2 июня 2025 года в Нижнем Новгороде в рамках конференции «Цифровая индустрия промышленной России» (ЦИПР) состоялась сессия «Генеративный ИИ в промышленности». Ключевой темой обсуждения стала Индустрия 6.0 и применение искусственного интеллекта в промышленном секторе.

 

Фото: ЦИПР

 

Открывая сессию, Сергей Дутов, модератор конференции, директор по корпоративным инновациям Фонда «Сколково», высказал мнение, что генеративный искусственный интеллект является главной технологией современности, способной изменить многие индустрии. Фонд «Сколково» совместно с партнерами, включая компанию Softline, провел исследование, проанализировав более сотни международных кейсов внедрения генеративного ИИ и опросив 30 крупнейших промышленных компаний России. По его словам, российские компании активно экспериментируют с технологией, но сталкиваются с барьерами, которые можно сгруппировать в четыре ключевых блока: аппаратное и программное обеспечение, слой базовых больших языковых моделей и отсутствие понимания развития генеративного ИИ в компании и отрасли.

 

 

Дмитрий Тетерюков, руководитель лаборатории робототехники «Сколтех», представил разработанную им и его лабораторией концепцию «Индустрия 6.0». 
Он охарактеризовал ее как абсолютно новую парадигму, меняющую представление о том, как будут создаваться и производиться изделия. Концепция уже получила известность не только в России, но и в мире.
Спикер провел краткий экскурс в историю промышленных революций, отметив, что Индустрия 4.0, представленная Клаусом Швабом, оставалась в парадигме, где человек является частью цепочки. Индустрия 5.0 делает акцент на взаимодействии человека и робота, а ведущим трендом являются человекоподобные роботы. Ключевое отличие Индустрии 6.0 заключается в технологии, которая сокращает до минимального уровня расстояние между пользователем и изделием. Весь производственный цикл — от создания CAD-моделей до производства и обеспечения ремонта оборудования — будет осуществляться на основе генеративного искусственного интеллекта, управляющего роем гетерогенных роботов. Основной принцип — производство полного цикла, где от пользователя требуется только запрос на выполнение задачи.
Тетерюков подробно описал архитектуру такого производства, включающую захват задачи, генерацию CAD-моделей и G-кода, прототипирование и физическое исполнение с использованием роя дронов для создания «вертикальных фабрик» в городских условиях. Он подчеркнул важность цифровых двой­ников, таких как NVIDIA Omniverse (платформа для создания приложений метавселенной и работы с ними), для быстрого развертывания и тестирования производств в виртуальной среде.
Лаборатория Дмитрия Тетерюкова не только предложила, но и воплотила элементы концепции. Генеративный ИИ в их реализации создает CAD-модели и управляет производством, что уже позволило увеличить скорость создания объектов в 3–4 раза, а скорость генерации CAD-моделей — в 47 раз (рис. 1). Были продемонстрированы примеры производства рамы квадрокоптера и часов. Тетерюков также анонсировал разработку операционной системы для когнитивных роботов, позволяющей разнородным машинам взаимодействовать на естественном языке. Система построена на архитектуре трансформеров и включает мультиагентные системы, блоки поведения, этики и навигации, адаптирующиеся под кинематику и функционал конкретного робота.

 

Рис. 1. Эффективность применения генеративного ИИ для задач прототипирования. Из презентации Дмитрия Терюкова

 

 

Олег Епишин, коммерческий директор компании «Инферит», выступил с докладом о ключевых инфраструктурных вызовах, связанных с массовым внедрением технологий генеративного искусственного интеллекта в промышленности. Он подчеркнул, что существующее аппаратное обеспечение большинства крупных организаций не приспособлено для работы с большими языковыми моделями (LLM). Для эффективного использования ИИ требуется специализированное оборудование, подобное тому, которое производит NVIDIA и китайские компании, активно развивающие это направление.
Епишин подробно остановился на двух основных проблемах. Первая — резко возрастающее потребление электроэнергии. Если обычная серверная стойка потребляет 2–3 кВт, то стойка с оборудованием для ИИ требует уже 20–30 кВт, что в 6–7 раз больше. Вторая проблема — необходимость мощных систем охлаждения, поскольку ИИ-сервера генерируют значительное количество тепла. Эти факторы заставляют компании задумываться об усовершенствовании существующих или строительстве новых центров обработки данных (ЦОД).
Спикер отметил, что в ближайшее время крупный бизнес столкнется с необходимостью масштабных инвестиций в инфраструктуру. По его словам, многие компании уже заявляют о своих планах по расширению или строительству новых ЦОДов. Также растет интерес к новым технологиям охлаждения, таким как фрикулинг, который позволяет значительно снизить энергопотребление.
Епишин заключил, что по мере роста монетизации ИИ-решений также будет увеличиваться и спрос на соответствующую инфраструктуру. Клиенты будут запрашивать не только решения для Индустрии 6.0, но и соответствующее оснащение для их реализации.

 

 

Роман Смирнов, коммерческий директор компании «Девелоника» (ГК Softline), осветил существенные изменения, происходящие в индустрии разработки программного обеспечения под влиянием генеративного ИИ. Он констатировал, что за последние полгода-год произошел заметный скачок в возможностях ИИ применительно к программированию.
Смирнов подробно описал феномен V-программирования, когда один разработчик может повысить свою производительность в 3–10 раз благодаря использованию ИИ. По его данным, уже около 100 миллионов программистов в мире активно используют генеративный ИИ в работе, и эта тенденция продолжает нарастать.
Особое внимание спикер уделил переходу к мультимодальным моделям, способными обрабатывать не только текст, но и видео, звук и изображения. Это открывает новые возможности — например, программист сможет показать модели видеопоток с камеры и получить анализ проблемы и предложения по ее решению.
Смирнов также описал фундаментальную трансформацию цикла разработки: от классического четырехэтапного подхода (планирование, выполнение, проверка, анализ) происходит переход к двухэтапному, где человек лишь ставит задачу и проверяет результат, а все исполнение берет на себя ИИ. В перспективе, по его мнению, даже проверка результата будет осуществляться искусственным интеллектом.
Спикер отметил, что, в отличие от IT, в промышленности ситуация сложнее из-за разнородной документации, но процесс ее оцифровки и анализа моделями уже активно идет.
В заключение Смирнов дал практические рекомендации: активно накапливать практические кейсы использования ИИ, готовить инфраструктуру (ЦОДы), адаптировать хранилища данных под нужды ИИ, регулярно (каждые полгода) пересматривать стратегию из-за высокой скорости развития технологий, а также работать с командой, воспитывая внутренних амбассадоров и формируя уверенность в возможностях ИИ.

 

 

Сергей Крылов, вице-президент по развитию технологического бизнеса «Сбера», представил детальный анализ текущих возможностей применения генеративного искусственного интеллекта в промышленности. Он подчеркнул, что на современном этапе технология в первую очередь затрагивает сферу интеллектуального труда, а не непосредственное физическое производство. По его словам, искусственный интеллект «идет за работой белых воротничков» — тех, кто занимается интеллектуальным трудом, а не физическим производством на фабриках и заводах.
Крылов выделил три основных направления применения генеративного ИИ с точки зрения зрелости и достигаемых эффектов. Первое и наиболее развитое направление — это поддержка общих корпоративных функций, таких как финансы, HR и юридические службы. В этих областях уже накоплен значительный опыт внедрения, включая кейсы внутри «Сбера» и с компаниями финансового сектора. Спикер упомянул опыт сотрудничества с компанией 
«ФосАгро» по оптимизации работы HR-подразделения. Эффекты проявляются не только в снижении затрат, но и в решении проблемы подбора персонала, позволяя делать это быстрее и эффективнее.
Второе направление — оптимизация закупок и управления рабочим капиталом в производственных компаниях. Здесь ИИ помогает анализировать складские остатки и избегать избыточных закупок, что напрямую влияет на финансовые показатели бизнеса. Крылов привел пример сотрудничества с компанией «Сибур», где такие решения уже демонстрируют положительные результаты.
Третье направление — диагностика оборудования и управление ремонтами. Хотя здесь эффект в снижении затрат менее выражен, технологии значительно повышают доступность оборудования, что в конечном счете также транслируется в финансовые результаты. Спикер отметил, что более сложные специализированные применения, такие как геологические модели для нефтяной отрасли или разработка лекарств для фармацевтики, представляют собой следующий этап развития.
Крылов особо подчеркнул, что успешное внедрение генеративного ИИ требует глубокой адаптации решений под конкретные бизнес-­процессы и данные компании, а не просто установки «коробочных» решений.

 

 

Павел Комаровский, директор по развитию бизнеса МТС, в продолжение темы предыдущего доклада представил ряд конкретных кейсов внедрения генеративного ИИ в промышленности на базе отечественного программного обеспечения. Он сообщил, что компания за последний год протестировала 53 сценария применения технологии в различных отраслях.
Первый реализованный кейс — платформа Copilot для работы с внутренней документацией и базами данных на производстве металлургической компании. Решение было построено на основе модели Cotype с применением технологии RAG (Retrieval-­Augmented Generation; метод в области искусственного интеллекта, при котором генеративная языковая модель получает доступ к внешним источникам информации для улучшения точности и достоверности ответов), которая позволяет интегрировать данные компании непосредственно в модель для обеспечения более точных ответов. Платформа содержит 8 ассистентов для различных производственных функций и позволяет сотрудникам получать ответы на специализированные запросы в течение трех секунд — например, о сроках изготовления изделия, необходимых затратах или диагностике поломок двигательных агрегатов.
Второй кейс в той же компании был направлен на автоматизацию работы юридической службы по выявлению рисковых условий в сервисных договорах. Разработанный ассистент позволяет юристам загружать договоры, автоматически анализировать их условия, сопоставлять 
с реестром допустимых и неприемлемых условий, маркировать проблемные пункты и формировать итоговое резюме по рискам. Это решение сократило время обработки одного договора от 5 до 30 раз в зависимости от его сложности.
Третий кейс касался автоматизации проверки технического состояния шахтного транспорта. Ранее этот процесс занимал около 30 минут: сотрудник спускался в шахту, фиксировал замечания голосом и фотографиями, затем заполнял чек-листы на поверхности. С помощью речевой аналитики и модели Cotype весь процесс был автоматизирован и сокращен до 1 минуты: сотрудник теперь может выполнять все операции непосредственно с помощью взрывозащитного телефона.
Комаровский отметил, что при расчете бизнес-­эффектов использовалась концепция бережного производства с поэтапным расчетом для каждого сотрудника. Хотя индивидуальные эффекты могут казаться незначительными, при масштабировании на уровень функции или всей компании они демонстрируют существенные результаты.

 

 

Артём Лыков, ведущий разработчик МТС R&D Lab, представил практическую демонстрацию реализации концепции Индустрии 6.0, подчеркнув, что это не отдаленное будущее, а технология, доступная для внедрения уже сегодня. Он уточнил, что в интерпретации МТС данная концепция реализуется через систему агентов — как виртуальных, создающих проекты и чертежи, так и физических в виде роботов, осуществляющих сборку и доставку продукции.
В ходе демонстрации был детально показан кейс производства персонализированной мебели (рис. 2). Процесс начинается со взаимодействия пользователя с агентом, где человек описывает желаемый продукт — в данном случае складную табуретку-­стремянку. Далее система агентов самостоятельно анализирует референсы в Интернете, создает CAD-модели, разрабатывает модели сборки, чертежи и дизайн, а также рассчитывает стоимость и сроки производства. После подтверждения заказа происходит автоматическое изготовление компонентов на ЧПУ-станке, упаковка готового изделия и генерация инструкции по сборке.

 

Рис. 2. Применение Индустрии 6.0 для производства персонализированной мебели. Из презентации Артема Лыкова

 

Лыков подробно описал возможности масштабирования данного подхода на другие отрасли. Для микропроизводства компонентов это позволит оперативно изготавливать замену вышедшим из строя деталям стратегически важного оборудования, минимизируя простои производства. В строительной отрасли интеграция агентов с 3D-принтерами, печатающими здания, может обеспечить возведение целых кварталов без участия человека. В логистике объединение автономных Dark Store и роботов-­доставщиков через генеративный искусственный интеллект создаст полноценную систему Индустрии 6.0.

 

 

Игорь Скобелев, генеральный директор «Цифрум» (ГК «Росатом»), поделился видением практических вызовов внедрения AI-технологий в масштабах крупнейшей промышленной корпорации полного цикла (рис. 3). Он особо отметил, что «Росатом» сталкивается с беспрецедентной задачей — построить 38 новых энергоблоков к 2042 году, что требует существенной трансформации всех производственных процессов.

 

Рис. 3. Применение генеративного ИИ. Из презентации Игоря Скобелева

 

Скобелев детализировал основные вызовы: острый дефицит квалифицированных специалистов в строительстве и промышленности, а также экстремально высокие энергозатраты на обеспечение работы AI-систем. Он привел конкретный пример: запрос от партнеров на обеспечение энергомощностей в 1 гигаватт для работы мультимодальных моделей, что сопоставимо с энергопотреблением крупного города.
В качестве решения спикер анонсировал создание пристанционных ЦОДов на базе строящихся АЭС, которые смогут обеспечить вычислительные потребности промышленных партнёров, включая «Сбер» и других крупных корпораций. В настоящее время ведется активная работа с регулятором для реализации этого проекта.

 

 

Николай Лунев, директор по консалтинговой интеграции «КАМАЗ Диджитал», поделился практическим опытом внедрения AI в автомобилестроение, обратив внимание на отраслевые особенности производства. Он отметил, что существующие данные часто недостаточны для обучения искусственного интеллекта сложным производственным процессам, а инженеры-­проектировщики могут быть далеки от реальных условий производства.
Лунев подробно описал ключевые проекты КАМАЗа: создание центра искусственного интеллекта совместно с «Росатомом», «Цифрум» и МГТУ Н.Э. Баумана в рамках грантовой поддержки; разработка системы генерации компоновки новых автомобилей по текстовым промптам определенного класса с заданными параметрами грузоподъемности; автоматизация нормоконтроля документации с автоматической проверкой соответствия отраслевым ГОСТам и стандартам.
Особое внимание было уделено кейсу внедрения компьютерного зрения для распознавания деталей после цеха окраски. Лунев детализировал подход: система обучалась на синтезированных изображениях, созданных искусственным интеллектом на основе 3D-моделей деталей. Это позволило решить проблему пересортицы, возникающую из-за человеческого фактора — иностранные работники часто не различают детали и раскладывают их неправильно. В перспективе система будет дополнена роботами для автоматической сортировки деталей по соответствующим тарам.

 

 

В завершение сессии можно было наблюдать своеобразный диалог между смелыми технологическими прогнозами и трезвой производственной реальностью. С одной стороны — впечатляющие демонстрации возможностей генеративного ИИ, способного создавать проекты по текстовому описанию и управлять роями разнородных роботов. С другой — честное признание: даже самые продвинутые системы пока не гарантируют повторяемости результатов, а их решения не всегда поддаются логическому объяснению.
Особенно показательным было обсуждение кадрового вопроса. Становится ясно, что промышленности нужны не просто программисты, а специалисты нового типа — своего рода «цифровые инженеры», способные говорить на языке этих же технологий и производства. Они должны понимать, как работает ЧПУ-станок, но при этом разбираться в тонкостях работы больших языковых моделей.
Интересно, что, несмотря на весь технологический оптимизм, многие выступавшие подчеркивали ценность постепенного, эволюционного подхода. Как показал пример Курского электроаппаратного завода, приведенный в докладе директора по цифровой трансформации Михаила Малахова, даже относительно простые внедрения, такие как системы компьютерного зрения на сборочных линиях, могут давать значительный экономический эффект. Эффект на текущий момент — повышение производительности на 30%. Это говорит о том, что путь к Индустрии 6.0 лежит не через революционные преобразования, а через последовательную интеграцию технологий в существующие процессы.
Важной темой стало обсуждение необходимости отечественных разработок в области физического ИИ. Если западные компании сосредоточены на создании универсальных моделей, то российские разработчики, как следует из выступления представителя «Сколтеха», делают ставку на специализированные решения для конкретных производственных задач. Такой подход может стать конкурентным преимуществом, позволяя создавать системы, лучше адаптированные к местным реалиям.
Итоги сессии показали, что российская промышленность находится не в начале пути, а на важном этапе осмысленного внедрения технологий. Представленные кейсы свидетельствуют уже не о робких экспериментах, а о полноценной интеграции ИИ в производственные процессы с измеримыми результатами и четким пониманием дальнейших направлений развития.

 

Источник журнал "РИТМ машиностроения" № 6-2025