Точка машинного зрения

🌫Две статьи с участием исследователей Центра ИИ Сколтеха были представлены на 32-ой международной конференции ACM SIGKDD Conference on Knowledge Discovery and Data Mining — KDD 2026. Первая статья написана совместно с коллегами из AIRI и Научной школы им. И.М. Кричевера Сколтеха. Среди авторов работы из Центра ИИ — доцент, руководитель Лаборатории прикладных исследований «Сколтех — Сбербанк» (LARSS) Алексей Зайцев. Вторая статья написана им же в соавторстве с младшим инженером-исследователем Центра ИИ Сколтеха Ростиславом Гусевым. 🌫 Не ждать разметку: как заставить временные графовые сети учиться на каждом шаге? Статья Never Skip a Batch: Dense Learning of Temporal GNNs via Adaptive Pseudo-Supervision посвящена временным графовым нейросетям — моделям, которые анализируют меняющиеся связи между объектами. Они применяются, например, для изучения последовательностей транзакций, поведения пользователей, рекомендаций и выявления мошенничества. 📊 События в таких системах поступают непрерывно, а достоверная разметка появляется редко — в некоторых задачах менее чем для 2% взаимодействий. Остальные данные модель сохраняет в памяти, но не использует для обучения: без правильного ответа нельзя оценить ошибку и обновить параметры. Исследователи предложили метод Moving-Averaged Labels, который использует предыдущие подтверждённые наблюдения как временный обучающий сигнал. Например, недавние интересы пользователя становятся подсказкой до появления новой разметки. 📇 В отличие от многих методов псевдоразметки, нейросеть не учится на собственных прогнозах и не закрепляет ранние ошибки. Метод опирается на историю наблюдений, не требует менять архитектуру и превращает ранее пропускавшиеся пакеты в полезные шаги обучения. Метод проверили на данных о международной торговле, музыкальных предпочтениях, активности пользователей Reddit и операциях с цифровыми токенами. На двух архитектурах временных графовых сетей качество прогнозирования выросло на 3–17%, а своего лучшего результата модели в среднем достигали в шесть раз быстрее. Особенно заметным выигрыш оказался на данных с редкой разметкой. Эксперименты с перемешиванием событий подтвердили, что метод опирается на связь между прошлым и будущим. Он может ускорить обучение систем, где данных много, а подтверждённые ответы поступают редко или с задержкой. 📊 Пять датасетов вместо 112: как сократить бенчмарк и сохранить ранжирование моделей Cтатья Benchmarking on Tasks That Matter: Dataset Selection for Preserving Model Rankings посвящена тому, как уменьшить число датасетов, необходимых для сравнения моделей машинного обучения, и при этом сохранить выводы полного бенчмарка. На практике исследователи нередко сокращают число испытаний, выбирая наиболее известные или удобные для себя наборы данных. Однако модель, занявшая первое место на небольшой выборке задач, может уступить конкурентам при оценке на более полном наборе датасетов. Этот эффект называют «лотереей бенчмарков». 🧮 Авторы предложили единый протокол оценки методов отбора датасетов и сравнили случайный выбор, кластеризацию, методы оптимального планирования эксперимента и алгоритм farthest-first, который последовательно выбирает наиболее отличающиеся друг от друга задачи. Для farthest-first также получены теоретические оценки, связывающие качество покрытия пространства представлений датасетов со снижением ошибок при оценке моделей и восстановлении их ранжирования. 🌫 Подход проверили на бенчмарках классификации временных рядов, обработки естественного языка и рекомендательных систем. Для временных рядов лучшая стратегия сохранила ранжирование 35 алгоритмов с корреляцией Спирмена 0,95, используя 5 датасетов вместо 112. В задачах NLP специальные методы отбора также превосходили случайный выбор, тогда как для рекомендательных систем их преимущество оказалось менее выраженным. Результаты показывают, что бенчмарк можно существенно сократить, однако эффективность такого сокращения зависит от того, насколько хорошо характеристики датасетов отражают важные различия между задачами.

🤖 ИИ на борту: приглашаем на семинар Александра Меньщикова об автономных системах 19 августа в Сколтехе пройдёт семинар Александра Меньщикова, руководителя лаборатории «Искусственный интеллект для автономных систем» Центра ИИ Сколтеха. Тема доклада — Embedded AI for On-Board Computations and Navigation in Autonomous Systems / «Встроенный ИИ для бортовых вычислений и навигации в автономных системах». 📜 Семинар будет посвящён embedded AI — ИИ-решениям, которые работают непосредственно на борту автономной системы и позволяют выполнять вычисления в реальном времени. Такие подходы особенно важны для беспилотников, роботов и спутников, которым нужно принимать решения без постоянной связи с внешней инфраструктурой. 📍 Александр расскажет, как методы embedded AI сочетаются с различными подходами к одновременной локализации и построению карты — SLAM — для задач автономной навигации. В докладе будут рассмотрены полностью автономные беспилотные летательные аппараты, способные летать в неструктурированной среде, например в лесу, без заранее известной карты. 🚀 Также речь пойдёт о мультимодальных системах восприятия для робототехники и бортовых вычислительных системах с ИИ для спутников. ⏰ 19 августа, 16:00–16:45 🌳 E-B4-3005, кампус Сколтеха Приглашаем всех интересующихся автономными системами, робототехникой, SLAM, embedded AI и бортовыми ИИ-вычислениями.

🚀 В научно-популярных СМИ вышло ещё несколько материалов об исследовании Центра ИИ Сколтеха, посвящённом применению искусственного интеллекта и спутниковых данных для мониторинга пожаров, наводнений, засух и изменений земного покрова. Авторы проанализировали более 200 научных работ и проследили развитие отрасли — от спектральных индексов, позволяющих выделять на снимках воду, растительность или выгоревшие территории, до свёрточных нейросетей, трансформеров и геопространственных фундаментальных моделей.

«Мы хотели не просто перечислить современные алгоритмы, а понять, в каких задачах они действительно дают преимущество и где упираются в ограничения данных и самих природных процессов. Для практического мониторинга важна не только точность на тестах: модель должна работать на новых территориях, учитывать физику процесса и показывать, насколько можно доверять её прогнозу», — Светлана Илларионова, руководитель исследовательской группы «Компьютерное зрение для обработки данных» Центра ИИ Сколтеха.

🤚 Современные модели особенно полезны там, где нужно объединять разные типы спутниковых наблюдений — оптические, радиолокационные, тепловые данные и сведения о структуре поверхности. При этом универсальной модели природной угрозы не существует: пожар или наводнение могут развиваться за часы, тогда как засуха и деградация леса формируются месяцами и годами. Поэтому одним алгоритмам важнее распознавать пространственную структуру территории, другим — отслеживать развитие процесса во времени. 📝 Один из ключевых выводов работы — усложнение модели само по себе не решает проблему надёжности. Алгоритм, обученный на данных одного региона, может заметно потерять точность в другом из-за различий в климате, рельефе, растительности, качестве снимков и способах сбора данных. Кроме того, многие системы пока не умеют корректно показывать, насколько они уверены в собственном прогнозе. 📊 Более надёжный подход авторы видят в сочетании машинного обучения с физическими моделями и данными из нескольких источников. Такие системы должны учитывать физические законы, сопоставлять спутниковые и наземные наблюдения, сохранять качество при переносе на новые территории и вместе с прогнозом показывать степень его неопределённости. 🔘Читать материалы CNews, Наука Mail, NewNews

🌆 В Нижнем Новгороде прошла VII Международная научно-практическая конференция «Интеллектуальный анализ данных в нефтегазовой отрасли», объединившая специалистов по ИИ, геомоделированию и цифровым технологиям для решения инженерных задач. Свои разработки на конференции представили пять исследователей Центра ИИ Сколтеха — Сергей Сафонов, Сергей Шумилин, Сергей Войтов, Григорий Шутов и Вячеслав Наумов. 🌫 Сергей Сафонов, профессор Центра ИИ Сколтеха, выступил с докладом «Интеллектуальное планирование для полного цикла строительства скважин». Он представил систему динамического ИИ-планирования, которая автоматически формирует детальный план строительства скважины с учётом последовательности операций, времени, ресурсов и стоимости, а затем может перестраивать его уже в ходе работ при изменении состояния буровой или возникновении осложнений. Такой подход позволяет связать первоначальное планирование, мониторинг фактического хода работ и оперативные изменения в одном цифровом контуре. Следующий шаг — нейросимвольный планировщик, который объединит гибкость больших языковых моделей с формальной логикой и проверяемостью символьных алгоритмов планирования. 📊 Сергей Шумилин, руководитель исследовательской группы «ИИ для инженерных систем» Центра искусственного интеллекта Сколтеха, представил PetroGraph — мультиагентную систему для автоматической адаптации гидродинамических моделей нефтегазовых месторождений. Обычно этот процесс требует множества итераций: инженер выбирает параметры, запускает расчёты, сравнивает модель с историческими данными и определяет, что изменить дальше. PetroGraph автоматизирует эту последовательность: система подбирает параметры и их диапазоны, запускает расчёты, анализирует расхождения и выбирает следующие итерации, а специалист взаимодействует с ней через чат. Это сокращает объём рутинной работы инженера-гидродинамика и ускоряет подготовку сценариев разработки месторождения. На демонстрационной модели Norne качество адаптации улучшилось на 13%. 🌫 Сергей Войтов, исследователь в группе «ИИ для инженерных систем» Центра искусственного интеллекта Сколтеха, выступил с докладом «Генерация и редактирование технологических схем с помощью LLM-агентов». Разработанная система P&ID Pilot охватывает два этапа: построение поточной схемы PFD и её дальнейшее преобразование и редактирование на уровне P&ID. Для генерации PFD исследователи сравнили мультиагентную систему, генетический алгоритм, обучение с подкреплением и гибридный подход. Лучший результат показало сочетание генетического алгоритма и LLM: оно позволило получить валидную схему без нарушений с минимальным отклонением выходных параметров среди рассмотренных методов. При работе с P&ID инженер задаёт изменение на естественном языке, LLM определяет необходимые действия, система вносит их в граф схемы и затем проверяет результат. 💡 Григорий Шутов, старший инженер-исследователь Центра ИИ Сколтеха, представил два доклада - о нейросетевом моделировании полей проницаемости с оценкой неопределённости и о генерации геологических обстановок по скважинным данным и геологическим статистикам с помощью диффузионных моделей. Поскольку подземное строение месторождения нельзя наблюдать целиком, такие методы позволяют строить несколько возможных вариантов его геологической структуры и оценивать неопределённость полученных моделей. 🌫 Вячеслав Наумов, инженер-исследователь Центра ИИ Сколтеха, представил доклад «Самообучающийся алгоритм огрубления вычислительных сеток для двухфазного течения в пористых средах». Детальное моделирование движения нефти и воды в пласте требует больших вычислительных ресурсов, особенно когда расчёты нужно многократно повторять для разных сценариев разработки. Исследователи предложили алгоритм на основе графовых нейронных сетей, который автоматически упрощает расчётную сетку, сохраняя при этом ключевые характеристики течения и совместимость с исходным симулятором. В экспериментах удалось уменьшить размерность сетки в 10 раз при погрешности менее 1–1,5%, обученная модель сохраняла точность при изменении проницаемости пласта и расположения скважин.

🌫 Какие сегменты российского рынка искусственного интеллекта будут расти быстрее остальных в ближайшие годы и что будет определять спрос на ИИ со стороны бизнеса? Об этом «Российской газете» рассказал профессор РАН, вице-президент по развитию искусственного интеллекта Сколтеха, директор Центра ИИ Сколтеха Евгений Бурнаев. 📊 По данным исследования «РАИ-2026», по итогам 2025 года объём российского рынка искусственного интеллекта достиг 316,1 млрд рублей. Значительная часть выручки приходится на оборудование — вычислительные серверы, ускорители и инфраструктуру для центров обработки данных. При этом самая многочисленная группа участников рынка — компании, предлагающие готовые ИИ-продукты для конкретных задач бизнеса. 🔘 Отдельно в материале рассматриваются облачные сервисы и платформы. Их доля в выручке рынка, согласно приведённому в статье прогнозу, в ближайшие годы будет расти. При этом спрос на оборудование сохраняется: его продажи также продолжают увеличиваться. По словам Евгения Бурнаева, решения в области безопасности ИИ сейчас показывают высокие темпы роста, хотя пока занимают небольшую долю рынка. В среднесрочной перспективе быстрее будут развиваться облачные платформы, прикладные ИИ-системы и услуги по их внедрению.

«Бизнесу всё реже нужен просто доступ к нейросети и всё чаще — законченная система, которая работает с корпоративными данными, подключена к необходимым инструментам и способна решать конкретную задачу с измеримым результатом», — отметил Евгений Бурнаев.

💡 Следующей точкой роста станут прикладные решения и их интеграция в работу компаний — прежде всего агентные системы, промышленный и инженерный ИИ, а также решения для медицины и финансов. В этих областях универсальной языковой модели недостаточно: её необходимо дополнять отраслевыми данными и инструментами проверки результата. Читать подробнее в материале

🪐 Российская сборная третий год подряд становится абсолютным чемпионом Международной олимпиады по искусственному интеллекту IOAI. В Астане восемь участников команды завоевали семь золотых и одну бронзовую медаль, встретившись в финале с участниками из 105 стран. 💡 К соревнованиям команду готовили эксперты из ведущих российских научных и образовательных организаций. Одним из тренеров сборной стала Ильсеяр Алимова, ведущий инженер по машинному обучению Центра ИИ Сколтеха. Она рассказала, что отличает сильнейших участников IOAI и как устроена подготовка команды к международному финалу. 🌫 Сегодня для победы в олимпиаде по ИИ одних знаний недостаточно: важны практика, сильная теоретическая база и способность сохранять спокойствие в условиях соревнования.

«Я бы сказала, что здесь прежде всего важна практика: нужно решать как можно больше и разнообразнее задач и соревнований на Kaggle, а также иметь хорошую теоретическую базу, чтобы быстро сориентироваться и понять, какой подход лучше всего подойдет для конкретной задачи. Этому, конечно, можно научиться, но, как правило, не за короткий срок. Обычно ребята приходят уже с опытом участия в различных контестах, это необходимая база для прохождения отбора в международную команду. Кроме того, не менее важна психологическая подготовка. Нужно уметь сохранять спокойствие, не поддаваться панике и держать голову ясной на протяжении всего тура, даже когда что-то не получается или времени остается совсем мало», — объясняет Ильсеяр Алимова.

🌫 За подготовкой команды стоит большая работа тренеров: помимо лекций, тренеры придумывают задачи, готовят данные и задания для работы в соревновательном формате, на которых участники отрабатывают навыки перед IOAI.

«При подготовке мы читаем лекции, чтобы укрепить теоретическую базу, и даём ребятам практические задачи в формате соревнований. Самое сложное и трудозатратное - это придумывать задачи и готовить все необходимые компоненты: данные, бейзлайны, авторские решения. Мне кажется, что здесь влияет всё в совокупности, как в салате Оливье: важен не какой-то один ингредиент, а то, как они сочетаются между собой. Каждый тренер привносит свои знания и экспертизу: я, например, специализируюсь на NLP, кто-то - на CV, аудио или ML. При этом мы не только даём знания по конкретным направлениям, но и постепенно натаскиваем ребят именно на решение соревновательных задач», - рассказывает Ильсеяр.

🌫 Высокий результат на IOAI складывается из множества факторов — от теоретической базы и практики до опыта соревнований и умения сохранять концентрацию в сложной ситуации. Всё это тренерская команда последовательно отрабатывает с участниками: специалисты с разной экспертизой расширяют круг задач, с которыми сталкиваются школьники, усиливают их подготовку по отдельным направлениям и учат быстро выбирать рабочий подход. Именно поэтому за победами стоит не только талант участников, но и большая совместная работа всей команды.

🛰 Учёные Сколтеха проанализировали более 200 научных работ о том, как искусственный интеллект помогает следить за лесными пожарами, наводнениями, засухами и изменениями земного покрова по спутниковым данным. Они сопоставили подходы от спектральных индексов до геопространственных фундаментальных моделей и выяснили, где ИИ действительно даёт преимущество, а где упирается в ограничения. О том, что показало исследование, можно узнать: 🔹 в наших карточках; 🔹 в подробном материале на сайте Сколтеха; 🔹 в оригинальной работе в журнале Earth Systems and Environment. Сколтех входит в группу ВЭБ.РФ. 📲 Новости и события Сколтеха также доступны в MAX и VK.

🪐 SMILES-2026 со стороны Нанкинского университета: что осталось за кадром? Две недели в Сучжоу, 100 очных участников из разных университетов и стран и одна большая тема — ИИ для инженерных задач. Нанкинский университет подвёл итоги SMILES-2026, сделав акцент на том, как школа устроена изнутри. 🌆 ИИ — не сам по себе, а для реальных научных и инженерных задач. На SMILES-2026 в Сучжоу обсуждали, как современные подходы — от больших языковых и мультимодальных моделей до цифровых двойников, компьютерного зрения и медицинского ИИ — работают за пределами лабораторных бенчмарков. Эксперты разбирали реальные задачи науки и индустрии и вместе с участниками обсуждали, как сделать ИИ-системы не только мощнее, но и надёжнее, понятнее и удобнее для практического использования. 🌫 Лекции сразу превращались в исследовательскую практику. Участники объединялись в международные команды и вместе с наставниками работали над собственными проектами: формулировали проблему, разрабатывали метод, проводили эксперименты и анализировали результаты. За две недели они фактически проходили основные этапы настоящей научной работы. 🌫 На постерной сессии участники представляли собственные исследования, с которыми приехали на SMILES. В этом году на одной площадке собрали 88 работ: молодые исследователи рассказывали о своих научных результатах, обсуждали их с экспертами и знакомились с исследованиями других участников. За несколько часов можно было обсудить свою работу с учёными из разных областей, получить содержательные замечания и найти людей, занимающихся смежными задачами. 🌫 После школы остаются не только знания. Заместитель декана Института интеллектуальных наук и технологий Нанкинского университета Дай Ванчжоу отметил, что участники увозят из Сучжоу не только новые знания, но и будущих коллег по исследованиям и международные связи. Отдельно он подчеркнул, что быстрое развитие ИИ должно идти вместе с особым вниманием к безопасности технологий, их управляемости и человеческим ценностям. А участникам предложил возвращаться в Нанкинский университет уже как исследователям, преподавателям или предпринимателям. 🌫 Нанкинский университет описывает SMILES как площадку, где соединяются академическая глубина, интенсивная практическая работа и международное общение. В университете отдельно отмечают, что школа укрепила сотрудничество со Сколтехом и международными партнёрами в подготовке специалистов по ИИ и совместных исследованиях. Идеи и научные связи, возникшие за две недели в Сучжоу, должны получить продолжение уже после школы — в новых проектах и международных коллаборациях. При этом развитие ИИ, подчёркивают в университете, должно оставаться ответственным и приносить пользу науке и обществу.

🏆 Сборная России по ИИ третий год подряд стала абсолютным чемпионом мира — среди тренеров Ильсеяр Алимова из Сколтеха Школьная сборная России завоевала семь золотых и одну бронзовую медаль на III Международной олимпиаде по искусственному интеллекту (IOAI 2026), которая проходила 2–7 августа в Астане. Россия заняла первое место в общем зачёте, опередив команды Китая и Польши. Одним из тренеров сборной стала Ильсеяр Алимова, ведущий инженер по машинному обучению Центра искусственного интеллекта Сколтеха. Вместе с экспертами Центрального университета, Альянса в сфере ИИ и других российских и международных организаций она готовила школьников к соревнованиям. 🧑‍🎓 В финале участвовали 465 школьников из 105 стран — рекордное число государств за всю историю олимпиады. Участники решали задачи по компьютерному зрению, обработке аудио, робототехнике, большим языковым моделям, генерации изображений и другим направлениям современного машинного обучения. Россияне получили восемь медалей из восьми возможных. Семь участников стали золотыми медалистами, ещё один завоевал бронзу. Артём Горохов из Санкт-Петербурга стал абсолютным победителем IOAI 2026. Для российской сборной это уже третья победа подряд: команда становилась абсолютным чемпионом Международной олимпиады по искусственному интеллекту также в 2024 и 2025 годах.

«TL;DR: мы уделали всех 😎 Топ-1, 7 золотых и 1 бронза», — коротко подвела итоги Ильсеяр.

👍 Поздравляем Ильсеяр, всю тренерскую команду и ребят с выдающимся результатом!

🐝 «Известия» рассказали об алгоритме учёных Центра ИИ Сколтеха для устойчивого полёта робошмеля «Известия» выпустили материал об исследовании учёных Сколтеха, опубликованном в августовском номере журнала Communications in Nonlinear Science and Numerical Simulation. Мы писали о нём на этапе препринта в январе. 🤖 Команда исследователей разработала алгоритм стабилизации миниатюрных летательных аппаратов с машущими крыльями, аэродинамика которых воспроизводит особенности полёта шмеля. Система управляет полётом «от взмаха к взмаху», корректируя кинематические параметры крыльев и возвращая аппарат к заданной скорости после внешнего воздействия. Алгоритм испытали в цифровой среде, совместимой с методами обучения с подкреплением. Предложенный гибридный контроллер расширил область устойчивости по сравнению с линейным регулятором и стабилизировал модель при вертикальных порывах силой свыше 60% веса аппарата.

«Наш метод позволяет роботу сохранять устойчивый полёт в гораздо более широком диапазоне условий. Это особенно важно для микроустройств, которым предстоит работать в экстремальной среде: между деревьями, внутри зданий, в поисково-спасательных операциях, при мониторинге инфраструктуры или опылении растений в теплицах», — рассказал «Известиям» руководитель исследовательской группы Центра ИИ Сколтеха Николай Ефанов.

В материале «Известий» также рассматриваются перспективы применения таких аппаратов для разведки и работы в труднодоступных пространствах. При этом сама научная статья посвящена не готовому роботу и не отдельным прикладным сценариям, а системе управления полётом и воспроизводимой цифровой платформе для тестирования контроллеров. Авторы научной статьи — Павел Коноплёв, Артём Михайлов, Николай Ефанов, Дмитрий Коломенский, Алексей Полилов и Евгений Бурнаев. Пять авторов представляют Сколтех, Алексей Полилов — МГУ имени М. В. Ломоносова.

📱 Роботы на виду, технологии — за кадром ICT.Moscow проанализировал 4,7 тыс. публикаций об искусственном интеллекте из 536 российских источников. В 77% материалов не объясняется, какие именно модели и методы стоят за ИИ-решением. А в 68% новостей, где нейросети всё же упоминаются, не уточняется даже их тип. 📊 Когда конкретика появляется, медиаповестку формируют прежде всего большие языковые модели — на них приходится 48% упоминаний. Компьютерное зрение занимает второе место с 34%. А технологии физического ИИ — VLA-модели, модели мира и воплощённый ИИ — встречаются менее чем в 1% публикаций каждая. 🤖 При этом именно робототехника стала главным пересечением ИИ с другими технологиями: на роботов, автономный транспорт и беспилотные системы приходится 77% таких инфоповодов. Получается парадокс: о роботах пишут много, но о том, как они воспринимают среду, принимают решения и планируют движение, — почти не говорят. Именно эту «невидимую» часть мы разбираем в «Точке машинного зрения»: не только что создали исследователи, но и за счёт каких методов система работает, чему её обучают и где проходят границы её возможностей. 👍 Ещё один показательный результат исследования: open source упоминается всего в 0,3% новостей об ИИ. То есть за кадром остаются не только алгоритмы, но и сама культура открытых разработок, без которой современные исследования и инженерные решения развивались бы значительно медленнее.

#highlights 🇰🇿 Ильсеяр Алимова, ведущий инженер по машинному обучению Центра ИИ Сколтеха, — тренер сборной России на III Международной олимпиаде по искусственному интеллекту в Астане. Вместе с командой российских школьников она приехала в Казахстан бороться за медали. Впереди индивидуальные и командные испытания — болеем за наших! 🏆

🌐 Поставки передовых чипов можно ограничить, доступ к дата-центрам и сильнейшим моделям — сделать дороже и сложнее. Но научные знания, программные библиотеки и инженерные решения распространяются по другим законам. Где проходят границы технологического контроля, как ограничения влияют на доступность и полезность моделей, почему доступ к зарубежным моделям не заменяет собственных разработок, рассказал «Российской газете» профессор РАН, вице-президент по развитию искусственного интеллекта, директор Центра ИИ Сколтеха Евгений Бурнаев. 🔐 Почему ограничения лучше действуют на вычислительную инфраструктуру, чем на распространение технологий, объясняет Евгений Бурнаев:

«Ограничить доступ к передовым ИИ-моделям для других стран и конкурентов вполне реально, а вот сделать барьер герметичным вряд ли выйдет. Экспортный контроль хорошо работает там, где ресурс — ускорители, дата-центры, облачные мощности — ограничен физически».

💡 Со знаниями ситуация принципиально иная, отмечает Евгений Бурнаев: результаты исследований, программные инструменты и модели предыдущих поколений невозможно надолго удержать внутри одной страны.

«Статьи, библиотеки, инженерные приемы, модели предыдущих поколений расходятся по миру слишком быстро, и удержать их внутри одной страны надолго не получается. Это скорее турникет. Он не гарантирует, что никто не пройдет, но определяет, кто пройдет, когда и какой ценой. А в нашей области отставание даже на год-два значит очень много».

⚖️ Ограничения могут касаться не только доступа к моделям, но и того, на какие запросы им разрешено отвечать. Однако большое число отказов ещё не делает систему безопасной, а готовность отвечать на всё подряд — качественной. Как подчёркивает Евгений Бурнаев:

«Модель, которая уверенно отвечает на всё подряд, не обязательно хороша. Иногда самый точный ответ звучит так: имеющихся данных недостаточно. Регулирование должно быть соразмерно цене ошибки, а не сводиться к одному запрету на все случаи жизни».

🚀 Для России один из ключевых выводов связан с технологической независимостью. Зарубежные модели могут быть полезны, но условия доступа к ним всегда определяет внешний разработчик, напоминает Евгений Бурнаев:

«Доступ к чужим моделям полезен, но самостоятельности он не заменяет. Поставщик всегда дает ровно тот уровень доступа, которым готов поделиться».

👝 Поэтому важны не только собственные базовые модели и вычислительная инфраструктура, но и компетенции, позволяющие дообучать, адаптировать и внедрять открытые решения под конкретные задачи. Подробнее читайте в материале

Больше вариантов — меньше тупиков: как ИИ помогает роботам планировать движение 📃 Исследователи Центра ИИ Сколтеха совместно с коллегой из Пекинского технологического института предложили новый способ генерировать траектории для автономных роботов. Статья опубликована в журнале Robotics (первого квартиля по Scopus CiteScore в категории Control and Optimization). 👣 Авторы от Центра ИИ Сколтеха — Тимур Ахтямов, аспирант Лаборатории мобильной робототехники; Герман Девчич и Денис Фатыхов, магистранты программы «Науки о данных»; Егор Кузнецов, магистрант программы «Искусственный интеллект и робототехника»; Гонсало Феррер, доцент и руководитель Лаборатории мобильной робототехники. Соавтор работы Чэнпу Юй представляет Пекинский технологический институт.

"Робот перебирает множество вариантов траекторий для дальнейшей оптимизации - с какой скоростью ехать, - объясняет Тимур Ахтямов. - Но стандартные методы часто создают похожие траектории, поэтому часть доступного пространства остаётся неисследованной, а подходящий путь может просто не попасть в число рассматриваемых”.

🌎 Авторы разработали генеративные модели, которые создают более разнообразные последовательности управляющих действий и равномернее охватывают возможные состояния робота. В основе предложенных подходов -- максимизация взаимной информации и методы вариационного байесовского вывода. В отличие от ряда существующих подходов, ему не требуется не требуется заранее дискретизировать пространства действий и состояний. 🌫 Подход проверили на моделях движения колёсных роботов и в задачах социальной навигации — например, когда роботу необходимо безопасно перемещаться среди людей. Новые методы расширили охват возможных траекторий и повысили долю успешно выполненных сценариев по сравнению со стандартными способами случайной генерации вариантов движения. Пока авторы рассматривают работу как подтверждение работоспособности идеи, которую предстоит проверить на реальных роботах. 📎 Исследователи также опубликовали открытый код, чтобы результаты можно было воспроизвести и использовать в дальнейших работах.

🌐 Ведущая англоязычная газета Китая посвятила материал взглядам Евгения Бурнаева на будущее ИИ China Daily, ведущая национальная англоязычная газета Китая, посвятила отдельный материал взгляду вице-президента Сколтеха по искусственному интеллекту, директора Центра ИИ Сколтеха, профессора РАН Евгения Бурнаева на развитие отрасли. 👍 В основе публикации — вопрос, который становится всё важнее по мере «взросления» технологий: можно ли создавать полноценную инфраструктуру искусственного интеллекта в условиях научной, инженерной и технологической разобщённости. Евгений подчёркивает, что ИИ уже вышел за пределы отдельных лабораторий и цифровых проектов. Он становится основой решений для здравоохранения, промышленности, логистики и климатического мониторинга — а значит, требует огромных объёмов данных, вычислительных ресурсов и согласованных инженерных подходов. 🗺 Особое внимание China Daily уделяет риску того, что технологии ИИ могут не сократить, а многократно увеличить разрыв между странами. Один из ответов на этот вызов — сотрудничество в фундаментальной науке и образовании:

«В фундаментальных исследованиях нет деловой конкуренции. Их результаты в некотором смысле принадлежат всем», - отметил Евгений Бурнаев.

Не менее важны единые критерии оценки и международные технические стандарты: без них критически значимые системы, объединяющие компоненты из разных технологических сред, могут оказаться ненадёжными или несовместимыми. 🤖 Ещё один вопрос, поднимаемый в материале — воплощённый ИИ и интеллектуальная робототехника. Модели, которые связывают зрительное восприятие, язык и действие, способны заметно расширить автоматизацию производства и взять на себя работу в опасных для человека условиях. Позиция российского учёного стала смысловой основой публикации об устройстве будущей ИИ-инфраструктуры — от фундаментальной науки до глобальных стандартов и робототехники. 📑 Читать материал в China Daily⁠

📄 От отдельной модели к исследовательской системе: профессор Сколтеха выступил на «Ректории» Профессор Центра искусственного интеллекта Сколтеха Сергей Сафонов выступил конференции «Ректорий», организованной СберУниверситетом. Сколтех на мероприятии также представляла ректор, академик РАН Юлия Горбунова, присутствовавшая в качестве гостя. В рамках секции «Искусственный интеллект как драйвер научных прорывов: от лабораторных экспериментов к масштабируемым исследовательским решениям» эксперты обсудили, в каких научных и инженерных направлениях ИИ обладает наибольшим потенциалом, как университетам выстраивать современный R&D-процесс и почему успешные эксперименты часто не доходят до полноценного внедрения. Встреча прошла в формате открытой дискуссии. 🌫 По словам Сергея Сафонова, сегодня исследователи всё чаще работают не с отдельной нейросетью, а с целостной системой, объединяющей модель, данные, вычислительную среду, память, инструменты и протоколы взаимодействия с человеком. В Центре ИИ Сколтеха этот уровень называют инженерным ИИ. Его развитие связано сразу с несколькими направлениями: способностью моделей выполнять длинные последовательности рассуждений, агентностью — доступом к коду, памяти и базам данных — и физическим ИИ, который через симуляции, численное моделирование и робототехнику включается в реальный инженерный контур. 🌫 При этом ключевой задачей становится не простое увеличение размера моделей, а создание более эффективных и контролируемых систем. Они должны позволять проследить весь ход решения, проверить результат, определить источник ошибки и объяснить выбор каждого действия. Такой подход уже применяется в проектах Центра ИИ Сколтеха — от самообучающихся моделей нефтегазового пласта до систем анализа нормативной документации.

"Современный университетский R&D, - отметил Сергей Сафонов, - требует полноценной исследовательской среды: качественных данных и методов проверки, инструментов планирования, аудируемого контура исполнения, памяти подтверждённого опыта и понятного распределения ролей между учёным и ИИ-агентами. В результате модельная гонка постепенно дополняется платформенной: конкурировать будут не только отдельные алгоритмы, но и целостные среды, в которых результат можно воспроизвести, проверить, объяснить и масштабировать".

📝 Исследователи Центра ИИ Сколтеха проанализировали более 200 научных работ о применении спутниковых данных и ИИ для мониторинга лесных пожаров, наводнений, засух и изменений земного покрова. Обзор опубликован в журнале Earth Systems and Environment. 🧑 Авторы статьи — сотрудники и эксперты Центра ИИ Сколтеха: Светлана Илларионова, руководитель исследовательской группы «Компьютерное зрение для обработки данных»; Усман Тасуев, инженер-программист; Полина Трегубова, эксперт в области биологических наук; Иван Рубин, инженер-исследователь; Дмитрий Шадрин, руководитель направления; Алексей Зайцев, доцент, заведующий лабораторией прикладных исследований «Сколтех–Сбербанк»; Александр Марусов, руководитель исследовательской группы; профессор Александр Бернштейн и профессор РАН Евгений Бурнаев, вице-президент Сколтеха по развитию искусственного интеллекта, директор Центра ИИ Сколтеха. 🌎 Спутниковый снимок — это не просто фотография Земли. Разные системы наблюдения фиксируют разные свойства поверхности: оптические, радиолокационные и тепловые данные, а также сведения о структуре и высоте объектов. Главное преимущество современных моделей ИИ — способность объединять эти источники и находить взаимосвязи, которые трудно описать вручную. 📶 Авторы проследили развитие отрасли от спектральных индексов — сравнительно простых формул, позволяющих выделять на снимках воду, растительность или выгоревшие территории, — до свёрточных нейросетей, рекуррентных моделей, трансформеров и геопространственных фундаментальных моделей. Последние предварительно обучаются на больших массивах спутниковых данных, а затем адаптируются к конкретным экологическим задачам. 🛡 Универсальной модели природной угрозы не существует. Пожар или наводнение могут развиваться за часы, тогда как засуха, деградация леса или изменение земного покрова становятся заметны в течение месяцев и лет. Поэтому одним алгоритмам важнее распознавать пространственную структуру территории, другим — отслеживать развитие процесса во времени, а более сложным системам приходится делать и то и другое одновременно. 🏔 Глубокое обучение особенно полезно там, где нужно анализировать большие территории, учитывать пространственный контекст и объединять наблюдения разных типов. Но высокий результат на тестовых данных ещё не означает, что модель готова работать в реальной системе мониторинга. 📝 Один из главных выводов исследования: чем сложнее модель, тем важнее понимать границы её применимости. Алгоритм, обученный на данных одного региона, может заметно потерять точность в другом — из-за иного климата, рельефа, растительности, качества снимков или способов сбора данных. При этом многие системы пока не умеют корректно сообщать, насколько они уверены в собственном прогнозе. 🤖 Есть и ограничения, которые нельзя устранить простым увеличением модели. Огонь может резко изменить направление из-за ветра и особенностей рельефа, поэтому даже самая сложная модель не всегда способна точно предсказать развитие пожара. Качество прогноза также зависит от точности метеорологических данных и полноты спутниковых наблюдений. Иными словами, проблема иногда заключается не в мощности алгоритма, а в том, достаточно ли информации для надёжного прогноза. 🗺 По мнению авторов, более надёжный подход — не заменять физические модели нейросетями, а объединять их возможности. Такие системы должны учитывать физические законы, сопоставлять данные разных спутников и наземных датчиков, сохранять точность при работе в новых регионах и вместе с прогнозом показывать, насколько ему можно доверять. 📶Исследование помогает увидеть общую картину: какие методы уже работают в задачах экологического мониторинга, где проходят их границы и что ещё предстоит решить. Подробнее о развитии этого направления — в наших материалах об основных вызовах машинного обучения для геопространственного моделирования в экологии и о разработанной в Центре ИИ системе прогнозирования возникновения лесных пожаров.

⚙️ Гибридный метод моделирования материалов получил награду в Пушкине и был представлен в Пусане Разработка Центра искусственного интеллекта Сколтеха, объединяющая атомистическое и континуальное моделирование материалов с помощью квазиатомов, получила признание сразу на двух научных конференциях. 🌐 На конференции PHENMA 2026 в Пусане Артём Чупров, стажёр-исследователь Центра искусственного интеллекта Сколтеха, выступил с приглашённым докладом о быстром и точном гибридном методе для одновременного моделирования твёрдых тел на атомистическом и континуальном уровнях. Работа выполнена совместно с Егором Нужиным, старшим инженером-исследователем Центра, и профессором Николаем Бриллиантовым. Разработанный подход позволяет подробно моделировать атомную структуру только в наиболее важных областях — например, вблизи трещин или в зоне контакта поверхностей, — а для остальной части материала использовать более крупные квазиатомы. Это существенно сокращает вычислительные затраты, сохраняя высокую точность там, где она необходима. Подробнее о методе — в статье Fast and accurate quasi-atom method for simultaneous atomistic and continuum simulation of solids, опубликованной в журнале Computer Physics Communications. Открытая версия доступна на arXiv. ☑️ Николай Бриллиантов также представил на PHENMA 2026 исследование динамической структурной сверхскользкости — режима, при котором поверхности перемещаются относительно друг друга с крайне малым трением. Он объяснил, почему в таком режиме сила трения может практически не зависеть от прижимающей нагрузки. Результаты исследования опубликованы в журнале Physical Review Letters: Atomistic Mechanism of Friction-Force Independence on the Normal Load and Other Friction Laws for Dynamic Structural Superlubricity. 🏆 Ранее эти направления были представлены на II Всероссийской конференции «Молекулярная динамика — 2026», проходившей с 28 июня по 5 июля в Пушкине. Николай Бриллиантов вошёл в организационный комитет конференции и выступил с докладом «Многообразие режимов трения на наномасштабе: от радиационного трения к сверхскользкости». Артём Чупров представил стендовый доклад «Гибридный метод молекулярно-континуального моделирования», подготовленный совместно с Егором Нужиным и Николаем Бриллиантовым. Работа вошла в число лучших стендовых докладов конференции и была отмечена дипломом II степени.

🌫 Две недели исследований и лучшие проекты: СМИ об итогах SMILES-2026 О завершении Международной летней школы машинного обучения Сколтеха в Сучжоу написали РБК Компании, Ведомости, Forbes и Lenta.ru. Собрали главное из публикаций — о победителях, проектной работе, академическом партнёрстве и перспективах разработок участников. 🌫 РБК Компании — о специальной номинации Альфа-Банка. Награду получила команда проекта FlowDraft, посвящённого ускорению параллельной генерации текста без потери качества. За время школы участники прошли полный цикл научной работы — от постановки задачи и первых экспериментов до публичной защиты перед экспертным жюри. 🌫 Ведомости — о масштабе школы и сотрудничестве Сколтеха с Нанкинским университетом — участником китайской Лиги C9 и одним из мировых лидеров по числу публикаций на NeurIPS. Очная программа объединила более 100 участников из России, Китая и других стран, ещё около 300 человек присоединились онлайн. 🌫 Forbes — о том, что SMILES вновь подтвердила статус одной из востребованных образовательных программ в области искусственного интеллекта. В материале рассказали о проектах, признанных лучшими по результатам школы. Их авторы исследовали границы применимости речевых ИИ-моделей, методы анализа видео без дополнительного обучения и внутренние механизмы работы трансформеров, лежащих в основе больших языковых моделей. 🌫 Lenta.ru — о практическом потенциале исследований для ИИ и финтеха. Идеи и решения, возникающие в международных научных коллаборациях, могут найти реальное применение уже в ближайшем будущем. Генеральный партнёр SMILES-2026 — Альфа-Банк. Партнёр программы поддержки молодых учёных — Группа «Т-Технологии».

🎯 Как поймать ИИ на выдумке: лекция Алексея Зайцева глазами участника SMILES-2026

«Your LLM knows when it’s lying. Literally!» («Ваша большая языковая модель знает, когда она врёт. В буквальном смысле!»)

С этой фразы выпускник международной летней школы SMILES-2026, магистрант СПбПУ Марван Аль-Фалах начал свой разбор лекции доцента Сколтеха Алексея Зайцева об оценке неопределённости и выявлении галлюцинаций больших языковых моделей. В десяти карточках Марван собрал основные подходы к проверке ответов LLM. Модель можно несколько раз спросить об одном и том же и оценить, насколько согласованы её ответы. Такой метод работает без доступа к внутреннему устройству модели, но требует дополнительных генераций и вычислительных ресурсов. Другой способ — анализировать скрытые представления и механизмы внимания, в которых могут проявляться признаки недостоверного ответа. 🗂 Один из примеров — метод TOHA, представленный в совместной работе исследователей Сколтеха, AIRI и Sber AI Lab. Метод преобразует карты внимания в графы и оценивает топологическое расхождение между запросом и ответом. В экспериментах TOHA оказался примерно в семь раз быстрее SelfCheckGPT даже при сравнении всего с одной дополнительной генерацией и показал сопоставимое или более высокое качество на ряде задач. На лекции также обсуждалось, почему стандартная уверенность модели не всегда отражает достоверность ответа. Иногда LLM выдаёт правильный результат, но внутренние механизмы оценивают его как ненадёжный; в других случаях модель, напротив, уверенно генерирует неподтверждённую информацию. 🤚 Поэтому неопределённость можно использовать не просто как показатель качества, а как управляющий сигнал: отказаться от ответа, обратиться к человеку, запросить дополнительные документы для RAG, выбрать наиболее надёжный вариант или направить вычислительные ресурсы на самые сложные примеры. Смотреть лекцию: YouTube | VK Видео