Автор: В.П. Анаников, доктор химических наук, академик РАН, руководитель лаборатории

Института органической химии им. Н.Д. Зелинского РАН (ИОХ РАН), 

г. Москва, Ленинский проспект, 47, http://AnanikovLab.ru, val@ioc.ac.ru

В статье описывается трансформация роли искусственного интеллекта — от самостоятельной цели развития до интегрального инструмента в науке, технологиях и промышленности. Прослеживаются ключевые этапы эволюции ИИ, включающие на первом этапе разработку фундаментальных алгоритмов и архитектур нейросетей, на втором этапе — создание зрелых коммерческих и исследовательских продуктов, таких как генеративные языковые модели, цифровые двой­ники и интеллектуальные платформы для инженерного моделирования. Особое внимание уделено переходу к прикладной фазе — так называемой эпохе «ИИ для», в которой искусственный интеллект становится эффективным инструментом решения задач в конкретных отраслях. В качестве примера подробно рассмотрено применение ИИ в аддитивных технологиях: от генеративного дизайна и подбора материалов до дефектоскопии, управления процессами, логистики и персонализации продукции. Подчеркивается, что искусственный интеллект не просто дополняет современные технологические процессы, а становится их неотъемлемым интеллектуальным ядром.

В предыдущий период развития искусственный интеллект (ИИ) представлял собой прежде всего самоценную научно-­технологическую цель. Усилия исследователей и разработчиков были сосредоточены на формировании основ: создании новых алгоритмов машинного обучения и нейросетевых архитектур, сборе и подготовке массивов данных, программной реализации и тестировании моделей. Этот этап требовал значительных междисциплинарных усилий — от фундаментальной математики и статистики до инженерии программного обеспечения и вычислительной инфраструктуры. Развитие ИИ в это время ориентировалось на сам факт возможности «научить» машину распознавать, классифицировать, прогнозировать и обучаться на данных без прямой привязки к конкретным прикладным задачам. Среди ключевых достижений этого этапа — становление алгоритмов глубокого обучения (Deep Learning), появление универсальных фреймворков вроде TensorFlow [1] и PyTorch [2], а также формирование открытых датасетов (например, ImageNet [3] и целого ряда других), которые заложили основу для дальнейшего взлета ИИ-технологий в последующий период.

После формирования теоретических и технологических основ искусственного интеллекта последовал этап стремительного роста готовых продуктов, основанных на этих разработках. Именно в этот период искусственный интеллект стал массово внедряться в реальные приложения, оказывая ощутимое влияние на экономику, науку и повседневную жизнь. Были созданы и получили широкое распространение такие системы, как генеративные языковые модели (GPT от OpenAI, Claude от Anthropic, Gemini от Google, DeepSeek, GigaChat, YandexGPT и др.), генераторы изображений (DALL·E, Midjourney, Stable Diffusion и др.), инструменты для программирования (GitHub Copilot [4]) и многие другие. Компьютерное зрение нашло применение в автономном транспорте, медицинской диагностике и промышленном контроле качества. Системы рекомендаций и персонализации ИИ стали стандартом в интернет-­платформах (поисковые системы, онлайн-магазины, социальные сети, видеохостинги и др.). Эти продукты уже не просто демонстрация возможностей, а высокоэффективные коммерческие решения, работающие в режиме реального времени и обрабатывающие миллиарды запросов пользователей по всему миру. Таким образом, ИИ вышел за рамки лабораторий и стал масштабным элементом цифровой инфраструктуры современного общества.

Параллельно с развитием массовых пользовательских продуктов происходило углубленное внедрение ИИ в научные исследования, технологическую разработку и промышленное производство. В этой области ИИ стал не просто инструментом автоматизации, но и средством интеллектуальной поддержки принятия решений, анализа данных и моделирования сложных процессов. В научной сфере в качестве примеров можно привести AlphaFold от DeepMind [5] для предсказания структуры белков, Materials Project [6] и MatGen [7] для прогнозирования свой­ств новых материалов. В инженерии и промышленности активно развиваются платформы на базе ИИ для создания цифровых двой­ников, интеллектуального управления производственными линиями, а также для оптимизации логистики, энергосбережения и технического обслуживания. Все чаще ИИ-инструменты становятся частью вычислительных комплексов высокого уровня, интегрируются с симуляционными моделями, CAD/CAE-средами и промышленными информационными системами (CAD, Computer-­Aided Design, системы автоматизированного проектирования; CAE, Computer-­Aided Engineering, системы автоматизированного инженерного анализа). Эта тенденция знаменует собой переход от ИИ как вспомогательной технологии к ИИ как неотъемлемому компоненту научно-­технологического прогресса.

Сегодня наблюдается четкое смещение акцента: искусственный интеллект перестает быть самоцелью и все больше воспринимается как универсальное средство решения прикладных задач. Это отражает переход к новой фазе — так называемой эпохе «ИИ для», где передовые алгоритмы и модели ИИ направлены на решение конкретных проблем в различных отраслях. Например, возникают направления: ИИ для медицины (диагностика, подбор терапии, моделирование лекарств), ИИ для химической промышленности (оптимизация синтеза, предсказание свой­ств веществ, автоматизация лабораторий), ИИ для машиностроения (ускорение проектирования, контроль качества), ИИ для энергетики (распределенное управление, прогнозирование потребления) и многие другие области применения. Такой переход стал возможен благодаря зрелости ИИ-технологий, развитию цифровой инфраструктуры и накоплению массивов специализированных данных, необходимых для высокоточного обучения. Эпоха «ИИ для» отражает не только практическую востребованность, но и когнитивную связь ИИ с научно-­технологическим прогрессом. ИИ становится не просто инструментом автоматизации, а новым языком описания и преобразования реальности, дополняющим интеллектуальные возможности человека и расширяющим горизонты возможного.

Впервые термин эпоха «ИИ для» был сформулирован на пленарной сессии Форума будущих технологий (21 февраля 2025 г.) [8]. Было отмечено, что, несмотря на обилие обсуждений и повышенный общественный интерес к ИИ, сейчас важно не упустить поворотный момент — начало новой фазы, когда ИИ становится инструментом ускоренного развития отраслей. Следует делать ставку не на импорт технологий, а на формирование собственной высокотехнологичной среды, где ИИ становится частью национального научного и промышленного комплекса. На форуме был зафиксирован сдвиг парадигмы в использовании ИИ и необходимость институциональной поддержки идеи «ИИ для» как стратегического ориентира для научно-­технологического развития страны.

Если рассмотреть историческую ретроспективу, анализ современного состояния области демонстрирует три ключевых этапа в развитии искусственного интеллекта (табл. 1). На первом этапе, когда ИИ выступал как самоцель, основной акцент делался на разработке архитектур нейронных сетей и создании теоретических основ машинного обучения. Второй этап связан с появлением прикладных ИИ-продуктов, где предварительно обученные модели начали массово использоваться в различных пользовательских и коммерческих приложениях. На третьем, современном этапе ИИ становится инструментом внутри других дисциплин и отраслей — он интегрируется в научные исследования, инженерные системы и производственные процессы. Эта эволюция отражает не только технологическую зрелость, но и смену парадигмы в восприятии самого понятия интеллекта как ресурса (табл. 1).

Международная конференция по искусственному интеллекту в науке AI4X [9], прошедшая в июле 2025 года в Сингапуре, стала ярким и независимым подтверждением того, что глобальное сообщество все более уверенно вступает в эпоху «ИИ для». Конференция была организована Институтом функциональных интеллектуальных материалов Национального университета Сингапура при поддержке многих международных научных учреждений и собрала ведущих исследователей и представителей индустрии со всего мира, включая такие организации, как Google, NVIDIA, MIT и другие. Ключевой идеей конференции было понимание ИИ не как конечной цели, а как ускорителя научных открытий в различных областях знаний. Тематика конференции охватывала широкий спектр направлений — от материаловедения, химии и физики до медицины, математики, экологии, образования и устойчивого развития. Особое внимание было уделено таким темам, как самообучающиеся лаборатории, агенты ИИ для науки и алгоритмические усовершенствования в машинном обучении. Конференция AI4X продемонстрировала, что на международном уровне сформировался устойчивый тренд — искусственный интеллект рассматривается как интегральный инструмент в научной и технологической практике, а не как изолированная область исследований. Таким образом, идеи, озвученные в контексте как эпоха «ИИ для», отражают направления глобальной научной повестки.

Важно, что ИИ играет все более важную роль в развитии и применении аддитивных технологий, и этот вклад распространяется на весь жизненный цикл — от проектирования до эксплуатации изделий (рис. 1). Анализ текущей ситуации позволяет выделить следующие тренды:

1. Оптимизация проектирования и генеративный дизайн

Применение методов искусственного интеллекта в области проектирования позволяет существенно расширить границы инженерной мысли за счет алгоритмов генеративного дизайна и топологической оптимизации. Такие подходы обеспечивают автоматическую генерацию геометрических решений, оптимальных по множеству критериев: прочность, вес, экономия материала, устойчивость к нагрузкам. Наиболее ярким примером является интеграция генеративного дизайна с ИИ-поддержкой, а также применение цифровых алгоритмов для проектирования сложных конструкций с целью добиться значительного снижения массы при сохранении прочности. Принципиально новые формы и топологии, создаваемые ИИ, зачастую невозможно воспроизвести традиционными методами производства, что делает их естественным дополнением к аддитивным технологиям.

2. Материаловедение и разработка новых композиционных материалов

ИИ используется для предсказания свой­ств материалов, оценки их поведения при различных параметрах печати и автоматизации подбора новых рецептур. Особенно активно развиваются подходы, основанные на машинном обучении и построении моделей по большим массивам экспериментальных и симуляционных данных. Создаются открытые базы данных, используемые для тренировки ИИ-моделей, способных предсказывать механические свой­ства изделий в зависимости от состава материала и условий печати. Разрабатываются платформы, позволяющие ускорить поиск новых композитов и методик печати на основе активного ИИ-обучения и роботизированных лабораторий.

3. Контроль качества и дефектоскопия в реальном времени

Встроенные в рабочие камеры оборудования видеокамеры, инфракрасные сенсоры и системы акустического мониторинга накапливают массивы данных, которые могут быть обработаны ИИ в режиме реального времени для диагностики дефектов и отклонений от заданных параметров. Разрабатываются решения на основе нейросетевых моделей, позволяющие выявлять пористость, деформации и дефекты в процессе построения каждого слоя. Такие системы особенно востребованы в аэрокосмической и медицинской отраслях, где высока цена ошибки и критичны требования к воспроизводимости.

4. Управление производственными процессами и цифровые двой­ники

ИИ-инструменты находят широкое применение в создании цифровых двой­ников технологических процессов и оборудования, что обеспечивает возможность предиктивного анализа, моделирования отказов и оптимизации режимов работы. Создаются инструменты моделирования процессов печати с учетом термомеханических напряжений, скорости охлаждения и геометрических отклонений. Такие цифровые модели позволяют предварительно оценить результаты производства и адаптировать параметры еще до запуска реального процесса. Интеграция с промышленным интернетом вещей (IIoT) и платформами управления формирует основу интеллектуальных производственных систем, соответствующих концепции Индустрии 4.0.

5. Персонализация продукции

ИИ позволяет автоматизировать процесс адаптации изделий под индивидуальные параметры пользователя. Это особенно важно в медицине (импланты, ортопедические изделия), спортивной индустрии (кастомизированная экипировка), а также в потребительском дизайне. Разрабатываются усиленные ИИ программные решения для проектирования и печати индивидуальных медицинских имплантов на основе анализа 3D-сканов пациентов. Разрабатываются ИИ-платформы, позволяющие быстро адаптировать конструкции по данным пользователя с минимальным участием человека на стадии проектирования.

6. Интеграция с цепочками поставок и логистикой

ИИ может существенно повысить эффективность логистических операций, связанных с аддитивным производством, включая планирование загрузки оборудования, оптимизацию размещения производств, прогнозирование спроса и управление складскими запасами. В условиях перехода к децентрализованной модели печати — «производства по месту потребления» — особенно важными становятся решения на стыке ИИ и логистической аналитики. Цифровые платформы предоставляют инструменты оценки экономической целесообразности печати, анализа времени и стоимости, а также интеграции с ERP-системами предприятий (ERP, Enterprise Resource Planning, планирование ресурсов предприятия).

Применение искусственного интеллекта в аддитивных технологиях выходит далеко за рамки автоматизации самого процесса печати. Оно охватывает весь производственный цикл — от интеллектуального проектирования и подбора материалов до контроля качества, логистики и персонализации продукции (рис. 1). Это подтверждает ключевую мысль: ИИ становится неотъемлемым компонентом современных технологических платформ, а аддитивное производство — одной из наиболее перспективных областей его практического применения.

Рис. 1. Применение искусственного интеллекта в аддитивных технологиях — традиционная последовательная цепочка технологических этапов (темно-желтая круговая стрелка) и сквозная объединяющая технология с обратной связью на основе ИИ (темно-­коричневые стрелки)

В заключение важно отметить, что переход к эпохе «ИИ для» следует рассматривать как закономерный этап в эволюции науки и технологий, отражающий изменение представлений о роли искусственного интеллекта — от самостоятельной исследовательской цели к универсальному инструменту преобразования окружающего мира. Классификация систем искусственного интеллекта в наши дни включает в себя три уровня: ИИ-ассистент, ИИ-аналитик и ИИ-исследователь [10]. Уровень «ИИ-исследователь» подразумевает технологию-­участник, напрямую вовлеченную в исследовательскую практику.

Этот переход вписывается в широкую историческую траекторию научно-­технического прогресса. В XX веке развитие науки и промышленности опиралось на волны индустриализации — от Индустрии 1.0 (механизация и паровые машины) через Индустрию 2.0 (массовое производство и электричество) и Индустрию 3.0 (цифровые технологии и автоматизация) к Индустрии 4.0, появившейся в XXI веке. Последняя волна характеризуется интеграцией киберфизических систем, интернета вещей, автономных роботов и распределенных платформ управления. Искусственный интеллект займет в этой структуре центральное место, обеспечивая адаптивность, гибкость и интеллектуализацию всех стадий жизненного цикла продукции и научных процессов.

Эпоха «ИИ для» знаменует переход от изолированного технологического развития к интеллектуальной интеграции ИИ во все ключевые области человеческой деятельности — от фундаментальной науки и медицины до машиностроения, экологии и образования. В этой парадигме ИИ перестает быть объектом, а становится неотъемлемым элементом современной научной и инженерной инфраструктуры [10]. Наука приобретает свой­ства когнитивной системы, промышленность — черты самообучающихся производств, а общество — новые формы взаимодействия с технологией.

Таким образом, эпоха «ИИ для» представляет собой долгосрочный системный сдвиг, задающий вектор развития науки, технологий и общества в XXI веке [10].

Литература

1. TensorFlow, комплексная платформа машинного обучения с открытым исходным кодом. https://www.tensorflow.org/
2. PyTorch, фреймворк машинного обучения с открытым исходным кодом для создания и обучения глубоких нейронных сетей. https://pytorch.org/
3. ImageNet, база данных изображений для визуального распознавания объектов. https://www.image-net.org/
4. GitHub Copilot, инструмент на базе искусственного интеллекта для написания кода ассистентом программирования в режиме реального времени. https://github.com/features/copilot
5. DeepMind AlphaFold, искусственный интеллект для предсказания трехмерных структур белков на основе их аминокислотной последовательности. https://deepmind.google/science/alphafold/
6. Materials Project, открытая онлайн-­платформа для доступа к вычислительно предсказанным свой­ствам неорганических материалов. https://next-gen.materialsproject.org/
7. MatGen, инструмент на базе искусственного интеллекта для генерации новых материалов с заданными свой­ствами. https://matgen.ai/
8. Пленарное заседание Форума будущих технологий, 21 февраля 2025 г, Москва. http://www.kremlin.ru/events/president/news/76304
9. Международная конференция AI4X по применению искусственного интеллекта в науке, 8—11 июля 2025 г, Сингапур. https://ai4x.cc/
10. Классификация применения искусственного интеллекта в химии: от автоматизации к цифровому научному мышлению. https://doi.org/10.26434/chemrxiv-2025-fbk8w

Источник журнал "Аддитивные технологии" № 3-2025