2026: можно ли было предвидеть технологии будущего в 2020 году?

Есть один довольно нечестный способ выглядеть человеком, который умеет предсказывать будущее. Нужно дождаться, когда что-нибудь большое уже произойдёт, потом вернуться на несколько лет назад, найти там три или четыре подходящих события и показать, насколько очевидно всё было уже тогда. Сегодня, например, очень легко обнаружить в 2020 году будущую революцию искусственного интеллекта. Вот GPT-3, вот стремительно растущие вычислительные мощности, вот AlphaFold, вот инвестиции в центры обработки данных. Остаётся соединить точки и удивиться, почему окружающие не увидели того, что теперь кажется совершенно очевидным.

Проблема заключается в том, что в 2020 году никто не смотрел на 2020 год из 2026-го. Человек, открывавший утром новости, видел не аккуратно отобранные нами пять технологий, которые впоследствии действительно изменили мир. Он видел сотни сигналов, каждый из которых претендовал на роль будущей революции. Одни компании обещали беспилотный транспорт, другие строили виртуальную реальность, третьи рассказывали о блокчейне, четвёртые показывали роботов, пятые собирались изменить производство с помощью 3D-печати. Среди этого информационного шума действительно находилось будущее, только никакой специальной таблички на нём не висело.

Поэтому предлагаю провести эксперимент немного честнее. Представим, что сегодня не сентябрь 2026 года, а 31 декабря 2020-го. ChatGPT ещё не существует, миллионы людей не разговаривают ежедневно с искусственным интеллектом, программисты не отдают ему целые задачи, а слово «агент» пока не означает цифрового сотрудника, которому можно поставить цель и через несколько часов получить результат. Мы не знаем, что произойдёт дальше, зато имеем всю информацию, доступную человеку того времени. Попробуем посмотреть на неё и понять, можно ли было увидеть не конкретные продукты будущего, а хотя бы направление, из которого они потом появились.

Слишком много будущего

Начнём с того, что в 2020 году будущее выглядело довольно убедительно сразу в нескольких совершенно разных местах. В октябре Waymo открыла в Финиксе полностью беспилотный сервис для обычных пассажиров. Это был уже не экспериментальный автомобиль на закрытом полигоне и не эффектная демонстрация для журналистов. Реальные люди могли заказать машину, которая ехала по дорогам общего пользования без человека за рулём. Если бы в тот момент меня попросили назвать технологию, которая радикально изменит следующие пять или шесть лет, беспилотный автомобиль выглядел бы одним из наиболее очевидных кандидатов.

Почти одновременно Facebook представляла Oculus Quest 2. Полностью автономный VR-шлем становился легче, мощнее и дешевле предыдущих устройств, а сама компания рассматривала виртуальную реальность уже не только как игровую технологию. Речь шла о потенциально новой вычислительной платформе, которая со временем могла занять место рядом с телефоном и персональным компьютером. Логика выглядела убедительно: устройства дешевеют, вычислительная мощность растёт, разработчиков становится больше, значит виртуальная реальность постепенно должна превратиться из дорогой игрушки в массовый интерфейс.

Можно было открыть отчёты Международной федерации робототехники и увидеть ещё одну будущую революцию. На предприятиях мира уже работали миллионы промышленных роботов, росло количество установок, появлялись коллаборативные системы, постепенно снижался порог входа в роботизацию. Рядом находились блокчейн, интернет вещей, дополненная реальность, синтетическая биология, квантовые вычисления, водородная энергетика, беспилотники и 3D-печать. У каждой технологии были серьёзные компании, инвестиции, исследования, первые работающие продукты и убедительное объяснение того, почему именно она изменит мир.

Вот здесь и возникает первая проблема любого разговора о будущем. Нам обычно кажется, что слабые сигналы трудно обнаружить, потому что их слишком мало. На самом деле всё наоборот. Сигналов слишком много, и каждый окружён людьми, которые умеют очень убедительно объяснить его значение. Поэтому настоящая задача состоит не в том, чтобы заметить очередную необычную технологию, а в том, чтобы понять, какой тип изменения за ней стоит и насколько далеко могут распространиться его последствия.

Странная статья про 175 миллиардов параметров

28 мая 2020 года группа исследователей публикует работу с совершенно непримечательным для обычного предпринимателя названием «Language Models are Few-Shot Learners». В ней описывается GPT-3 — языковая модель со 175 миллиардами параметров, примерно в десять раз больше предыдущих крупнейших несмешанных языковых моделей. Сам по себе размер впечатлял специалистов, но вряд ли должен был заставить владельца производственной компании бросить все дела и внимательно изучать научную публикацию.

Гораздо интереснее было то, что происходило с возможностями модели при увеличении масштаба. Обычно для решения конкретной задачи систему приходилось специально обучать на большом количестве соответствующих примеров. GPT-3 начала демонстрировать способность выполнять разные задачи без такого отдельного обучения: ей можно было дать инструкцию или несколько примеров обычным текстом, после чего она пыталась продолжить работу в нужном формате. Результаты были далеко не идеальными, модель делала нелепые ошибки и совершенно не выглядела готовым массовым продуктом, но сама природа происходящего заслуживала внимания.

Сегодня очень хочется посмотреть на эту работу и сказать: «Вот он, будущий ChatGPT». Но это и есть то самое жульничество, с которого мы начали. Никакого ChatGPT человек 2020 года там не видел. Он видел чрезвычайно дорогую исследовательскую систему с впечатляющими возможностями и одновременно огромным количеством недостатков. Было совершенно непонятно, каким станет массовый продукт, когда он появится, появится ли вообще и каким образом на этой технологии можно будет построить устойчивый бизнес.

Однако кое-что увидеть всё-таки было можно. При увеличении масштаба модель не просто быстрее выполняла одну и ту же операцию, а начинала справляться с более широким кругом задач без отдельной настройки под каждую из них. Это означало, что двигалась не только производительность конкретного инструмента, но и сама граница того, что можно поручить машине. И вот такой сигнал уже значительно интереснее очередного продукта, потому что расширение границы возможного создаёт пространство сразу для множества будущих продуктов, большая часть которых в этот момент ещё никем не придумана.

А рядом строили инфраструктуру

Ещё интереснее картина становится, если посмотреть немного в сторону. За две недели до публикации работы о GPT-3 NVIDIA представила ускоритель A100. Компания заявляла большой прирост производительности на задачах обучения и инференса искусственного интеллекта и прямо связывала новую архитектуру с изменением дата-центров, которые постепенно переходили от мира преимущественно центральных процессоров к ускоренным вычислениям.

Сам по себе новый процессор ещё ничего не доказывает. Технологическая история заполнена прекрасными процессорами, стандартами и архитектурами, которые так и не породили большой революции. Но рядом уже находилась GPT-3, росли облачные платформы, увеличивались объёмы доступных данных, развивались инструменты машинного обучения, появлялись специалисты и капитал. То есть мы видели не одну кривую, которая внезапно пошла вверх, а несколько независимых кривых, начинавших двигаться в одном направлении.

Именно здесь, мне кажется, появляется второй важный признак будущего. Один впечатляющий результат может оказаться случайностью, технологическим тупиком или решением очень узкой задачи. Но если одновременно улучшаются базовая технология, инфраструктура, экономика использования, доступность инструментов и количество людей, способных создавать на этой основе новые продукты, пространство возможностей начинает расширяться значительно быстрее. В такой ситуации нам по-прежнему неизвестно, какой продукт победит, зато становится видно, что на наших глазах формируется платформа, способная породить множество ещё неизвестных продуктов.

30 ноября происходит ещё одна странность

Почти в самом конце 2020 года появляется сигнал совсем из другой области. 30 ноября DeepMind сообщает результаты AlphaFold на соревновании CASP14. Проблеме определения трёхмерной структуры белка по последовательности аминокислот было около пятидесяти лет, а экспериментальное получение таких структур могло требовать огромного количества времени и ресурсов. AlphaFold2 показал скачок точности настолько большой, что результат стали рассматривать как решение одной из ключевых многолетних проблем структурной биологии.

Можно было прочитать эту новость как очередную красивую историю о достижениях искусственного интеллекта. Компьютер научился предсказывать структуру белка, специалисты восхищены, задача решена — замечательно. Для человека, который занимается производством оборудования, мебелью, металлообработкой или продажей промышленной продукции, история на первый взгляд вообще находится где-то очень далеко от реальной жизни.

Но если посмотреть этажом выше, появляется совсем другой смысл. Искусственный интеллект начал сокращать стоимость научного поиска. Часть работы, для которой раньше требовался долгий и дорогой физический эксперимент, начинала превращаться в вычислительную задачу. И тогда AlphaFold становится интересен уже не только биологам, потому что возникает следующий вопрос: если машина способна радикально сократить путь к ответу здесь, какие ещё дорогие эксперименты завтра можно будет сначала провести в вычислительной среде?

Сегодня мы знаем продолжение этой истории. AlphaFold используется исследователями по всему миру, а базы предсказанных структур охватывают сотни миллионов белков. Но для нашего эксперимента гораздо важнее другое: сильный сигнал существовал уже 30 ноября 2020 года, просто формулировать его нужно было не как «компьютер научился определять структуру белков», а как «часть чрезвычайно дорогого научного поиска начинает превращаться в вычислительную задачу». Первый вывод описывает интересное событие, второй указывает на потенциальное изменение целой системы.

Технология, которая долго ждала своего часа

Теперь посмотрим на декабрь 2020 года. В самом конце месяца New England Journal of Medicine публикует результаты третьей фазы испытаний вакцины Moderna mRNA-1273. В испытании участвовали более 30 тысяч человек, а эффективность против симптоматического COVID-19 составила около 94 процентов. В тот момент мир, совершенно естественно, смотрел прежде всего на вакцину. Шла пандемия, миллионы людей ждали возможности защититься от болезни, поэтому технологическая архитектура решения интересовала значительно меньше людей, чем его непосредственный результат.

Однако с точки зрения наблюдателя за изменениями произошло кое-что ещё. mRNA была не просто способом изготовить конкретную вакцину, а технологической платформой, которая долгое время существовала в исследованиях и теперь впервые прошла чрезвычайно жёсткую проверку массовым реальным применением. Поэтому более интересный вопрос заключался уже не только в эффективности вакцины против коронавируса. Стоило спросить, что ещё станет возможным, если сама платформа доказала способность пройти путь от лабораторной разработки до производства и применения на огромном масштабе.

Это не означало, что в 2020 году можно было перечислить будущие mRNA-препараты или гарантировать успех технологии во всех новых областях. Многие биологические, клинические и регуляторные ограничения оставались и остаются сложными. Но состояние технологии изменилось: вчера перед нами находилась перспективная разработка с большим количеством неизвестных, а сегодня появилась платформа, прошедшая проверку реальностью в масштабе, который невозможно было считать лабораторным экспериментом. Для человека, который ищет будущие изменения, сам переход из одного состояния зрелости в другое значительно важнее попытки угадать конкретный следующий продукт.

Самая скучная революция

Возможно, самый интересный сигнал 2020 года вообще не выглядел революцией. В нём не было красивой демонстрации, автомобиля без водителя, разговаривающего искусственного интеллекта или научной задачи пятидесятилетней давности. Была всего лишь кривая стоимости: по данным Международного энергетического агентства, средняя стоимость аккумуляторных батарей для электромобилей снизилась более чем с 1100 долларов за киловатт-час в 2010 году примерно до 156 долларов в 2019-м.

Почти семикратное снижение за десятилетие выглядит менее эффектно, чем запуск беспилотного такси, но именно такие изменения иногда оказываются гораздо важнее. Будущее не обязательно приходит в виде нового изобретения. Иногда оно приходит в тот момент, когда экономика давно существующего изобретения становится другой. Аккумуляторы существовали давно, электромобили тоже, солнечная энергетика тем более не появилась в 2020 году. Но если стоимость хранения энергии систематически снижается, решения, которые вчера проигрывали экономически, постепенно начинают переходить из категории технически возможных в категорию практически разумных.

Поэтому человеку 2020 года не требовалось угадывать будущую модель автомобиля, победителя рынка или конкретную батарейную химию. Гораздо полезнее было посмотреть на кривую и задать вопрос: если она продолжится ещё пять или десять лет, какие вещи, которые сегодня кажутся слишком дорогими, станут экономически нормальными? Такой вопрос переносит внимание с очередной новинки на изменение фундаментального ограничения, а именно там довольно часто и прячутся самые большие последствия.

Почему тогда не Waymo?

Здесь возникает неудобный вопрос. Если мы действительно научились видеть будущее через исчезающие ограничения, почему не объявить главным сигналом 2020 года автономный автомобиль? Waymo уже не показывала красивый ролик на выставке и не обещала когда-нибудь убрать водителя. Компания возила реальных пассажиров по реальным дорогам без человека за рулём, а сама технология продолжила развиваться и после 2020 года. Поэтому назвать беспилотный транспорт ложным сигналом было бы неправильно.

Разница обнаруживается не в том, настоящая технология перед нами или нет, а в количестве условий, необходимых для её распространения. Чтобы языковая модель породила новый продукт, иногда достаточно вычислительной инфраструктуры, программного интерфейса, небольшой команды и идеи. Разработчик может создать приложение, показать его тысяче пользователей, выбросить неудачную версию и через неделю попробовать следующую. Стоимость очередной попытки относительно невелика, а количество возможных применений огромно.

Автономный автомобиль существует в совершенно другой системе. Для масштабного изменения транспорта недостаточно сделать хороший алгоритм. Нужны автомобили, дороги, карты, регулирование, страхование, обслуживание, доказанная безопасность, работа в разных погодных условиях, доверие пассажиров и огромный физический парк. Каждое расширение сталкивается с материальным миром, а многие элементы системы должны развиваться одновременно. Технология может быть настоящей, полезной и быстро совершенствоваться, но скорость её распространения будет ограничиваться не только качеством программного обеспечения.

Отсюда появляется ещё один критерий сильного сигнала. Нужно смотреть не только на скорость развития самой технологии, но и на количество внешних условий, которые должны одновременно измениться, чтобы она смогла масштабироваться. Чем больше у технологии независимых путей применения и чем меньше обязательных внешних зависимостей, тем больше у неё возможностей неожиданно прорваться в область, которую никто первоначально не считал основной.

Почему не виртуальная реальность?

История виртуальной реальности интересна по другой причине. В 2020 году Quest 2 выглядел почти идеальным примером исчезновения технологических ограничений: устройство становилось дешевле, легче и мощнее, за платформой стояла одна из крупнейших технологических компаний мира, существовали разработчики и понятный набор первых применений. Если пользоваться только показателями производительности и стоимости, сигнал выглядел очень убедительно.

Однако улучшение технологии не обязательно означает исчезновение главного ограничения всей системы. Человек должен захотеть надеть устройство на голову, проводить в нём значительную часть времени, перенести туда привычные рабочие процессы и получить достаточно большую выгоду, чтобы отказаться от гораздо более простого экрана. Вычислительная мощность может увеличиваться быстрее, разрешение становиться выше, устройство дешеветь, а главным препятствием всё равно останется человеческое поведение.

Это важное предостережение для любого технологического радара. Нельзя автоматически считать главным ограничением то, что проще всего измерить. Иногда проблема действительно находится в цене процессора или точности алгоритма, но иногда она находится в привычках пользователя, регулировании, инфраструктуре, экономике внедрения или в том, что существующее решение уже достаточно удобно. Если совершенствуется не тот параметр, который ограничивает систему в целом, впечатляющий технологический прогресс может очень долго не превращаться в столь же впечатляющий рыночный результат.

Что на самом деле можно было предвидеть

Теперь можно вернуться к первоначальному вопросу: можно ли было в 2020 году предвидеть 2026-й? Если под словом «предвидеть» понимать способность назвать ChatGPT, угадать конкретную дату его появления, определить будущих победителей, перечислить продукты и точно оценить объёмы рынков, ответ будет отрицательным. Более того, попытка делать такие прогнозы, скорее всего, породила бы красивую коллекцию ошибок рядом с несколькими случайными попаданиями.

Но собственнику предприятия такой уровень пророчества и не нужен. Ему значительно важнее раньше большинства заметить изменение границы возможного. В 2020 году уже было видно, что масштабирование языковых моделей даёт им более универсальные способности и одновременно развивается вычислительная инфраструктура, необходимая для продолжения этого движения. Было видно, что искусственный интеллект способен решать фундаментальную научную задачу и тем самым сокращать стоимость определённого типа научного поиска. Было видно, что mRNA перешла из состояния перспективной платформы к массовому реальному применению, а стоимость хранения энергии много лет двигалась вниз и постепенно меняла экономику связанных технологий.

Ни один из этих сигналов не рассказывал, каким именно окажется 2026 год. Зато каждый сообщал о более фундаментальном изменении: где-то переставало действовать старое ограничение. Именно такую информацию уже можно использовать в стратегии, потому что исчезновение ограничения не говорит нам, какой продукт победит, зато показывает, что вскоре может стать возможным целое семейство продуктов, процессов и бизнес-моделей, которые раньше не имели экономического или технического смысла.

Не предсказывать продукт, а искать исчезающее ограничение

Мне кажется, именно здесь проходит граница между футурологией и стратегией. Футуролог пытается описать, как будет выглядеть мир через пять или десять лет, а стратегу достаточно заметить, что в сегодняшнем мире постепенно перестаёт быть правдой. Если раньше вычислительная мощность была слишком дорогой, компьютер плохо работал с обычным человеческим языком, определение структуры белка требовало огромного количества лабораторной работы, аккумулятор делал электрическую машину слишком дорогой, а робот окупался преимущественно на больших сериях и строго повторяющихся операциях, то каждая из этих фраз описывает не технологию, а ограничение.

Поэтому следующий вопрос должен звучать не «какой рынок будет через пять лет?» и не «какая компания победит?». Нужно спросить, что произойдёт, если конкретное ограничение продолжит слабеть или исчезнет совсем. Какие действия станут экономически оправданными? Какие продукты можно будет создать? Какие операции, доступные сегодня только крупным компаниям, станут доступны среднему предприятию? Какие специалисты перестанут быть обязательным узким местом? Какие эксперименты можно будет проводить в десять раз быстрее или дешевле?

В такой постановке мы не пытаемся нарисовать будущее целиком. Мы ищем место, где сегодняшняя реальность перестаёт подчиняться вчерашнему правилу. И именно там появляется возможность, которую рынок некоторое время продолжает оценивать по старой логике.

У будущего есть следы

Если посмотреть на наш эксперимент целиком, у сильных сигналов обнаруживается несколько общих признаков. Во-первых, должен быстро и достаточно последовательно меняться какой-то фундаментальный параметр: стоимость, скорость, точность, вычислительная мощность, энергопотребление или доступность. Одного красивого рекорда недостаточно, гораздо интереснее устойчивая кривая, которая несколько лет движется в одном направлении и постепенно пересекает экономически значимые пороги.

Во-вторых, улучшение базового параметра должно открывать не одно применение, а множество. Более дешёвая батарея нужна не только конкретной модели электромобиля, а более универсальная языковая модель не привязана к одной профессии. Чем больше различных применений возникает вследствие одного изменения, тем больше у технологии путей развития и тем меньше она зависит от успеха одного заранее придуманного продукта.

В-третьих, особенно интересны ситуации, где сходятся несколько независимых кривых. Искусственный интеллект стал сильным сигналом не только потому, что улучшались алгоритмы. Одновременно развивались вычислительные мощности, облачная инфраструктура, данные, инструменты разработки, инвестиции и кадровая база. Если несколько независимых элементов системы одновременно снимают разные ограничения, результат может оказаться гораздо больше простой суммы улучшений каждого из них.

В-четвёртых, нужно внимательно следить за переходом из лаборатории в реальность. Между эффектным экспериментом и работающей системой существует огромная дистанция, поэтому массовая проверка mRNA или результат AlphaFold были важны не только своими непосредственными достижениями. Они показывали, что технология перешла определённую границу зрелости, после которой вопрос постепенно меняется с «возможно ли это вообще?» на «где ещё это можно использовать?».

Наконец, особенно сильным выглядит сигнал, если новое можно попробовать без необходимости сразу перестраивать всю компанию или окружающий мир. Если первый эксперимент требует миллиардных инвестиций, нового законодательства и огромной инфраструктуры, количество попыток будет небольшим. Если небольшая команда может проверить гипотезу за неделю и отказаться от неё без катастрофических потерь, экспериментов становится гораздо больше, а вместе с ними растёт вероятность обнаружить применение, которого никто первоначально не ожидал.

И вот здесь мы неожиданно подходим к Талебу.

Не угадывать будущее, а покупать на него опцион

Нассим Талеб много писал об асимметрии, опциональности и ситуациях, где возможные потери ограничены, а потенциальный выигрыш может оказаться очень большим. Если посмотреть на технологические изменения через эту оптику, необходимость точно предсказывать будущее вообще исчезает. Нам не нужно знать, какой именно продукт победит, если мы можем относительно дёшево приобрести опыт работы с технологией и сохранить возможность увеличить ставку, когда появятся дополнительные доказательства.

Представим владельца производственной компании в 2020 году. Должен ли он был продать завод и вложить всё в искусственный интеллект? Конечно нет. Не должен был он и срочно строить производство аккумуляторов только потому, что их стоимость быстро снижалась. Большая ставка на единственный вариант будущего как раз делает компанию хрупкой, потому что ошибка в прогнозе становится слишком дорогой.

Совсем иначе выглядит небольшой эксперимент. Можно попробовать машинное зрение на одной операции, искусственный интеллект в анализе документов, новую систему прогнозирования или роботизацию одного участка. Можно посмотреть, где изменение стоимости аккумуляторов меняет экономику собственного продукта, или проверить технологию, которая ещё вчера была слишком дорогой, а сегодня впервые стала доступной. Если эксперимент не работает, потери ограничены, зато если технология продолжает быстро развиваться, компания уже получила знания, опыт и понимание того, где её можно применять.

Фактически компания покупает опцион на будущее. Она не обязана воспользоваться им, если будущее пойдёт в другую сторону, но получает право сделать следующий шаг раньше тех, кто начнёт знакомство с технологией только после того, как её значение станет очевидным для всех. Именно поэтому такой подход значительно интереснее обычного прогноза: нам не нужно угадывать мир 2026 года, достаточно сохранять недорогой доступ к нескольким возможным вариантам его развития.

Самая опасная фраза про новую технологию

В производственных компаниях мне много раз приходилось слышать примерно одну и ту же фразу: «Нам это пока не нужно». Иногда это совершенно правильный ответ, потому что большая часть новых технологий действительно не нужна конкретному предприятию, а покупать что-нибудь только потому, что об этом много говорят, ничуть не умнее, чем полностью игнорировать изменения вокруг.

Проблема в другом. За одинаковой фразой могут скрываться две совершенно разные позиции. Первая звучит примерно так: «Мы изучили технологию, проверили экономику, попробовали доступный сценарий и пока не видим достаточного эффекта». Вторая означает: «Мы привыкли работать без неё, поэтому не хотим тратить время на проверку». Снаружи эти ответы похожи, но стратегически между ними огромная дистанция.

В первом случае компания продолжает наблюдать за изменением среды и сохраняет возможность изменить решение, когда изменятся условия. Во втором она защищает старую картину мира и постепенно перестаёт замечать факты, которые в эту картину не помещаются. Самое неприятное заключается в том, что старая модель бизнеса может ещё долго прекрасно работать, поэтому никакой немедленной расплаты за такую слепоту не происходит. Она становится заметной только тогда, когда окружающая среда уже изменилась настолько, что догонять приходится не технологию, а конкурентов, которые несколько лет учились ею пользоваться.

Когда будущее становится очевидным, преимущество уже исчезает

Сегодня искусственный интеллект уже трудно считать слабым сигналом. Мы постепенно переходим от вопроса «может ли AI выполнять полезную работу?» к совершенно другому вопросу: «какую работу ему можно передать и как вокруг этого перестроить процессы?». Это важный момент любого технологического перехода, потому что сначала общество обсуждает саму возможность, затем спорит о качестве, потом появляются первые полезные применения, а через некоторое время технология становится настолько обычной, что меняется сам характер разговора.

Когда это происходит, преимущество получает уже не тот, кто первым прочитал статью о новой технологии. Преимущество получает тот, кто успел провести несколько дешёвых экспериментов, пока остальные ещё спорили, серьёзная перед ними вещь или очередная игрушка. Он может ошибиться в девяти экспериментах из десяти, но цена этих ошибок ограничена, а десятый эксперимент иногда открывает возможность, которую компания уже умеет использовать в тот момент, когда рынок только начинает её замечать.

Именно поэтому полезно было вернуться в 2020 год. Не для того, чтобы показать, насколько легко сегодня объяснить прошлое, а чтобы понять, как большое изменение выглядит до того, как оно стало большим. Оказывается, оно редко приходит с надписью «революция». Чаще это странный научный результат, новая кривая стоимости, переход технологии из лаборатории в эксплуатацию или несколько независимых улучшений, которые вдруг начинают сходиться в одной точке.

Будущее было видно, просто не было видно его названия

В декабре 2020 года невозможно было честно сказать, что через два года появится ChatGPT, а ещё через несколько лет компании начнут отдавать цифровым агентам многошаговые задачи. Невозможно было назвать будущие продукты mRNA, определить масштабы использования AlphaFold, знать, какая химия аккумуляторов станет доминировать, или точно предсказать скорость распространения роботов. Человек, который утверждал бы всё это с высокой уверенностью, скорее всего, занимался бы не стратегией, а угадыванием.

Но уже можно было увидеть направление движения. Машина начинала работать с человеческим языком значительно более универсальным способом, искусственный интеллект вторгался в фундаментальную науку, биологическая платформа проходила проверку огромным реальным масштабом, хранение энергии систематически дешевело, а вычислительная инфраструктура становилась основой для нового класса задач. Ни один из этих процессов не сообщал название будущего продукта, зато каждый показывал, что прежняя граница возможного начинает двигаться.

И, пожалуй, для бизнеса этого достаточно. Задача владельца предприятия не заключается в том, чтобы стать пророком и безошибочно назвать технологии следующего десятилетия. Гораздо важнее не оказаться последним человеком, который заметил, что ограничение, вокруг которого много лет строилась экономика его бизнеса, уже перестало быть таким жёстким, как раньше.

А теперь уберём зеркало заднего вида

На этом наш эксперимент становится гораздо неприятнее, потому что до сих пор мы всё-таки немного жульничали. Как бы старательно мы ни пытались смотреть на мир глазами человека 2020 года, мы знали, чем закончилась история. Мы знаем про ChatGPT и развитие генеративного искусственного интеллекта, видим результаты AlphaFold, знаем, что произошло с mRNA, наблюдаем развитие батарей и можем сравнить скорость распространения различных технологий. Правильный ответ всё время лежал у нас в конце учебника.

Теперь такой возможности не будет. Сегодня 29 сентября 2026 года, и перед нами снова лежат сотни технологий, каждая из которых окружена красивыми презентациями, инвестициями, исследованиями и обещаниями. AI-агенты получают возможность выполнять всё более длинные цепочки действий, world models пытаются дать машине представление о физическом мире, цифровые двойники становятся сложнее, роботы учатся новым операциям, автономные лаборатории проводят эксперименты, AI for Science ищет молекулы и материалы, развивается программируемая биология, меняется энергетика, продолжаются эксперименты с квантовыми вычислениями и человекоподобными роботами.

Большинство этих направлений не исчезнет, но далеко не каждое произведёт тот эффект, который ему сегодня обещают. Какие-то технологии окажутся полезными нишевыми инструментами, какие-то придут значительно позже ожидаемого, какие-то столкнутся с ограничением, которое сегодня почти никто не замечает, а какие-то будут вытеснены решениями, о которых мы пока вообще не говорим. Но несколько сегодняшних странностей почти наверняка станут нормальностью 2030 года, и тогда нам снова будет казаться, что всё было очевидно заранее.

Поэтому во второй части разговора мы попробуем сделать эксперимент уже без возможности подсмотреть правильный ответ. Мы не будем составлять очередной список технологий будущего и назначать победителей, а посмотрим, какие ограничения исчезают прямо сейчас, какие независимые технологические кривые начинают сходиться и где стоимость проверки гипотезы падает настолько быстро, что компания может позволить себе совсем другое количество экспериментов.

И тогда к каждой технологии можно будет задать тот же вопрос, который стоило задавать в 2020 году: если сегодняшняя кривая продолжится ещё четыре года, что станет возможным впервые?

Возможно, именно так и нужно смотреть в будущее. Не пытаться нарисовать его заранее во всех деталях, а внимательно смотреть на настоящее и замечать те изменения, последствия которых ещё не успели стать очевидными.