Подробный перевод ежегодного обзора будущего технологий и тенденций развития от Future Today Institute — вышедшего в декабре 2024 года.

Оригинал доклада «The Era of Living Intelligence» можно посмотреть ЗДЕСЬ. Авторы — Amy Webb и Sam Jordan.

FTI (Future Today Institute) — позиционирует себя как глобальная консалтинговая компания специализирующаяся на стратегическом прогнозировании.

Авторы делают обзор развития новых технологий и делают предсказание, что появляется новое понятие «Живой» Интеллект (LI) Living Intelligence, возникающий из ИИ — Искусственного Интеллекта (AI) Artificial Intelligence в соединении с биоинженерией и усовершенствованными «продвинутыми» датчиками.

Беру понятие «живой«, _{а возможно и «живущий», «существующий» или «похожий на настоящий» ;)} применительно к интеллекту, в кавычки т.к. термин еще не вошел в обиход и точного перевода пока не существует, но уже понятно, что авторы пытаются создать новые смыслы, в частности — Living Intelligence, и скорее всего, скоро он станет повсеместным с аббревиатурой LI.

Авторы рассматривают темы в следующем порядке:

• Следующая волна инноваций

• Основа: Искусственный Интеллект

• Продвинутые датчики

• Эволюция: Биоинженерия

• Эра «Живого» Интеллекта

• Призыв к действию

Следующая волна инноваций

Недавно с производительностью произошло нечто необычное: в августе 2024 года Бюро статистики труда США сообщило о росте производительности на 2,7% в годовом исчислении (_{U.S. Bureau of Labor Statistics, Second Quarter 2024, Revised}), что значительно выше среднего показателя в 1,5% за последнее десятилетие и темпа роста в Европе в 1%. «Разница (с учетом сложных процентов) просто колоссальна после 40 лет с точки зрения доходов и уровня жизни», — заявил председатель Федеральной резервной системы Джером Пауэлл незадолго до публикации отчета.

Экономисты связывают устойчивый рост производительности с инфляцией, нехваткой рабочей силы, падением заработной платы, увольнениями и автоматизацией. Спекуляции также сосредоточены на эффекте генеративного ИИ (genAI), и некоторые эксперты прогнозируют значительный рост производительности в течение следующего десятилетия, основываясь на многообещающих экспериментах по расширению человеческих агентов в таких отраслях, как колл-центры. Частичным результатом резкого роста производительности труда может стать значительный прирост ВВП в США к 2030 году за счет таких факторов, как развитие человеческого интеллекта, рост инноваций и замена труда машинами. (_{См. рисунок 1.})

Сценарии прироста ВВП в результате применения ИИ в США

Стандартное объяснение роста в эти периоды фокусируется на S-образных кривых — моделях быстрого роста и увеличения прибыли по мере того, как отрасль, продукт или бизнес-модель развиваются и в конечном итоге достигают зрелости и приходят в упадок. (_{См. рисунок 2.})

Эффект S-образной кривой внедрения технологий

В отличие от предыдущих циклов технологического прогресса, которые были более линейными, наше исследование показывает, что этот суперцикл носит экспоненциальный характер. Теперь мы видим доказательства того, что мы вступаем в лиминальный период между глубоким разрушением и гиперростом в результате пересечения не одной, а трех технологий общего назначения: искусственного интеллекта, продвинутых датчиков и биоинженерии. Отличительной чертой этого нового технологического суперцикла является конвергенция критических технологий, которые изменят мир глубочайшим и непредсказуемым образом.

Взаимодействие и пересечение этих технологий создаст комплексные эффекты, подталкивая мир к новой фазе технологического прорыва.

Взаимодействие и пересечение этих технологий создаст комплексные эффекты, подталкивая мир к новой фазе технологического разрыва. В результате экономические модели, структуры рабочей силы и геополитическая динамика власти не будут разрушены — они преобразуются на фундаментальном уровне. Новые технологии и их соединение фундаментально изменят целые секторы, такие как здравоохранение, финансы, энергетика и транспорт. Эта трансформация приведет к краху старых систем и возникновению новых структур.

Объединение этих трех технологий общего назначения приводит к появлению новой мощной силы, которую мы называем Живым Интеллектом (LI). «Живой» Интеллект состоит из перекрывающихся нитей технологий, каждая из которых мигает ярко-красными сигналами фундаментального экономического и общественного сдвига.

Основа: Искусственный Интеллект

Системы рассуждения, обучения и самосовершенствования формируют техническую основу перехода.

ИИ представляет собой следующую эру вычислений, и он встроен во все, что мы делаем. ИИ работает круглосуточно и никогда не нуждается в отдыхе. Это «двигатель всего», который питает технологический суперцикл.

Машинное обучение (ML), глубокое обучение (DL) и генеративный ИИ (genAI) — это взаимосвязанные области в искусственном интеллекте.

ML — это широкая область, в которой алгоритмы обучаются на данных, чтобы делать прогнозы или принимать решения без явного программирования, охватывающая такие методы, как контролируемое и неконтролируемое обучение.

DL — это специализированное подмножество ML, которое использует многослойные нейронные сети для автоматического изучения сложных шаблонов из больших наборов данных для выполнения таких задач, как распознавание изображений и обработка естественного языка.

GenAI, в свою очередь, — это приложение глубокого обучения, которое фокусируется на создании нового контента и концепций путем изучения шаблонов из существующих данных. Такие модели, как генеративные предварительно обученные трансформеры (GPT) и генеративные состязательные сети, используют DL для генерации новых выходных данных.

Последняя инновация Google, NotebookLM, использует свои передовые возможности ИИ, чтобы служить всеобъемлющим персональным помощником по исследованиям, преобразуя способ взаимодействия пользователей с собственными данными.

Пользователи загружают различные типы файлов, включая PDF-файлы, документы Word и даже аудио или веб-сайты, в специально созданные базы данных, которые затем обрабатываются с помощью Gemini (модели ИИ Google), что позволяет осуществлять динамическое взаимодействие с контентом посредством разговорных запросов. Этот интерактивный подход способствует более глубокому взаимодействию с материалом, поддерживая такие варианты использования, как создание учебных пособий, резюме и даже подкастов.

Одной из выдающихся особенностей NotebookLM является его способность управлять и синтезировать огромные объемы информации в нескольких документах одновременно, что является критическим отличием в ландшафте ИИ. В отличие от традиционных моделей ИИ, которые требуют переобучения на определенных наборах данных, NotebookLM фокусируется на эффективном использовании контекстного окна модели — ее кратковременной памяти — для повышения точности без необходимости долгосрочного хранения пользовательских данных. Это обеспечивает более низкий уровень галлюцинаций, улучшенную контекстную реакцию и повышенный контроль пользователей над своей информацией.

ИИ представляет собой следующую эру вычислений, и он встроен во все, что мы делаем. ИИ работает круглосуточно и никогда не нуждается в отдыхе. Это «двигатель всего», который питает технологический суперцикл.

ИИ также ускоряет разработку новых материалов. Проведение экспериментов часто требует небольших методичных корректировок измерений, материалов и входных данных и аспиранты могут тратить сотни утомительных часов, многократно внося небольшие коррективы, пока не найдут решение — пустая трата их времени и умственных способностей. В отличие от аспирантов, ИИ не нужно спать. Программа ИИ GNoME от Google DeepMind (названная так из-за своей способности графически строить сети для исследования материалов) значительно расширила вселенную стабильных материалов для создания таких вещей, как батареи, микрочипы и солнечные панели. Эти модели глубокого обучения генерируют миллиарды потенциально пригодных для использования структур. Затем лучшие кандидаты фильтруются с помощью моделей GNoME, которые предсказывают их стабильность исключительно на основе химических формул.

Инструмент выявил 421 000 новых потенциально стабильных кристаллов из огромного набора из 2,2 миллиона структур материалов, и более 700 уже были созданы и протестированы в лабораториях. Этот прорыв, опубликованный в Nature2, демонстрирует способность ИИ улучшать наше понимание материалов, свободных от ограничений человеческого разума.

Помимо проверки гипотез, ИИ также ускоряет научные эксперименты. Многие исследователи используют «самоуправляемые лаборатории» — автоматизированные роботизированные платформы, усовершенствованные с помощью ИИ. Одним из примеров является Emerald Cloud Lab, исследовательский центр, который проводит эксперименты без необходимости для исследователя ступать в физическое лабораторное пространство. Используя ИИ, лаборатория может автономно выполнять всё, от разработки метода до работы с приборами, сбора и анализа данных. Исследование 2023 года, опубликованное в Nature, показало, как самоуправляемая лаборатория успешно произвела 41 новое вещество за 17 дней непрерывной работы.

Но и сам ИИ быстро трансформируется. Модели ИИ становятся меньше и все чаще могут располагаться на грани. Расходы на вычисления для обучения больших языковых моделей (LLM) удваиваются каждые девять месяцев с 2016 года. В то же время физические вычисления, необходимые для получения желаемого качества результатов, сокращаются вдвое каждые восемь месяцев. ИИ становится более эффективным, но стоимость обучения все более мощных моделей быстро растет, даже несмотря на то, что достижения в области аппаратного обеспечения в некоторой степени снижают вычислительную нагрузку.

В ответ на это появились легкие и энергоэффективные малые языковые модели (SLM), которые имеют меньше параметров и более целевые наборы данных. Исследователи из Мичиганского университета оценивают, что SLM могут быть в 29 раз дешевле, чем LLM, потребляющие огромные объемы вычислительных и энергетических ресурсов. Сейчас существуют десятки SLM, и их число быстро растет. Они обеспечивают инновационные новые применения ИИ на периферийных устройствах.

ИИ становится более эффективным, но стоимость обучения все более мощных моделей быстро растет, даже несмотря на то, что достижения в области аппаратного обеспечения снижают вычислительную нагрузку.

Обзор индустрии

ИИ в разработке лекарств

Фармацевтическая промышленность была одним из первых стран, внедривших компьютерные технологии, и теперь быстро интегрирует ИИ в разработку лекарств. Традиционный используемый метод может быть непомерно дорогим и трудоемким: он может стоить до 2,6 млрд долларов и занять 13,5 лет, чтобы перейти от идеи к одобренному лекарству. Часть расходов связана с высоким уровнем отсева потенциальных кандидатов на лекарства. Почти 80% терпят неудачу из-за эффективности, токсичности или просто потому, что организм не распределяет или не усваивает лекарство должным образом.

Разработка новых лекарств оказалась разумной целью для ИИ, и исследования ускоряются. В 2019 году каждая десятая статья в научном журнале была посвящена ИИ в разработке лекарств; в 2024 году эта цифра составит каждая пятая. (_{См. рисунок 3.})

Статьи об исследованиях, связанных с ИИ, о разработке лекарств

Рассмотрим эти недавние достижения:

Медицинские приборы

Все чаще ИИ внедряется в медицинские устройства и ускоряет радиологические процессы и проведение сложных операций. В радиологии инструменты ИИ, такие как те, что используются в портативных ультразвуковых устройствах, позволяют быстрее диагностировать проблемы с сердцем, делая сложные эхокардиографические аппараты ненужными в некоторых случаях. Технология используется в Тель-Авиве в Медицинском центре Шиба, где исследователи разработали портативный ультразвуковой зонд в паре с планшетным компьютером и интегрировали его с инструментом компьютерного зрения для диагностики проблем с сердцем за считанные минуты. Изображения загружаются в защищенное облако, где они сравниваются с большим корпусом существующих сканов, и анализ отправляется обратно врачу почти в реальном времени. ИИ также приходит в хирургическое отделение. Сегодня хирурги могут выполнять роботизированные минимально инвазивные процедуры, управляя хирургическим роботом daVinci, руки которого оснащены хирургическими инструментами и камерой. Исследователи из Калифорнийского университета в Беркли, Google и Intel использовали видеозаписи хирургов для обучения алгоритма наложению швов с высокой точностью, что говорит о том, что ИИ, скорее всего, вскоре выйдет на новый уровень автономности.

Свертываемость белков

AlphaFold — это инструмент ИИ, который предсказывает структуру белков и превзошел примерно 100 команд в двухгодичном испытании по прогнозированию структуры белков, которое давно беспокоит биологов. В обновлении от декабря 2023 года Isomorphic Labs и DeepMind выпустили улучшенную модель AlphaFold, которая предсказывает структуры белков с большей точностью и моделирует взаимодействия с дополнительными молекулами, такими как лиганды. AlphaFold предсказал формы почти каждого белка в организме человека, а также сотен тысяч других белков, обнаруженных в 20 наиболее широко изученных организмах, включая дрожжи, плодовых мушек и мышей. И совсем недавно, в мае 2024 года, команда представила AlphaFold 3, новую модель, которая не только предсказывает структуру белков, но и почти всех элементов биологической жизни, таких как ДНК, РНК, лиганды и их взаимодействия.

Разработка лекарств с помощью ИИ

Ученые из Мюнхенского университета Людвига-Максимилиана разработали модель ИИ, которая предсказывает, где молекулы могут быть химически изменены, что обеспечивает более эффективный и устойчивый синтез. Команда Кембриджского университета создала платформу, которая автоматизирует эксперименты, а затем использует ИИ для прогнозирования химических реакций. До недавнего времени этот процесс проб и ошибок был медленным и неэффективным. Крупнейшие фармацевтические лидеры, такие как Johnson & Johnson, Novartis и AstraZeneca, уже наладили партнерские отношения со стартапами в области ИИ, чтобы использовать непревзойденную скорость глубокого обучения и возможности распознавания образов для анализа больших объемов данных. Хотя ИИ пока не может заменить лабораторную науку, он значительно ускоряет прогнозирование, проектирование и проверку, оптимизируя сроки.

Генеративный дизайн антител

Антитело — это белок, который защищает организм от вредных веществ и болезней.

В 2023 году исследователи из Absci Corp. показали, как генеративная модель ИИ смогла разработать несколько новых антител, которые связываются с рецептором HER2 более прочно, чем ранее известные методы лечения. Исследователи удалили данные об антителах, которые заставили бы модель просто имитировать структуру известных антител, которые хорошо работают. Полученные конструкции еще не были известны и получили высокую оценку «естественности», что означало, что они будут вызывать сильный иммунный ответ. Использование генеративного ИИ для разработки новых антител, которые функционируют на том же уровне — или даже лучше — чем те, которые вырабатывает организм, является многообещающим шагом на пути к снижению скорости и стоимости разработки терапевтических антител.

Испытания in-silico

Эти цифровые эксперименты используют компьютерное моделирование, а не людей для тестирования новых лекарств и методов лечения. Они используют ИИ для создания «цифровых близнецов», которые имитируют биологию и болезни человека, чтобы улучшить процесс разработки лекарств. Проводя тысячи виртуальных испытаний, исследователи могут быстро и недорого предсказать, как препарат может подействовать на пациентов-людей. Например, компания Novadiscovery использовала ИИ для точного прогнозирования результатов клинического испытания фазы 3. Испытания in-silico могут однажды заменить до половины испытаний на людях, и регулирующие органы изучают, как включить эти виртуальные результаты в процесс одобрения.

«Продвинутые» датчики

Данные, поступающие отовсюду, обучают ИИ в режиме реального времени, усиливая переход к ИИ.

Если ИИ — это двигатель всего, то этому двигателю понадобятся данные. Следующая технология общего назначения включает в себя продвинутые датчики: сеть взаимосвязанных устройств, которые обмениваются данными, чтобы способствовать и подпитывать развитие искусственного интеллекта.

Наше исследование показывает грядущий кембрийский взрыв из-за миллиардов и миллиардов датчиков, которые всегда включены и будут все больше включены (и, возможно, внутри) нас.

Датчики уже повсюду, их используют в различных отраслях. Производитель сельскохозяйственной техники John Deere использует интеллектуальные датчики для мониторинга состояния почвы, здоровья сельскохозяйственных культур и производительности оборудования. Датчики также позволяют тракторам вносить точные уровни удобрений. Данные, собранные с этих датчиков, поступают в алгоритмы, которые оптимизируют методы ведения сельского хозяйства, повышая урожайность и эффективность использования ресурсов.

По мере развития сенсорных технологий системы ИИ способствуют большим инновациям в устойчивом сельском хозяйстве. Компания Sentera, занимающаяся технологиями точного земледелия, производит беспилотники, оснащенные интеллектуальными датчиками, которые получают изображения высокого разрешения и данные о росте и здоровье сельскохозяйственных культур. Показатели воздуха помогают биоинженерам выявлять и понимать генетические особенности, которые способствуют оптимальному росту в различных условиях окружающей среды, что приводит к разработке биоинженерных культур, которые могут лучше адаптироваться к изменяющемуся климату и воздействию вредителей, тем самым повышая производительность и устойчивость сельского хозяйства.

Компания по экологическим технологиям Airly использует датчики и ИИ для мониторинга качества воздуха в реальном времени. Airly управляет обширной сетью современных электрохимических датчиков и лазерных счетчиков частиц для измерения газов (оксид углерода, диоксид азота, озон, диоксид серы) и условий окружающей среды, таких как давление, температура и влажность. В городе Варшава (Польша) установили 165 устройств для отслеживания качества воздуха в городе и, в конечном итоге, для улучшения здоровья населения. Данные выявили источники загрязнения на местном уровне, а дальнейший анализ привел к рекомендациям по внесению улучшений.

Xylem, компания по водным технологиям, разработала новый тип счетчика воды, который использует современные датчики и ИИ для управления проблемами распределения воды в густонаселенных районах. Счетчики непрерывно измеряют расход воды и предоставляют подробные данные о моделях потребления; они также могут определять аномалии в потоке воды, такие как падение давления или нерегулярные схемы использования, которые обычно возникают из-за утечки. Система искусственного интеллекта Xylem также включает в себя предиктивную аналитику для обслуживания. Вместо того, чтобы реагировать на прорыв трубы или сбой системы, датчики и инструменты искусственного интеллекта могут предупредить чрезвычайную ситуацию, отправляя оповещения сотрудникам коммунальных служб.

По мере совершенствования инженерной биологии появились новые типы биологических датчиков, которые можно носить и глотать. Их цель: отправлять и получать данные в режиме реального времени. Крошечные машины, называемые наноботами, могут контролировать здоровье пациентов в режиме реального времени после введения в кровоток. Выступая в качестве внутренних систем наблюдения, наноботы могут обнаруживать изменения в стимулах и условиях окружающей среды, что позволяет осуществлять непрерывный мониторинг здоровья и раннюю диагностику потенциальных проблем со здоровьем.

Наноботы также предлагают точное обнаружение и диагностику заболеваний на молекулярном уровне, взаимодействуя напрямую с клетками и клеточными механизмами. Например, рак мочевого пузыря является одним из самых распространенных видов рака в мире среди мужчин. Хотя современные методы лечения обеспечивают хорошие показатели выживаемости, почти половина всех опухолей рецидивируют в течение пяти лет, что требует постоянного мониторинга. Исследователи из Института биоинженерии Каталонии и CIC biomaGUNE разработали наноботов на основе мочевины, которые переносят радионуклиды, что уменьшило опухоли мочевого пузыря у мышей на 90%. Такой подход может привести к более эффективному лечению и потенциально сократить время госпитализации пациентов.

Некоторые неврологические расстройства лучше всего лечить с помощью нейростимуляции, но традиционные устройства для стимуляции на основе электродов могут случайно вызвать иммунные реакции. Канан Дагдевирен, профессор MIT Media Lab, возглавляет команду, которая разработала имплантируемый пьезоэлектрический ультразвуковой стимулятор, представляющий собой новый датчик, который может подавать ультразвуковое сфокусированное давление для модуляции нейронной активности. Ее команда также создала пьезоэлектрическую систему — по сути, мягкое, тонкое устройство с датчиками, — которое можно скручивать, обматывать и имплантировать в тело. Еще одна система использует пьезоэлектрический кристалл и сотовую накладку, которую можно удобно носить на груди для глубокого сканирования и визуализации тканей.

Компания AbbVie Inc. запатентовала подкожно вводимые методы лечения прогрессирующей болезни Паркинсона, а компания Life Patch International разработала персональные диагностические устройства с микрожидкостными контурами для трансдермального тестирования. Достижения Medtronic в области интеллектуальных датчиков глюкозы, которые обеспечивают мониторинг уровня сахара в крови в режиме реального времени, позволяют разрабатывать более отзывчивые и адаптивные биоинженерные инсулиновые помпы, которые могут автоматически регулировать дозировку на основе данных организма, улучшая управление диабетом и результаты лечения пациентов.

Компания Abbott, производитель медицинских устройств, создала свою систему CardioMEMS HF, которая использует интеллектуальные датчики, имплантированные в легочную артерию, для удаленного мониторинга жизненно важных показателей пациентов с сердечной недостаточностью. Данные в режиме реального времени с этих датчиков привели к созданию биоинженерных органов и тканей человека, которые могут лучше реагировать на состояния организма.

Умные датчики теперь фиксируют не только внутренние биологические показатели, но и данные о поведении, действиях и выражениях в нашей среде. По мере развития сенсорных технологий объем и качество собираемых данных растут, что подпитывает постоянное совершенствование моделей ИИ. Эта обратная связь позволяет ИИ захватывать более сложные и ранее недоступные типы данных. Такие компании, как Viso.ai, обеспечивают распознавание эмоций и анализ настроений, помогая ритейлерам оценивать поведение клиентов, выявлять интерес и предугадывать намерение покупки, обеспечивая своевременное вмешательство.

Поскольку системы ИИ все больше требуют разнообразных типов данных, особенно сенсорных и визуальных входов, большие языковые модели должны включать эти входы в свое обучение, иначе они рискуют достичь потолка производительности. Эта проблема возникает по двум основным причинам: истощение высококачественных данных для обучения и растущие правовые проблемы. В настоящее время большая часть данных для обучения ИИ поступает из онлайн-источников, таких как Wikipedia, Reddit и книги. Однако по мере возникновения судебных исков по фактам неправомерного использования защищенной авторским правом и частной информации объем доступных данных сокращается. В то же время системы ИИ жадно потребляют более сложные типы данных, такие как сенсорные и визуальные входные данные, а это означает, что большие языковые модели столкнутся с уменьшением отдачи, если они продолжат полагаться исключительно на текстовые данные. Чтобы поддерживать свою эффективность, этим моделям необходимо будет развиваться и интегрировать новые типы данных и источники. Компании поняли, что им нужно изобретать новые устройства, чтобы получать еще больше данных для обучения ИИ.

Датчики совершенствуются вместе с ИИ

Наше исследование показывает, что количество отчетов о доходах публичных компаний из США и Европы, в которых упоминаются ИИ и Интернет вещей (IoT), выросло на 61% с третьего квартала 2022 года. Количество патентных заявок на сенсорные технологии, а также количество крупных сделок, связанных с IoT, в фармацевтической отрасли значительно выросло с 2021 по 2022 год, хотя за ростом последовал период спада, прежде чем стабилизироваться на более высоком уровне.

Усовершенствованные датчики быстро развивались, отчасти благодаря ИИ. Они становятся все более сложными, миниатюрными и интегрируются в нашу повседневную жизнь — до такой степени, что теперь они в значительной степени невидимы для нас. Датчики спрятаны внутри устройств в наших домах, встроены в наши коммунальные услуги, подключены к производственным предприятиям и за их пределами, отслеживая и измеряя различные параметры вокруг нас, часто без нашего ведома.

Микроэлектроника и нанотехнологии теперь значительно уменьшили размер датчиков и открыли больше специализаций. Средний смартфон имеет от 18 до 25 датчиков (и их число растет), каждый из которых предназначен для определенного использования: для обнаружения движения, определения местоположения, определения окружающей среды и определения индивидуальных биометрических данных пользователя. Современные автомобили оснащены датчиками освещенности, которые автоматически включают фары автомобиля, когда на улице темно. Пища, которую вы едите, вероятно, прошла через дюжину или более датчиков для обнаружения патогенов, измерения содержания влаги, контроля скорости жидких ингредиентов во время смешивания и дозирования, оценки качества, измерения кислотности или щелочности и контроля уровней давления во время упаковки и стерилизации.

Являясь частью более широких сетей, усовершенствованные датчики собирают данные из огромного количества источников, которые обрабатываются и анализируются с помощью ИИ и могут обеспечивать принятие решений в режиме реального времени, но эти сети также могут научиться самосовершенствоваться посредством обучения с подкреплением и обратной связи с человеком.

Усовершенствованные датчики выведут ИИ за рамки Large Language Models (LLM) к Large Action Models (LAM)

В ближайшем будущем такие компании, как Apple или Google, будут встраивать интеллектуальные датчики в устройства для непрерывного сбора и анализа персональных данных, таких как показатели здоровья, данные о местоположении и информация о ежедневных привычках. Все эти данные будут использоваться для создания высокоиндивидуализированных профилей, которые будут связаны с личными языковыми и моделями действий, специально разработанными для потребностей и предпочтений каждого пользователя. Персонализированный ИИ будет предоставлять индивидуальный опыт, решения и информацию, делая взаимодействие с технологиями более интуитивным и отвечающим индивидуальному образу жизни.

Интеграция таких данных в реальном времени из множества источников позволит создать новый класс систем ИИ за пределами сегодняшних больших языковых моделей (LLM): большие модели действий (LAM). Если LLM предсказывают, что сказать дальше, LAM предсказывают, что следует сделать дальше, разбивая сложные задачи на более мелкие части. В отличие от LLM, которые в первую очередь генерируют контент, LAM оптимизированы для выполнения задач, что позволяет им принимать решения в реальном времени на основе определенных команд. LAM используют совокупность датчиков повсюду, вокруг нас, собирая несколько потоков данных одновременно с носимых устройств, устройств расширенной реальности, интернета вещей, домов вещей, умных автомобилей, умных офисов и умных квартир. Поскольку LAM все больше встраиваются в нашу среду, они будут работать бесперебойно, часто без прямого участия пользователей.

Основополагающие инновации, движущие этот технологический суперцикл, исчезнут из виду, предоставляя окружающие решения в реальном времени, адаптированные к потребностям пользователя без необходимости прямого участия. По мере развития этих систем они приведут к созданию более продвинутых персональных моделей, предназначенных для прогнозирования наших потребностей без сознательного ввода.

Между тем, персональные модели больших действий, или PLAM, в конечном итоге будут взаимодействовать с различными системами, учиться на больших наборах данных и адаптироваться к меняющимся потребностям бизнеса. PLAM улучшат наш цифровой, виртуальный и физический опыт, оптимизируя принятие решений, управление задачами, переговоры по сделкам и прогнозирование наших потребностей на основе поведенческих данных. Им не потребуется сознательный ввод. Эти автономные агенты будут персонализировать рекомендации, оптимизировать покупки и общаться с другими доверенными агентами, обеспечивая бесперебойные транзакции — и все это при сохранении конфиденциальности и предпочтений пользователя, поскольку PLAM по определению имеют доступ ко всем данным пользователя на персональных устройствах.

В то время как у людей будут PLAM, у корпораций также будет одна или несколько корпоративных моделей крупных действий (CLAM), а у правительств, ориентированных на цифровые технологии, будут государственные модели крупных действий (GLAM). Все эти модели будут взаимодействовать с разной степенью успеха.

Кроме того, эти модели предлагают новые альтернативы для безопасных транзакций. Мы ожидаем, что появится некая версия аутентификации на основе персональных моделей крупных действий (PLAM Auth), которая будет безопасно управлять пользовательскими данными и облегчать транзакции на разных платформах, предлагая более тонкие правила обмена данными, чем существующие фреймворки, такие как OAuth и SSO. PLAM Auth станет совершенно новым стандартом, который принципиально изменит способ, которым различные платформы, реальности, устройства с датчиками и приложения предоставляют безопасный доступ к пользовательским данным в цифровых, виртуальных и физических средах. Они будут плавно и автоматически адаптировать процесс аутентификации к поведению пользователя без ручного взаимодействия и гарантировать, что только необходимые данные будут предоставлены для персонализированных транзакций. Поскольку пользователи перемещаются во все более сложных, насыщенных данными средах, PLAM Auth оптимизирует безопасность, а взаимодействие будет бесшовным на разных платформах.

Мы не знаем, будет ли нас ждать именно такое будущее, но эти разработки указывают на то, что датчики окажут огромное влияние на то, как мы взаимодействуем с миром.

Прогноз развития технологической отрасли: объем рынка устройств и систем хранения данных

Будущие кейсы:

Появление новых источников данных

Интеграция датчиков и носимых устройств изменит ландшафт сбора и использования данных. Помимо умных часов и телефонов, некоторые датчики следующего поколения включают:

• Носимые химические датчики, которые отслеживают состав пота и определяют уровень гидратации и электролитов.

• Ультразвуковые датчики уровня, которые измеряют уровни жидкости в промышленных условиях в режиме реального времени.

• Датчики виноградников, которые отслеживают доступность воды, солнечного света и влажности почвы, для оптимизации орошения и здоровья виноградных культур.

В будущем объем данных, доступных для анализа, будет расти экспоненциально, предлагая беспрецедентные знания о поведении потребителей и взаимодействии с окружающей средой. Задача для организаций будет заключаться не только в сборе данных, но и в сложном анализе и интерпретации этого потока данных. Потребуются все более совершенные алгоритмы и аналитические структуры.

По мере того, как модели ИИ становятся все сложнее, альтернативные вычислительные архитектуры, такие как нейросимволический ИИ, технология обработки в памяти и специализированные чипы ИИ для обработки на устройстве, могут предложить значительные преимущества с точки зрения эффективности, скорости и конфиденциальности.

В будущем объем данных, доступных для анализа, будет расти экспоненциально, предлагая беспрецедентные возможности понимания поведения потребителей и взаимодействия с окружающей средой.

ИИ на носимых устройствах откроет новые источники данных

Умным устройствам, таким как телефоны, не хватает памяти и вычислительной мощности, необходимых для тонкой настройки моделей ИИ с пользовательскими данными с течением времени. Это ограничение означает, что персональные данные должны передаваться в облако для обновления, что является энергоемким процессом, который рискует поставить под угрозу конфиденциальность данных. Теперь такие достижения, как PockEngine, обеспечивают эффективное обучение на устройстве без выгрузки данных. Разработанная в рамках сотрудничества MIT и IBM, PockEngine представляет собой обучающую модель, которая выборочно определяет определенные части в общей части огромной модели для локального обновления на основе уникальных входных данных пользователя. Это позволяет устройствам непрерывно захватывать и обрабатывать новые потоки данных в реальном времени, такие как модуляция голоса, привычки пользователя и изменения окружающей среды, без необходимости постоянного подключения к внешним серверам.

Сосредоточившись только на основных параметрах модели и вычислениях предварительной обработки, PockEngine максимизирует эффективность использования энергии и данных, создавая персонализированные модели глубокого обучения. В результате ранее недоступные типы данных, такие как детальные поведенческие модели, микро выражения или контекст окружающей среды, теперь могут быть получены и включены в персонализированные модели ИИ непосредственно на устройстве. Например, помощники ИИ могут непрерывно адаптироваться к акценту или манере набора текста пользователя, не полагаясь на постоянное подключение к облаку. Тесты показывают, что PockEngine может настраивать сложные модели до 15 раз быстрее, чем альтернативы, при этом сохраняя или повышая точность.

В будущем объем данных, доступных для анализа, будет расти в геометрической прогрессии, предлагая беспрецедентные возможности понимания поведения потребителей и взаимодействия с окружающей средой.

Эволюция: Биоинженерия

Вычислительная техника выходит за рамки интерфейса «человек-машина», углубляя сдвиги в сторону повсеместного использования искусственного интеллекта и датчиков.

Биоинженерия подразумевает использование инженерных методов для создания биологических систем и продуктов, в то время как генеративная биология (genBio) использует данные, вычисления и ИИ для прогнозирования или создания новых биологических идей. Вскоре genBio будет служить входом для вычислительного создания новых биологических компонентов, таких как белки, гены или даже целые организмы, путем моделирования и прогнозирования того, как ведут себя и взаимодействуют биологические элементы.

Это сближение ИИ и биологии все чаще становится частью разговора: во второй половине 2024 года это была частая тема в дни аналитиков и инвесторов, а также в публичных презентациях. На конференции Goldman Sachs Communacopia + Technology главный технический директор Microsoft Кевин Скотт объяснил, что сближение технологий «сделает некоторые открытия за прошедшие годы, которые устранят разрыв между тем, что мы делаем, и тем, что биология умеет делать». Генеральный директор NVIDIA Дженсен Хуанг называет «цифровую биологию» «следующей удивительной революцией для ИИ».

Такие компании, как Ginkgo Bioworks, используют genBio для проектирования и создания специальных ферментов, которые можно применять в промышленных процессах. Например, генеративные алгоритмы помогают разрабатывать ферменты, которые расщепляют сложные молекулы, такие как пластик или другие загрязняющие вещества. EvolutionaryScale — еще один стартап, использующий genBio для того, чтобы сделать «биологию программируемой». Его платформа ESM3 использует «цепочку подсказок мыслей» для проектирования emGFP, новой версии флуоресцентных белков, отвечающих за яркие цвета медуз и кораллов. Компания утверждает, что природе потребовалось бы 500 лет, чтобы развить белок, который она создала в мгновение ока.

Мы приближаемся к пониманию секретов генома с достижениями ИИ, нацеленными на genBio. Модель ИИ под названием Evo способна различать закономерности в печально известных длинных, сложных цепях ДНК, которые бросают вызов текущим подходам, позволяя моделировать на уровне всего генома, что-то вроде ChatGPT, но вместо этого для организмов. Evo использует язык биологии — ДНК, РНК и белки — для прогнозирования, позволяя проектировать все, от молекул до полных геномов. Он даже позволяет ученым создавать новые системы CRISPR для редактирования генома.

Биоинженерия может помочь нам выйти за рамки кремниевых вычислительных систем. Например, в 2021 году группа ученых из Шанхайского университета Цзяо Тун в Китае создала программируемый ДНК-компьютер, способный выполнять миллиарды схем. Вместо того чтобы полагаться на традиционные структуры на основе кремниевых микрочипов, ДНК-компьютеры работают с использованием тех самых молекул, которые были средой природы для хранения чертежей жизни на протяжении эонов. В конце концов, в биологии есть понятие код ACTG — мало чем отличающийся от двоичного кода (1 и 0) в обычных вычислениях.

Одним из ключевых преимуществ программируемой ДНК является ее замечательная плотность хранения данных, теоретически позволяющая хранить до одного экзабайта данных на кубический миллиметр. Он способен уместить триллионы молекул ДНК в капле воды, что позволяет проводить массовые параллельные вычисления при минимальном потреблении энергии. Справедливости ради, этот новый ДНК-компьютер выполняет простые вычисления в течение нескольких часов и в ближайшее время не заменит обычные компьютеры. Но исследование действительно обещает определенные биомедицинские приложения. Например, ДНК-машина может обнаруживать определенные гены и отвечать цепочкой ДНК, которая запускает биологические реакции, что может оказаться полезным при мониторинге окружающей среды или лечении заболеваний. Что дальше: научить ДНК выполнять сложные алгоритмы и диагностировать заболевания.

По мере развития биоинженерии и genBio вместе с ней у нас появится доступ к новым терапевтическим средствам, новым способам управления изменением климата и новым способам решения глобальной нехватки продовольствия.

Самое поразительное, что достижения в трех универсальных технологиях, составляющих «Живой» Интеллект, могут помочь смягчить широко распространенную нехватку чипов ИИ. Когда-нибудь в следующем десятилетии эти технологии будут работать вместе с другой революционной технологией — органоидным интеллектом (OI). OI использует выращенные в лаборатории ткани, такие как клетки мозга и стволовые клетки, для создания биологических компьютеров, которые имитируют структуру и функции человеческого мозга. Эта технология может превзойти кремниевые системы для обработки интенсивных задач ИИ.

По мере того, как вместе развиваются биоинженерия и genBio, у нас будет доступ к новым терапевтическим средствам, новым способам управления изменением климата и новым способам решения проблемы глобального хранения продовольствия.

Органоид — это по сути крошечная копия ткани, которая функционирует как орган тела. По сути, ученые начинают с особого типа «пустых» — стволовых клеток. Они помещают эти клетки в желатиновую смесь и начинают добавлять молекулы, чтобы подтолкнуть их к превращению в клетки сердца, мозговые клетки или что угодно, что они хотят вырастить.

В 2021 году исследователи из Cortical Labs в Мельбурне, Австралия, создали миниатюрный органоидный мозг, который работал как компьютер. Они назвали его DishBrain, прикрепили его к нескольким электродам и научили играть в видеоигру Pong 1980-х годов. DishBrain состоит из примерно 1 миллиона живых клеток человеческого и мышиного мозга, выращенных на микроэлектрической матрице, которая может принимать электрические сигналы. Сигналы сообщают нейронам, где находится шарик Pong, и клетки реагируют. Чем больше система играет, тем больше она совершенствуется.

Cortical Labs сейчас разрабатывает новый тип программного обеспечения, операционную систему биологического интеллекта, которая позволит любому человеку с базовыми навыками кодирования программировать свои собственные DishBrains. Скоро появятся дополнительные демонстрации новых, простых форм нейронных сетей, созданных на основе биологии. Уже в конце 2023 года биокомпьютерная система, созданная из живых мозговых клеток, научилась распознавать голос одного человека из набора из 240 аудиоклипов разных людей, произносящих японские гласные звуки. Клипы отправлялись на органоиды в виде последовательностей сигналов, организованных в пространственные узоры.

Ученые находятся в процессе создания биологических схем, сделанных из синтетической ДНК, и программного обеспечения, которое ими управляет. Программа под названием DNAr, разработанная в Федеральном университете Мату-Гросу-ду-Сул в Бразилии, имитирует химические реакции, в то время как другая программа под названием DNAr-Logic позволяет ученым проектировать схемы. Затем высокоуровневое описание логической схемы преобразуется в сеть химических реакций, которую можно синтезировать в нити ДНК. Значительное ускорение процесса проектирования биологических схем может существенно сократить время, необходимое для открытия методов лечения и новых лекарств.

Органоиды разрабатываются не только в исследовательских целях — у них уже есть коммерческие приложения. Швейцарская компания FinalSpark предлагает облачные вычислительные сервисы с использованием настоящих органоидов через свою нейроплатформу: систему из 16 органоидов, размещенных в микрожидкостных инкубаторах, поддерживаемых при температуре тела (37 °C), которая непрерывно работает более четырех лет. Эти органоиды могут передавать и получать электрические сигналы, обучаться и выполнять задачи с помощью электрической стимуляции. Пользователи также могут использовать химическую стимуляцию, например, высвобождение дофамина, чтобы «вознаградить» органоиды. Разработанная для исследований в области биовычислений и вычислений на основе программного обеспечения, платформа имеет API на основе Python для взаимодействия с органоидами. FinalSpark утверждает, что ее система может быть в миллион раз более энергоэффективной, чем традиционные компьютеры.

Зачем изобретать технологию, которая звучит так, будто была вдохновлена ​​антиутопическим научно-фантастическим романом? Пять крупнейших компаний США, которые в совокупности потратили больше всего на ИИ в 2023 году, выставили счет на 105 миллиардов долларов. С учетом ожидаемого роста темпов использования этот счет может вырасти до 187 миллиардов долларов в течение следующих трех лет. Потребности центров обработки данных в электроэнергии будут расти по мере усиления технологического суперцикла. К 2030 году потребность в электроэнергии, вероятно, вырастет на 160%.

Поскольку предприятия, правительства, исследовательское сообщество и потребители требуют больше приложений, нам понадобятся более энергоемкие компьютеры и сети для обработки всех этих данных. Одна из надежд заключается в том, что биологические вычисления смогут выполнять все эти виды задач, используя лишь часть ресурсов, необходимых традиционному компьютеру.

Будущие кейсы:

Генеративная биология — следующий крупный прорыв после генеративного ИИ (genAI)

Что, если бы можно было создавать новые белковые терапевтические средства с использованием новых вычислительных инструментов, удобных для ИИ, без необходимости открывать их методом проб и ошибок? Это обещание генеративной биологии.

Например, стартап Generate Biomedicines из Бостона обучил ИИ изобретать белки со структурами, которые, насколько нам известно, не существуют нигде в природе. Вдохновленная DALL-E 2, мощной системой ИИ для преобразования текста в изображение от OpenAI, платформа Generate просит пользователей описать форму, размер и функцию белка, который они хотели бы видеть. Затем она использует диффузионное моделирование для создания структуры с правильными аминокислотами, сложенными правильно, чтобы соответствовать описанию.

Наше понимание генома, наряду с фундаментальными молекулярными и сетевыми механизмами, теперь расширяется с помощью аналогичных инновационных инструментов, которые позволяют нам взаимодействовать, исследовать и манипулировать биологическими системами новыми способами:

Пространственная биология + ИИ

Пространственная биология — это бурно развивающаяся область, которая надеется получить более глубокое понимание человеческого тела с помощью компьютерного моделирования и генеративного ИИ. Пространственная биология использует данные на клеточном и молекулярном уровне для картирования сложной архитектуры клеток, что позволяет получить гораздо более полное представление о клеточных взаимодействиях на атомном уровне. Все чаще пространственная биология будет производить сложные данные, и компаниям понадобятся передовые алгоритмы, чтобы помочь добывать их для понимания. Так же, как изображения сверхвысокого разрешения с космического телескопа Джеймса Уэбба меняют наше понимание Вселенной, технологические достижения, улучшенная автоматизация и сложные возможности анализа данных, которые исследователи получают от пространственной биологии, изменят наше понимание жизни. Например, пространственная биология, используемая в диагностике и разработке методов лечения, может открыть новую эру точной медицины.

Биопечать электроники

В новаторской разработке, которая стирает границы между биологией и технологией, исследователи из британского Университета Ланкастера успешно напечатали на 3D-принтере светящиеся формы внутри червей-нематод, продемонстрировав потенциал для встраивания электроники непосредственно в живые организмы. Команда использовала фотонный 3D-принтер и специальные чернила, которые формируют и активируют материалы внутри организма. Скармливая эти чернила червям-нематодам, команда смогла создать сложные проводящие цепи в форме звезд и квадратов. Эта технология указывает на потенциал для улучшения традиционных электронных имплантатов, таких как кардиостимуляторы и бионические уши, которые изменили методы лечения, но имеют свой собственный набор проблем, включая риски заражения и трудности обслуживания. Работа команды Университета Ланкастера является частью растущей тенденции в области биопечати электронных имплантатов и интерфейсов компьютерного мозга, которые могут заменить медицинские устройства, которые мы используем сегодня.

Биопечать и тканевая инженерия

Донорство органов сталкивается с критическим дефицитом, и до сих пор единственный путь к трансплантации органов включал сопоставление с донором, обеспечение того, чтобы иммунный ответ реципиента не отторгал орган, и снижение риска заражения. Новое решение — биопечать органов, которая использует технологию стволовых клеток для изготовления органов, адаптированных к клеточному профилю реципиента, и может снизить риск отторжения. Исследователи из Стэнфордского университета выращивают человеческие органы внутри биореакторов, которые обеспечивают биологически активную среду, в которой клетки, ткани или микроорганизмы могут выращиваться или поддерживаться в контролируемых условиях.

Команда планирует выращивать все типы клеток, необходимые для производства человеческого сердца внутри биореактора и в конечном итоге загружать клетки в биопринтер для изготовления полностью функционального человеческого сердца. По некоторым оценкам, биореакторы могли бы производить необходимые клетки миллиардами и в конечном итоге печатать сердце каждые две недели. В этом году напечатанные человеческие сердца будут пересаживаться живым свиньям, чтобы проверить, смогут ли они поддерживать жизнь животных. Тем временем ученые из Института Висса Гарвардского университета разработали новую технологию 3D-биопечати тканей. Этот метод создает толстые, васкуляризированные ткани с использованием живых человеческих клеток и специальной силиконовой формы для формирования и поддержки ткани на чипе.

Изготовление органоидов

Ученым сложно и опасно изучать, как живые ткани человека реагируют на вирусы, лекарства или другие раздражители, поскольку мозг или сердечную ткань нельзя удалить у живого человека. В декабре 2023 года ученые из Weill Cornell Medicine использовали модель органоида для разработки нового метода лечения рака поджелудочной железы. Месяц спустя ученые из Центра детской онкологии принцессы Максимы в Нидерландах успешно вырастили крошечные органоиды мозга в чашке из ткани человеческого плода. Крошечные капли ткани также можно перепрограммировать на определенные заболевания, чтобы изучать нарушения развития или рак мозга. Ученые уже экспериментируют с трансплантацией: в отдельных экспериментах исследователи из Стэнфорда и Пенсильванского университета успешно пересадили органоиды человеческого мозга в поврежденный мозг крысы. Органоид установил связи с остальной частью мозга и отреагировал на мигающие световые стимулы. Подобные эксперименты вызывают как сложные этические проблемы, так и, возможно, страхи перед тем днем, когда появятся суперкрысы, которые смогут обрабатывать информацию так же хорошо, как люди.

Системы «орган-на-чипе»

Представьте себе что-то вроде компьютерного чипа, но с прозрачной печатной платой, которая подключена к биологической системе, перекачивающей заменитель крови через крошечные капли ткани. Системы «орган-на-чипе» (OoCs) — это синтетические органы, созданные на основе технологии трехмерной микрожидкостной клеточной культуры, которая стимулирует функции органов, процессы и физиологические реакции. Исследователи из Южной Кореи разработали искусственную нервную систему, которая может имитировать сознательную реакцию на внешние раздражители. Она включает в себя искусственную нейронную цепь, которая действует как мозг, фотодиод, преобразующий свет в электрические сигналы, и транзистор, который действует как синапс. Все эти компоненты подключены к роботизированной руке. Думайте об этом как о «программном обеспечении», а не как о компьютерном оборудовании. Этот тип системы может помочь людям с определенными неврологическими заболеваниями восстановить контроль над своими конечностями и в конечном итоге может быть надет или даже встроен. Компания Emulate, производящая OoCs, протестировала 870 чипов человеческой печени с набором из 27 препаратов с известными проблемами токсичности. Чипы лучше справились с прогнозированием безопасности препаратов, чем обычные методы изучения взаимодействия лекарств.

Эра «Живого» Интеллекта

Признаки конвергенции ИИ, передовых датчиков и генеративной биологии становятся все более заметными. Хотя сигналы могут быть едва заметными, их можно увидеть в инвестициях, патентах и ​​расходах на НИОКР. Хотя расходы сами по себе не гарантируют инноваций, ключевым показателем успеха будет доход, который эти инвестиции готовы принести в ближайшем будущем по мере того, как технологии будут развиваться и начнут масштабироваться. По мере реализации доходов эти сигналы станут гораздо более выраженными. На данный момент мы полагаемся на более тонкие данные из инвестиций и ранних исследований.

Эта конвергенция уже приводит к значительному сдвигу в венчурном капитале и корпоративных расходах. Такие компании, как EvolutionaryScale, которая привлекла 142 миллиона долларов от AWS и венчурного подразделения NVIDIA, подчеркивают растущую интеграцию ИИ в биотехнологии. Эти достижения охватывают различные области, от открытия лекарств до восстановления окружающей среды, демонстрируя, как перекрестное опыление технологий ускоряет прорывы. Ожидается, что генеративная биология, работающая на основе ИИ, будет генерировать эффективность в науках о жизни, еще больше подчеркивая эту конвергенцию.

Влияние конвергенции распространяется на все отрасли — от материаловедения до подключенных устройств и здравоохранения. Например, CuspAI привлекла 30 миллионов долларов на разработку ИИ для материаловедения, что отражает растущее совпадение между ИИ и традиционными областями, такими как химия. В секторе здравоохранения Sword Health, которая специализируется на уходе за опорно-двигательным аппаратом, обеспечила 340 миллионов долларов на финансирование технологий ИИ и подключенных датчиков, продемонстрировав быстрый рост здравоохранения на базе ИИ.

Конвергенция также охватывает вычислительные технологии, особенно в области периферийных вычислений и нейросимволического ИИ. Такие компании, как Symbolica AI, которая привлекла 33 миллиона долларов в 2024 году, подчеркивают растущую важность обработки данных с помощью датчиков и ИИ на периферии. IDC прогнозирует, что расходы на периферию достигнут 232 миллиардов долларов к 2024 году, при этом такие секторы, как здравоохранение, энергетика и материаловедение, пожинают плоды, преобразуя операционные модели и инновационные циклы.

Эти инвестиции не являются изолированными разработками; они являются частью более широкой технологической конвергенции, которая открывает новую эру, определяемую «Живым» Интеллектом. В эту эпоху, поскольку прорывы в области ИИ расширяют возможности датчиков и биотехнологий, возникнет самоусиливающийся цикл инноваций. Эта триада технологий создаст эффект маховика, где каждое достижение подпитывает новые открытия и приложения, ускоряя общий темп инноваций.

Эти инвестиции не являются изолированными разработками; они являются частью более широкой технологической конвергенции, которая открывает новую эру, определяемую «Живым» Интеллектом.

По мере развития эры «Живого» Интеллекта, будут создаваться новые рынки и новая ценность для потребителей. Эффект маховика приведет к увеличению потребительских расходов, что, в свою очередь, привлечет больше инвестиций. Этот приток финансирования привлечет лучших специалистов, стимулируя дальнейшие инновации. По мере продолжения этого цикла потребители будут получать большую ценность от новых технологий, что приведет к еще большим расходам, тем самым увековечивая цикл.

Эффект маховика между технологическим прогрессом, привлечением капитала и приобретением талантов ускоряет темпы инноваций, способствуя биоэкономике, которая преобразует отрасли и общее создание стоимости.

Этот рост спроса также привлечет больше инвестиций, поскольку инвесторы будут следовать за возникающими потоками доходов. Сетевые эффекты, когда ценность продукта или услуги увеличивается по мере того, как все больше пользователей принимают его, особенно сильны в технологически ориентированных отраслях. Например, стартапы в области биоинженерии используют передовые датчики для мониторинга биологических процессов в режиме реального времени, что приводит к экономической эффективности и прорывам в таких областях, как терапия на основе CRISPR. Эта конвергенция создает экосистему, в которой каждое нововведение укрепляет всю сеть, привлекая больше инвесторов, поскольку масштабируемые решения на основе данных расширяются экспоненциально.

Параллельно с этим глобальный рынок датчиков позволяет собирать беспрецедентные объемы данных в таких секторах, как здравоохранение и сельское хозяйство. Эти датчики передают огромные объемы информации в режиме реального времени в системы ИИ, которые, в свою очередь, предоставляют прогнозную аналитику и информацию. Этот цикл обратной связи непрерывно улучшает системы ИИ по мере расширения сенсорных сетей, позволяя биоинженерным фирмам оптимизировать процессы и результаты. Инвестиционные фирмы диверсифицируют портфели, чтобы извлечь выгоду из этой конвергенции, делая ставку на синергию между ИИ, биоинженерией и сенсорными технологиями для получения экспоненциальной прибыли. Например, биоинженерия на основе ИИ в сочетании с носимыми датчиками позволяет осуществлять мониторинг здоровья в режиме реального времени, который, по прогнозам, превысит 87 миллиардов долларов к 2026 году. Ранние инвесторы могут ожидать значительных долгосрочных выгод от этой конвергенции.

Эти достижения не просто повышают производительность; они повышают качество продукции, создавая еще более привлекательные продукты и услуги. Этот непрерывный цикл инноваций привлекает больше потребительских расходов, что, в свою очередь, сигнализирует о большей потенциальной прибыли для инвесторов, гарантируя, что финансирование вернется в систему. Эффект маховика между технологическим прогрессом, привлечением капитала и приобретением талантов ускоряет темпы инноваций, способствуя биоэкономике, которая преобразует отрасли и повышает общее создание стоимости.

Мы уже видим признаки конвергенции технологий «Живого» Интеллекта в нескольких передовых отраслях. Раннее внедрение происходит наиболее интенсивно в таких отраслях, как фармацевтика, медицинские изделия, здравоохранение, космос, строительство и машиностроение, потребительские товары и сельское хозяйство. Но вскоре приложения появятся и в других отраслях, создавая новые «белые пятна» возможностей в таких отраслях, как финансовые услуги. По мере того, как к ним присоединятся дополнительные отрасли, инновации будут распространяться гораздо шире, подпитывая дополнительные эффекты маховика.

Как конвергенция «Живого» Интеллекта работает на практике

Мы видим пять характеристик конвергентных технологий живого интеллекта, которые отличают их от технологий, которые были раньше. Следующая диаграмма иллюстрирует ключевые сдвиги в синергии, гибкости, масштабе, инновациях и трансформации до и после конвергенции.

«Живой» Интеллект — это сила колоссальных изменений. С этими изменениями приходят беспрецедентные возможности. Организации, которые совершают прыжок в будущее, происходящее повсюду вокруг нас, воспользуются этой возможностью для экспоненциального роста.

Призыв к действию

Люди, живущие сегодня, переживают знаменательные перемены — то, что мы называем великим переходом. После завершения перехода общество будет выглядеть совсем иначе. Для совершения скачка потребуются новые возможности и образ мышления.

Достаточно ли широко вы думаете о потенциальном влиянии «Живого» Интеллекта?

Исследования Future Today Institute показывают, что конвергенция ИИ, передовых датчиков и биоинженерии может произвести революцию в отраслях, не только автоматизируя около половины сегодняшних деловых операций гораздо раньше, чем предполагалось ранее, но и открывая новые продукты, услуги и целые области. «Живой» Интеллект объединяет когнитивную силу ИИ, сбор данных в реальном времени с помощью передовых датчиков и инновации в биоинженерии, чтобы изменить будущее работы, переопределяя задачи, роли и обязанности в различных секторах. Он также изменит то, как и где создается ценность. По этой причине руководители должны рассмотреть, как их бизнес-модели могут быть глубоко нарушены или потенциально улучшены.

Каковы организационные последствия «Живого» Интеллекта?

Вместо того, чтобы пассивно изучать потенциальные варианты использования, руководители должны принять упреждающий стратегический подход. Им необходимо оценить, как ИИ, данные датчиков и биоинженерия могут объединиться, чтобы обеспечить немедленную ценность и подготовиться к долгосрочным изменениям. По мере развития конвергенции, компаниям необходимо будет провести новую цифровую трансформацию. Этот процесс должен включать создание долгосрочной стратегии, новой системы ценностей и всеобъемлющего плана выполнения. Какие бизнес-функции получат наибольшую выгоду от этой конвергенции сейчас, а какие могут быть преобразованы в течение следующих шести-двенадцати месяцев? Лидеры, которые предвидят развитие событий и используют стратегическое предвидение для планирования роста, получат конкурентное преимущество.

Каково влияние «Живого» Интеллекта на систему ценностей организации?

Где возможности для инноваций и роста? Что может угрожать способности организации процветать? Каковы риски для партнеров или клиентов? Понимание того, как «Живой» Интеллект вписывается в существующую систему ценностей, может значительно повысить инновационный потенциал организации и способность создания этой системы за счет более быстрого выявления возможностей для роста, более прочных партнерских отношений и более устойчивой сети, способной адаптироваться к сбоям. В результате компании могут повысить удовлетворенность клиентов, сократить операционные расходы и стимулировать долгосрочную систему по всей цепочке ее создания. Приоритетность этой трансформации позволяет компаниям превзойти конкурентов в быстро меняющейся среде.

Имеет ли организация нужные способности и системы риск-менеджмента для новой реальности?

Лидеры должны оценить свои стратегические таланты, чтобы обеспечить себе доступ к междисциплинарным знаниям в области ИИ, биоинженерии и сенсорных технологий. Кроме того, по мере расширения внедрения «Живого» Интеллекта им необходимо создать надежные структуры надзора для управления потенциальными этическими рисками, такими как конфиденциальность данных и алгоритмическая предвзятость, которые возникают из-за интеграции биологических данных и ИИ.

Как подготовить свою организацию к великому переходу?

Хотя «Живой» Интеллект может показаться футуристической идеей, дальновидные генеральные директоры и руководители бизнеса не могут позволить себе ждать. Стремительный темп развития этих технологий требует немедленных действий, чтобы оставаться конкурентоспособными. Предпринимая следующие шаги безотлагательно, лидеры могут получить ранние преимущества и опережать сбои в отрасли.

1. Развейте миф о «Живом» Интеллекте для всей организации.

Высшее руководство должно ознакомиться с тонкостями «Живого» Интеллекта — как взаимодействуют ИИ, данные датчиков и биоинженерия — чтобы уверенно руководить и обучать рабочую силу. Это будет включать в себя развитие культуры инноваций и прозрачности, особенно в решении любых проблем, связанных с этическими последствиями интеграции данных биодатчиков или потенциалом автоматизации на основе ИИ для сокращения рабочих мест.

2. Разработайте прагматичные сценарии для распада прошлой реальности и создания новых ценностей.

Лидеры должны разработать сценарии использования и масштабирования технологий, процессов и продуктов «Живого» Интеллекта. Компании должны использовать стратегическое предвидение, чтобы понять, как развивающаяся экосистема «Живого» Интеллекта может повлиять на их существующие продукты и процессы. Отдайте приоритет мониторингу, действиям и гибкому принятию решений, чтобы адаптироваться к конвергенции. По мере развития конвергенции компаниям необходимо будет провести новую цифровую трансформацию, которая должна включать создание нового видения для организации, долгосрочной стратегии, создания расширенной системы ценностей и общего плана выполнения.

3. Определите два или три наиболее эффективных сценария — и просто начните их использовать.

Руководители должны точно определить конкретные варианты использования, где «Живой» Интеллект может оказать наиболее существенное влияние, будь то революция в управлении цепочкой поставок с помощью данных датчиков в реальном времени, использование ИИ для улучшения результатов лечения пациентов в здравоохранении или применение биоинженерии для оптимизации разработки продукта. Выбирая пилотные проекты с наибольшим потенциалом масштабируемости, руководители могут ускорить принятие «Живого» Интеллекта и начать интегрировать эти технологии в повседневные рабочие процессы.

4. Примите на себя обязательство развивать необходимые роли, навыки и возможности.

Конвергенция ИИ, передовых датчиков и биоинженерии потребует нового набора навыков во всей организации. Руководители должны отдавать приоритет инициативам по переподготовке и повышению квалификации, чтобы подготовить сотрудников к эффективной работе с этими технологиями. Кроме того, они должны постоянно оценивать свои меняющиеся потребности в талантах по мере появления новых сфер применения «Живого» Интеллекта.

5. Отслеживайте изменения в регулировании и будьте готовы к политической неопределенности.

Конвергенция вызовет множество инноваций и потребует от компаний беспрецедентной гибкости, особенно с учетом текущего неоднородного подхода к регулированию. Лидеры должны предоставить своим организациям возможность экспериментировать с новыми продуктами и процессами и гарантировать, что они сами формируют свое будущее, а не будут вынуждены адаптироваться к внешним инновациям или реагировать на изменения в регулировании.

«Живой» Интеллект — это сила колоссальных изменений. С этими изменениями приходят как беспрецедентные потрясения так и возможности. Организации, которые совершают прыжок в будущее, происходящее повсюду вокруг нас, воспользуются этой возможностью для экспоненциального роста.

Использованные источники

“A Generalist Agent.” https://deepmind.google/publications/a-generalist-agent/

Acemoglu, Daron, and Pascual Restrepo. “Automation and New Tasks: How Technology Displaces and Reinstates Labor.” Journal of Economic Perspectives 33, no. 2 (May 2019): 3–30.

———. “Low-Skill and High-Skill Automation.” Journal of Human Capital 12, no. 2 (June 2018): 204–32.

Agarwal, Nikhil, Alex Moehring, Pranav Rajpurkar, and Tobias Salz. “Combining Human Expertise with Artificial Intelligence: Experimental Evidence from Radiology.” Working Paper. Working Paper Series. National Bureau of Economic Research, July 2023.

Agrawal, Ajay, Joshua S. Gans, and Avi Goldfarb. “Artificial Intelligence: The Ambiguous Labor Market Impact of Automating Prediction.” Journal of Economic Perspectives 33, no. 2 (May 2019): 31–50.

“Amazon Buys Nuclear-Powered Data Center from Talen.”

Baker, Dr Nathan. “Unlocking a New Era for Scientific Discovery with AI: How Microsoft’s AI Screened over 32 Million Candidates to Find a Better Battery.” Microsoft Azure Quantum Blog, January 9, 2024.

Barrero, José María, Nicholas Bloom, and Steven J. Davis. “The Evolution of Work from Home.” Journal of Economic Perspectives 37, no. 4 (November 2023): 23–50.

“Biological Structure and Function Emerge from Scaling Unsupervised Learning to 250 Million Protein Sequences.” PNAS.

Bresnahan, Timothy. “Chapter 18 — General Purpose Technologies.” In Handbook of the Economics of Innovation, edited by Bronwyn H. Hall and Nathan Rosenberg, 2:761–91. Handbook of the Economics of Innovation, Volume 2. North-Holland, 2010.

Bresnahan, Timothy F., and M. Trajtenberg. “General Purpose Technologies ‘Engines of Growth’?” Journal of Econometrics 65, no. 1 (January 1, 1995): 83–108.

Brynjolfsson, Erik, Daniel Rock, and Chad Syverson. “The Productivity J-Curve: How Intangibles Complement General Purpose Technologies.” American Economic Journal: Macroeconomics 13, no. 1 (January 2021): 333–72.

Carnegie Endowment for International Peace. “The Silicon Valley Model and Technological Trajectories in Context.”

Cook, Tim. “Apple Q3 2024 Earnings Call.” Presented at the Apple Inc. — Q3 2024 Earnings Call, August 1, 2024.

Crafts, Nicholas. “Steam as a General Purpose Technology: A Growth Accounting Perspective.” The Economic Journal 114, no. 495 (April 1, 2004): 338–51.

Cvek, Martin, Uttam C. Paul, Jasim Zia, Giorgio Mancini, Vladimir Sedlarik, and Athanassia Athanassiou. “Biodegradable Films of PLA/ PPC and Curcumin as Packaging Materials and Smart Indicators of Food Spoilage.” ACS Applied Materials & Interfaces 14, no. 12 (March 30, 2022): 14654–67.

Damioli, Giacomo, Vincent Van Roy, and Daniel Vertesy. “The Impact of Artificial Intelligence on Labor Productivity.” Eurasian Business Review 11, no. 1 (March 1, 2021): 1–25.

DeepMind. “Putting the Power of AlphaFold into the World’s Hands.”

Eloundou, Tyna, Sam Manning, Pamela Mishkin, and Daniel Rock. “GPTs Are GPTs: An Early Look at the Labor Market Impact Potential of Large Language Models.” arXiv, August 21, 2023.

“German Standardization Roadmap on Artificial Intelligence – 2nd Edition,” n.d.

Howell, David. “The Costs of Building Generative AI Platforms Are Racking Up.” ITPro, August 24, 2023.

IDC. “New IDC Spending Guide Forecasts Edge Computing Investments Will Reach $232 Billion in 2024.”

Inc, FactSet Research Systems. “Second-Highest Number of S&P 500 Companies Citing ‘AI’ on Earnings Calls Over Past 10 Years.”

Jones, Ash. “Agricultural Tech Market to Soar to $22.5bn by 2025, Report Finds.” Industry Europe, November 23, 2020.

Kim, Hyunho, Eunyoung Kim, Ingoo Lee, Bongsung Bae, Minsu Park, and Hojung Nam. “Artificial Intelligence in Drug Discovery: A Comprehensive Review of Data-Driven and Machine Learning Approaches.” Biotechnology and Bioprocess Engineering 25, no. 6 (December 1, 2020): 895–930.

Mullard, Asher. “New Drugs Cost US$2.6 Billion to Develop.” Nature Reviews Drug Discovery 13, no. 12 (December 1, 2014): 877–877.

Neal, Derek, and Armin Rick. “The Prison Boom and the Lack of Black Progress after Smith and Welch.” Cambridge, MA: National Bureau of Economic Research, July 2014.

NHS Blood and Transplant. “First Ever Clinical Trial of Laboratory Grown Red Blood Cells Being Transfused into Another Person.”

Nijkamp, Erik, Jeffrey Ruffolo, Eli N. Weinstein, Nikhil Naik, and Ali Madani. “ProGen2: Exploring the Boundaries of Protein Language Models.” arXiv, June 27, 2022.

Northzone. “Our Investment in CuspAI: Pioneering AI-Designed Materials to Combat Climate Change.” Northzone (blog), June 18, 2024.

Noy, Shakked, and Whitney Zhang. “Experimental Evidence on the Productivity Effects of Generative Artificial Intelligence.” Science 381, no. 6654 (July 14, 2023): 187–92.

“Powering Intelligence: Analyzing Artificial Intelligence and Data Center Energy Consumption.”

“ProT-VAE: Protein Transformer Variational AutoEncoder for Functional Protein Design.” BioRxiv.

Pyzer-Knapp, Edward O., Jed W. Pitera, Peter W. J. Staar, Seiji Takeda, Teodoro Laino, Daniel P. Sanders, James Sexton, John R. Smith, and Alessandro Curioni. “Accelerating Materials Discovery Using Artificial Intelligence, High Performance Computing and Robotics.” Npj Computational Materials 8, no. 1 (April 26, 2022): 1–9.

Rahman, Md. Ashrafur, Evangelos Victoros, Julianne Ernest, Rob Davis, Yeasna Shanjana, and Md. Rabiul Islam. “Impact of Artificial Intelligence (AI) Technology in Healthcare Sector: A Critical Evaluation of Both Sides of the Coin.” Clinical Pathology 17 (January 22, 2024): 2632010X241226887.

Scott, Andrew J. “The Longevity Economy.” The Lancet Healthy Longevity 2, no. 12 (December 1, 2021): e828–35.

Shwartz-Ziv, Ravid, and Amitai Armon. “Tabular Data: Deep Learning Is Not All You Need.” arXiv, November 23, 2021.

“State of the Markets H2 2024,” n.d.

“The Latest Cloud Computing Statistics (Updated June 2024) | AAG IT Support.”

“The Longevity Economy — The Lancet Healthy Longevity.”

The White House. “Executive Order on Advancing Biotechnology and Biomanufacturing Innovation for a Sustainable, Safe, and Secure American Bioeconomy.” The White House, September 12, 2022.

World Economic Forum. “How We Can Deliver a Better Tomorrow through Generative Biology,” May 28, 2024.

Zuckerberg, Mark. “Meta Q1 2024 Earnings Call.” Presented at the Meta Platforms, Inc. — Q1 2024 Earnings Call, April 24, 2024.

Авторы

Методология

Наше исследование объединяет углубленный качественный и количественный анализ для оценки того, как искусственный интеллект, биоинженерия и передовые датчики интегрируются в бизнес и повседневную жизнь. Мы собрали данные из различных источников, включая патентные заявки, научные публикации, инвестиционные раунды, макроэкономические показатели и тенденции онлайн-поиска. Используя нашу фирменную систему, мы выявили закономерности и сгруппировали данные в узлы, которые затем оценивались с помощью стандартизированных показателей. Этот подход позволил нам отслеживать технологические достижения и их экономическое влияние в разных секторах и регионах.

Мы сосредоточились на ключевых показателях, таких как рыночная капитализация и инвестиции, рост производительности и сдвиги в занятости, чтобы понять более широкие экономические последствия. Инвестиционные данные с 2019 года по настоящее время были проанализированы для отслеживания финансирования в области ИИ, биоинженерии и передовых датчиков, в то время как показатели производительности оценивали, как эти технологии повысили эффективность в разных отраслях. Были изучены тенденции занятости для количественной оценки создания новых рабочих мест, напрямую связанных с этими технологиями, и их вклад в ВВП был смоделирован в основных экономиках, включая США, Китай и ЕС. Хотя наша методология строга, существуют неотъемлемые ограничения из-за доступности данных и внешних факторов. Некоторые наборы данных, особенно те, которые связаны с инвестиционными раундами или занятостью, могут иметь задержки или региональные смещения. Кроме того, быстро развивающаяся природа ИИ, биоинженерии и передовых датчиков означает, что некоторые тенденции могут резко меняться, что требует постоянного мониторинга и корректировки наших моделей.

О Future Today Institute

Future Today Institute — это консалтинговая компания по управлению, специализирующаяся на стратегическом прогнозировании, основанной на данных практике разработки правдоподобных сценариев будущего. Поскольку организации по всему миру сталкиваются со все более нестабильным и неопределенным деловым климатом, FTI обеспечивает ясность посредством долгосрочного стратегического планирования. Ее команда экспертов в предметной области объединяет лучшие в своем классе тенденции и технологические исследования с действенными стратегиями для создания бизнес-влияния. За два десятилетия с момента своего основания FTI стала выдающейся консалтинговой компанией по прогнозированию для компаний из списка Fortune 500, крупных правительств и других глобальных организаций, предоставляя лидерам возможность принимать более обоснованные решения о будущем уже сегодня. Больше информации и контакты: inquiries@futuretodayinstitute.com +1.267.342.4300. futuretodayinstitute.com