Агентство социальных исследований «СТОЛИЦА»

КИИ-2025: XXII Национальная конференция по искусственному интеллекту

6 октября 2025 года в Санкт-Петербурге (Университет ИТМО, Санкт-Петербург, Песочная наб., 14 лит А) состоялось торжественное открытие XXII Национальной конференции по искусственному интеллекту с международным участием – КИИ-2025. Представители академических кругов и индустрии собрались для обсуждения передовых разработок и обмена опытом в области ИИ. На церемонии открытия прозвучали приветственные слова от ключевых спикеров. В частности, в своем выступлении декан факультета информационной безопасности ИТМО акцентировал внимание на актуальности искусственного интеллекта, в том числе и для сферы безопасности. Как отметил декан, это современный тренд, не требующий дополнительных пояснений. Конференция предоставляет прекрасную возможность установить научные контакты, инициировать совместные исследования и ознакомиться с передовыми разработками в области искусственного интеллекта. Особое внимание было уделено сочетанию безопасности и искусственного интеллекта в различных аспектах, включая обеспечение безопасности самого ИИ. Декан подчеркнул интерес и поддержку этих направлений, выразил удовлетворение проведением конференции в таком масштабе и передал слово следующим докладчикам.

Также спикеры подчеркнули актуальность тематики ИИ в контексте национальной безопасности и отметили вклад конференции в продвижение научных исследований. Особое внимание было уделено сотрудничеству между университетами, исследовательскими центрами и предприятиями для создания инновационных решений. Была отмечена значимость конференции как платформы для налаживания новых контактов, стимулирования совместных исследований и ознакомления с перспективными разработками. Особо подчеркивалось, что Конференция посвящена памяти выдающегося ученого Валерия Борисовича Тарасова, внесшего значительный вклад в развитие различных направлений ИИ. Была выражена благодарность организаторам и партнерам конференции, включая Университет ИТМО, Санкт-Петербургский федеральный исследовательский центр РАН и др. за поддержку и вклад в проведение мероприятия.

Во вступительном слове профессора СПбГУ, доктора технических наук Татьяны Альбертовны Гавриловой было отмечено, что конференция КИИ впервые проводится в Санкт-Петербурге. Спикер призвала участников использовать возможность пребывания в Петербурге не только для научной программы, но и для наслаждения городом, порекомендовав посетить Дом книги и кафе "Рене" с видом на Казанский собор, а также ресторан "Мансарда" или кафе "Счастье" с видом на Исаакиевский собор. Она поздравила всех с успехом искусственного интеллекта, отметив, что, несмотря на развитие новых направлений, не стоит забывать и о "старом", теоретическом ИИ.

Далее последовал доклад Александра Валерьевича Бухановского, доктора технических наук, директора мегафакультета НИУ ИТМО. В своем выступлении он подчеркнул стратегическое значение развития науки в области искусственного интеллекта, отметив беспрецедентную поддержку государства. Александр Валерьевич рассказал об истории развития направлений ИИ в стране, начиная с 2021 года, когда были отобраны шесть леврических центров. Он обратил внимание на изменения в национальной стратегии в 2025 году, связанные с новыми вызовами, в частности с появлением больших языковых моделей и доверенных технологий ИИ. Спикер пояснил, что фундаментальные модели должны уметь решать различные задачи и распознавать закономерности в своей предметной области. Он сравнил создание таких моделей с попыткой автоматизировать знания экспертов, анализируя книги, документацию и базы данных, чтобы прийти к созданию "сильного искусственного интеллекта". В докладе профессора Бухановского акцентируется внимание на развитии агентов, обычно реализуемом с использованием Reinforcement Learning. Подчеркивается целесообразность адаптации степени универсальности агентов, а также применения группы специализированных агентов вместо одного универсального. Подобный подход позволяет эффективно снижать вычислительную сложность.

Предлагается использовать механизмы управления топологией для автоматизации машинного обучения, улучшая взаимодействие агентов через создание пространства эмбеддингов. Системы дебатов и управляющие агенты могут способствовать декомпозиции и иерархическому построению, а циклические процессы и рефлексия – уточнению результатов. Ключевой вопрос – интеграция этих механизмов в автоматическое машинное обучение, которая, вопреки ожиданиям, может оказаться менее сложной, чем применение композитных подходов. Композитные подходы, даже в классических задачах, формируют топологию, представляя собой агентов и узлы. Важно оптимизировать характеристики агентов под конкретные задачи и формировать эффективную топологию.

Необходимо учитывать, что доминирование одного агента может нарушить баланс системы. Для предотвращения деградации предлагается использовать служебных агентов для контроля процессов, а также учитывать эмерджентные свойства мультиагентных систем. В качестве подхода рассматривается создание мета-агента – большой фундаментальной модели, способной выстраивать архитектуру на основе доступных агентов, обеспечивать их эволюцию и контролировать их действия. Этот мета-агент назначает роли, формирует иерархию, предоставляет инструменты и генерирует промпты и код для конечных узлов. Эксперименты показывают, что такой подход может быть более эффективным по стоимости и точности, чем использование универсальных систем.

Для квалифицированной реализации подобных систем необходимо решение ряда научных задач, связанных с обеспечением эффективного функционирования агентов и избежанием чрезмерного потребления ресурсов. Важно выявлять и предотвращать эффекты фазовых переходов, которые могут приводить к неустойчивости системы. Квантово-инспирированные подходы могут использоваться для описания взаимодействия между агентами и прогнозирования поведения системы, например, негативных реакций пользователей. Топология системы влияет на возникновение и распространение галлюцинаций у агентов, что требует тщательного проектирования архитектуры.

В своем выступлении Бухановский А.В. подчеркнул наличие специализированной платформы для работы автономных агентов, функционирующей на кластерах с вычислительной мощностью около 24 петафлопс. Однако, по его мнению, этой мощности недостаточно для решения ресурсоемких задач. Он также отметил решение этой проблемы посредством привлечения внешних провайдеров. В качестве примера задач, решаемых платформой, он привел создание моделей для различных областей, в частности, для поддержки научных исследований. Он напомнил о периоде, когда компьютеры рассматривались как спасение для ученых, но затем возникла проблема интеграции готовых моделей в исследовательский процесс. Ученым не хватало когнитивных навыков для эффективной работы с этими моделями, что привело к разработке проблемно-ориентированных сред (PSE). Однако и здесь возникли сложности, поскольку ученым приходилось вручную выстраивать пайплайны исследований, что оказалось сложной задачей. В качестве решения этой проблемы спикер представил систему, которая автоматизирует процесс генерации пайплайнов, предлагая химику интерфейс, напоминающий чат, за которым скрыты исследовательские процессы. Система способна собирать данные, определять свойства элементов и генерировать молекулярные структуры с заданными свойствами. Под капотом системы лежит модель, обученная на метаисследованиях научных статей. Это особенно актуально для областей, где доступ к сырым данным ограничен, но существует большой объем данных в научных публикациях. Модель автоматически отбирает статьи, извлекает необходимую информацию, создает модели и генерирует структуры, что позволяет автоматизировать задачи, сопоставимые с работой опытного ученого.

Второй пример применения — промышленность, где все большее значение приобретают системы управления компанией на основе накопленной базы знаний. Особое внимание уделяется поддержке руководства высшего звена, поскольку ошибки на этом уровне обходятся особенно дорого. Примером такой системы является цифровой экспертный комитет, разработанный для крупной нефтяной компании. Система содержит более 10 тысяч документов и использует мультиагентную систему с отдельными агентами для различных направлений деятельности компании.

Третье направление связано с градостроительством и управлением городом. Здесь также используются агенты для решения различных задач, от построения антологий до оценки территорий. В частности, система анализирует требования Минстроя, представленные в большом количестве документов, и раскладывает их на антологии, устанавливая связи между ними. Также была отмечена важность подготовки кадров для работы с такими системами. Он подчеркнул, что существующие образовательные стандарты не соответствуют требованиям этой новой области, и рассказал о разработанной ИТМО компетентностной модели, которая определяет, как функции работодателя и университета стыкуются через профессиональные роли.

Кобринский Борис Аркадьевич представил доклад, посвященный ситуационному управлению и адаптации решений в условиях непредсказуемости. Он отметил, что, к сожалению, реальность такова, что физический мир может быть описан через конечное множество базовых взаимосвязей, из которых выводятся сложные производные отношения и множество параметров, характеризующих объект. Такой подход был разработан и применен для управления многопараметрическими системами в различных областях, например, в крупных портах или железнодорожных узлах. Очевидно, что управление такими системами сопряжено с неожиданными ситуациями и влиянием внешней среды. Предложенный подход к представлению знаний позволяет эффективно управлять сложными объектами в нестабильных условиях. Однако, возникли и дополнительные сложности. Существующие системы часто ограничены заранее заданными условиями, и невозможно предвидеть все возможные сценарии.

Ситуационное управление, как метод искусственного интеллекта, обладает способностью к самообучению и дополнению новыми правилами, но жизнь слишком разнообразна, чтобы все предусмотреть. В идеале, конечно, было бы возможно предвидеть все, но реальность такова, что мы сталкиваемся с условно бесконечным числом рабочих состояний. Дж. Маккарти разработал представление о динамических мирах и изменениях во времени, включая ситуации, действия и флюенты, которые могут меняться с течением времени. Эта концепция используется Якобсоном в моделировании ситуаций. В России Масиль и Кузьмин предложили семиотический подход к исчислению ситуаций, объединив методы ситуационного управления, семантического моделирования и компьютерной графики. Нечеткость является важным фактором, поскольку мы живем в нечетком мире, где границы и отклонения неизбежны. Нечеткое ситуационное управление позволяет разрабатывать решения, учитывающие специфику системы. Борисовым и Аврабенко была предложена композиционная модель для конвергентных систем, включающая иерархию моделей, описывающих различные аспекты целевой системы ситуационного управления. Коваленко и соавторы рассматривали этот вопрос в ряде работ.

В условиях неопределенности сложный объект может оказаться в ситуации, не предусмотренной существующими правилами. Милюхин и Хачумов предложили предусмотреть в структуре ситуационного управления интеллектуальный решатель задач, автоматически конструирующий недостающие правила. Несмотря на прогресс, проблемы остаются. Эволюция сложных систем, будь то технических или биологических, характеризуется медленными процессами и резкими изменениями. Важно выявлять не только критические, но и предкритические состояния в различных областях, включая медицину, авиацию и космонавтику. В медицине необходимо научиться выявлять предвестники опасных состояний, анализируя сигналы с датчиков. Задача состоит в том, чтобы оценить будущие состояния объекта управления и факторы, влияющие на переход между ними, учитывая неопределенность и неполноту данных.

Управление медико-технологическим процессом в неравновесном состоянии параметров требует движения к ближайшей цели, оперативного анализа изменений, квантования состояний организма с нечеткими переходами, модификации управления на каждом этапе процесса и выбора последовательности решений. Важен совокупный анализ контролируемых показателей с учетом неравновесности состояния организма, а также преодоление неопределенности данных и учет прогноза течения болезни. Необходимо учитывать второстепенные симптомы и контролировать различные ситуации, планируя действия на основе траекторий принятия решений в системе управления, обеспечивая безопасность пациента. Борис Аркадьевич в выступлении подчеркнул, что любое предлагаемое вмешательство не должно создавать для пациента больше проблем, чем отказ от него. Важно учитывать траектории принятия решений в рамках системы управления, а также доступные варианты. Система управления, сталкивающаяся с высокой нестабильностью параметров организма, должна учитывать параметрическую неопределенность. В многоконтурных системах, где объект также характеризуется параметрической неопределенностью, подчиненное управление позволяет обеспечить желаемое качество регулирования как всей системы, так и каждого отдельного контура.

Крайне важно при управлении взаимосвязанными системами организма учитывать, что улучшение одной системы может негативно сказаться на другой. Важно стремиться к внесению таких изменений, которые будут благоприятными для организма в целом. Квазиинвариантное управление становится актуальным, когда параметры не только управляющей функции, но и самого объекта управления неизвестны в условиях априорной параметрической неопределённости и при наличии внешних воздействий, что часто встречается в медицине.

Аналогия может быть проведена с технологическим процессом: мультипараметрический мониторинг организма, постоянный поток данных о состоянии организма, сложность технической системы, многокомпонентность, множество параметров (количественных и качественных), нелинейность, неполнота информации, разнообразие внешних и внутренних факторов. В организме существуют многочисленные траектории и развилки, определяемые постоянными изменениями. Разные системы организма находятся в динамическом равновесии, и нарушение этого равновесия может приводить к тяжелым последствиям. Лечебные воздействия направлены на восстановление оптимального состояния.

Контур управления здоровьем человека включает текущую ситуацию, знания о состоянии организма и доступные методы управления. Врач должен получать объяснимые решения. В ситуационном анализе коррелятор стремится выдать наилучшее решение. Если коррелятор не может принять решение, используется блок случайного выбора. Однако в ситуациях управления в неопределенных средах целесообразно использовать гибридную интеллектуальную систему (ГИС).

Вместо блока случайного выбора предлагается передача задачи ГИС реального времени, особенно в ситуациях, требующих быстрого принятия решений, например, в реанимации. ГИС принимает решения на основе правил базы знаний, а в отдельных случаях – с использованием результатов распознавания изображений. ГИС представляет собой ансамбль передачи управления, в котором актуальная информация (включая изображения с мониторов и данные из электронных медицинских карт) поступает в систему ситуационного управления. Результаты анализа передаются классификатору, затем коррелятору и экстраполятору. Решение принимается на основе базы правил или библиотеки прецедентов с учетом результатов нейросети, обрабатывающей изображения. Решение должно сопровождаться объяснением.

В сложных случаях, когда коррелятор не может принять решение, может быть использовано ситуационное управление в базе правил, аргументация на прецедентах и распознавание изображений нейросетью. Образная составляющая анализа играет важную роль, обеспечивая комплексность и часто перекрывая значимость контекстной информации. Предлагается косвенное решение, объединяющее ситуационное управление, анализ ситуации с помощью базы знаний и включение изображений. ГИС использует лингвистические правила и образы. Решение с предоставлением изображений может включать особенности проявления изображений, сходный ряд, упорядоченный определенным образом, помогающий быстро сопоставить изображение. Контекстно-образная информация важна для принятия решений и их объяснения.

ООО «Агентство социальных исследований Столица»
Социологические и маркетинговые исследования, проведение опросов, мониторинг СМИ и социальных сетей.

карта сайта