Дмитрий Романофф – Роботы (страница 26)

3. Облачные вычисления и искусственный интеллект. Проникновение облачных технологий в бизнес-среду с 20 % в 2014 году до 94 % в 2024 году также уложилось в десятилетие. При этом такие технологии, как генеративный искусственный интеллект, демонстрируют ускорение этого цикла и переход от лабораторных образцов к массовым инструментам не за 10 лет, а всего за 2–3 года. Однако даже для искусственного интеллекта полный цикл интеграции в бизнес-процессы и получения масштабной экономической отдачи, скорее всего, займёт те же самые 7–10 лет.

Копнём глубже. Успех или провал массового внедрения технологий часто связан с доступностью ключевых природных ресурсов. Мы разбирали, как важно было уложиться в бюджет для массового внедрения смартфонов. Каким же образом достигается ресурсный фундамент технологического бума? Взрывное распространение электромобилей в 2020-х было бы невозможно без резкого снижения себестоимости их производства. Критически важна была доступность редкоземельных металлов как незаменимых компонентов для производства мощных электродвигателей и аккумуляторов.

Ценовой шок.

В 2010–2011 годах из-за ограничения экспорта со стороны Китая, контролирующего около 70 % мировой добычи, цены на редкоземельные металлы взлетели до исторических максимумов. Однако к концу 2012 года они обрушились. Этот ценовой коллапс был вызван запуском новых месторождений по всему миру и стал мощнейшим катализатором для производителей электроники и автопрома, позволив планировать массовый выпуск продукции с приемлемой себестоимостью.

Параллельно с этим, после достижения пика в 2011 году по цене около $1900 за унцию, цена на золото вступила в длительный нисходящий тренд, который продолжался до 2015 года. Падение цены на главный «защитный» актив сигнализировало о восстановлении доверия инвесторов к экономическому росту и рисковым активам, таким как акции технологических компаний. Капитал уходил из «тихой гавани» золота в инновации. Таким образом, фаза массового внедрения технологий совпала с окном низких цен на критическое сырье, что сделало революционные продукты коммерчески жизнеспособными.

Золото против доллара.

Связь между золотом, долларом и технологическими циклами — не случайность, а следствие перетока капитала. Золото, будучи номинированным в долларах, традиционно демонстрирует обратную корреляцию с американской валютой. Укрепление доллара обычно делает золото дороже для держателей других валют и снижает его привлекательность. Сильный доллар, часто обусловленный ужесточением денежной политики ФРС, сжимает ликвидность и делает заёмный капитал дороже, что теоретически может охладить инвестиции в рисковые активы.

Однако на практике в 2010-х годах мы наблюдали более сложную картину. После кризиса 2008 года ФРС долго держала ставки около нуля, доллар был относительно слаб. Когда же в середине 2010-х начались разговоры о нормализации политики и доллар укреплялся, это происходило на фоне уверенного восстановления американской экономики. Инвесторы, видя реальный рост, продолжали вкладываться в технологический сектор, оценивая перспективы его роста. Падение золота в этот период лишь подтверждало переток капитала. Получается, что для технологического бума важнее не абсолютная сила доллара, а общее доверие к экономическому росту в США, которое позволяет инвесторам принимать более долгосрочные риски, характерные для 10-летних горизонтов.

Для производства роботов нужны мощные компактные двигатели, высокоточные датчики и специализированные сплавы. Из-за этого спрос на редкоземельные металлы может вырасти кратно. Будут ли цены сдерживать внедрение? Уже сегодня страны Запада активно инвестируют в создание альтернативных цепочек поставок, независимых от Китая, чтобы снизить риски и волатильность на рынке. Цены на природные ресурсы станут ключевым фактором развития робототехники. Но мы не зря рассматривали в начале книги Китай как технологический полигон для внедрения технологий. Имея контроль над ресурсами, они могут управлять как ценами на металлы, так и объёмами поставок. Дотационная экономика позволяет субсидировать нужные области и не зависеть от цен на редкоземельные металлы.

Другое дело, если мы хотим массового внедрения роботов по примеру смартфонов. Для этого необходима стабильная и предсказуемая стоимость ресурсной корзины на протяжении всего периода массового производства. Инвесторы, оценивающие проекты в робототехнике, уже сейчас закладывают в свои модели не только технологические риски, но и геополитические риски доступа к сырью. Как показали примеры со смартфонами и электрокарами, фаза массового распространения наступает не только благодаря прорывным технологиям и адаптации подрастающего поколения, но и в благоприятное «ресурсное окно». Это ещё один важнейший фактор, который создаёт тот самый Моментум, про который мы уже неоднократно говорили.

Глава 18. Синхронизация робота и человека

Мы уже рассматривали, как роботы могут помогать человеку синхронизировать существование в метавселенной с реальным миром, сглаживая переход и облегчая адаптацию. Взаимодействие с роботом перестаёт быть похожим на управление инструментом и начинает напоминать нечто большее. Эту трансформацию обеспечивает персонализация, основанная на больших данных и языковых моделях. Они позволяют роботу выстраивать уникальную модель пользователя, адаптироваться к привычкам человека и предвосхищать его намерения — от кивка головы до неоконченной фразы. Это та же революция, что произошла со смартфонами после появления тачскрина, открыв путь новым, естественным формам коммуникации на основе персуазивных технологий.

Персонализация.

Базовые роботы запрограммированы на однообразные реакции, но для эффективного сотрудничества в сложной или социальной среде робот должен понимать контекст, состояние и цели человека. Персонализация решает эту задачу, превращая робота из пассивного исполнителя команд в активного участника взаимодействия. Такие системы, основанные на распознавании намерений, стремятся определить мотивы пользователя и предсказать его будущие действия.

Для создания модели пользователя или его «цифрового двойника», робот собирает и анализирует данные:

1. Биометрические и поведенческие через особенности походки, паттерны движений рук, мимику и динамику голоса.

2. Контекстуальные и средовые в виде распорядка дня, типичных маршрутов движения, предпочтений в доме, уровня освещённости и шума.

3. Вербальные и невербальные, где учитываются часто используемые слова и фразы, характерные жесты, позы, выражающие усталость или сосредоточенность.

Чтобы собирать эти данные, роботы оснащаются комплектом сенсоров, каждый из которых отвечает за свой канал информации. Их комбинация повышает надёжность распознавания:

1. Визуальные камеры анализируют жесты, позы, мимику, движение глаз, объекты в окружении. Робот видит, что человек тянется к книге, и подаёт её.

2. Инерциальные отслеживают траекторию, скорость и угол движения конечностей или тела. Носимый экзоскелет анализирует паттерн ходьбы для коррекции.

3. Микрофоны считывают голосовые команды, интонацию и фоновые звуки. Робот распознаёт не только команду «открой», но и тревогу в голосе.

4. Тактильные анализируют силу нажатия, давление и вибрацию. Робот манипулятор регулирует усилие для хрупкого предмета.

5. Биосигнальные получают электрическую активность мозга или мышц. Протез руки начинает движение по намерению, а не по явной команде.

Собранные данные лишь основа работы алгоритмов:

1. Машинное обучение и нейросети выявляют скрытые закономерности в поведении конкретного человека. Например, гарвардский носимый робот для пациентов с ALS и после инсульта использует ML для 94 %-ной точности распознавания индивидуальных движений плеча.

2. Большие языковые модели выполняют роль универсального интерпретатора. Они связывают голосовую команду, контекст и знания о мире. Анализируется абстрактный запрос: «Мне нужен простой стул», — извлекается суть и передаётся техническим модулям для генерации 3D-модели и её последующей сборки роботом.

3. Сенсорная интеграция объединяет потоки данных от разных сенсоров для формирования целостной картины.

Так, умная перчатка BrightSign, переводящая язык жестов в речь, обучается индивидуальным особенностям жестикуляции каждого пользователя, комбинируя данные с датчиков сгиба, инерции и касания.

Реализованные проекты.

Современные протезы и экзоскелеты уже сегодня используют данные ЭМГ и IMU, чтобы предугадать желаемое движение и помочь человеку выполнить его плавно и с меньшими усилиями. Промышленные коботы с камерами глубины учатся считывать жесты оператора для совместной сборки, перенаправляя задачи без перепрограммирования.

Роботы с реалистичной мимикой как китайский Origin M1 с 25 микромоторами для управления лицом, используют камеры в «зрачках», чтобы читать эмоции собеседника и реагировать уместной мимикой, устанавливая эмоциональный контакт.

Несмотря на прогресс последних лет, путь к массовому использованию сложен. Ключевые вызовы на сегодня:

1. Персональные поведенческие и биометрические данные требуют высочайшего уровня защиты.

2. Пользователь должен понимать, как робот принимает решения, и быть уверенным в его надёжности. Прозрачность алгоритмов критически важна.