Горизонты и векторы технологий

Будущее в нескольких версиях ✅ Что, если вместо одного прогноза просчитать сразу несколько вариантов развития событий? Именно на этом построены World Models — одна из 10 перспективных технологий по версии Всемирного экономического форума и Frontiers на ближайшие пять лет. Мировые модели объединяют информацию из разных источников и просчитывают возможные состояния системы и ее изменения. ➡️ Подход уже развивается в робототехнике, автономном транспорте, промышленности и климатическом моделировании. Например, NVIDIA Cosmos использует данные о физическом мире для обучения моделей, способных работать с незнакомыми сценариями. Для планирования — это возможность не ограничиваться прогнозом на основе исторических данных, а сравнивать разные сценарии и оценивать влияние отдельных факторов на всю систему. Потенциальные области применения: логистика, производство, инфраструктура и энергетика. Как это может выглядеть❓ Модель портового терминала заранее просчитывает последовательность погрузки с учетом прилива, ветра и распределения веса еще не прибывших контейнеров. Специалист сверяет результат с данными о работе терминала в похожих условиях. Но логичный сценарий может оказаться ошибочным. Поэтому необходимы проверка исходных предположений, стресс-тестирование и постоянная валидация результатов. Для масштабирования World Models необходимо: 🟢 тестировать модели в реальных условиях; 🟢 создавать единые стандарты валидации; 🟢 объединять данные и модели разных отраслей; 🟢 формировать правила ответственности за решения ИИ. #Международная_панорама ⭐️️️️️️ Горизонты и векторы технологий — в фокусе, мы — в MAX

Когда точный расчет ≠ точный прогноз Недавно мы разбирали, как математические модели помогают просчитывать разные сценарии будущего и почему даже сложная модель не отменяет экспертную оценку. Но где проходит граница возможностей самой математики? Роман Королев, член консультативной группы по научно-технологическому развитию России, заместитель начальника отделения РФЯЦ-ВНИИЭФ, считает одним из ключевых условий стабильность исходных и граничных условий. Хороший пример ➡️ климат и погода. Изменения климата на горизонте десятилетий можно моделировать: многие процессы достаточно медленные. А точно спрогнозировать погоду на месяц гораздо сложнее: слишком быстро меняются условия. Чем стабильнее исследуемая область, тем выше потенциальная точность прогноза. И наоборот: большое число меняющихся параметров увеличивает неопределенность. 💡Но есть еще одна ловушка – усложнение самой модели. Оно может означать как более точный учет уже известных факторов, так и добавление новых. Во втором случае возникает проблема: для новых параметров может просто не оказаться достаточного массива данных, на котором можно проверить результат. Поэтому сложная модель сама по себе не гарантирует качества. Роман Королев⬇️ Страшнее всего для стратегического прогноза – слепая вера в модель без верификации и валидации результатов. При этом не важно, какая это модель: простая или сложная ✅Один из способов такой проверки – ретроспективное моделирование: задать модели условия прошлых лет и посмотреть, насколько хорошо она воспроизводит уже известный результат. #Мнение ⭐️ Связь с будущим не должна прерываться. Мы — в MAX

⭐️ Прогноз устарел. Что дальше? Для технологического прогнозирования это нормальная ситуация: меняются условия – меняются и возможные сценарии будущего. Постоянно собирать экспертов и заново пересматривать каждую траекторию долго. Часть этой работы можно передать математическим моделям. Возьмем корпоративные инвестиции в ИИ. За 2013–2025 годы они выросли с $14,6 до $581,7 млрд, пережив по пути и резкий спад, и новый взлет. Линейная модель на таком ряду дает среднюю ошибку 28,3%. Двухслойная нейросеть – около 5%. Кажется, вывод очевиден: чем сложнее модель, тем лучше прогноз. Но нет. На небольшом объеме данных компактная модель может оказаться надежнее огромной нейросети. А современные ИИ-модели становятся особенно полезны там, где нужно одновременно учитывать множество данных, индикаторов и возможных сценариев. Поэтому задача модели – посчитать возможное. Задача эксперта – понять, что из этого действительно имеет смысл. Так сегодня и работает сценарное прогнозирование: не поиск одной версии будущего, а проверка нескольких возможных траекторий. #В_порядке_информации ⭐️ Не обновляется лента? Мы в MAX

Люди иногда врут. Люди иногда ошибаются. А иногда врут и ошибаются одновременно, особенно когда речь идет о прогнозировании будущего. И это случается даже с профессорами, что уже не раз било по репутации научного знания. Вместе с Зоопарком из слоновой кости — @ivoryzoo мы продолжаем наш совместный проект и серию рассказов о провальных прогнозах прошлого #прогнозомогильник. В 1998 году в Scientific American вышла статья Колина Кэмпбелла и Жана Лаэррера "The End of Cheap Oil", в которой авторы - оба именитые геологи - доказывали, что совсем скоро, после середины 2000х, нас ждет необратимый обвал нефтедобычи. В целом их точка зрения не была новой - они апеллировали к подзабытым гораздо более ранним работам Хабберта (он в свое время довольно точно предсказал ситуацию в США, где добыча "черного золота" вышла на максимум в 1971 году и начала снижаться). По сути, это была попытка применить теорию Хабберта с поправками на более свежие данные. Одной статьей не обошлось: Кэмпбелл решил оправдать свою фамилию и начал бить в набат, основав целую профильную "ассоциацию по изучению пика нефти и газа" (ASPO). Некоторые ее члены сразу начали рисовать апокалиптические картины гибели современной цивилизации - и не стеснялись делиться ими с прессой. ❌ Прогноз не сбылся (хотя и с некоторыми нюансами). ASPO регулярно сдвигала дату конца света "нефтяного пика", в результате чего доверие к концепции было изрядно подорвано. Одна из причин - в смешении двух терминов. Кто-то говорил о "традиционной", сравнительно легкодоступной нефти из привычных источников - и здесь есть мнение, что концепция Кэмпбелла была хотя и слишком пессимистичной, но все-таки не совсем ошибочной. Другое дело - вся нефть в целом. Инженеры не сидели сложа руки: люди начали гораздо активнее присматриваться к более трудным, но все же привлекательным месторождениям. Пожалуй, самый яркий пример - так называемая "сланцевая революция", благодаря которой США и, хотя и в меньшей степени, Канада смогли существенно увеличить нефтедобычу. Для этого пришлось серьезно усовершенствовать многие технологии бурения и гидроразрыва пласта, что потребовало немалых вложений - но, в конечном счете, оказалось вполне оправданным. Сам Кэмпбелл хотя и остался при мнении, что научный прогресс не позволит всегда на 100% компенсировать растущий спрос на нефть, к концу 2000х признал, что рыночные механизмы и ценовая регуляция могут иметь куда большее значение, чем он предполагал. ⭐️ ForecastID. Узнать больше о прогнозах в науке и технологиях