От фабрик токенов до 10 миллиардов агентов: новая индустриальная революция

«GPU должен стать душой компьютера», — с этого дерзкого видения началась трансформация NVIDIA в фундамент новой промышленной революции, где интеллект производится в заводских масштабах. Мы вступаем в «эпоху эффективности», в которой 10 миллиардов ИИ-агентов заберут на себя 90% корпоративных задач, а физический мир окончательно срастется с цифровыми двойниками. Это путь от простых чат-ботов к автономным системам, способным проектировать процессоры, лечить миллионы людей и управлять реальностью через мгновенный инференс.

🚀 Начало новой эры: от графики к фундаменту искусственного интеллекта 0:14

Конференция NVIDIA GTC 2026 в Сан-Хосе открылась в атмосфере, которую ведущие сравнили с «электрическим напряжением». Как отмечает Сара Гуо (Sarah Guo), ИИ перестал быть просто интересной функцией глобальной экономики — он стал её фундаментом, перестраивая производство и операционные процессы в реальном времени . То, что начиналось как узкоспециализированная технология для обработки графики, трансформировалось в основу новой вычислительной эры, где алгоритмы, программное обеспечение и архитектура железа сливаются в единую экосистему.

Эволюция ускоренных вычислений: от пикселей к «душе компьютера» 7:19

История NVIDIA — это путь превращения графического чипа в универсальный двигатель прогресса. Гэвин Бейкер (Gavin Baker) подчеркивает, что ускоренные вычисления теперь охватывают всё: от обработки изображений до поиска инсайтов в колоссальных массивах корпоративных данных . Этот путь не был линейным. Марк Эделстоун (Mark Edelstone) из Morgan Stanley вспоминает ранние дни компании, когда он впервые встретил Дженсена Хуанга (Jensen Huang). В тот период дела у NVIDIA шли не лучшим образом, но команду объединяло радикальное видение: графический процессор должен стать не просто дополнением, а «душой компьютера» .

В отличие от конкурентов, которые пытались обойти друг друга только на рынке игровых карт, NVIDIA сделала ставку на создание платформы. Программная архитектура (включая CUDA) позволила разработчикам использовать мощь GPU для задач, которые раньше казались невозможными. Как отмечает Эделстоун, компания смогла пройти проверку временем, превратившись из нишевого производителя в самого прибыльного игрока на технологическом рынке . Сегодня этот фундамент позволяет предприятиям по всему миру переходить к модели «данные как код» (data as code).

Динеш Нирмал (Dinesh Nirmal) из IBM развивает эту мысль: современная трансформация бизнеса требует, чтобы данные воспринимались не просто как статичные записи, а как живые навыки (data as skills) . Это позволяет создавать платформы для генеративного ИИ, которые объединяют транзакционную корреляцию и аналитическую глубину, обеспечивая масштабируемость, о которой раньше нельзя было и мечтать .

Трансформация инженерного дела и роль структурированных данных 15:20

Переход от классического объектно-ориентированного программирования к инженерии на базе ИИ радикально изменил способ работы с информацией. Аки Джейн (Aki Jain) из Palantir указывает, что долгое время ограничивающим фактором была необходимость ручной курации данных огромными командами инженеров . С появлением инфраструктуры на базе GPU NVIDIA и новых подходов к обработке неструктурированной информации, ценность данных возросла экспоненциально.

В качестве примера реального применения этих технологий Джейн приводит работу с GE Aerospace. Ранее в дискуссии упоминались цифровые двойники, и в 2024 году это направление позволило создать сквозное понимание эксплуатации авиационных двигателей . Использование «AI Forward Deployed Engineers» (AIFD) — инженеров, работающих непосредственно с внедрением ИИ — позволяет организациям масштабировать операционную эффективность, превращая долгосрочные аналитические вопросы в мгновенно решаемые задачи .

ИИ в проектировании микросхем: революция SDA и RTL-кода 20:40

Одним из самых впечатляющих прорывных направлений стало использование ИИ в разработке самих чипов — процесс, известный как Software Defined Automation (SDA) или системная автоматизация проектирования. Анируд Девган (Anirudh Devgan) из Cadence отмечает, что последние десятилетия прогресс в этой области шел стабильно, но сейчас он приобрел характер взрывного ускорения .

Ключевые изменения в проектировании микросхем включают:

Генерация RTL-кода: До недавнего времени автоматическое создание кода на уровне регистровых передач (Register-Transfer Level) было практически невозможным. Теперь ИИ-агенты способны генерировать сложнейший RTL-код, что в 10 раз ускоряет разработку системных архитектур .
Концепция «Silicon-Plus»: Современное проектирование — это многослойный пирог, где физика и химия материалов встречаются с вычислительной мощностью и огромными массивами данных .
Преодоление ограничений закона Мура: Хотя физические пределы (переход от 5 к 3, а затем к 2 нанометрам) становятся всё сложнее, технологии 3DIC (трехмерных интегральных схем) и агентный ИИ позволяют поддерживать экспоненциальный рост производительности .

Девган подчеркивает, что страхи о замедлении прогресса из-за сложности дизайна беспочвенны. Напротив, уровень активности в разработке чипов сейчас выше, чем когда-либо в истории . Интеграция ИИ-агентов непосредственно в рабочий процесс проектирования позволяет инженерам справляться с архитектурами, которые были бы слишком сложными для человеческого разума всего несколько лет назад.

🏭 Фабрики интеллекта: токеномика и промышленная метавселенная 26:53

Современный корпоративный ландшафт претерпевает фундаментальный сдвиг: от традиционных программных метрик индустрия переходит к экономике токенов. В рамках дискуссии на NVIDIA GTC 2026 эксперты сошлись во мнении, что в ближайшем будущем любая компания будет классифицироваться либо как производитель токенов, либо как их активный потребитель . Этот переход меняет требования к ИТ-инфраструктуре, выводя на первый план не просто вычислительную мощность, а надежность и объяснимость каждого сгенерированного ответа.

Экономика токенов и стандарт корпоративной надежности 26:53

Для бизнеса ценность искусственного интеллекта измеряется не в количестве параметров модели, а в эффективности производства и потребления интеллектуальных единиц — токенов. Как отметил Динеш Нирмал из IBM, если в потребительском сегменте галлюцинация чат-бота может быть воспринята как забавный инцидент, то в энтерпрайз-среде цена ошибки колоссальна . Неверный ответ в финансовом отчете или производственном протоколе подрывает доверие к системе мгновенно.

Аки Джейн из Palantir подчеркнул, что ключевым барьером для масштабирования ИИ в крупных организациях остается объяснимость (explainability). Компании должны четко понимать, почему модель приняла то или иное решение . В этом контексте всё происходящее внутри предприятия рассматривается как цепочка событий, где данные превращаются в токены, а те — в действия.

Особое внимание спикеры уделили кодингу как «первой ласточке» токеномики. Несмотря на то, что инструменты генерации кода позволяют создавать десятки тысяч строк мгновенно , реальная экономия возникает только тогда, когда эти токены надежны. «Если я трачу больше времени на исправление сгенерированного кода, чем на его написание с нуля, система не работает», — резюмировали участники дискуссии . Истинная метрика успеха здесь — не объем произведенных данных, а количество успешно завершенных бизнес-задач .

Промышленный ИИ: цифровые двойники Siemens в действии 33:49

Трансформация затрагивает не только сферу обработки данных, но и физический мир. Даньпин Пэн из Siemens рассказала Тиффани Джензен о том, как промышленный гигант интегрирует ИИ в производство через концепцию цифровых двойников. Сегодня сложное программное обеспечение Siemens управляет процессами создания практически всего, что окружает человека — от смартфонов до глобальных энергосетей .

Благодаря партнерству Siemens и NVIDIA, инженеры получили возможность использовать платформу Omniverse для фотореалистичных симуляций в реальном времени. Это позволяет:

Создавать модели процессов с беспрецедентной точностью .
Оптимизировать дизайн продукта в виртуальной среде до начала физического производства .
Ускорять рабочие процессы за счет интеграции агентного ИИ (ранее в разговоре упоминалась важность перехода к действиям) в инженерные MCP-протоколы .

Использование графических процессоров (GPU) позволяет Siemens строить модели, которые не просто имитируют внешний вид, но и «думают», позволяя глобальным командам взаимодействовать внутри единого цифрового пространства . Это превращает промышленное проектирование из последовательного процесса в параллельный и итеративный.

Концепция ИИ-фабрик: новая глобальная инфраструктура 40:00

Масштабирование токеномики требует новой архитектуры центров обработки данных. Майкл Делл, основатель Dell Technologies, ввел термин «ИИ-фабрика» (AI Factory), описывая дата-центры как заводы, где сырьем являются данные, а конечным продуктом — интеллект . В отличие от классических систем хранения, такие фабрики требуют плотной интеграции памяти и вычислительных мощностей.

Майкл Интратор из CoreWeave отметил, что мы находимся лишь в самом начале масштабного строительства этой инфраструктуры . Огромное количество «холодных» данных, которые годами хранились в архивах, теперь становится ценным ресурсом для обучения моделей . Чтобы эффективно извлекать из них ценность, CoreWeave и Dell внедряют специализированные решения, такие как параллельные файловые системы (например, Lightning) и технологии KV-кэширования, критически важные для производительности инференса .

Важным аспектом экономики ИИ-фабрик стала финансовая модель использования оборудования. Марк Эделстоун из Morgan Stanley обратил внимание на изменение цикла амортизации GPU. Если раньше кредиторы закладывали короткие сроки полезного использования, то сейчас наблюдается тенденция к их увеличению до 4–5 лет . Это укрепляет кредитные профили компаний и позволяет более эффективно финансировать развитие следующего поколения ИИ-стартапов . По сути, создается вторичный рынок и экосистема, где даже оборудование предыдущего поколения продолжает приносить ценность, обеспечивая доступ к вычислительным мощностям для менее крупных игроков .

⚡️ Экономика инференса и энергетический фундамент ИИ 51:26

В 2026 году индустрия искусственного интеллекта перешла от этапа чистого восторженного экспериментирования к суровой прагматике масштабирования. Как отметила Линь Цяо (Fireworks AI), этот период стал «годом эффективности», когда ключевым вопросом для компаний стал не просто поиск соответствия продукта рынку (product-market fit), а создание устойчивой бизнес-модели . Если 2024 и 2025 годы были посвящены обучению гигантских моделей, то теперь центр тяжести окончательно сместился в сторону инференса — процесса исполнения этих моделей в реальных бизнес-задачах.

Трёхмерная оптимизация: как избежать «банкротства при масштабировании» 53:16

Линь Цяо подчеркивает, что взрывной рост потребления токенов (ранее в дискуссии упоминавшийся как основа новой экономики) ставит перед разработчиками сложную дилемму: как наращивать использование ИИ, не допуская при этом экспоненциального роста затрат . Решением становится глубокая кастомизация инференса. По мнению Цяо, современная оптимизация перестала быть задачей только для инженеров по инфраструктуре; теперь это «трёхмерный процесс», объединяющий:

Паттерны использования конкретного приложения;
Архитектуру модели;
Специфику аппаратного обеспечения.

Такой подход позволяет разделять обучение моделей и их кастомизацию для инференса. Вместо использования общих тяжеловесных решений компании всё чаще адаптируют модели под конкретные сценарии . Это критически важно, так как, по словам Линь Цяо, даже наличие отличного продукта не гарантирует выживания бизнеса, если стоимость его работы превышает доходы . В качестве примера она привела использование платформы Fireworks AI юридическими и рекрутинговыми командами, которые строят специализированных агентов, способных работать днями напролёт, сохраняя при этом экономическую целесообразность .

Этот процесс оптимизации напрямую связан с эволюцией инструментов, о которых вскользь упоминали другие спикеры, обсуждая ускоренные вычисления. Инференс становится «критическим путем» для любого предприятия, внедряющего ИИ .

Энергетика как узкое место: парадокс Джевонса в эпоху ИИ 56:28

Однако эффективность на уровне программного обеспечения сталкивается с физическим барьером. «Мир испытывает структурный дефицит пластин (wafers) и, что еще более важно, дефицит электроэнергии», — прозвучало в ходе панельной дискуссии . Здесь вступает в силу парадокс Джевонса: повышение эффективности использования ресурса (в данном случае — вычислительной мощности на ватт) парадоксальным образом ведет не к экономии, а к еще большему росту спроса .

Джо Крид (Caterpillar) описал эту ситуацию с позиции компании со столетней историей, которая внезапно оказалась в эпицентре технологической революции. Caterpillar сегодня — это не просто производитель спецтехники, а поставщик энергетического оборудования для дата-центров . Спрос на генерацию и системы хранения энергии для облачных гигантов растёт такими темпами, что компании приходится кратно увеличивать производственные мощности .

По словам Крида, ИИ помогает решать проблемы самой индустрии, которая его питает. Дефицит квалифицированных техников и инженеров — одна из главных болей Caterpillar — купируется внедрением инструментов дополненного интеллекта, которые позволяют персоналу работать быстрее и качественнее . Это создает позитивную петлю обратной связи: ИИ помогает строить инфраструктуру, которая затем будет питать более мощный ИИ .

«ИИ для ИИ»: интеллектуальное управление энергосетями 1:07:34

Клаудия Бланко (GE Vernova) развила тему энергетического фундамента, подчеркнув, что современная энергосеть — это сложнейшая система, требующая мгновенной балансировки. Переход к устойчивой энергетике и интеграция возобновляемых источников невозможны без ИИ-управления .

Она ввела концепцию «ИИ для ИИ» (AI for AI): использование алгоритмов для управления сетями, которые питают инфраструктуру самого ИИ . Ключевые аспекты этой трансформации включают:

Автоматизацию и контроль на «границе» сети (edge);
Интеллектуальное прогнозирование спроса и предложения энергии в реальном времени ;
Оптимизацию работы дата-центров для их «бесшовной» интеграции в общую энергосистему города или региона .

Как отметила Бланко, текущий момент уникален: для успеха ИИ-революции требуется одновременная трансформация физического мира (железа, турбин, сетей) и цифрового интеллекта . Без модернизации физической инфраструктуры энергоснабжения дальнейшее масштабирование вычислительных мощностей станет невозможным .

Завершая этот блок, Алекс Аталла (OpenRouter) подчеркнул, что рынок будет неизбежно двигаться в сторону оптимизации инференса через конкуренцию множества моделей. Это позволит компаниям выбирать решения, исходя из баланса цены и качества для каждой конкретной задачи, расширяя общий адресный рынок ИИ-технологий .

🌐 Оркестрация интеллекта: открытые модели и будущее креативного ИИ 1:15:45

Вторая половина панельной дискуссии на GTC 2026 сместила фокус с физической инфраструктуры на архитектуру самого интеллекта. В то время как предыдущие обсуждения касались экономической эффективности инференса и энергетических вызовов, текущий этап диалога сосредоточился на том, как ИИ-системы взаимодействуют с пользователем и друг с другом. Главным лейтмотивом стало превращение ИИ из «умного чат-бота» в сложный оркестр, где открытые модели и специализированные агенты играют ключевые роли.

Открытые модели как фундамент цифрового суверенитета 1:18:54

Развитие экосистемы ИИ невозможно без открытых (open-weights) моделей, которые становятся катализатором инноваций для разработчиков и целых государств. Как отметил Эйдан Гомес (Cohere), открытые модели дают компаниям критически важное чувство контроля и безопасности . В условиях, когда данные являются наиболее ценным активом, возможность развернуть интеллект локально (on-prem) или на собственных мощностях становится вопросом выживания.

Артур Менш (Mistral AI) подчеркнул, что в индустрии произошел переломный момент, когда открытые решения начали всерьез конкурировать с закрытыми проприетарными системами . Он выделил несколько ключевых преимуществ такого подхода:

Цифровой суверенитет: возможность для корпораций и правительств сохранять полный контроль над своими данными и процессами .
Кастомизация: разработчики могут «вскрыть» модель, дообучить её на специфических данных и интегрировать в глубоко специализированные рабочие процессы .
Преодоление «производственного разрыва»: открытые модели легче мобилизовать для масштабного развертывания, сокращая путь от прототипа до готового продукта .

Несмотря на то что стоимость инференса закрытых моделей постоянно снижается, ценность открытого ПО заключается в гибкости. Компании не хотят зависеть от единого поставщика API; они стремятся создавать системы, где модель — это лишь один из компонентов более сложной архитектуры.

ИИ-агенты: от инструментов к дирижёрам процессов 1:20:44

Аравинд Шринивас (Perplexity AI) предложил фундаментально новый взгляд на роль ИИ в жизни пользователя. По его мнению, будущее не за одной универсальной моделью, а за «оркестром» специализированных инструментов, где ИИ выступает в роли дирижёра . В этой парадигме интернет становится не просто библиотекой знаний, а операционной средой.

Концепция Perplexity заключается в том, что пользователю не нужно знать, какая именно модель (GPT-4, Claude или Llama) отвечает на его запрос. ИИ-агент самостоятельно выбирает лучший «инструмент» или модель для конкретной подзадачи. «Наша компания — это, по сути, оркестр, работающий в облаке», — пояснил Шринивас . Такой подход позволяет достичь максимальной эффективности:

Прозрачность для пользователя: интерфейс остается простым, пока под капотом происходит сложная координация .
Динамическое обновление: платформа может мгновенно внедрять новые версии моделей от разных поставщиков, как только они выходят, обеспечивая пользователю доступ к самым современным достижениям .
Безопасность и надежность: агент выступает фильтром и контролером, проверяя факты и работая в защищенном контуре .

Шринивас подчеркнул, что ИИ постепенно превращается в «компьютер нового типа» . Если раньше мы использовали браузер для поиска информации, то теперь агент не просто ищет, а синтезирует ответы и выполняет действия, оркеструя десятки микросервисов в фоновом режиме.

Креативный ИИ и эволюция визуального интеллекта 1:26:14

Развитие генеративных моделей переходит от простых манипуляций с изображениями к созданию полноценного «визуального интеллекта». Робин Ромбах (Black Forest Labs) отметил, что мы наблюдаем колоссальный скрытый спрос на генерацию видео и высококачественного визуального контента .

Ключевым технологическим сдвигом стало повышение эффективности диффузионных моделей. Ромбах указал, что количество шагов инференса, необходимых для создания качественного изображения, радикально сокращается . Это открывает путь к генерации видео в реальном времени, что критически важно не только для развлечений, но и для профессиональных индустрий.

Основные направления развития визуального ИИ по мнению Ромбаха:

От контента к симуляции: модели перестают быть просто «генераторами картинок» и начинают понимать физику мира, превращаясь в инструменты для симуляции реальности .
Мультимодальность как стандарт: интеграция текста, аудио и видео в единые архитектуры позволяет создавать более глубокие и контекстуально точные визуальные ряды .
Демократизация творчества: открытые модели (такие как Stable Diffusion в прошлом и новые разработки Black Forest Labs сейчас) позволяют творческому сообществу строить собственные инструменты поверх базовых архитектур .

Ранее в разговоре спикеры касались темы эффективности вычислений, и Ромбах подтвердил, что для креативного ИИ задержка (latency) является определяющим фактором пользовательского опыта . Возможность мгновенно видеть результат своего творческого запроса меняет саму природу взаимодействия человека с машиной.

В завершение этого сегмента дискуссии эксперты сошлись во мнении, что архитектура «Transformer», описанная в знаменитой статье «Attention Is All You Need», стала фундаментом, на котором сегодня строится всё здание современного интеллекта . Однако именно открытость этой архитектуры и возможность её свободной модификации позволили индустрии достичь нынешних масштабов за столь короткий срок.

🚀 Эпоха действий: Инфлексия агентного ИИ и автоматизация науки 1:49:59

Развитие искусственного интеллекта подошло к критической точке перелома. Если предыдущий этап был ознаменован появлением чат-ботов, которые научили мир взаимодействовать с моделями через текст, то нынешняя стадия — это переход от слов к действиям. Отрасль движется в сторону систем, способных не просто генерировать контент, но и выполнять сложные многошаговые задачи в реальном мире, становясь полноценными «агентами».

Инфлексия агентного ИИ: от чат-ботов к осознанным действиям 1:49:59

Дженсен Хуанг подчеркнул, что мы вступаем во вторую фазу развития ИИ, где фокус смещается с ответа на запрос к процессам рассуждения, планирования и исполнения . По его прогнозам, в ближайшем будущем в мире будет функционировать около 10 миллиардов агентных систем . Этот масштаб сопоставим с глобальным рынком труда: если сегодня в мире насчитывается около 30 миллионов разработчиков программного обеспечения, то ИИ-агенты расширят производственные возможности человечества в сотни раз .

Сара Гуо отметила, что фронтирные агентные системы достигли уровня «инфлексии», когда их способность выполнять реальную работу в ИТ, здравоохранении и производстве становится экономически оправданной . В дискуссии с участием Винсента Вайссера и Петера Штайнбергера было отмечено, что ИИ-агенты перестают быть просто надстройкой над LLM и превращаются в самостоятельные единицы, способные к итеративному решению проблем без постоянного участия человека . Ранее в разговоре участники касались важности открытых моделей, таких как Mistral AI , но теперь фокус сместился на то, как эти модели «оживают» внутри агентных циклов.

Контекстная инженерия и надежность систем 1:55:34

Одной из главных проблем на пути к массовому внедрению агентов остается их надежность. Харрисон Чейз, сооснователь и CEO LangChain, ввел понятие «контекстная инженерия» (context engineering) . По его мнению, большинство ошибок ИИ-агентов связано не с недостатком интеллекта самой модели, а с тем, что системе предоставляется неверный или избыточный контекст .

Разработчики LangChain сосредоточены на создании «обвязки» или «сбруи» (harness) вокруг моделей, которая позволяет:

Тестировать агентов в контролируемых условиях для обеспечения стабильных результатов .
Автоматически подбирать и фильтровать данные, необходимые для конкретного шага рассуждения .
Интегрировать механизмы обучения с подкреплением (RL), чтобы агенты могли учиться на своих ошибках в специфических доменах, таких как бухгалтерский учет или юридическая экспертиза .

За последний год подход разработчиков изменился: от простых экспериментов с prompt-инжинирингом индустрия перешла к созданию сложных петель обратной связи, где модель постоянно проверяет свои действия на соответствие заданному контексту . Это позволяет создавать системы, которые могут работать автономно на протяжении длительных периодов (long-horizon tasks), сохраняя точность выполнения .

Автоматизация науки и цифровая медицина 1:59:47

Наиболее амбициозное применение агентного ИИ находит в области фундаментальной науки. Сэм Родригес, основатель Edison Scientific, представил концепцию «автоматизации научного поиска» . В отличие от творческих задач, наука глубоко верифицируема, что делает её идеальной средой для работы агентов .

Ключевые тезисы Сэма Родригеса относительно будущего науки:

Масштабирование талантов: Агенты не заменяют ученых, а позволяют одному исследователю управлять тысячами параллельных экспериментов .
Синтетическая генерация гипотез: Использование агентов для анализа огромных массивов данных и предложения новых химических соединений или лекарственных формул .
Clinic-in-the-loop: Концепция, при которой ИИ-агенты работают в связке с клиническими данными в реальном времени, ускоряя циклы разработки лекарств от десятилетий до месяцев .

Родригес утверждает, что для совершения прорыва необходимо достичь уровня «A+» в выполнении научных задач, что требует от моделей способности действовать на сверхчеловеческом уровне точности . Цель Edison Scientific — в ближайшие 1–2 года прийти к состоянию, когда болезни можно будет купировать или предотвращать за счет мгновенного анализа биологических данных и автоматизированного подбора терапии . Это кардинально меняет парадигму здравоохранения, переводя его из реактивного режима в проактивный и персонализированный.

🤖 Новая архитектура талантов и рассвет автономного предприятия 2:06:11

На этапе, когда базовые модели уже достигли уровня «A-minus» , фокус технологического прорыва смещается с вопроса «что ИИ может написать?» на вопрос «как ИИ изменит то, что мы делаем?». В этой части дискуссии лидеры индустрии и основатели стартапов обсуждают фундаментальный сдвиг в структуре человеческого труда. Речь идет не просто об автоматизации рутины, а о переходе к новой эре, где управление сложными ИИ-агентами становится основным навыком, а предприятия превращаются в полностью автономные экосистемы.

От написания кода к системному проектированию 2:06:11

Традиционное представление о программировании как о процессе написания строк кода стремительно устаревает. Петер Штайнбергер (OpenClaw) отмечает, что сегодня он тратит значительно меньше времени на сам кодинг и гораздо больше — на обдумывание «формы существования» системы . Программное обеспечение перестает быть набором статических команд; оно превращается в динамическую среду, где агенты самостоятельно взаимодействуют в Slack, находят нужную информацию и запускают параллельные процессы .

Харрисон Чейз (LangChain) подчеркивает, что главным узким местом сегодня является не создание кода, а обеспечение надежности того, что создают агенты . Профессия разработчика трансформируется в роль системного архитектора или «оркестратора», чья задача — верифицировать действия ИИ и выстраивать логику их взаимодействия. Это освобождает когнитивный ресурс для решения задач более высокого порядка, но требует иного уровня ответственности.

Этот сдвиг затрагивает даже фундаментальную науку. Сэм Родригес (Edison Scientific) указывает на то, что роль ученого меняется в сторону «аллокации ресурсов» — принятия решений о том, что именно важно исследовать и почему . В то время как математические задачи могут быть практически полностью автоматизированы, в биологии и других эмпирических науках ценность человека сохраняется в понимании контекста и накопленного опыта . Однако общая тенденция неизменна: интеллект становится инструментом, а не конечным продуктом труда.

ИИ-нативные таланты: новый стандарт компетенций 2:11:08

Развитие технологий порождает два типа специалистов. Харрисон Чейз выделяет тех, кто «сражается» с моделями, пытаясь выжать из них максимум, и тех, кто создает на их основе готовые к эксплуатации (production-ready) продукты . Современный рынок талантов начинает отдавать предпочтение «ИИ-нативным» (AI-native) специалистам.

Сара Гуо отмечает, что ИИ-нативный талант будет гораздо более продуктивным, чем узкоспециализированные эксперты прошлого . Главные характеристики такого сотрудника:

Способность управлять ансамблем ИИ-агентских систем.
Системное мышление вместо фокусировки на инструментарии.
Навыки «контекстной инженерии», о которой упоминалось ранее в дискуссии.

Для молодых специалистов это открывает возможность «перепрыгнуть» через этапы традиционного обучения, сразу переходя к управлению сложными технологическими стеками . Как заметил Сэм Родригес, сегодня никто не хочет быть просто узким специалистом; ценность перетекает к тем, кто видит общую картину и умеет использовать ИИ для её реализации .

ServiceNow: путь к 90-процентной автоматизации сервисов 2:17:40

Концепция «автономного предприятия» находит свое наиболее яркое воплощение в кейсе ServiceNow. Билл Макдермотт (ServiceNow) описывает трансформацию компании из платформы для рабочих процессов в движок для тотальной ИИ-автоматизации. В тесном партнерстве с NVIDIA компания внедряет агентов, способных радикально изменить экономику корпоративного сервиса .

Ключевые показатели трансформации ServiceNow впечатляют:

Автоматизация задач: До 90% задач в сервисных службах (IT-поддержка, HR, клиентский сервис) теперь могут выполняться автономными агентами .
Сохранение рабочего контекста: Билл Макдермотт акцентирует внимание на том, что ИИ позволяет людям «оставаться в рабочем потоке» (stay in the workflow), не переключаясь между десятками приложений .
Безопасность и масштабируемость: ИИ-агенты теперь способны выполнять роль специалистов по безопасности, работая быстрее и точнее людей в вопросах мониторинга угроз .

«Компании должны осознать: то, что раньше делалось вручную, теперь берет на себя автономный агент», — утверждает Макдермотт . Это не означает сокращение штата, а скорее «процветание и рост» бизнеса за счет перераспределения человеческой энергии на инновации .

Завершая этот блок, спикеры подчеркивают, что переход к автономности — это не отдаленное будущее, а текущая реальность для тех, кто уже сегодня обучает свои модели на платформе NVIDIA . Впереди — следующий большой этап: выход ИИ за пределы экранов мониторов в физический мир, где чат-боты уступают место полноценному «физическому ИИ» и робототехнике, что станет темой дальнейшего обсуждения .

🤖 Универсальный мозг и физический интеллект: будущее робототехники и медицины 2:31:20

Заключительная часть дискуссии на GTC 2026 сфокусировалась на самом сложном вызове для искусственного интеллекта — выходе из цифровой среды в физический мир. Если предыдущие этапы развития ИИ касались обработки текста и изображений, то нынешняя волна сосредоточена на создании «физического интеллекта», способного управлять сложными механизмами, лечить людей и обеспечивать безопасность на дорогах.

Skild AI: Универсальная модель для любого робота 2:31:38

Дипак Патак из Skild AI представил амбициозную концепцию создания общего «мозга» для робототехники. В отличие от традиционного подхода, где для каждого манипулятора или гусеничной платформы пишется отдельный код, Skild AI разрабатывает модель, которой не важна специфика «тела» робота .

Ключевой инновацией здесь становится отказ от жесткого программирования в пользу обучения на данных. Дипак подчеркивает, что их подход позволяет роботам учиться, просто «наблюдая» за демонстрациями, и адаптироваться к изменениям среды буквально на лету . Это стало возможным благодаря дистилляции знаний из огромных массивов данных визуальных и языковых моделей, которые уже решили проблему понимания контекста .

Отвечая на вопрос о практическом применении, Дипак Патак отметил:

Первыми бенефициарами станут индустрии с дефицитом кадров: логистика и складское хозяйство .
В мире уже существует нехватка миллионов рабочих рук, и компании готовы платить за автоматизацию этих процессов прямо сейчас .
Появление антропоморфных роботов в домах — это более отдаленная перспектива; развитие будет идти поэтапно, от простого к сложному .

Медицинский суперинтеллект и цифровые двойники 2:34:51

Даниэль Надлер, представляющий OpenEvidence, ввел термин «медицинский суперинтеллект». Он объяснил, что современная медицина столкнулась с информационным взрывом: объем публикуемой литературы растет экспоненциально, и ни один врач физически не способен отслеживать все новые исследования . Программа обучения в медицинских школах ограничена четырьмя годами и не может расширяться бесконечно, что создает опасный разрыв между знаниями и практикой .

OpenEvidence предлагает решение в виде специализированных моделей, которые служат своего рода «цифровыми двойниками» знаний для врачей. Это не просто справочная система, а инструмент, позволяющий мгновенно получить актуальную информацию по конкретному клиническому случаю . При этом Даниэль подчеркнул высокую ответственность: в медицине обратная связь от «тела пациента» может быть фатальной, если модель ошибется .

Удивительным фактом стала экономическая эффективность таких систем: команда OpenEvidence, состоящая менее чем из 100 человек, уже косвенно поддерживает лечение 6 миллионов пациентов . Ранее в разговоре спикеры касались трансформации рынка талантов, и этот кейс стал ярким подтверждением того, как небольшие ИИ-компании могут масштабировать свое влияние на целые отрасли.

Безопасность через симуляцию: Waabi и Wayve 2:43:39

Ракель Уртасун из Waabi и Алекс Кендалл из Wayve представили два взгляда на будущее автономного вождения. Ракель настаивает на подходе «сначала симуляция» (simulation-first). По её мнению, это единственный способ гарантировать безопасность в критически важных приложениях . Традиционные методы тестирования на дорогах общего пользования слишком медленны и опасны; симуляция же позволяет воспроизвести миллионы редких и опасных сценариев, которые невозможно встретить в реальности за разумное время .

Алекс Кендалл (Wayve) в интервью Тиффани Джензен развил тему «мировых моделей» (world models). Основное достижение Wayve — это способность ИИ к «zero-shot» обобщению: система может уверенно вести автомобиль в городе, в котором она никогда не была, и при погодных условиях, которые не встречались в обучающей выборке . Wayve уже активно сотрудничает с такими гигантами, как:

Nissan — для внедрения технологий в серийные автомобили ;
Uber — для развития сетей автономных поездок .

PhysicsX: Инженерное проектирование со скоростью инференса 2:45:53

Джакомо Корбо из PhysicsX рассказал о том, как глубокое обучение радикально меняет тяжелую промышленность. Традиционное проектирование, например, реактивного двигателя, требует сложнейших физических симуляций, которые могут длиться днями на огромных вычислительных кластерах .

PhysicsX заменяет эти медленные вычисления ИИ-моделями, которые предсказывают физическое поведение объектов с высокой точностью, но в миллионы раз быстрее. Это позволяет инженерам проводить тысячи итераций дизайна в режиме реального времени . Такая технология находит применение не только в аэрокосмической отрасли, но и в производстве полупроводников, где точность управления процессами на нанометровом уровне критически важна .

Завершая сессию, Сара Гуо и Гэвин Бейкер отметили, что переход ИИ к прямому управлению физическими активами и процессами — от микрочипов до реактивных двигателей и человеческого здоровья — знаменует собой начало новой эры «автономного мира».