития цифровой экономики, где ИИ играет ключевую роль в цифровой трансформации, поскольку предоставляет возможности для эффективной обработки больших объемов данных, автоматизации процессов и создания инновационных продуктов и услуг через:
1. Автоматизацию процессов: ИИ автоматизирует процессы производства и бизнес-операции, повышая эффективность (лучше качество, меньше времени затрачено, меньше ошибок и т.д.) и уменьшению операционных издержек.
2. Прогнозирование и принятие решений: ИИ анализирует данные и прогнозирует будущие тенденции, что помогает предпринимать обоснованные решения и способствует оптимизации использования ресурсов и управлению экономикой.
Я остановлюсь более детально на 1) анализе больших данных: ИИ позволяет проводить анализ больших объемов данных с высокой скоростью и точностью, что помогает компаниям извлекать ценные инсайты из данных и принимать более обоснованные решения. Анализ больших данных с использованием ИИ представляет собой сложный процесс, который включает в себя несколько этапов. Вот общая схема, как происходит анализ больших данных с применением ИИ:
Подготовка данных: Сначала собираются данные из различных источников, таких как базы данных, веб-сайты, датчики и другие. Затем данные обрабатываются и подготавливаются к анализу путем очистки от ошибок, удаления дубликатов, заполнения пропущенных значений и преобразования в нужный формат. Обработка данных: На этом этапе данные анализируются и преобразовываются с использованием различных методов и алгоритмов ИИ, как кластеризация, классификация, прогнозирование, обучение без учителя и другие техники, в зависимости от конкретной задачи анализа. Обучение модели: Для анализа данных с применением ИИ используются алгоритмы машинного обучения, которые обучаются на основе имеющихся данных и выявляют закономерности и паттерны. В процессе обучения модели алгоритм адаптируется к данным и строит модель, которая прогнозирует или классифицирует новые данные. Анализ и интерпретация результатов: После того как модель обучена, производится анализ полученных результатов. Это включает в себя оценку качества модели, интерпретацию выявленных закономерностей и паттернов и принятие решений на основе полученных выводов. Итеративный процесс: Анализ данных с использованием ИИ-итеративным процесс, который требует постоянного улучшения и оптимизации моделей на основе новых данных и обратной связи, что позволяет создавать более точные и эффективные модели анализа данных с течением времени. Процесс анализа больших данных с использованием искусственного интеллекта варьируется в зависимости от конкретной задачи и методов, применяемых для обработки и анализа данных. Однако общая идея состоит в том, чтобы извлечь ценные инсайты и знания из больших объемов данных с помощью комплексных алгоритмов и моделей ИИ.
2) Автоматизация процессов: Использование ИИ для автоматизации рутинных задач и процессов позволяет компаниям повысить эффективность работы, сократить затраты на рабочую силу и улучшить качество продукции. Автоматизация процессов представляет собой преобразование рутинных операций и задач в работу, выполняемую автоматически с минимальным вмешательством человека. Вот общая схема того, как происходит автоматизация процессов: а) идентификация процессов: сначала идентифицируют процессы, которые можно автоматизировать, такие как повторяющиеся операции, задачи с высоким объемом данных или операции, требующие высокой точности и скорости выполнения. б) Анализ процессов: После идентификации процессов проводится анализ их текущего состояния. Определяются шаги, необходимые для выполнения каждого процесса, его потенциальные узкие места и возможности для оптимизации и автоматизации. в) Выбор подходящих инструментов: Для автоматизации процессов могут применяться различные инструменты, такие как программное обеспечение для автоматизации бизнес-процессов (Платформа «Планета», БИТ.ФИНАНС), роботизированные процессы автоматизации, включая системы управления процессами (ROBIN, PRIMA PRA, PIX Robotics). Выбор инструментов зависит от конкретных требований и характеристик процессов. Разработка и внедрение решений: На этом этапе разрабатываются и настраиваются системы и решения для автоматизации процессов, включая создание скриптов, программ и алгоритмов, настройку параметров систем автоматизации и интеграцию с существующими системами и приложениями. Тестирование и оптимизация: После внедрения автоматизированных решений проводится тестирование и проверка их работы. Выявляются и устраняются возможные проблемы и ошибки, оптимизируются параметры систем для повышения эффективности и производительности. Обучение персонала: обучение персонала работе с новыми системами и технологиями, включая проведение тренингов, разработку обучающих материалов и инструкций, поддержку сотрудников в процессе адаптации к изменениям. Мониторинг и управление: После внедрения автоматизированных решений осуществляется мониторинг и управление процессами, включая отслеживание выполнения процессов, мониторинг производительности, анализ данных и статистики и внесение коррективов и улучшений при необходимости.
Рассмотрю бизнес-кейсы, где ИИ используется для прогнозирования спроса, оптимизации производственных процессов и управления запасами, что позволяет компаниям снизить риски и повысить эффективность операций. Вот как ИИ используется в каждом из этих аспектов:
Прогнозирование спроса:
- Анализ данных: ИИ анализирует большие объемы данных о прошлых продажах, клиентских предпочтениях, экономических и социальных трендах и других внешних факторах, которые могут влиять на спрос.
- Прогностические модели: На основе анализа данных ИИ создает прогностические модели, которые могут предсказать будущий спрос на товары и услуги с высокой точностью. (модели ИИ как случайные леса, градиентный бустинг, нейронные сети и простые линейные модели используются для прогнозирования.)
- Оптимизация ассортимента: Используя прогнозы на спрос ИИ моделей, компании смогут оптимизировать свой ассортимент, планировать производство и закупки, чтобы удовлетворить ожидаемый спрос и избежать излишков или дефицитов товаров.
Оптимизация производственных процессов:
Мониторинг и анализ: ИИ способен мониторить производственные процессы в реальном времени и анализировать данные о производственной эффективности, качестве продукции и использовании ресурсов с помощью анализа больших объемов данных о производстве, таких как скорость производства, использование материалов и ресурсов, и качество продукции. ИИ помогает: 1) автоматизировать процессы контроля качества продукции, используя методы компьютерного зрения и обработки изображений для обнаружения дефектов и аномалий на производственной линии. 2)определять оптимальные настройки оборудования и распределять ресурсы в реальном времени для максимизации производственной эффективности. 3) интегрироваться с системами сбора данных, такими как датчики и устройства Интернета вещей (IoT), чтобы непрерывно мониторировать параметры производственного процесса, такие как температура, давление, скорость и т. д. Собранные данные анализируются для выявления аномалий, оптимизации производственных операций и принятия оперативных решений. 4) анализировать данные о состоянии оборудования, его работоспособности и производительности, чтобы прогнозировать возможные отказы и предотвращать аварийные ситуации.
Оптимизация процессов: ИИ использует данные для оптимизации производственных процессов, улучшая эффективность, сокращая время производства и снижая издержки.
Управление запасами:
Прогнозирование потребностей: ИИ использует данные о продажах, спросе и других факторах для прогнозирования будущих потребностей в товарах и материалах.
Оптимизация запасов: ИИ помогает оптимизировать уровень запасов, минимизируя излишки и избыточные расходы на хранение, при этом обеспечивая достаточное количество товаров для удовлетворения спроса.
Динамическое планирование: ИИ позволяет компаниям динамически адаптировать управление запасами в реальном времени в зависимости от изменяющихся условий рынка, спроса и других факторов.
Рассмотрю несколько бизнес-кейсов о внедрении ИИ в бизнес-процессы.
Внедрении ИИ в розничной сети супермаркетов.
Описание бизнеса: Крупная сеть супермаркета, состоящая из десятков филиалов, стремится оптимизировать свои операции и улучшить качество обслуживания клиентов в онлайн среде. Проблема: Супермаркеты сталкиваются с проблемами оптимизации управления запасами, прогнозирования спроса, персонализации предложений для клиентов и управления персоналом. Решение: Внедрение ИИ для улучшения управления запасами, прогнозирования спроса и персонализации предложений для клиентов.
Оценка отдачи на инвестиции (ROI):
- Увеличение объема продаж на 15% благодаря более эффективной управлению запасами и персонализированным предложениям.
- Снижение затрат на запасы и издержек на хранение на 10% за счет оптимизации уровня запасов.
- Сокращение времени на прогнозирование спроса на 20%.
- Увеличение лояльности клиентов и повторных покупок.
На основании этих оценок ожидается, что внедрение системы ИИ приведет к значительному увеличению прибыли супермаркета, сокращению издержек и улучшению обслуживания клиентов. ROI от внедрения системы ИИ в бизнес-процессы супермаркетов оценивается в 300% в течение первого года эксплуатации, а затем она будет продолжать обеспечивать устойчивый рост прибыли и эффективности на протяжении многих лет.
Ожидаемые результаты:
Оптимизация запасов: Использование ИИ для анализа исторических данных о продажах, прогнозирования спроса и оптимизации уровня запасов позволит супермаркетам минимизировать излишки и дефицит товаров, снизив издержки на хранение и увеличив прибыль. Для сохранения данных о продажах и создания базы данных для прогнозирования с помощью искусственного интеллекта (ИИ) компания осуществляет следующие действия:
- Сбор данных: Компания настраивает системы сбора данных, чтобы записывать информацию о каждой продаже, включая детали о продуктах, клиентах, времени и месте покупки, объеме продаж и другие соответствующие параметры.
- Хранение данных: Полученные данные сохраняются в безопасном и удобном для доступа хранилище данных - в базе данных или облачном хранилище.
- Очистка и предварительная обработка данных: Данные очищаются от ошибок, пропусков и дубликатов, и подготавливаются для дальнейшего анализа.
- Структурирование данных: Данные структурируют для анализа с помощью ИИ, что включает в себя приведение данных к единому формату, масштабирование и форматирование.
- Применение алгоритмов машинного обучения и анализа данных: После предварительной обработки данных компания приступает к применению алгоритмов машинного обучения для анализа и прогнозирования продаж. Это могут быть алгоритмы регрессии, временных рядов, классификации и кластеризации, в зависимости от целей и характеристик данных.
- Регулярное обновление и модернизация: Данные о продажах могут меняться со временем, чтобы они оставались актуальными и точными регулярно обновляют базу данных и алгоритмы анализа.
- Анализ результатов и улучшение процесса: После прогнозирования продаж компания анализирует результаты, оценивает их точность и эффективность, а затем вносит коррективы в процесс сбора и анализа данных для дальнейшего улучшения прогнозов.
Использование ИИ для анализа данных о сезонных трендах, погоде, маркетинговых акциях и других внешних факторах поможет супермаркетам более точно прогнозировать спрос и адаптировать свои стратегии закупок и маркетинга.
Персонализация предложений: Алгоритмы машинного обучения и анализа данных создают персонализированные предложения для каждого клиента на основе его покупательных предпочтений и истории покупок, что увеличит лояльность клиентов и объем продаж.
Следующий бизнес кейс, который я опишу:
Внедрение искусственного интеллекта в аэропорту.
Цель: Улучшение операционной эффективности и обслуживания пассажиров с помощью применения ИИ.
Задачи: 1. Оптимизация расписания рейсов.
Аэропорт решил внедрить систему оптимизации расписания рейсов с использованием ИИ. После внедрения новой системы аэропорт смог снизить число задержек рейсов на 20%, что привело к сокращению времени ожидания для пассажиров и сокращению затрат на компенсации задержек. Если в прошлом году аэропорт тратил в среднем $500 000 ежемесячно на компенсации задержек, с внедрением системы оптимизации расписания рейсов эти затраты уменьшились до $400 000 в месяц, то есть аэропорт сэкономил $100 000 в месяц или $1 200 000 за год. Это лишь один пример потенциальных денежных выгод от внедрения ИИ в управление аэропортом, а аналогичные экономии могут произойти и в других сферах, таких как управление трафиком на взлетно-посадочных полосах или прогнозирование спроса на услуги аэропорта.
Как это достигается?
Используя алгоритмы машинного обучения, анализируются исторические данные о загруженности рейсов, погодных условиях и предпочтениях пассажиров. Для прогнозирования спроса на рейсы и оптимизации бизнес-процессов аэропорта используются разнообразные данные: данные о расписании рейсов (время вылета и прилета, авиакомпании, типе самолета), о пассажирах (количество, направления полета, типы билетов, возрастные группы), о погоде (температура, влажность, скорость ветра, видимость) и о производственных процессах (время и статус выполнения задач, такие как обработка багажа). Учитываются данные о внешних факторах, таких как события в городе и в мире, которые могут влиять на пассажиропоток и спрос на услуги аэропорта. Эти данные используются для создания модели, которая учитывает прогнозируемый спрос на рейсы в разные дни недели и времена суток. Это позволит аэропорту:
- Оптимизировать расписание рейсов, учитывая пиковые и непиковые времена спроса.
- Лучше организовать наземные службы, чтобы справиться с пиковой нагрузкой.
- Оптимизировать использование ресурсов, минимизируя простои и максимизируя эффективность.
- Прогнозировать загруженность рейсов в будущем и принимать соответствующие решения.
- Быстро реагировать на изменения в спросе и рыночных условиях, минимизируя потери и максимизируя прибыль.
Для внедрения системы анализа данных и применения методов ИИ в управлении аэропортом, информация считанная с различного оборудования аэропорта с помощью мощных серверов и компьютеров для обработки больших объемов данных и запуска алгоритмов машинного обучения, интегрируется в специально разработанные базы данных, которые собирают, объединяют и хранят данные из различных источников в удобном для анализа формате. Для считывания информации о загруженности рейсов, состояния оборудования, погодных условий используются сенсоры и устройства сбора данных, как видеокамеры, датчики движения, системы распознавания лиц и багажа, считыватели билетов, биометрические сканеры, электронные проходные устройства, которые обеспечивают контроль доступа к ограниченным зонам аэропорта, датчики температуры, влажности, уровня шума, качества воздуха и другие, которые используются для мониторинга и контроля условий внутри зданий аэропорта. Дополнительно информация собирается с RFID меток, сканеров и устройств, используемых для отслеживания местоположения багажа и обеспечения его точной доставки на борт самолета, с устройств, которые используются для мониторинга и управления движением самолетов на взлетно-посадочных полосах, датчики, с контроллеров используемых для мониторинга состояния систем вентиляции, эскалаторов, лифтов, с умных счетчиков, систем автоматического контроля и управления потреблением энергии.
2. Управление трафиком на взлетно-посадочных полосах.
ИИ помогает разработать систему автоматического управления трафиком. Она оптимизирует расписание взлетов и посадок, учитывая типы самолетов, назначенные гейты и другие факторы. Для этого используются данные о рейсах, погоде, текущем трафике пассажиров и ресурсах аэропорта. Алгоритмы оптимизации, такие как генетические алгоритмы, алгоритмы имитации отжига и другие, помогают принимать информированные решения, минимизируя время ожидания и повышая пропускную способность взлетно-посадочных полос.
3. Эффективное обеспечение безопасности полетов.
Данные о погоде и аэронавигационную информацию интегрируют для учета задержек и обеспечения безопасности полетов, что включает следующие шаги:
1. Сбор данных о погоде: Получаем информацию о текущих и прогнозируемых погодных условиях из метеорологических станций, радаров и спутников.
2. Интеграция с СУВД: Передаем данные о погоде в систему управления воздушным движением для оперативного контроля.
3. Учет возможных задержек: Анализируем погоду и прогнозируемые изменения для планирования рейсов и управления расписанием.
4. Обеспечение безопасности полетов: принимаем решения о безопасности полетов, учитывая погоду и предоставляя рекомендации при необходимости.
5. Автоматизация принятия решений: используем алгоритмы машинного обучения для анализа данных о погоде и принятия решений о действиях.
6. Мониторинг и анализ: отслеживаем погоду и ее влияние на полеты и анализируем данные о задержках и инцидентах для улучшения процессов.
4. Прогнозирование спроса на услуги аэропорта.
Когда аэропорт решит внедрить систему анализа данных о пассажиропотоке для улучшения маркетинговых стратегий, они обнаружат сколько пассажиров, вылетающих в определенные города, предпочитают делать пересадку именно в их аэропорту. На основе этой информации аэропорт создаст специальные пакеты услуг для пассажиров с длительными пересадками, включая предложения по проживанию в отелях поблизости, экскурсионные программы и скидки в ресторанах и магазинах аэропорта.
Анализируется исторические данные о пассажиропотоке, продажах билетов, сезонных тенденциях и других факторах, влияющих на спрос на услуги аэропорта. Используется методы машинного обучения для создания моделей прогнозирования спроса на различные услуги, такие как рестораны, магазины, аренда автомобилей и т. д. Для анализа данных о пассажиропотоке для улучшения маркетинговых стратегий внедряются следующие методы сбора информации о поведении пассажиров в аэропорту:
1. Системы видеонаблюдения: Отслеживание движения пассажиров и время пребывания в зонах аэропорта с помощью систем видеонаблюдения и анализа видеоданных.
2. Беспроводные сети и Bluetooth маячки: Мониторинг перемещения пассажиров с помощью данных о подключенных устройствах и Bluetooth маячках.
3. Мобильные приложения аэропорта: Сбор данных о поведении и предпочтениях пассажиров через мобильные приложения, предоставляемые аэропортом.
4. Опросы и анкеты: Получение информации о мнениях и удовлетворенности услугами аэропорта через проведение опросов среди пассажиров.
5. Карты посадки и системы регистрации: Собирание данных о маршрутах перемещения пассажиров из информации о регистрации на рейс и выдаче карт посадки.
Комбинирование этих методов позволяет получить полную картину о поведении пассажиров и оптимизировать предложение услуг в аэропорту. Данные о поведении пассажиров используется для создания персонализированных маркетинговых кампаний и управления рекламными каналами, что способствует улучшению обслуживания и росту выручки. Использование данных о поведении пассажиров позволяет аэропортам эффективно привлекать внимание пассажиров, улучшать обслуживание и увеличивать выручку.
Оценка отдачи на инвестиции (ROI) и время имплементации:
- Ожидается значительное увеличение операционной эффективности, улучшение обслуживания пассажиров и увеличение прибыли за счет оптимизации бизнес-процессов.
- Время имплементации зависит от масштаба проекта и готовности к внедрению новых технологий, но ожидается, что первые результаты будут видны уже через несколько месяцев после запуска проекта.
Оборудование для внедрения ИИ в бизнес процессы
При внедрении ИИ в бизнес-процессы на предприятии используется разнообразное оборудование. Вот несколько типов оборудования, которые используется:
1. Серверы и вычислительные кластеры: Для обработки больших объемов данных и запуска вычислительно интенсивных алгоритмов машинного обучения и нейронных сетей часто требуются мощные серверы или вычислительные кластеры. Для примера приведу популярные высокопроизводительные серверы vStack-R, Huawei - серверы представляют собой высокопроизводительные вычислительные узлы, специально разработанные для обработки больших объемов данных и выполнения вычислительно интенсивных задач.
2. Графические процессоры (GPU): Они широко используются для ускорения обучения и применения обученных моделей нейронных сетей для выполнения конкретной задачи на новых данных, благодаря их параллельной архитектуре, как GPU ускоритель A800 NVIDIA, который обеспечивают высокую производительность при выполнении параллельных вычислений. CUDA и OpenCL: Большинство современных GPU поддерживают технологии, такие как CUDA от NVIDIA или OpenCL, которые предоставляют программные интерфейсы для разработки и запуска вычислительных задач на GPU. Современные GPU обычно имеют специализированные ядра для выполнения операций над тензорами (обобщение концепции матриц на более высокие размерности и являются основой для хранения и манипулирования данными в различных алгоритмах обучения и прогнозирования), что делает их идеальным выбором для обучения нейронных сетей. GPU в облаке: Облачные провайдеры, такие как #Cloud МТС, Cloud.ru, Yandex Cloud и другие предоставляют доступ к высокопроизводительным вычислительным ресурсам на базе GPU, что позволяет компаниям использовать мощность GPU без необходимости инвестировать в собственное оборудование. В 2022 году основной производитель видеокарт GPU и библиотек по их использованию NVIDIA приостановил продажи видеокарт в Россию. В 2023 году компании не могут легально купить продукцию NVIDIA. По словам директора департамента разработки AI-решений «Байкал электроникс» Максима Маслова:
«Разрыв между ведущими мировыми и российскими разработками очевиден. Существующие отечественные решения являются нишевыми и не покрывают всего спектра необходимых задач, не имеют необходимой программной экосистемы. Данную ситуацию сложно назвать приемлемой. Поэтому «Байкал электроникс» начал проект по созданию специализированного AI-процессора«Байкал электроникс» сформировано новое подразделение по разработке линейки специализированных чипов для искусственного интеллекта, которая вберет в себя лучшие архитектурные подходы, существующие на данный момент
3. Тензорные процессоры (TPU): Они специально созданы для обработки задач машинного обучения и обеспечивают высокую скорость выполнения операций с тензорами. Основные характеристики TPU включают:
- Высокую производительность: TPU гарантируют высокую скорость выполнения операций с тензорами благодаря своей специализированной архитектуре, что позволяет обрабатывать большие объемы данных и сложные вычисления.
- Оптимизация для нейронных сетей: TPU оптимизированы для работы с нейронными сетями, обеспечивая высокую производительность при выполнении операций, характерных для машинного и глубокого обучения.
- Энергоэффективность: TPU потребляют меньше энергии, чем обычные центральные или графические процессоры при выполнении операций с тензорами, что делает их экологически чистыми и экономичными.
- Использование в облачных вычислениях: TPU до санкций было доступны через облачную платформу Google Cloud Platform (GCP) в России, что позволяло пользователям использовать высокопроизводительные вычислительные ресурсы для задач машинного обучения и инференса. Свойства облачных решений можно воспроизвести и на физических устройствах и купить несколько TPU-серверов в Китае- аналог NVIDIA TPU-серверы SOPHON, разработанные в Китае.
4. Специализированные устройства ИИ (AI accelerators) Специализированные устройства для искусственного интеллекта (AI accelerators) это устройства, такие как FPGA ((Field-Programmable Gate Array) или по-русски ПЛИС (программируемая логическая интегральная схема) или ASIC (специализированные интегральные схемы)), которые оптимизированы для выполнения специфических задач машинного обучения. AI ASICs это специализированные интегральные схемы, спроектированные для выполнения конкретных операций и алгоритмов, используемых в задачах машинного обучения и искусственного интеллекта. Они обеспечивают высокую производительность и энергоэффективность, оптимизированные для конкретных задач и приложений. Одним из ведущих производителей AI ASICs - компания Graphcore, которая разработала процессор под названием Intelligence Processing Unit (IPU). FPGA это программируемые логические устройства, которые могут быть настроены для выполнения различных операций, включая операции, используемые в машинном и глубоком обучении. Они обеспечивают гибкость и возможность настройки для специализированных задач. Крупнейшие производители FPGA - Xilinx и Intel FPGA (ранее Altera), которые предлагают широкий спектр продуктов для различных рынков и приложений. Компания Lattice Semiconductor специализируется на FPGA малых размеров с низким энергопотреблением и высокой гибкостью, применяемых во встраиваемых и низкомощных приложениях. АО «ВЗПП-С» - производит аналоги западных устройств и занимается выпуском локальных ПЛИС.
5. Хранилища данных и системы хранения: Большие объемы данных для обучения моделей ИИ требуют эффективных систем хранения. Некоторые ведущие производители в этой области включают: NetApp: предлагает разнообразные решения хранения, включая системы на базе твердотельных накопителей (SSD), All-Flash хранилища, программное обеспечение для управления данными. Dell EMC: предлагает широкий спектр решений, включая хранилища на базе SSD, распределенное хранение и облачные решения. IBM: предоставляет ряд продуктов, включая хранилища данных, системы файлового хранения и облачные сервисы. HPE: предлагает разнообразные решения хранения, включая системы на базе SSD, сетевое хранение и решения для гибридного облачного хранения. Pure Storage: специализируется на All-Flash хранилищах данных, обеспечивая высокую производительность. В России есть несколько производителей СХД: Acronis: разрабатывает программное обеспечение для резервного копирования и предлагает решения для хранения данных, включая СХД и облачные хранилища. Ай-Теко: специализируется на сетевом оборудовании и системах хранения данных, включая СХД и NAS. RRC: ведущий производитель оборудования и систем для хранения данных, предлагает различные модели СХД и решения для облачных платформ. iRU: предлагает интегрированные решения для хранения данных, включая СХД, сервера и сетевое оборудование, разработанные и произведенные в России.
6. Интернет вещей (IoT) и датчики: В некоторых случаях данные, получаемые от устройств IoT и датчиков, используются для обучения моделей ИИ или для принятия решений в реальном времени. Bosch: Компания Bosch предлагает широкий спектр датчиков и устройств для IoT, включая датчики температуры, влажности, движения, звука и облачные платформы для анализа и управления данными, собранными с помощью их устройств. Texas Instruments: Texas Instruments производит различные микроконтроллеры и датчики для IoT, такие как датчики температуры, влажности, давления, освещенности и предлагают комплексные решения для разработки устройств IoT и систем управления данными. STMicroelectronics: STMicroelectronics производит широкий ассортимент датчиков для IoT, включая акселерометры, гироскопы, магнитометры, датчики температуры и влажности, микроконтроллеры и другие компоненты для создания устройств IoT. Siemens: Siemens ведущий поставщик систем автоматизации и управления, включая решения для IoT. Они предлагают широкий спектр датчиков и устройств для сбора данных, программное обеспечение для анализа и управления этими данными. Honeywell: Honeywell производит различные датчики и устройства для IoT, включая датчики температуры, влажности, давления, газов и программное обеспечение для мониторинга и управления этими устройствами. В России есть несколько производителей датчиков и устройств для Интернета вещей (IoT) такие как, дочернее предприятие Росатома «Т-КОМ», МТС — один из игроков, предоставляющих комплексные решения для отрасли интернета вещей. Компания развернула сети стандарта NB-IoT в 83 регионах России, что сделало технологию доступной в рамках страны. МТС производит собственные IoT-устройства и развивает решения для ЖКХ, логистики и транспорта, промышленности, сельского хозяйства, здравоохранения и ряда других отраслей. «Мегафон» предлагает целый комплекс IoT-решений, включая тариф для IoT/M2M устройств и М2М‑Мониторинг. Так, М2М‑Мониторинг для удаленного контроля установленных в М2М‑устройствах SIM‑карт и управления ими поможет оперативно узнать о работоспособности оборудования и предотвратить аварийные ситуации и перерасход средств.
Облачные вычисления: Многие предприятия используют облачные сервисы для развертывания и масштабирования приложений ИИ без необходимости вложений в собственную инфраструктуру. В зависимости от конкретных потребностей и бюджета предприятия используется комбинация вышеуказанных типов оборудования для эффективного внедрения ИИ в бизнес-процессы.
Обобщая выше сказанное, внедрение ИИ в производство и бизнес процессы можно сделать путем:
- Обучения персонала: Обучайте работников использованию ИИ-инструментов и пониманию их потенциала.
- Пилотных проектов: Начинайте с маломасштабных проектов, чтобы показать преимущества ИИ в производстве.
- Интеграции данных: Обеспечьте доступность и качество данных для обучения и работы алгоритмов ИИ.
- Разработки специализированных решений: Создавайте решения, адаптированные к конкретным потребностям и процессам производства.
- Сотрудничества с экспертами: Работайте с инженерами, разработчиками и специалистами по ИИ для создания оптимальных решений.
- Постоянного улучшения: Следите за развитием технологий ИИ и постоянно совершенствуйте свои процессы.
Сколько вкладывать в развитии ИИ? 5% от оборота компании в год вложенные в внедрении ИИ в бизнес процессы предприятия дадут отдачу на вложенные деньги до 300%, те кто не будет вкладываться в развитии ИИ через пару тройку лет потеряют в конкурентоспособности и могут вообще выйти из бизнеса. Это относиться и среднему и большому бизнесу, и к частному и государственному, к государственным учреждениям и к управлению здравоохранением, безопасностью, образованием. Государственному аппарату увеличение сфер внедрение ИИ принесёт ряд преимуществ:
- Автоматизация рутины: ИИ будет использоваться для автоматизации рутинных задач, ускоряя процессы и снижая вероятность ошибок.
- Оптимизация принятия решений: ИИ поможет анализировать данные и прогнозировать, что способствует принятию обоснованных решений.
- Улучшение обслуживания граждан: Внедрение ИИ улучшит качество обслуживания граждан и повышает доступность государственных услуг.
- Эффективное распределение ресурсов: ИИ поможет оптимизировать распределение бюджетных средств и ресурсов.
- Борьба с коррупцией: ИИ поможет снизить уровень коррупции через автоматизацию контроля и мониторинга.
- Повышение безопасности: Системы ИИ поможет в обнаружении угроз и преступлений.
- Сокращение затрат и повышение эффективности: Внедрение ИИ поможет сэкономить средства и повысить эффективность работы госаппарата.
План инвестиций от государства на развитие и внедрение ИИ в РФ:
- Финансирование исследований и разработок: Выделение средств в размере $500 миллионов до 2030 года на фундаментальные и прикладные исследования в области искусственного интеллекта и импортазамещения оборудования нужного для применения алгоритмов ИИ в бизнес процессах.
- Образование и подготовка специалистов: Инвестирование дополнительных $20 миллионов в год в образовательные программы по искусственному интеллекту на всех уровнях образования.
- Создание инновационной инфраструктуры: Финансирование в размере $100 миллионов до 2030 года для создания инновационных центров, лабораторий и инкубаторов для стартапов в области искусственного интеллекта.
- Поддержка инноваций и коммерциализация: Целевая эмиссия от ЦБ в $1 млрд до 2030 года для инвестиций в ИИ стартапы и инновационные проекты в области искусственного интеллекта.
- Стимулирование применения в государственном секторе: Разработка программ и инициатив с бюджетом в $5 миллионов по внедрению искусственного интеллекта в государственные организации и учреждения.
Инвестиции в квантовые вычисления, биотехнологии, нейро-технологии
Инвестиции в эти области приведут к значительному росту производительности, созданию новых рабочих мест, появлению новых продуктов и услуг, к общему росту экономики.
Квантовые вычисления
Квантовые вычисления - это способ обработки информации, который использует квантовые явления, такие как квантовая суперпозиция и квантовый запутанность, для выполнения вычислений, что значительно увеличивает скорость и эффективность решения определенных задач, которые традиционные компьютеры могут решать гораздо медленнее. Развитие квантовых вычислений представляет собой потенциально революционный прорыв в области обработки информации и решения сложных задач. Вот как они влияют на различные отрасли:
1. Фармацевтика: Квантовые вычисления значительно ускорят процесс разработки новых лекарств. Они используются для моделирования молекулярных взаимодействий и прогнозирования свойств химических соединений, что поможет исследователям в разработке более эффективных и безопасных лекарственных препаратов.
2. Финансы: Квантовые вычисления применят для оптимизации портфеля инвестиций, прогнозирования рыночных трендов и для анализа больших объемов финансовых данных, что позволит инвесторам и финансовым аналитикам принимать более точные и обоснованные решения, что приведёт к повышению доходности и снижению рисков.
3. Логистика: В области логистики квантовые вычисления могут использоваться для оптимизации маршрутов доставки, распределения ресурсов и управления цепями поставок. Это поможет компаниям снизить затраты на транспортировку и улучшить эффективность своих операций.
4. Другие отрасли: Квантовые вычисления могут применяться во многих других областях, включая материаловедение, энергетику, исследования климата, искусственный интеллект и многие другие. В каждой из этих областей улучшение способов решения сложных задач с помощью квантовых вычислений приведёт к инновациям, увеличению производительности и росту экономики в целом.
Квантовые вычисления особенно помогут в области использования ИИ за счёт:
1. Ускорение времени обучения: В некоторых случаях квантовые вычисления могут сократить время обучения моделей искусственного интеллекта на порядки по сравнению с классическими методами. Задачи, которые требовали бы дней или недель для обучения на классических компьютерах, могут быть выполнены за несколько часов или даже минут на квантовых компьютерах.
2. Работа с большими объемами данных: Квантовые вычисления обладают потенциалом обрабатывать и анализировать гораздо большие объемы данных по сравнению с классическими методами. Это позволяет обучать модели искусственного интеллекта на огромных наборах данных и обрабатывать потоки данных в реальном времени.
3. Улучшение точности моделей: Благодаря более эффективному обучению и оптимизации моделей, квантовые вычисления могут способствовать повышению точности моделей искусственного интеллекта, что особенно важно в областях, где даже небольшое увеличение точности имеет большое значение, как в медицинских приложениях или финансовых прогнозах.
4. Экономия ресурсов: Использование квантовых вычислений поможет сократить затраты на оборудование и энергию, необходимые для обучения и развертывания моделей искусственного интеллекта. Они сделают разработку и внедрение ИИ более доступными для широкого круга организаций.
5. Решение сложных задач: Некоторые задачи, которые сложно или невозможно решить с использованием классических методов, могут быть эффективно решены с помощью квантовых вычислений. Это открывает новые возможности в области исследований и применений искусственного интеллекта, таких как разработка новых лекарств или оптимизация финансовых стратегий.
Квантовые вычисления могут привнести существенные улучшения в области искусственного интеллекта, повышая его эффективность, точность и доступность для широкого спектра приложений и отраслей. Развитие квантовых вычислений даст значительный импульс для роста ВВП, улучшая способы решения сложных задач и повышая конкурентоспособность различных отраслей экономики.
Создать универсальный квантовый компьютер сейчас пытаются крупнейшие технологические корпорации, как Google, IBM, Microsoft или китайский интернет-ретейлер Alibaba. Вычислительные элементы квантовых компьютеров – кубиты – строятся на основе квантовых объектов: ионов, охлажденных атомов или фотонов, способных находиться в суперпозиции нескольких состояний. Это позволяет квантовым компьютерам одновременно, за один такт, производить сразу множество вычислений. Квантовые компьютеры способны справляться с задачами, для решения которых классическим компьютерам потребовались бы миллиарды лет.
Сооснователь Российского квантового центра, советник генерального директора госкорпорации «Росатом» Руслан Юнусов:
«В рамках «дорожной карты» по квантовым вычислениям мы разработали 20-кубитный квантовый компьютер. Мы его реализовали на ионной платформе», — рассказал Юнусов. Первое подведение итогов у нас запланировано на конец 2024 года, но сейчас принято решение о продлении карты до 2030-го. Так, в ближайшее время мы должны построить несколько квантовых процессоров, симуляторов, но, основная цель – достигнуть 50-100 кубитов на квантовом процессоре. Это амбициозные планы, для выполнения которых потребуется приложить много сил и времени. Однако я считаю, что ученые идут верным путем»
«Суперкомпьютер напоминает обычную счетную доску с костями, только все вычисления там протекают намного быстрее. При вычислениях он перебирает по очереди каждый из большого количества предложенных вариантов. Квантовый компьютер может работать с ними одновременно, поэтому зачастую является очень эффективным при решении некоторых вопросов, когда классическое устройство пасует»
Сейчас отечественные разработчики создают квантовую облачную платформу, которая предоставит доступ к инновационному вычислительному устройству всем желающим. Поскольку сегодня квантовые компьютеры и симуляторы установлены только в лабораториях, облачный доступ – единственный способ работы с ними.
Рост ВВП от внедрения квантовых компьютеров будет существенным, в пределах 1%-3%, но конкретные цифры будут зависеть от того, как быстро и эффективно квантовые компьютеры будут внедрены и использованы в различных отраслях экономики. Для развития квантовых технологий и занятия лидирующей позиции в мире РФ должна внедрить следующие рекомендации:
- Финансирование и инвестиции: Выделение средств из бюджета на уровне дополнительных 300 млн долларов на фундаментальные исследования и прикладные разработки в области квантовых технологий.
- Образование и подготовка кадров: Инвестиции на уровне до 100 млн до 2030 года в образовательные программы, научные школы и стипендиальные программы для подготовки кадров.
- Государственная стратегия и координация: Выделение до 5 млн долларов для разработки и реализации национальной стратегии по развитию квантовых технологий.
- Партнерство и международное сотрудничество: Финансирование программ международного сотрудничества на уровне нескольких десятков миллионов долларов для участия в международных квантовых проектах и исследованиях с дружественными странами с передовыми технологиями.
- Поддержка инноваций и коммерциализация: целевая эмиссия от ЦБ на сумму от 2 млрд до 3 млрд долларов до 2030 года на инвестиции в инновационные стартапы, технологические инкубаторы, технопарки и в другие инновационных проекты в области квантовых технологий.
Биотехнологии
Биотехнология - это область научных и технологических разработок, где используются живые организмы или их компоненты для улучшения продуктов, процессов и услуг. Применение биотехнологии широко распространено в медицине, сельском хозяйстве, промышленности и экологии, включая создание лекарств, генетически модифицированных культур, биодеградируемых материалов и очистку воды. Развитие биотехнологий в России добавит от 2% до 4% к росту ВВП в год, основываясь на данных о вкладе этой отрасли в экономику, ее потенциале для дальнейшего развития и размера необходимого импортазамещения. Точная оценка в процентах зависит от множества факторов, включая объёмы инвестиций, темпы инноваций, степень упрощение регулирования и конкуренции в индустрии биотехнологий и от общей экономической конъюнктуры.
Структура и основные сегменты рынка биотехнологий:
1. Медицинские биотехнологии:
Фармацевтика: разработка лекарств, вакцин, генной терапии и технологий для борьбы с заболеваниями. Медицинская диагностика: объединяет методы для диагностики заболеваний, мониторинга здоровья и прогнозирования рисков на основе биомедицинских данных. Биомедицинская инженерия: разработка медицинских устройств, биоимплантатов, протезов и других медицинских технологий. Перспективные направления и продукты в сегменте медицинских биотехнологий:
- Генно-редактируемые лекарства: развитие более точных и эффективных методов редактирования генов для коррекции генетических дефектов и модификации клеток с целью лечения заболеваний.
- Персонализированная медицина: развитие методов секвенирования генома и анализа биологических данных для предсказания риска развития заболеваний, выбора наиболее эффективных лечебных подходов и индивидуализации терапии.
- Биологические терапии: использование стволовых клеток, генно-редактированных клеток или тканевых конструкций для лечения различных заболеваний, таких как рак, сердечно-сосудистые и нейродегенеративные заболевания.
- Вакцины на основе генных технологий: разработка генно-инженерных вакцин для профилактики инфекционных заболеваний и онкологических заболеваний.
- Новые методы диагностики и мониторинга: развитие новых методов обнаружения биомаркеров и мониторинга заболеваний с использованием биоэлектроники, нанотехнологий и биологических агентов.
- РНК-терапия: использование различных форм РНК для модуляции экспрессии генов и лечения заболеваний, таких как генетические нарушения, инфекционные заболевания и рак.
2. Сельскохозяйственные и пищевые биотехнологии:
Генномодификация: использование генной инженерии для улучшения сельскохозяйственных культур, устойчивости к болезням, урожайности и пищевых свойств. Биоудобрения и биопестициды: продукты на основе микроорганизмов или биологически активных веществ для улучшения качества почвы и контроля вредителей. Клеточные и тканевые технологии: разработка и производство клеточных культур, тканевых инженерных конструкций и синтетических продуктов.
В мире современных технологий западные страны как способ улучшения сельского хозяйства использует генетически модифицированные культуры (ГМК). ГМК представляют собой культуры, которые были специально изменены с использованием генетической инженерии для улучшения их урожайности, устойчивости к болезням и пестицидам. Эти модификации позволяют сельским хозяйственным предприятиям повысить эффективность производства, снизить потребление химических удобрений и пестицидов, и увеличить выход культур. Однако ГМК имеют потенциальные этические, социальные и экологические последствия. Такие как вмешательства в природный порядок и изменения генетической структуры организмов, негативного воздействия ГМК на пищевую ценность и безопасность продуктов для человека и животных, ограничения интересов фермеров разных стран, особенно в отношении контроля над семенами и засевами для развития сельского хозяйства и экономики в целом, кросс-загрязнения между ГМК и природными видами, что приведёт к потере биоразнообразия и изменению экосистем. Распространение ГМК, устойчивых к пестицидам приведёт к возникновению суперпаразитов и резистентности вредителей к химическим веществам. Биодеградируемые материалы, напротив, представляют собой разновидность материалов, которые могут разлагаться в природной среде на более короткий срок, снижая объем отходов и негативное воздействие на окружающую среду. Эти материалы находят широкое применение в упаковке, сельском хозяйстве, медицине и других отраслях. Скорость разложения биодеградируемых материалов варьируется в зависимости от условий окружающей среды, и некоторые из них могут иметь ограниченные характеристики прочности и долговечности. Оба подхода - и генетически модифицированные культуры, и биодеградируемые материалы - в теории представляют собой важные инструменты в стремлении к более устойчивому и экологически чистому будущему. Однако негативные аспекты ГМК явно перевешивают позитивные.
3. Промышленные и окружающие биотехнологии:
- Биотопливо и биохимикаты: производство биотоплива, биопластиков, биоразлагаемых материалов и других химических продуктов из биомассы.
- Биоремедиация: применение микроорганизмов или биохимических процессов для очистки загрязненных почв, вод и воздуха.
- Биосенсоры и биоэлектроника: разработка устройств для обнаружения биологических молекул, мониторинга окружающей среды и создания биоэлектронных устройств.
Передовые продукты и прототипы в области применения микроорганизмов или биохимических процессов для очистки загрязненных почв, вод и воздуха представляют собой инновационные решения, которые могут существенно снизить воздействие загрязнений на окружающую среду. Вот несколько передовых продуктов и технологий в этой области:
- Биоремедиация почв: разработка специальных бактерий или грибов для разложения загрязняющих веществ в почве, таких как нефтепродукты, тяжелые металлы или пестициды.
- Фиторемедиация: использование растений для очистки почвы от загрязнений путем их аккумуляции или метаболизма загрязняющих веществ.
- Биоремедиация воды: применение биофильтров и водных растений для очистки сточных вод от органических и неорганических загрязнений.
- Биоремедиация воздуха: использование биологических фильтров и растений для очистки воздуха от запахов, токсичных газов и других загрязнений.
- Нанобиотехнологии: разработка наноматериалов для эффективной очистки воды, почвы и воздуха от загрязнений.
- Микробиальные топлива и биополимеры: использование микроорганизмов для производства биодизеля, биогаза и биопластиков из органических отходов или синтетических субстратов.
4. Научные и исследовательские услуги:
Геномика и протеомика: Исследования по секвенированию генов, анализу белков и изучению генетических процессов.
Биоинформатика: Анализ биологических данных с помощью компьютерных методов.
Продукты будущего в области исследований геномов, анализа белков и генетических механизмов будут направлены на создание более точных, быстрых и доступных методов для исследования генетической информации и биохимических процессов. Вот несколько перспективных продуктов и технологий:
- Секвенирование генома: Разработка портативных и быстрых устройств для секвенирования генома, которые можно использовать непосредственно на месте исследования в клинических лабораториях или на полевых работах.
- Одномолекулярное секвенирование: Развитие технологий секвенирования, основанных на анализе отдельных молекул ДНК или РНК, для получения более точных и полных геномных данных.
- Анализ белков: Создание новых масс-спектрометров с увеличенной чувствительностью и разрешением для более точного анализа белковых компонентов клеток и тканей.
- Прогресс в белковой кристаллографии: Развитие методов кристаллизации белков и анализа их структуры с использованием рентгеновской кристаллографии и крио-электронной микроскопии.
- Изучение генетических механизмов: Развитие методов системной биологии и математического моделирования для изучения сложных генетических сетей и биохимических путей.
Эти продукты и технологии будут способствовать расширению наших знаний о генетике, биохимии и молекулярной биологии, что приведет к развитию новых методов диагностики, лечения и профилактики заболеваний и к новым открытиям в области фундаментальной науки.
Лидеры рынка биотехнологий в различных сегментах зависят от конкретной области и специализации. Вот несколько крупных западных компаний, которые являются лидерами в своих сферах деятельности и их капитальные расходы за предыдущие 10 лет:
1. Секвенирование генома:
- Illumina мировой лидер в области секвенирования генома. Их технологии широко используются в научных и клинических исследованиях и в медицинской диагностике. Капитальные расходы компании за 10 лет - $2 млрд.
- Thermo Fisher Scientific предлагает широкий спектр продуктов для секвенирования генома, включая высокопроизводительные секвенаторы и реагенты. Капитальные расходы компании за 10 лет - $11 млрд.
2. Анализ белков:
- Agilent Technologies: специализируется на производстве высокопроизводительных инструментов для анализа белков, включая масс-спектрометры и хроматографические системы. Капитальные расходы компании за 10 лет - $1.8 млрд.
- Bio-Rad Laboratories: предлагает широкий ассортимент продуктов для анализа белков, включая иммунохимические и биохимические анализаторы. Капитальные расходы компании за 10 лет - $1.2 млрд.
3. Геномное редактирование:
- CRISPR Therapeutics лидер в области геномного редактирования с использованием технологии CRISPR/Cas9. Они работают над разработкой терапевтических методов лечения генетических заболеваний. Капитальные расходы компании за 10 лет - $0.17 млрд.
- Editas Medicine специализируется на геномном редактировании и разрабатывает технологии для коррекции дефектов генов. Капитальные расходы компании за 10 лет - $0.033 млрд.
4. Фармацевтические биотехнологии:
- Amgen один из крупнейших производителей биотехнологических препаратов, включая биологические лекарственные средства для лечения рака, болезни Альцгеймера и других заболеваний. Капитальные расходы компании за 10 лет - $7.3 млрд.
- Genentech (Roche): Genentech, дочерняя компания Roche, специализируется на разработке и производстве биотехнологических препаратов, таких как антитела и белковые терапии.
5. Сельскохозяйственные биотехнологии:
- Monsanto (теперь Bayer Crop Science): Monsanto была крупнейшей компанией в области генетически модифицированных организмов (ГМО) и сельскохозяйственных биотехнологий. После приобретения компанией Bayer Crop Science, их продукты и технологии включены в портфель Bayer.
- Syngenta крупный производитель семян и сельскохозяйственных продуктов, включая генетически модифицированные культуры и пестициды.
Это лишь некоторые из лидеров в различных сегментах рынка биотехнологий, и многие другие компании играют важную роль в развитии этой отрасли.
Рынок биотехнологии в России и его импортозамещение
В РФ рынок биотехнологий находиться в ранней стадии развития, при том что на рынке много игроков, но большинство из низ маленькие: «Р-Фарм», МБЦ «Генериум», «Биокад» : ГК «Алкор-Био», Vital Development, ООО ДНК-Технология, ЗАО «Вектор-Бест», НПО «Диагностические системы», ООО «Хема-Медика», ЗАО «Медико-биологический Союз», ЗАО «Эколаб», ООО «Научнопроизводственная фирма ЛИТЕХ» и другие. По разным оценкам рынок биотехнологий в России достигает от $2 до $4 млрд, (для сравнения в США больше $ 300 млрд, в мире к 2025 году- $2 трлн) что есть мизерный размер и свидетельствует о том, что рынок не развивался десятилетиями, что подтверждает и тот факт, что больше 80 % биотехнологической продукции, которая потребляется в России - импортная, а объемы потребления биотехнологической продукции в России остаются несопоставимо низкими по сравнению с другими странами. Доля импорта биотехнологической продукции, для кормопроизводства, пищевой и промышленной биотехнологии России, составляет 95%.
По словам Михаила Бебурова, директора "ГосНИИгенетика"
Сейчас в России на новой технологической основе возрождается производство ферментов и аминокислот как кормовых добавок. Основным сырьём для промышленных биотехнологий служит глюкоза, получаемая из крахмалосодержащего сырья, в частности, из зерна.
По словам исполнительного директора Национального кормового союза Сергея Михнюка:
В России сегодня освоено производство двух аминокислот - это лизин сульфат и метионин. Первая - это, по сути, трудовой подвиг последних 5-7 лет исследований, вторая присутствует на рынке с конца 80-х - начала 90-х годов прошлого века. Этого мало, потому что одних витаминов - порядка 7-8 позиций из наиболее часто используемых, например, при откорме животных. У нас должен быть свой штамм бактерий, перечень технологического оборудования, необходимого для производства. Современное российское животноводство испытывает существенную зависимость от импорта по большинству кормовых добавок: по витаминам (из 14 необходимых производится только витамин К3), аминокислотам (из восьми в ограниченном объеме выпускается лишь две — лизин и метионин); минералам (из восьми основных микроэлементов — железо, марганец, медь, цинк, кобальт, йод, селен, молибден — производится всего два-три); органическим кислотам — из длинного перечня необходимых отрасли продуктов в России производится два — уксусная и молочная кислоты; ферментам и т. д. И хотя вследствие глобализации данный тренд носит повсеместный характер, текущая ситуация заставляет серьезно задуматься о нашем будущем. Если задаться целью, выстроить правильную стратегию и обеспечить льготное финансирование под руководством грамотных специалистов, то в России можно производить продукты не хуже европейских и не дороже китайских — все ресурсы для этого у нас есть.
Сергей В. Нетѐсов, академик РАН, доктор биологических наук:
В биомедицинских науках и биотехнологиях применяется ряд высокоочищенных реагентов, производимых в разных странах. В условиях санкций целый ряд поставщиков отказался их поставлять в Россию. Эти реагенты скоро в России будут в дефиците. Однако, во времена СССР большая их часть все-таки производилась. Необходимы срочные меры по анализу ситуации и организации их производств в России. И некоторые такие частные предприятия у нас в Сибири есть. Однако, без финансовых вложений в эти предприятия это сделать будет не всегда возможно. Аналогичная ситуация с одноразовыми комплектующими. Их производство однозначно стратегически надо организовывать в России. Стратегически важно ключевые позиции биомедицинского оборудования и приборов производить в России. Например, кабинеты биобезопасности международного качества у нас уже производят в Миассе. Стоит это сделать и для более сложного оборудования: уже упомянутых масс-спектрометров, секвенаторов геномов, синтезаторов генов и ряда других позиций.
Приведу примеры необходимого приборного импортозамещения, который не требует больших затрат или каких то прорывных технологий их можно сравнить с производством "гвоздей":
- Оптические микроскопы
- Охлаждаемые микроцентрифуги
- CO2-инкубаторы
- Оборудование для RealTime ПЦР
- Иммуноферментные планшетные анализаторы
- Биохимические анализаторы
- Синтезаторы олигонуклеотидов (Биоссет)
- Аналитические приборы для визуализации внутренних органов, скелета и организма в целом
Примеры продуктов, подлежащих импортозамещению:
- Чистые соли (калия, натрия, цезия, магния, кальция)
- Аминокислоты
- Культуральные среды для культур клеток человека и животных
- Культуральные среды для бактерий
- Нуклеотиды
- Гуанидин-хлорид
- Одноразовые носики для автоматических пипеток
- Одноразовые пробоотборники для взятия проб кала, мочи, мазков
- Одноразовые системы для взятия проб крови
- Одноразовые пробирки-вакутайнеры для взятия проб крови
- Одноразовые пробирки для проведения реакций и процедур разных объемов
Напомню, что биотехнологии могут значительно повлиять на экономику, увеличивая эффективность производства, улучшая качество жизни и создавая новые рынки для бизнеса. Они имеют огромный потенциал для роста ВВП, влияя на различные секторы, включая медицину, сельское хозяйство, промышленность и окружающую среду. Рост ВВП и производства произойдёт за счет разработки новых лекарств, увеличения урожайности сельскохозяйственных культур, улучшения производства пищевых продуктов и кормов, решения экологических проблем. Точный вклад биотехнологии в рост ВВП зависит от множества факторов, включая инновационность и эффективность технологий, уровень инвестиций, научные исследования и развитие, регулирование и преемственность на рынке. В этих аспектах правительство должно оказывать активную поддержку бизнесу, развивать (финансировать) научные центры в биотехнологии и стимулировать перемены в текущей ситуации отсутствия своего биотеха. Масштабы и темпы необходимых импортазамещения и развитие местного рынка биотеха определяются не готовностью российской экономики или нежеланием шевелиться конкретных чиновников, а скоростью, с которой перемены происходят в мире и прямой угрозой исходящей от ограничения импорта биотехнологических товаров и услуг.
Цели развития и импортазамещения рынка биотехнологий в РФ до 2030 года
- Увеличение рынка биотехнологической продукции в РФ до $100 млрд.
- Импортазаместить 80% рынка биотехнологической продукции.
Меры по достижения цели развития биотехнологий в РФ
1. Финансовая поддержка и $10 млрд инвестиций в исследования и разработки в области биотехнологии до 2030 года, включая государственные гранты, льготные кредиты или целевую эмиссия от ЦБ и другие формы финансирования для ученых и компаний, работающих в этой области.
2. Обновление законодательства, чтобы нормативы упрощали инновации в биотехнологиях и устранение ошибок в действующих законах, снятие любых регуляторных ограничений на развитие биотеха.
3. Расширение специализированных научных и инновационных центров, где ученые и предприниматели могут сотрудничать и развивать новые технологии в области биотехнологии. Создание инфраструктуры развития биотехнологии и широкомасштабное развертывание биоиндустрии в регионах России по всем секторам биотехнологии;
4. Создание координационного госоргана, который позволит обобщить опыт и усиливать биотехнологические инициативы в различных отраслях. В идеале включая обновление/создание федеральной программы развития биотехнологий за имплементацию которой, этот госорган будет отвечать вместе с соответствующими министерствами.
5.Привлечение иностранных специалистов и инвесторов с дружеских стран для совместной работы и развития биотехнологического сектора.
6. 7-кратное увеличение образовательные программы и курсов по биотехнологии для студентов и специалистов, чтобы обеспечить наличие квалифицированных кадров в этой области.
7. Проведение мероприятий по продвижению и популяризации биотехнологий среди общественности, чтобы увеличить понимание и поддержку этой области развития.
Нейротехнологии
Нейротехнологии - это область научных и технологических разработок, которая исследует и использует принципы работы нервной системы человека или других животных для создания новых устройств, методов и приложений. Нейротехнологии занимаются методами изучения мозга, создания интерфейсов мозг-компьютер, разработкой искусственного интеллекта, моделированием нейронных сетей и подходами, направленные на понимание и взаимодействие с нервной системой. Нейротехнологии находят применение в медицине, науке, инженерии, компьютерных науках, психологии и других областях. Нейротехнологии, включая разработку искусственного интеллекта, нейроинтерфейсов и других технологий способствует росту ВВП, улучшая процессы автоматизации, оптимизируя здравоохранение и образование, создавая новые возможности в различных отраслях, от медицины до производства.
Рынок нейротехнологий представляет собой быстрорастущий сектор, включающий в себя широкий спектр технологий, направленных на взаимодействие между мозгом человека и машинами. Размер и структура этого рынка постоянно эволюционируют в соответствии с технологическими инновациями и потребностями рынка, но можно выделить несколько ключевых аспектов:
1. Рост и потенциал: Рынок нейротехнологий испытывает быстрый рост, поскольку эти технологии находят применение в различных сферах, включая медицину, исследования мозга, развлечения, управление, образование и другие. Потенциал нейротехнологий огромен, и они могут привести к значительным изменениям в способах взаимодействия человека с технологиями и окружающим миром.
2. Сегментация рынка: Рынок нейротехнологий можно разделить на несколько основных сегментов в зависимости от применения: медицинские нейротехнологии (нейромониторинг, нейростимуляция, нейрореабилитация), потребительские нейротехнологии (устройства для мозговых компьютерных интерфейсов, игровые приложения, устройства виртуальной и дополненной реальности), нейротехнологии для бизнеса (устройства для повышения производительности, управления эмоциями, биометрические идентификаторы) и др.
3. Ключевые игроки: на рынке нейротехнологий действуют как крупные технологические корпорации, так и стартапы, специализирующиеся на конкретных сегментах этого рынка. Среди ключевых игроков на глобальном рынке можно выделить такие компании, как Neuralink, Kernel, Emotiv, Neurable, MindMaze, NeuroSky и др. На российском рынке тоже много игроков таких как Нейрософт, Нейроком, Мадин, Моторика и др.
4. Регулятивное окружение: развитие нейротехнологий подвержено влиянию регулятивных органов и нормативов в области здравоохранения, конфиденциальности данных, этики и безопасности. Регулятивные аспекты играют важную роль в формировании структуры и динамики рынка нейротехнологий.
В целом, рынок нейротехнологий представляет собой динамичную и перспективную отрасль, способную привнести значительные инновации и изменения в различные сферы человеческой жизни. Больше деталей можно посмотреть в презентации от Сколтеха.
Выводы и предложения
Инвестиции в критические технологии, такие как искусственный интеллект, квантовые вычисления, биотехнологии, нейротехнологии и полная локализация производства этих технологий, являются ключевыми факторами для стимулирования роста ВВП и развития экономики по нескольким причинам:
1. Инновации и продуктивность: инвестиции в эти технологии способствуют созданию инновационных продуктов и услуг и увеличению производительности в различных отраслях экономики. Применение искусственного интеллекта и нейротехнологий улучшит процессы автоматизации и оптимизации, а квантовые вычисления решат задачи, которые недоступны для классических компьютеров.
2. Создание новых рынков: развитие этих технологий создает новые рынки и отрасли, стимулируя рост бизнеса и инвестиций. Биотехнологии приведут к появлению новых методов лечения и продуктов питания, кормов, а полная локализация производства позволяет убрать зависимость от импорта и стимулировать местное производство.
3. Улучшение качества жизни: Эти технологии способны улучшить качество жизни людей, предоставляя им доступ к новым медицинским методам лечения, инновационным технологиям обучения и развлечений, и к средам с более высоким уровнем комфорта и безопасности.
4. Глобальная конкурентоспособность: Инвестирование в критические технологии увеличивает глобальную конкурентоспособность и устойчивость страны, позволяя ей играть ведущую роль в мировой политике, создавая более выгодные условия развития для своей экономики.
Подводя итог, инвестиции в эти критические технологии не только способствуют росту ВВП, но и обеспечивают устойчивое и инновационное развитие экономики в целом.
В следующий статье расскажу уже о качественном улучшение экспортно-ориентированной политики через развитие экспорта отраслей экономики, занимающиеся преобразованием сырья и полуфабрикатов в готовые продукты, создание своего торгового флота и страховых компаний страхующих транспортировку грузов, улучшение логистики, создание и улучшения товарных бирж на территории РФ.