Отсутствие соглашения по бюджету в США не мешает Минфину США тратить в неограниченном объеме – расходы за октябрь составили 589 млрд, что на 18% выше прошлого года, почти плюс 25% за два года и выше любого года ранее, даже в период фискального экстремизма 2020-2021.
Одновременно с этим, доходы остаются слабыми – $275 млрд (+9% г/г), на 2.3% ниже ноября 2021. Это привело к накоплению рекордного дефицита бюджета в ноябре – $314 млрд vs $248 млрд в 2022, $191 млрд в 2021, и $145 млрд в 2020 (для ноября).
За последние 12 месяцев доходы бюджета составили $4.55 трлн vs 4.9 трлн в 2022 (минус 7.2%) и $4.15 трлн в 2021 (+9.6% за два года).
Расходы бюджета за 12 месяцев – $6.3 трлн или 6.6 трлн если скорректировать на бумажные списания аванса по студенческим кредитам vs $6.26 трлн годом ранее ($5.93 трлн скорректированных из-за начисления аванса), т.е. по факту расходы выросли на 11.3%.
Максимальные в истории годовые расходы были два года назад – $6.86 трлн, т.е. сейчас на полном ходу к обновлению периода постковидного фискального экстремизма.
В результате скорректированный дефицит бюджета балансирует на уровне $2 трлн за год, что выше, чем антикризисные программы в 2009-2011 с учетом инфляции!
Одна из причин устойчивости американской экономики – слабые налоговые сборы при близких к рекорду расходах, что формирует чрезмерный дефицит бюджета и существенный фискальный импульс в экономику.
Основным фактором роста расходов являются антикризисные кредиты и субсидии (Commerce and Housing Credit), рост которых составил $62 млрд за октябрь-ноябрь в сравнении с прошлым годом (в основном взносы в FDIC).
Чистые процентные расходы за октябрь-ноябрь прибавили $57 млрд в сравнении с прошлым годом, что составляет 38% в общем росте расходов на $151 млрд.
Третьей важной категорией являются социальные выплаты по старости (Social Security+ Veterans Benefits and Services), которые увеличились на $32 млрд за два месяца. Еще оборонка + $19 млрд и медицина + $15 млрд.
Одновременно с этим, доходы остаются слабыми – $275 млрд (+9% г/г), на 2.3% ниже ноября 2021. Это привело к накоплению рекордного дефицита бюджета в ноябре – $314 млрд vs $248 млрд в 2022, $191 млрд в 2021, и $145 млрд в 2020 (для ноября).
За последние 12 месяцев доходы бюджета составили $4.55 трлн vs 4.9 трлн в 2022 (минус 7.2%) и $4.15 трлн в 2021 (+9.6% за два года).
Расходы бюджета за 12 месяцев – $6.3 трлн или 6.6 трлн если скорректировать на бумажные списания аванса по студенческим кредитам vs $6.26 трлн годом ранее ($5.93 трлн скорректированных из-за начисления аванса), т.е. по факту расходы выросли на 11.3%.
Максимальные в истории годовые расходы были два года назад – $6.86 трлн, т.е. сейчас на полном ходу к обновлению периода постковидного фискального экстремизма.
В результате скорректированный дефицит бюджета балансирует на уровне $2 трлн за год, что выше, чем антикризисные программы в 2009-2011 с учетом инфляции!
Одна из причин устойчивости американской экономики – слабые налоговые сборы при близких к рекорду расходах, что формирует чрезмерный дефицит бюджета и существенный фискальный импульс в экономику.
Основным фактором роста расходов являются антикризисные кредиты и субсидии (Commerce and Housing Credit), рост которых составил $62 млрд за октябрь-ноябрь в сравнении с прошлым годом (в основном взносы в FDIC).
Чистые процентные расходы за октябрь-ноябрь прибавили $57 млрд в сравнении с прошлым годом, что составляет 38% в общем росте расходов на $151 млрд.
Третьей важной категорией являются социальные выплаты по старости (Social Security+ Veterans Benefits and Services), которые увеличились на $32 млрд за два месяца. Еще оборонка + $19 млрд и медицина + $15 млрд.
Инфляция в ноябре составила 0.84% м/м SA по оценке Банка России, продуктовая инфляция – 1% м/м, непродовольственные товары – 0.48% м/м, а услуги – 1.06% м/м с исключением сезонного фактора.
Много это или мало, в какую сторону дует ветер, какая вообще норма инфляции?
В России цены пошли в разгон с июля, - среднемесячная инфляция на 5 месяцев 0.89% или 11.3% SAAR, тогда как нормой в 2017-2021 является среднемесячный рост цен в темпах 0.38% (4.62% SAAR), т.е. отклонение от нормы в 2.3 раза.
• Продуктовая инфляция с июля по август – 1.17% в среднем за месяц, а с 2017 по 2021 – 0.42%
• Продукты без плодоовощной продукции – 0.83 vs 0.40% в 2017-2021
• Непродовольственные товары – 0.81% vs нормы на уровне 0.38%
• Непродовольственные товары без нефтепродуктов – 0.79 vs 0.36%
• Услуги – 0.63 vs 0.32%
• Услуги без ЖКХ – 0.62 vs 0.32%
• Базовая инфляция без топлива, продуктов и ЖКХ – 0.76 vs 0.37%, тогда как в ноябре рост цен составил 0.87%.
Что конкретно дорожает или дешевеет? Отмечено в таблице.
Основной вклад в прирост цен с июля по ноябрь внесли: мясопродукты (курица), яйца, легковые автомобили, топливо, плодоовощи, ЖКХ, услуги транспорта, образования и бытовые услуги. В совокупности указанные категории обеспечили около 0.73 п.п в 0.89% общего среднемесячного прироста цен с июля по ноябрь.
Электронику, бытовую технику и мобильные телефоны Росстат, как и ЦБ традиционно не замечают, хотя именно в них основной прирост цен.
С октября ЦБ фиксирует существенное снижение темпов роста цен в непродовольственной группе до 0.5%, что близко к норме (синхронно с укреплением рубля и падением цен на бензин).
Однако, инфляционный импульс поддерживают услуги и продукты питания (помимо курицы и яиц начали дорожать хлеб и хлебобулочные изделия).
Много это или мало, в какую сторону дует ветер, какая вообще норма инфляции?
В России цены пошли в разгон с июля, - среднемесячная инфляция на 5 месяцев 0.89% или 11.3% SAAR, тогда как нормой в 2017-2021 является среднемесячный рост цен в темпах 0.38% (4.62% SAAR), т.е. отклонение от нормы в 2.3 раза.
• Продуктовая инфляция с июля по август – 1.17% в среднем за месяц, а с 2017 по 2021 – 0.42%
• Продукты без плодоовощной продукции – 0.83 vs 0.40% в 2017-2021
• Непродовольственные товары – 0.81% vs нормы на уровне 0.38%
• Непродовольственные товары без нефтепродуктов – 0.79 vs 0.36%
• Услуги – 0.63 vs 0.32%
• Услуги без ЖКХ – 0.62 vs 0.32%
• Базовая инфляция без топлива, продуктов и ЖКХ – 0.76 vs 0.37%, тогда как в ноябре рост цен составил 0.87%.
Что конкретно дорожает или дешевеет? Отмечено в таблице.
Основной вклад в прирост цен с июля по ноябрь внесли: мясопродукты (курица), яйца, легковые автомобили, топливо, плодоовощи, ЖКХ, услуги транспорта, образования и бытовые услуги. В совокупности указанные категории обеспечили около 0.73 п.п в 0.89% общего среднемесячного прироста цен с июля по ноябрь.
Электронику, бытовую технику и мобильные телефоны Росстат, как и ЦБ традиционно не замечают, хотя именно в них основной прирост цен.
С октября ЦБ фиксирует существенное снижение темпов роста цен в непродовольственной группе до 0.5%, что близко к норме (синхронно с укреплением рубля и падением цен на бензин).
Однако, инфляционный импульс поддерживают услуги и продукты питания (помимо курицы и яиц начали дорожать хлеб и хлебобулочные изделия).
Программа сокращения активов с баланса ФРС (QT) по факту на 13 декабря составила 1.22 трлн (856 млрд трежерей и 228 млрд ипотечных бумаг).
Отклонение от плана (1.63 трлн) на 400 млрд уже никого не интересует, т.к. план с самого начала не выполнялся.
Напомню, с июня по август 2022 план сокращения был 47.5 млрд (30 млрд трежерис и 17.5 млрд MBS), с сентября 2022 лимит вырос до 95 млрд (60 млрд трежерис и 35 млрд MBS).
Соответственно, фактический объем сокращения с сентября 2022 составил лишь 74 млрд, что на 21 млрд ниже плана. При этом сокращение трежерис на балансе по факту составляет 93.2% от заявленного объема, а MBS – 42.5%, т.е. без шансов.
Пауэлл на пресс-конференции сказал, вероятно, единственный содержательный тезис, суть которого заключается в том, что время отключения программы сокращения активов напрямую связано с балансом ликвидности в финсистеме, а особую роль играет объем резервов в обратном РЕПО.
Истощение обратного РЕПО в достаточном объеме может повлиять на объем депозитов банков в ФРС, что воздействует на показатели ликвидности в финсистеме.
Хотя, как обычно ничего конкретного не было упомянуто, но из контекста явно следует, что снижение объема операций обратного РЕПО до некого критического порога (ФРС не указала) приведет к остановке QT.
Объем обратного РЕПО с ФРС сократился с 2.3 до 0.8 трлн с апреля по декабрь 2023, что практически совпадает с объемом эмиссии векселей. С сентября обратное РЕПО сократилось на 1 трлн.
К марту-апрелю 2024 избыточная ликвидность в банковской системе должна быть практически полностью истощена (около 250-300 млрд), что с высокой вероятностью будет означать полное прекращение QT уже на мартовском заседании.
Для рынков это ничего хорошего не означает, т.к. свободной ликвидности к этому моменту уже не останется (наличие QT влияет на скорость сжатия избыточной ликвидности).
Это означает, что весь объем QT составит около 1.45-1.5 трлн по сравнению с 4.6 трлн, которые были вброшены с марта 2020 по март 2022.
Отклонение от плана (1.63 трлн) на 400 млрд уже никого не интересует, т.к. план с самого начала не выполнялся.
Напомню, с июня по август 2022 план сокращения был 47.5 млрд (30 млрд трежерис и 17.5 млрд MBS), с сентября 2022 лимит вырос до 95 млрд (60 млрд трежерис и 35 млрд MBS).
Соответственно, фактический объем сокращения с сентября 2022 составил лишь 74 млрд, что на 21 млрд ниже плана. При этом сокращение трежерис на балансе по факту составляет 93.2% от заявленного объема, а MBS – 42.5%, т.е. без шансов.
Пауэлл на пресс-конференции сказал, вероятно, единственный содержательный тезис, суть которого заключается в том, что время отключения программы сокращения активов напрямую связано с балансом ликвидности в финсистеме, а особую роль играет объем резервов в обратном РЕПО.
Истощение обратного РЕПО в достаточном объеме может повлиять на объем депозитов банков в ФРС, что воздействует на показатели ликвидности в финсистеме.
Хотя, как обычно ничего конкретного не было упомянуто, но из контекста явно следует, что снижение объема операций обратного РЕПО до некого критического порога (ФРС не указала) приведет к остановке QT.
Объем обратного РЕПО с ФРС сократился с 2.3 до 0.8 трлн с апреля по декабрь 2023, что практически совпадает с объемом эмиссии векселей. С сентября обратное РЕПО сократилось на 1 трлн.
К марту-апрелю 2024 избыточная ликвидность в банковской системе должна быть практически полностью истощена (около 250-300 млрд), что с высокой вероятностью будет означать полное прекращение QT уже на мартовском заседании.
Для рынков это ничего хорошего не означает, т.к. свободной ликвидности к этому моменту уже не останется (наличие QT влияет на скорость сжатия избыточной ликвидности).
Это означает, что весь объем QT составит около 1.45-1.5 трлн по сравнению с 4.6 трлн, которые были вброшены с марта 2020 по март 2022.
Розничные продажи в США показывают, что спрос остается устойчивым, признаков кризиса не наблюдается.
Рост в ноябре составил на 0.3% м/м по номиналу после сокращения на 0.2% м/м в октябре. Эти данные волатильны и лучше смотреть сглаженные данные.
Среднемесячный рост розничных продаж за последние 12 месяцев составляет 0.34% (0.27% в реальном выражении), годом ранее - 0.49% или около нуля с учетом инфляции (ноя.21-ноя.22), с 2011 по 2019 включительно – 0.33% и аналогичный рост с учетом инфляции (BLS рассчитывает нулевую товарную инфляцию за этот период).
Если следовать официальной статистике (номинальные розничные продажи от Census и ценовой индекс по товарам через PCE от BLS), получается, что с 2023 произошел возврат к средне-историческому темпу роста розничных продаж, а с марта 2021 по декабрь 2022 происходила консолидация после необеспеченного роста спроса 2020-2021, спонсированного щедрыми выплатами от правительства.
В 2022 ресурсов под спрос выступало кредитование и сбережения, сформированные в 2020-2021. Сбережения стабилизировали спрос до 3кв23, а с 2-3кв23 основным ресурсом выступают зарплаты, которые демонстрируют положительную реальную динамику после замедления инфляции.
Росту зарплат в перспективе следующих 12 месяцев будет препятствовать замедление инвестиционной активности бизнеса и нормализация рынка труда (снижения профицита вакансий), что будет усиливать конкуренцию за рабочие места, а следовательно, оказывать давление на зарплаты.
Доля расходов на топливо близка к минимуму за 20 лет, за исключением 2020 года. Это еще один ресурс под поддержку спроса, т.к. с 2022 высвобождается до 2% от расходов, которые перераспределяются на другие категории товаров в связи с обвалом цен на топливо.
Рост в ноябре составил на 0.3% м/м по номиналу после сокращения на 0.2% м/м в октябре. Эти данные волатильны и лучше смотреть сглаженные данные.
Среднемесячный рост розничных продаж за последние 12 месяцев составляет 0.34% (0.27% в реальном выражении), годом ранее - 0.49% или около нуля с учетом инфляции (ноя.21-ноя.22), с 2011 по 2019 включительно – 0.33% и аналогичный рост с учетом инфляции (BLS рассчитывает нулевую товарную инфляцию за этот период).
Если следовать официальной статистике (номинальные розничные продажи от Census и ценовой индекс по товарам через PCE от BLS), получается, что с 2023 произошел возврат к средне-историческому темпу роста розничных продаж, а с марта 2021 по декабрь 2022 происходила консолидация после необеспеченного роста спроса 2020-2021, спонсированного щедрыми выплатами от правительства.
В 2022 ресурсов под спрос выступало кредитование и сбережения, сформированные в 2020-2021. Сбережения стабилизировали спрос до 3кв23, а с 2-3кв23 основным ресурсом выступают зарплаты, которые демонстрируют положительную реальную динамику после замедления инфляции.
Росту зарплат в перспективе следующих 12 месяцев будет препятствовать замедление инвестиционной активности бизнеса и нормализация рынка труда (снижения профицита вакансий), что будет усиливать конкуренцию за рабочие места, а следовательно, оказывать давление на зарплаты.
Доля расходов на топливо близка к минимуму за 20 лет, за исключением 2020 года. Это еще один ресурс под поддержку спроса, т.к. с 2022 высвобождается до 2% от расходов, которые перераспределяются на другие категории товаров в связи с обвалом цен на топливо.
Интересно следить за рыночными трансформациями. Американский рынок достиг исторического максимума, ставки по 10-летним облигациям вернулись ниже 4% после фиксации 5% в конце октября.
По облигациям движения были самыми быстрыми и самыми сильными (с точки зрения снижения доходностей), как минимум за последние 30 лет, для периода вне изменений ДКП, т.е. с постоянными ставками.
Столь быстро ставки снижались в марте 2020, но тогда это было связано со смягчением ДКП.
Если привести аналогии, нечто схожее наблюдалось в ноябре 2020 и апреле 2020, когда происходила исключительно мощная декомпрессия рыночных ожиданий от двух крайностей.
За 1.5 месяца средневзвешенная ожидаемая стоимость индекса S&P 500 (на основе рынка опционов) изменилась с 3850-3950 до 5000, т.е. 30%. Было ли подобное ранее? Исторических рядов нет в наличии, но по памяти в ноябре 2020 за аналогичный период времени около 17% было и 22-25% в апреле-мае 2020.
Макроэкономические и финансовые условия совсем разные:
▪️В ноябре 2020 были ожидания открытия экономики в связи с изобретением и внедрением антиковидных вакцин, что подтверждалось рекордной интенсивностью восстановления корпоративных и макроэкономических показателей в совокупности с поступлением триллионов долларов QE от мировых ЦБ.
▪️В апреле 2020 – все очевидно. Восстановление после экстремального мартовского обвала при фактическом поступлении $5 трлн от мировых ЦБ с марта по май 2020, плюс не оправдались ожидания тотального банкротства бизнеса и обвала экономики.
▪️Ноябрь-декабрь 2023. Один из самых мощных восстановительных импульсов за 100 лет! Движения рынка соответствуют поступлению около $3-4 трлн ликвидности от мировых ЦБ со снижением ставки в зону нуля при мощном экономическом расширении (свыше 3-4% роста ВВП) и 15% росте прибылей компаний.
На самом деле:
• Ликвидность продолжает сокращаться от действий ФРС, ЕЦБ, Банка Англии и ШНБ, а выкуп активов Банка Японии не перекрывает действия основных ЦБ. Вероятная остановка QT от ФРС в марте - лишь снизит скорость истощения ликвидности, но не изменит тренда.
• Избыточные сбережения американских домохозяйств практически полностью нейтрализованы;
• Корпоративные результаты хоть и устойчивы, но интегрально стагнируют последние 1.5 года;
• Экономика Европы уже, как полгода в рецессии;
• Опережающие индикаторы глубоко в депрессии;
• Промышленное производство в стагнации (американское) и активно сокращается (европейское);
• Все это без учета эскалации долговых проблем, которые только начинаются.
По сути, рекордный рост рынка за 100 лет и попытка обновления максимумов были показаны в условиях сокращения избыточных сбережений/резервов, при переходе экономики в рецессию и актуализации долговых проблем (и еще даже смягчать ДКП не начали).
Фактически, рынок заложил то, чего нет и быть не может...
По облигациям движения были самыми быстрыми и самыми сильными (с точки зрения снижения доходностей), как минимум за последние 30 лет, для периода вне изменений ДКП, т.е. с постоянными ставками.
Столь быстро ставки снижались в марте 2020, но тогда это было связано со смягчением ДКП.
Если привести аналогии, нечто схожее наблюдалось в ноябре 2020 и апреле 2020, когда происходила исключительно мощная декомпрессия рыночных ожиданий от двух крайностей.
За 1.5 месяца средневзвешенная ожидаемая стоимость индекса S&P 500 (на основе рынка опционов) изменилась с 3850-3950 до 5000, т.е. 30%. Было ли подобное ранее? Исторических рядов нет в наличии, но по памяти в ноябре 2020 за аналогичный период времени около 17% было и 22-25% в апреле-мае 2020.
Макроэкономические и финансовые условия совсем разные:
▪️В ноябре 2020 были ожидания открытия экономики в связи с изобретением и внедрением антиковидных вакцин, что подтверждалось рекордной интенсивностью восстановления корпоративных и макроэкономических показателей в совокупности с поступлением триллионов долларов QE от мировых ЦБ.
▪️В апреле 2020 – все очевидно. Восстановление после экстремального мартовского обвала при фактическом поступлении $5 трлн от мировых ЦБ с марта по май 2020, плюс не оправдались ожидания тотального банкротства бизнеса и обвала экономики.
▪️Ноябрь-декабрь 2023. Один из самых мощных восстановительных импульсов за 100 лет! Движения рынка соответствуют поступлению около $3-4 трлн ликвидности от мировых ЦБ со снижением ставки в зону нуля при мощном экономическом расширении (свыше 3-4% роста ВВП) и 15% росте прибылей компаний.
На самом деле:
• Ликвидность продолжает сокращаться от действий ФРС, ЕЦБ, Банка Англии и ШНБ, а выкуп активов Банка Японии не перекрывает действия основных ЦБ. Вероятная остановка QT от ФРС в марте - лишь снизит скорость истощения ликвидности, но не изменит тренда.
• Избыточные сбережения американских домохозяйств практически полностью нейтрализованы;
• Корпоративные результаты хоть и устойчивы, но интегрально стагнируют последние 1.5 года;
• Экономика Европы уже, как полгода в рецессии;
• Опережающие индикаторы глубоко в депрессии;
• Промышленное производство в стагнации (американское) и активно сокращается (европейское);
• Все это без учета эскалации долговых проблем, которые только начинаются.
По сути, рекордный рост рынка за 100 лет и попытка обновления максимумов были показаны в условиях сокращения избыточных сбережений/резервов, при переходе экономики в рецессию и актуализации долговых проблем (и еще даже смягчать ДКП не начали).
Фактически, рынок заложил то, чего нет и быть не может...
Банк России повысил ключевую ставку на 1 п.п до 16% годовых.
Это первое с августа решение ЦБ, которое уложилось в рамки рыночного консенсуса и денежного рынка, т.к. обычно удивляли – жестили более агрессивно, чем предполагал рынок.
Ставка стала максимальной с 3 мая 2022, а до этого равная или более высокая ставка была на протяжении 48 календарных дней с 16 декабря 2014 по 1 февраля 2015 (17%).
Сейчас формируется самая жесткая кривая денежно-кредитной политики за последние 20 лет, т.к. в 2009, в 2015 и 2022 жесткость ДКП была ограничена во времени в пределах 48 дней в 2015 и 20 дней в 2022 – резкое повышение ставки и дальнейшее умеренно интенсивное (2015) и высокоинтенсивное смягчение (2022).
Если оценивать по средней ставке 15% и выше, в 2022 подобная ставка продержалась 135 календарных дней с 28 февраля по 13 июля 2022, а в 2015 году на протяжении 158 дней с 17 декабря 2014 по 22 мая 2015. Во всех эпизодах это приводило к жесткому стресс тесту в экономике и, как минимум, замедлению кредитования к нулю в 2022 и сокращению кредитования в 2015.
В заявлении ЦБ отмечается, что «Возвращение инфляции к цели в 2024 году и ее дальнейшая стабилизация вблизи 4% предполагают продолжительный период поддержания жестких денежно-кредитных условий в экономике».
Соответственно, можно предположить, что даже при условии первого вероятного снижения ставки на заседании 22 марта 2024, средняя ставка 15% и выше перепишет рекорд 2015 (158 дней), т.е. сейчас самая жесткая ДКП в 21 веке!
Банк России подтверждает прогнозную границу инфляции на конец декабря в 7-7.5%. Отмечается, что устойчивое инфляционное давление в последние месяцы усилилось. Это объясняется более быстрым ростом внутреннего спроса по сравнению с возможностями расширения выпуска товаров и услуг. Инфляционные ожидания населения и ценовые ожидания предприятий повысились.
Денежно-кредитные условия в целом продолжили ужесточаться вслед за повышением ключевой ставки в июле-октябре. Краткосрочные ставки финансового рынка повысились в связи с пересмотром вверх участниками рынка ожидаемой траектории ключевой ставки. На рынке государственного долга средне- и долгосрочные доходности существенно не изменились.
Продолжился рост процентных ставок на кредитно-депозитном рынке, увеличился приток средств на депозиты и изменение структуры депозитов (с текущих на срочные счета).
В отдельных сегментах кредитного рынка появились признаки замедления активности, однако общие темпы роста кредитования по-прежнему остаются высокими. Корпоративное кредитование особо активно из-за ценовых ожиданий и позитивных взглядов на будущий спрос по мнению ЦБ РФ.
Экономическая активность растет выше ожиданий, а рост ВВП превысит 3% по итогам года, что означает отклонение экономики вверх от сбалансированного роста по оценкам ЦБ.
Рост происходит за счет расширения частного спроса при сохранении государственного спроса на высоком уровне. Увеличение потребительской активности поддерживается ростом реальных заработных плат и кредитованием. Значительный рост прибыли компаний и позитивные деловые настроения, в том числе из-за бюджетных стимулов, поддерживают высокий инвестиционный спрос.
Дефицит свободных трудовых ресурсов остается значительным, особенно в обрабатывающих отраслях. Безработица вновь обновила исторический минимум. Невысокая географическая и межотраслевая мобильность рабочей силы является дополнительным структурным ограничением.
Инфляционные риски существенные, как считает ЦБ. В случае дополнительного расширения бюджетного дефицита проинфляционные риски вновь возрастут и может потребоваться более жесткая ДКП.
Значимым риском является сохранение инфляционных ожиданий на повышенных уровнях или их дальнейший рост. В этом случае кредитование будет продолжать расширяться ускоренными темпами, а склонность населения к сбережению — снижаться.
В итоге предполагается продолжительный период поддержания жестких денежно-кредитных условий в экономике.
Это первое с августа решение ЦБ, которое уложилось в рамки рыночного консенсуса и денежного рынка, т.к. обычно удивляли – жестили более агрессивно, чем предполагал рынок.
Ставка стала максимальной с 3 мая 2022, а до этого равная или более высокая ставка была на протяжении 48 календарных дней с 16 декабря 2014 по 1 февраля 2015 (17%).
Сейчас формируется самая жесткая кривая денежно-кредитной политики за последние 20 лет, т.к. в 2009, в 2015 и 2022 жесткость ДКП была ограничена во времени в пределах 48 дней в 2015 и 20 дней в 2022 – резкое повышение ставки и дальнейшее умеренно интенсивное (2015) и высокоинтенсивное смягчение (2022).
Если оценивать по средней ставке 15% и выше, в 2022 подобная ставка продержалась 135 календарных дней с 28 февраля по 13 июля 2022, а в 2015 году на протяжении 158 дней с 17 декабря 2014 по 22 мая 2015. Во всех эпизодах это приводило к жесткому стресс тесту в экономике и, как минимум, замедлению кредитования к нулю в 2022 и сокращению кредитования в 2015.
В заявлении ЦБ отмечается, что «Возвращение инфляции к цели в 2024 году и ее дальнейшая стабилизация вблизи 4% предполагают продолжительный период поддержания жестких денежно-кредитных условий в экономике».
Соответственно, можно предположить, что даже при условии первого вероятного снижения ставки на заседании 22 марта 2024, средняя ставка 15% и выше перепишет рекорд 2015 (158 дней), т.е. сейчас самая жесткая ДКП в 21 веке!
Банк России подтверждает прогнозную границу инфляции на конец декабря в 7-7.5%. Отмечается, что устойчивое инфляционное давление в последние месяцы усилилось. Это объясняется более быстрым ростом внутреннего спроса по сравнению с возможностями расширения выпуска товаров и услуг. Инфляционные ожидания населения и ценовые ожидания предприятий повысились.
Денежно-кредитные условия в целом продолжили ужесточаться вслед за повышением ключевой ставки в июле-октябре. Краткосрочные ставки финансового рынка повысились в связи с пересмотром вверх участниками рынка ожидаемой траектории ключевой ставки. На рынке государственного долга средне- и долгосрочные доходности существенно не изменились.
Продолжился рост процентных ставок на кредитно-депозитном рынке, увеличился приток средств на депозиты и изменение структуры депозитов (с текущих на срочные счета).
В отдельных сегментах кредитного рынка появились признаки замедления активности, однако общие темпы роста кредитования по-прежнему остаются высокими. Корпоративное кредитование особо активно из-за ценовых ожиданий и позитивных взглядов на будущий спрос по мнению ЦБ РФ.
Экономическая активность растет выше ожиданий, а рост ВВП превысит 3% по итогам года, что означает отклонение экономики вверх от сбалансированного роста по оценкам ЦБ.
Рост происходит за счет расширения частного спроса при сохранении государственного спроса на высоком уровне. Увеличение потребительской активности поддерживается ростом реальных заработных плат и кредитованием. Значительный рост прибыли компаний и позитивные деловые настроения, в том числе из-за бюджетных стимулов, поддерживают высокий инвестиционный спрос.
Дефицит свободных трудовых ресурсов остается значительным, особенно в обрабатывающих отраслях. Безработица вновь обновила исторический минимум. Невысокая географическая и межотраслевая мобильность рабочей силы является дополнительным структурным ограничением.
Инфляционные риски существенные, как считает ЦБ. В случае дополнительного расширения бюджетного дефицита проинфляционные риски вновь возрастут и может потребоваться более жесткая ДКП.
Значимым риском является сохранение инфляционных ожиданий на повышенных уровнях или их дальнейший рост. В этом случае кредитование будет продолжать расширяться ускоренными темпами, а склонность населения к сбережению — снижаться.
В итоге предполагается продолжительный период поддержания жестких денежно-кредитных условий в экономике.
Промышленное производство в США сокращается уже четыре месяца подряд в годовом выражении (минус 0.4% г/г в ноябре)– переход в стагнацию начался с апреля 2022, есть существенный риск ухудшения ситуации в промышленности.
Выход как бы положительных данных за ноябрь (0.24% м/м) — ничего не значит, т.к. данные за октябрь были пересмотры с понижением на 0.3% и итоговый результат оказался отрицательным.
Если отбросить все это мельтешение, а смотреть на ситуацию с промышленностью в комплексе – речь идет о затяжной стагнации на протяжении 15 лет.
Уровень промпроизводства в ноябре 2023 на тот же уровне, как и в декабре 2007 (докризисный максимум) и примерно 1-2% ниже локальных максимумов, сформированных в декабре 2014, в декабре 2018 и сентябре 2022.
По сути, промышленная активность уже пятый раз бьется в потолок и без результата. Из представленных данных не выявлено кризисной ситуации, и даже рецессия еще не реализовалась. Справедливо говорить о 1.5 годичной стагнации.
В таблице представлена подробная статистика по отраслям промышленности в сравнении по ключевым периодам.
При сравнении уровня производства в ноябре 2023 с доковидным февралем 2020 получается рост в пределах 1% по всей промышленности, где обрабатывающее производство – плюс 0.2%, добыча полезных ископаемых – по нулям, производство электроэнергии, распределение газа и тепла – плюс 3.1%.
В существенном плюсе наукоемкие сегменты, в том числе связанные с ВПК, например «Aerospace and transportation equipment» - плюс 14.8%, но если сравнивать янв.-ноя.23 с янв-ноя.19 выходит, что сейчас производство на 2.7% ниже. Никакой существенной активности в ВПК не выявлено, но в целом, эти сегменты лучше остальных.
В значительном минусе производство текстиля, одежды, обуви, производство бумаги и картона, издательская и полиграфическая деятельность, также производство мебели на 17% ниже (ноя.23 к фер.20) из-за снижения спроса на недвижимость.
Происходит трансформация в сторону наукоемких отраслей и отраслей высоких и высших переделов, но в целом – стагнация.
Выход как бы положительных данных за ноябрь (0.24% м/м) — ничего не значит, т.к. данные за октябрь были пересмотры с понижением на 0.3% и итоговый результат оказался отрицательным.
Если отбросить все это мельтешение, а смотреть на ситуацию с промышленностью в комплексе – речь идет о затяжной стагнации на протяжении 15 лет.
Уровень промпроизводства в ноябре 2023 на тот же уровне, как и в декабре 2007 (докризисный максимум) и примерно 1-2% ниже локальных максимумов, сформированных в декабре 2014, в декабре 2018 и сентябре 2022.
По сути, промышленная активность уже пятый раз бьется в потолок и без результата. Из представленных данных не выявлено кризисной ситуации, и даже рецессия еще не реализовалась. Справедливо говорить о 1.5 годичной стагнации.
В таблице представлена подробная статистика по отраслям промышленности в сравнении по ключевым периодам.
При сравнении уровня производства в ноябре 2023 с доковидным февралем 2020 получается рост в пределах 1% по всей промышленности, где обрабатывающее производство – плюс 0.2%, добыча полезных ископаемых – по нулям, производство электроэнергии, распределение газа и тепла – плюс 3.1%.
В существенном плюсе наукоемкие сегменты, в том числе связанные с ВПК, например «Aerospace and transportation equipment» - плюс 14.8%, но если сравнивать янв.-ноя.23 с янв-ноя.19 выходит, что сейчас производство на 2.7% ниже. Никакой существенной активности в ВПК не выявлено, но в целом, эти сегменты лучше остальных.
В значительном минусе производство текстиля, одежды, обуви, производство бумаги и картона, издательская и полиграфическая деятельность, также производство мебели на 17% ниже (ноя.23 к фер.20) из-за снижения спроса на недвижимость.
Происходит трансформация в сторону наукоемких отраслей и отраслей высоких и высших переделов, но в целом – стагнация.
Индекс S&P 500 по закрытию дня вырос на 14.6% за 34 торговых дня от 27 октября – время эпического безумия.
Если не привязываться к сезонности, а оценивать, сколько раз за последние 75 лет рынок рос также дерзко? Немного освежив в памяти навыки программирования, можно сделать бэктестинг и оценить статистику.
За 75 лет было 26 раз, когда S&P 500 рост на 14.6% и более за 34 торговых дня. Последний раз это случилось 9 июня 2020, а на протяжении, по крайней мере 20 торговых дней после индекс показывал негативную статистику. Через два дня рынок упал на 6.4%.
Также скверно было и по итогам раллирования к 30 апреля 2020, когда рынок полмесяца «отстаивался» и был ниже в пределах 3%.
В целом, согласно статистике, по крайней мере, первая неделя минусовая, а самый слабый день – первый после подобного ралли. Лишь в 27% случаев рынок рост после сопоставимого импульса.
Спустя неделю (5 торговых дней) рынок растет примерно в половине случаев (46%), а средний результат по итогам 26 эпизодов – минус 0.46% (худший – минус 7.5% в начале января 2009, а лучший – 3.7% в ноябре 1998).
Спустя месяц (примерно 20 торговых дней) результат преимущественно бычий (2/3 случаев положительные), а средний результат 1.43% (лучший результат был в конце 1982 – 10%, а худший в середине 2001 – минус 6.6%).
Если оценивать среднесрочный потенциал (спустя 100 торговый дней) - результат сильно бычий, т.к. лишь 3 раза из 26 было снижение рынка, а самое сильное в середине 2001 – обвал на 18.4%.
Ралли на медвежьем рынке было в 2001, а в остальных случаях – это символизировало начало бычьего рынка. Справедливости ради, результаты за последние 20 лет были в условиях экономического расширения и, как правило, при монетарных стимулах (2009 и 2020).
Вне контекста лепить статистику в торговые алгоритмы нельзя, т.к. сейчас экономика переходит в стагнацию с рисками экстремальной деградации при разрыве долговой проблемы.
Если не привязываться к сезонности, а оценивать, сколько раз за последние 75 лет рынок рос также дерзко? Немного освежив в памяти навыки программирования, можно сделать бэктестинг и оценить статистику.
За 75 лет было 26 раз, когда S&P 500 рост на 14.6% и более за 34 торговых дня. Последний раз это случилось 9 июня 2020, а на протяжении, по крайней мере 20 торговых дней после индекс показывал негативную статистику. Через два дня рынок упал на 6.4%.
Также скверно было и по итогам раллирования к 30 апреля 2020, когда рынок полмесяца «отстаивался» и был ниже в пределах 3%.
В целом, согласно статистике, по крайней мере, первая неделя минусовая, а самый слабый день – первый после подобного ралли. Лишь в 27% случаев рынок рост после сопоставимого импульса.
Спустя неделю (5 торговых дней) рынок растет примерно в половине случаев (46%), а средний результат по итогам 26 эпизодов – минус 0.46% (худший – минус 7.5% в начале января 2009, а лучший – 3.7% в ноябре 1998).
Спустя месяц (примерно 20 торговых дней) результат преимущественно бычий (2/3 случаев положительные), а средний результат 1.43% (лучший результат был в конце 1982 – 10%, а худший в середине 2001 – минус 6.6%).
Если оценивать среднесрочный потенциал (спустя 100 торговый дней) - результат сильно бычий, т.к. лишь 3 раза из 26 было снижение рынка, а самое сильное в середине 2001 – обвал на 18.4%.
Ралли на медвежьем рынке было в 2001, а в остальных случаях – это символизировало начало бычьего рынка. Справедливости ради, результаты за последние 20 лет были в условиях экономического расширения и, как правило, при монетарных стимулах (2009 и 2020).
Вне контекста лепить статистику в торговые алгоритмы нельзя, т.к. сейчас экономика переходит в стагнацию с рисками экстремальной деградации при разрыве долговой проблемы.
Как внедрение высокоразвитых моделей ИИ может трансформировать общество, экономику, как это повлияет на технологии и производительность труда?
• Впервые формализация концепции ИИ была еще в середине 20 века, а более осмысленные и работоспособные модели ИИ существует уже более 30 лет (на уровне расширенных скриптов и экспертных систем, где пионером были компьютерные игры).
• В 2000х годах распознавание текста и позже изображений, переводчики, голосовые ассистенты, торговые алгоритмы.
• В 2010х годах – глубокое обучение и нейронные сети, Big data, распознавание видео, самоуправляемый транспорт.
• Высокоразвитые модели ИИ начали появляться в 2017-2018, бурная экспансия началась с 2019-2020 (бум улучшайзеров для фото, рекомендации музыки, анализ новостного контента, дипфейки), а с 2021 по экспоненте пошли генеративные модели ИИ.
Именно генеративные ИИ способны произвести революционные трансформации в экономике, обществе и на рынке труда.
Генеративные модели ИИ - тип алгоритмов машинного обучения, предназначенных для создания (генерации) новых данных, которые похожи на обучающие данные. Эти модели могут создавать тексты, изображения, звуки или другие типы данных, которые воспроизводят стили, паттерны и характеристики исходного набора данных.
Самыми популярными типами генеративных моделей являются Генеративно-состязательные сети (GAN), вариационные автокодировщики (VAE) и архитектура Трансформеров, применяемые в GPT и BERT.
Первые высокоразвитые генеративные модели ИИ начали появляться в 2017: ProGAN, CycleGAN, RealNVP, VQ-VAE, через год появились Glow, WaveGAN и WaveNet, StyleGAN и StyleGAN2 и BERT. Интеграция GPT началась в 2019, и именно она добилась успеха:
В чем революция? Изначально предполагалось, что ИИ заменит монотонный/повторяющиеся, а значит формализируемый вид труда и низко-квалифицированную рабочую силу и лишь в самом конце, на вершине своей эволюции ударит по творческим профессиям, но оказалось все иначе.
Генеративный ИИ сносит именно творческий сегмент профессий:
▪️Создание текста – осмысленные тексты, практически не отличимые от человеческого стиля письма, с возможностью создавать анекдоты, стихи, сценарии для фильмов, истории, новостные статьи.
▪️Создание программного кода, что позволит в десятки раз ускорить поиск решений и создание кода для профессиональных программистов, заменяя низко и средне квалифицированных программистов.
▪️Создание музыки. Генерация музыкальных композиций, имитирующих определенные стили, на основе анализа десятков тысяч произведений или создание совершенно новых музыкальных произведений (экспериментальная нейро-музыка).
▪️Создание реалистичных изображений. Опять же, на основе анализа паттернов сверх большого массива реальных фотографий упорядочиваются характеристики, структура и особенности объектов и далее через алгоритмы GAN генерируются синтетические изображения.
▪️Создание видео. Те самые дипфейки. ИИ анализирует видео, изучая характеристики движения, переходы между кадрами, визуальные и аудио паттерны и далее по аналогичному методу, как и с изображениями – генерируется ИИ видео. Может применяться для анимации, создания спецэффектов.
▪️Генерация речи, сохраняя тембр, интонации, ритм человеческой речи. Может применяться в ИИ-консультантах, синхронных переводчиках, навигационных системах, голосовых помощниках, в озвучивании книг, онлайн видео и фильмов.
▪️Симулирование и моделирование сложных систем. Все, что можно формализовать – идеальная среда для ИИ. Научные вычисления входят в этот сегмент. Может применяться в расширении предиктивных/предсказательных моделей в финансах, экономике и бизнесе, в виртуальном прототипировании (для инженеров, архитекторов, конструкторов).
Пространство использование генеративного ИИ – невероятно. Разница между 2021 и 2023 в том, что сейчас эти модели достигли той стадии зрелости, когда способны оказывать непосредственное влияние на контент, технологии, способы и методы организации бизнес-процессов и взаимодействия с окружающей цифровой средой.
Продолжение следует...
• Впервые формализация концепции ИИ была еще в середине 20 века, а более осмысленные и работоспособные модели ИИ существует уже более 30 лет (на уровне расширенных скриптов и экспертных систем, где пионером были компьютерные игры).
• В 2000х годах распознавание текста и позже изображений, переводчики, голосовые ассистенты, торговые алгоритмы.
• В 2010х годах – глубокое обучение и нейронные сети, Big data, распознавание видео, самоуправляемый транспорт.
• Высокоразвитые модели ИИ начали появляться в 2017-2018, бурная экспансия началась с 2019-2020 (бум улучшайзеров для фото, рекомендации музыки, анализ новостного контента, дипфейки), а с 2021 по экспоненте пошли генеративные модели ИИ.
Именно генеративные ИИ способны произвести революционные трансформации в экономике, обществе и на рынке труда.
Генеративные модели ИИ - тип алгоритмов машинного обучения, предназначенных для создания (генерации) новых данных, которые похожи на обучающие данные. Эти модели могут создавать тексты, изображения, звуки или другие типы данных, которые воспроизводят стили, паттерны и характеристики исходного набора данных.
Самыми популярными типами генеративных моделей являются Генеративно-состязательные сети (GAN), вариационные автокодировщики (VAE) и архитектура Трансформеров, применяемые в GPT и BERT.
Первые высокоразвитые генеративные модели ИИ начали появляться в 2017: ProGAN, CycleGAN, RealNVP, VQ-VAE, через год появились Glow, WaveGAN и WaveNet, StyleGAN и StyleGAN2 и BERT. Интеграция GPT началась в 2019, и именно она добилась успеха:
В чем революция? Изначально предполагалось, что ИИ заменит монотонный/повторяющиеся, а значит формализируемый вид труда и низко-квалифицированную рабочую силу и лишь в самом конце, на вершине своей эволюции ударит по творческим профессиям, но оказалось все иначе.
Генеративный ИИ сносит именно творческий сегмент профессий:
▪️Создание текста – осмысленные тексты, практически не отличимые от человеческого стиля письма, с возможностью создавать анекдоты, стихи, сценарии для фильмов, истории, новостные статьи.
▪️Создание программного кода, что позволит в десятки раз ускорить поиск решений и создание кода для профессиональных программистов, заменяя низко и средне квалифицированных программистов.
▪️Создание музыки. Генерация музыкальных композиций, имитирующих определенные стили, на основе анализа десятков тысяч произведений или создание совершенно новых музыкальных произведений (экспериментальная нейро-музыка).
▪️Создание реалистичных изображений. Опять же, на основе анализа паттернов сверх большого массива реальных фотографий упорядочиваются характеристики, структура и особенности объектов и далее через алгоритмы GAN генерируются синтетические изображения.
▪️Создание видео. Те самые дипфейки. ИИ анализирует видео, изучая характеристики движения, переходы между кадрами, визуальные и аудио паттерны и далее по аналогичному методу, как и с изображениями – генерируется ИИ видео. Может применяться для анимации, создания спецэффектов.
▪️Генерация речи, сохраняя тембр, интонации, ритм человеческой речи. Может применяться в ИИ-консультантах, синхронных переводчиках, навигационных системах, голосовых помощниках, в озвучивании книг, онлайн видео и фильмов.
▪️Симулирование и моделирование сложных систем. Все, что можно формализовать – идеальная среда для ИИ. Научные вычисления входят в этот сегмент. Может применяться в расширении предиктивных/предсказательных моделей в финансах, экономике и бизнесе, в виртуальном прототипировании (для инженеров, архитекторов, конструкторов).
Пространство использование генеративного ИИ – невероятно. Разница между 2021 и 2023 в том, что сейчас эти модели достигли той стадии зрелости, когда способны оказывать непосредственное влияние на контент, технологии, способы и методы организации бизнес-процессов и взаимодействия с окружающей цифровой средой.
Продолжение следует...
Как отличить ИИ от обычного программного комплекса?
Многие программные комплексы могут быть крайне сложными, многоуровневыми, многофункциональными и многокомпонентными с возможностью интеграции автоматизированных систем управления (АСУ) с глубокой степенью автоматизации, но являются ли они ИИ?
В моем канале будет множество тем и исследований, посвященных ИИ, т.к. за этим будущее, поэтому я попытаюсь прояснить ключевые моменты.
На самом деле глубокая степени автоматизации АСУ при всей крайне сложности данных систем не делает их ИИ в широком понимании, хотя приближает их к ИИ.
Важно понимать критерии и признаки идентификации ИИ:
▪️Способность к обучению и адаптации - возможность самостоятельно учиться и адаптироваться на основе новых данных, опыта и обратной связи, оптимизировать свои алгоритмы в процессе работы, что позволяет ему с течением времени становиться более эффективным и точным. ИИ не ограничивается начальным обучением и может постоянно развиваться.
▪️Автономность принятий решений – способность выхода за границы установленных алгоритмов в рамках фокуса задачи и адаптация к новым сценариям без предварительного вмешательства человека. Проще говоря, ИИ способен самостоятельно искать наилучшее решения для решения конкретной задачи, тогда как обычные программы «заперты» в границы интегрированных алгоритмов.
▪️Понимание контекста сложных задач – ИИ обладает способностью понимать сложные, многоуровневые задачи и контекст, в котором они возникают, тогда как в традиционных программам глубина понимания ограничена исключительно заранее написанными и внедренными скриптами и алгоритмами.
▪️Когнитивные функции – восприятие информации, рассуждение, обучение и многовекторное решение задач отличает ИИ от любых других систем, даже самых сложных. Логическое рассуждение предполагает способность к логическому анализу информации и формированию выводов с выстраиванием причинно-следственных цепочек.
▪️Обработка естественного языка – замещение машинного языка на инструкции и в дальнейшем на человеческий язык делает программный комплекс близким к ИИ в той мере, насколько ИИ способен понимать человеческую речь.
▪️Предиктивный анализ - ИИ может анализировать большие объемы исторических данных, обнаруживать закономерности и тенденции и использовать эти знания для прогнозирования будущих событий или результатов, опираясь на паттерны и вероятностные оценки.
▪️Мультимодальность –относится к способности ИИ анализировать и интегрировать информацию из различных источников или типов данных (модальностей). Например, мультимодальная система ИИ может одновременно обрабатывать текст, изображения, аудио и видео.
▪️Мультидисциплинарность - в контексте ИИ подразумевает применение знаний и методов из разных научных дисциплин для разработки, понимания и улучшения систем ИИ. Этот подход акцентирует внимание на объединении разнообразных научных и технических областей знаний для создания более эффективных и интеллектуальных систем.
Интеграция всех 8 базовых признаков ИИ не является обязательной, т.к., по существу, достаточно даже одного из выше перечисленных. Но в чем же разница, почему именно сейчас такое внимание и столь «ядерный» ажиотаж вокруг ИИ? Были внедрены одновременно восемь признаков.
Об этапах развития ИИ в следующих материалах.
Многие программные комплексы могут быть крайне сложными, многоуровневыми, многофункциональными и многокомпонентными с возможностью интеграции автоматизированных систем управления (АСУ) с глубокой степенью автоматизации, но являются ли они ИИ?
В моем канале будет множество тем и исследований, посвященных ИИ, т.к. за этим будущее, поэтому я попытаюсь прояснить ключевые моменты.
На самом деле глубокая степени автоматизации АСУ при всей крайне сложности данных систем не делает их ИИ в широком понимании, хотя приближает их к ИИ.
Важно понимать критерии и признаки идентификации ИИ:
▪️Способность к обучению и адаптации - возможность самостоятельно учиться и адаптироваться на основе новых данных, опыта и обратной связи, оптимизировать свои алгоритмы в процессе работы, что позволяет ему с течением времени становиться более эффективным и точным. ИИ не ограничивается начальным обучением и может постоянно развиваться.
▪️Автономность принятий решений – способность выхода за границы установленных алгоритмов в рамках фокуса задачи и адаптация к новым сценариям без предварительного вмешательства человека. Проще говоря, ИИ способен самостоятельно искать наилучшее решения для решения конкретной задачи, тогда как обычные программы «заперты» в границы интегрированных алгоритмов.
▪️Понимание контекста сложных задач – ИИ обладает способностью понимать сложные, многоуровневые задачи и контекст, в котором они возникают, тогда как в традиционных программам глубина понимания ограничена исключительно заранее написанными и внедренными скриптами и алгоритмами.
▪️Когнитивные функции – восприятие информации, рассуждение, обучение и многовекторное решение задач отличает ИИ от любых других систем, даже самых сложных. Логическое рассуждение предполагает способность к логическому анализу информации и формированию выводов с выстраиванием причинно-следственных цепочек.
▪️Обработка естественного языка – замещение машинного языка на инструкции и в дальнейшем на человеческий язык делает программный комплекс близким к ИИ в той мере, насколько ИИ способен понимать человеческую речь.
▪️Предиктивный анализ - ИИ может анализировать большие объемы исторических данных, обнаруживать закономерности и тенденции и использовать эти знания для прогнозирования будущих событий или результатов, опираясь на паттерны и вероятностные оценки.
▪️Мультимодальность –относится к способности ИИ анализировать и интегрировать информацию из различных источников или типов данных (модальностей). Например, мультимодальная система ИИ может одновременно обрабатывать текст, изображения, аудио и видео.
▪️Мультидисциплинарность - в контексте ИИ подразумевает применение знаний и методов из разных научных дисциплин для разработки, понимания и улучшения систем ИИ. Этот подход акцентирует внимание на объединении разнообразных научных и технических областей знаний для создания более эффективных и интеллектуальных систем.
Интеграция всех 8 базовых признаков ИИ не является обязательной, т.к., по существу, достаточно даже одного из выше перечисленных. Но в чем же разница, почему именно сейчас такое внимание и столь «ядерный» ажиотаж вокруг ИИ? Были внедрены одновременно восемь признаков.
Об этапах развития ИИ в следующих материалах.
ИИ – это технологии будущего, которые существуют уже более 70 лет
Какие этапы развития ИИ?
1. Ранние этапы (1950-е – 1960-е годы). Появление первых идей и теоретических работ, связанных с ИИ, включая знаменитую статью Алана Тьюринга «Вычислительные машины и интеллект» (1950). Дартмутская конференция (1956) - официальное рождение ИИ, как академической дисциплины.
• Предиктивный анализ: Простые формы предиктивного анализа использовались в ранних программах ИИ, особенно в логических играх и простых задачах решения проблем. Например, программы для игры в шахматы.
• Обработка естественного языка: Начальные исследования в области обработки естественного языка начались, но они были довольно ограниченны. Создание простых ИИ-программ, таких как ELIZA (программа, имитирующая диалог).
2. Медленное развитие (1970-е – 1980-е годы). Данный период принято считать периодом застоя технологий, связанных с ИИ, что во многом обусловлено проблемой масштабирования и критическим дефицитом вычислительной мощности с принципиальной неспособностью заполнения данных для обучения (не было ни Интернета, ни памяти, ни достаточной пропускной способности). Это привело к разочарованию в ИИ, как технологии, не соответствующей времени.
Однако, первые прототипы экспертных систем начали появляться в это время, как и специализированные языки программирования, таких, как LISP.
3. Расширение и интеграция (1990-е годы – начало 2000-х).
•Рост коммерческого интереса: Появление первых успешных коммерческих применений ИИ, особенно в области экспертных систем.
•Развитие машинного обучения: Алгоритмы обучения на основе данных начинают заменять жестко запрограммированные инструкции.
•Развитие нейронных сетей: Прототипирование и теоретическое обоснование нейронных сетей. Возобновление интереса к нейронным сетям и их потенциалу.
Практически все разработки в этот период носили теоретический характер, существенного прикладного расширения не присутствовало. Однако, именно в 90-х началась экспансия робототехники с применением Robotics AI, в интегрировалось в промышленности в рамках автоматизированных систем управления (АСУ).
Одним из существенных драйверов развития ИИ в 90-х были компьютерные игры (ИИ для игровых ботов), которые в свою очередь предопределили развитие индустрии, как на аппаратном уровне, так и на программном.
Практически все современные ИТ специалисты имеют очень весомый бэкграунд в виде игрового опыта (1990-2010х годов), что в детстве и юности поддерживало интерес к компьютерам, информатике, программированию, гейм-дизайну и так далее.
Геймерство – своеобразная религия для большинства ИТ специалистов. Геймерами в свое время были и Илон Маск, и Сэм Альтман.
4. Эра Интернета и больших данных (2000-2010).
• «Взрыв Данных»: Рост интернета приводит к огромному увеличению доступных данных и информации. С развитием интернета и цифровых технологий объем доступных данных рос экспоненциально. Это создавало новые возможности для применения и обучения ИИ, особенно в областях, связанных с анализом больших данных.
• Эволюция Алгоритмов: Продолжалось усовершенствование алгоритмов машинного обучения, особенно методов обучения с учителем и без учителя, улучшались NLP методы и алгоритмы нейронных сетей. Применение этих методов в различных областях, например, в анализе данных и распознавании образов, становилось более распространенным. Однако, мощностей и данных катастрофические не хватало для осмысленных систем.
• ИИ в бизнесе и промышленности: Первые коммерческие ИИ проекты начали внедряться только в 21 веке. Увеличивалось использование ИИ для решения конкретных задач в бизнесе, финансах, здравоохранении и других областях, включая оптимизацию процессов, анализ рынков и диагностику в медицине.
С 2005-2007 начался бум алгоритмических систем на основе предиктивного анализа в торговых роботах на бирже.
Улучшение аппаратного обеспечение открыло новые возможности для прогнозирования погоды на основе ИИ и в робототехнике.
Но все самое интересное было впереди …
Какие этапы развития ИИ?
1. Ранние этапы (1950-е – 1960-е годы). Появление первых идей и теоретических работ, связанных с ИИ, включая знаменитую статью Алана Тьюринга «Вычислительные машины и интеллект» (1950). Дартмутская конференция (1956) - официальное рождение ИИ, как академической дисциплины.
• Предиктивный анализ: Простые формы предиктивного анализа использовались в ранних программах ИИ, особенно в логических играх и простых задачах решения проблем. Например, программы для игры в шахматы.
• Обработка естественного языка: Начальные исследования в области обработки естественного языка начались, но они были довольно ограниченны. Создание простых ИИ-программ, таких как ELIZA (программа, имитирующая диалог).
2. Медленное развитие (1970-е – 1980-е годы). Данный период принято считать периодом застоя технологий, связанных с ИИ, что во многом обусловлено проблемой масштабирования и критическим дефицитом вычислительной мощности с принципиальной неспособностью заполнения данных для обучения (не было ни Интернета, ни памяти, ни достаточной пропускной способности). Это привело к разочарованию в ИИ, как технологии, не соответствующей времени.
Однако, первые прототипы экспертных систем начали появляться в это время, как и специализированные языки программирования, таких, как LISP.
3. Расширение и интеграция (1990-е годы – начало 2000-х).
•Рост коммерческого интереса: Появление первых успешных коммерческих применений ИИ, особенно в области экспертных систем.
•Развитие машинного обучения: Алгоритмы обучения на основе данных начинают заменять жестко запрограммированные инструкции.
•Развитие нейронных сетей: Прототипирование и теоретическое обоснование нейронных сетей. Возобновление интереса к нейронным сетям и их потенциалу.
Практически все разработки в этот период носили теоретический характер, существенного прикладного расширения не присутствовало. Однако, именно в 90-х началась экспансия робототехники с применением Robotics AI, в интегрировалось в промышленности в рамках автоматизированных систем управления (АСУ).
Одним из существенных драйверов развития ИИ в 90-х были компьютерные игры (ИИ для игровых ботов), которые в свою очередь предопределили развитие индустрии, как на аппаратном уровне, так и на программном.
Практически все современные ИТ специалисты имеют очень весомый бэкграунд в виде игрового опыта (1990-2010х годов), что в детстве и юности поддерживало интерес к компьютерам, информатике, программированию, гейм-дизайну и так далее.
Геймерство – своеобразная религия для большинства ИТ специалистов. Геймерами в свое время были и Илон Маск, и Сэм Альтман.
4. Эра Интернета и больших данных (2000-2010).
• «Взрыв Данных»: Рост интернета приводит к огромному увеличению доступных данных и информации. С развитием интернета и цифровых технологий объем доступных данных рос экспоненциально. Это создавало новые возможности для применения и обучения ИИ, особенно в областях, связанных с анализом больших данных.
• Эволюция Алгоритмов: Продолжалось усовершенствование алгоритмов машинного обучения, особенно методов обучения с учителем и без учителя, улучшались NLP методы и алгоритмы нейронных сетей. Применение этих методов в различных областях, например, в анализе данных и распознавании образов, становилось более распространенным. Однако, мощностей и данных катастрофические не хватало для осмысленных систем.
• ИИ в бизнесе и промышленности: Первые коммерческие ИИ проекты начали внедряться только в 21 веке. Увеличивалось использование ИИ для решения конкретных задач в бизнесе, финансах, здравоохранении и других областях, включая оптимизацию процессов, анализ рынков и диагностику в медицине.
С 2005-2007 начался бум алгоритмических систем на основе предиктивного анализа в торговых роботах на бирже.
Улучшение аппаратного обеспечение открыло новые возможности для прогнозирования погоды на основе ИИ и в робототехнике.
Но все самое интересное было впереди …
Самое интересно для ИИ начинается с 2010 года.
До 2010 развивался, по сути, лишь один из восьми базовых признаков ИИ – это предиктивный анализ, что активно использовался в торговых алгоритмах на бирже (анализ паттернов), в научных и экономических исследованиях, в прогнозировании погоды, в оценке страховых и финансовых рисков и так далее.
Все остальные семь признаков ИИ находили теоретическое обоснование и прототипирование с 1950 по 2010 с разной интенсивностью и с разной успешностью. Причем, концепты были во всех измерениях, даже в когнитивных функциях, где в 90-х и начале нулевых лучшие решения были от IBM.
То, что есть сейчас – не новинка, но препятствием к развитию были вычислительные мощности и отсутствие данных. Big data зародился в середине 2000-2010, а в лучшую форму вышел в 2010-2020, плюс к этому вычислительные мощности серверов выросли на порядок.
Десятилетие с 2010 по 2019 годы было периодом стремительного прогресса в ИИ, отмеченным значительными технологическими инновациями, расширением применения и увеличением общественного интереса. Это был период, когда ИИ стал не просто академическим исследованием, а мощным инструментом, влияющим на множество аспектов повседневной жизни и работы. Без данных и вычислительных мощностей все это так бы осталось теорией.
Началась бурная экспансия ИИ во все отрасли экономики и сферы жизни. Практически не было не затронутых ключевых отраслей: здравоохранение, образование, транспорт, розничная и оптовая торговля, логистика и склад, консалтинг, финансы и страхование, промышленность и сельское хозяйство, умная система управление городом, распознавание лиц, кибербезопасность и так далее.
Революция в глубоком обучении: прорывы в глубоких нейронных сетях, особенно с развитием сверточных (CNN) и рекуррентных (RNN) нейронных сетей, значительно улучшили способности ИИ в распознавании образов, обработке естественного языка и предсказательном анализе.
Появление и развитие трансформеров: архитектура трансформеров, представленная в 2017 году, привнесла революционные изменения в область обработки естественного языка и генерации текста, что и стало прообразом ChatGPT.
В период с 2010 по 2019 активно развивалась мультимодальность, автономность принятия решений, обработка естественного языка и к совершенству выходил предиктивный анализ с существенным прогрессом в когнитивных функциях и самообучению.
С 2020 началась эра генеративных сетей, что позволило реализовать глубокую мультидисциплинарность, способность к обучению и адаптации и самое главное – это понимание контекста сложных задач и высокоразвитые когнитивные функции, которые были немыслимы ранее.
Лейбл ИИ перестал быть чистым маркетингом, как десятилетием ранее, а стал символом новой эпохи.
Важнейшим этапом стал выдающиеся прогресс в Natural Language Processing (NLP) и понимании семантики и конструкции языка, позволяя выстраивать адекватные смысловые структуры.
Семантика языка играет критическую роль в понимании и интерпретации человеческого языка. Алгоритмы и модели стремятся понять не только буквальные значения слов, но и их семантический контекст и намерения, говорящего или пишущего.
Мера развития ИИ напрямую связана с пониманием контекста и смысла «между строк». На данный момент – это слабое место ChatGPT, но, с другой стороны, невероятный прогресс за последние годы.
Сложно сказать, куда все это приведет, но прогресс впечатляющий, мягко говоря…
До 2010 развивался, по сути, лишь один из восьми базовых признаков ИИ – это предиктивный анализ, что активно использовался в торговых алгоритмах на бирже (анализ паттернов), в научных и экономических исследованиях, в прогнозировании погоды, в оценке страховых и финансовых рисков и так далее.
Все остальные семь признаков ИИ находили теоретическое обоснование и прототипирование с 1950 по 2010 с разной интенсивностью и с разной успешностью. Причем, концепты были во всех измерениях, даже в когнитивных функциях, где в 90-х и начале нулевых лучшие решения были от IBM.
То, что есть сейчас – не новинка, но препятствием к развитию были вычислительные мощности и отсутствие данных. Big data зародился в середине 2000-2010, а в лучшую форму вышел в 2010-2020, плюс к этому вычислительные мощности серверов выросли на порядок.
Десятилетие с 2010 по 2019 годы было периодом стремительного прогресса в ИИ, отмеченным значительными технологическими инновациями, расширением применения и увеличением общественного интереса. Это был период, когда ИИ стал не просто академическим исследованием, а мощным инструментом, влияющим на множество аспектов повседневной жизни и работы. Без данных и вычислительных мощностей все это так бы осталось теорией.
Началась бурная экспансия ИИ во все отрасли экономики и сферы жизни. Практически не было не затронутых ключевых отраслей: здравоохранение, образование, транспорт, розничная и оптовая торговля, логистика и склад, консалтинг, финансы и страхование, промышленность и сельское хозяйство, умная система управление городом, распознавание лиц, кибербезопасность и так далее.
Революция в глубоком обучении: прорывы в глубоких нейронных сетях, особенно с развитием сверточных (CNN) и рекуррентных (RNN) нейронных сетей, значительно улучшили способности ИИ в распознавании образов, обработке естественного языка и предсказательном анализе.
Появление и развитие трансформеров: архитектура трансформеров, представленная в 2017 году, привнесла революционные изменения в область обработки естественного языка и генерации текста, что и стало прообразом ChatGPT.
В период с 2010 по 2019 активно развивалась мультимодальность, автономность принятия решений, обработка естественного языка и к совершенству выходил предиктивный анализ с существенным прогрессом в когнитивных функциях и самообучению.
С 2020 началась эра генеративных сетей, что позволило реализовать глубокую мультидисциплинарность, способность к обучению и адаптации и самое главное – это понимание контекста сложных задач и высокоразвитые когнитивные функции, которые были немыслимы ранее.
Лейбл ИИ перестал быть чистым маркетингом, как десятилетием ранее, а стал символом новой эпохи.
Важнейшим этапом стал выдающиеся прогресс в Natural Language Processing (NLP) и понимании семантики и конструкции языка, позволяя выстраивать адекватные смысловые структуры.
Семантика языка играет критическую роль в понимании и интерпретации человеческого языка. Алгоритмы и модели стремятся понять не только буквальные значения слов, но и их семантический контекст и намерения, говорящего или пишущего.
Мера развития ИИ напрямую связана с пониманием контекста и смысла «между строк». На данный момент – это слабое место ChatGPT, но, с другой стороны, невероятный прогресс за последние годы.
Сложно сказать, куда все это приведет, но прогресс впечатляющий, мягко говоря…
Что позволило ИИ стать настолько эффективным? Любая технология имеет определённый порог зрелости, внедрение которой ограничено наличием смежных технологий.
Развитие ИИ обусловлено наличием ключевых технологий и научных достижений, которые в совокупности создали условия для появления и эволюции ИИ до той степени, которая актуальна сейчас.
Например, появление микропроцессора невозможно было без изобретения транзистора в 1947, интегральных схем в 1950-х, определенной степени зрелости химической промышленности, что позволило развить фотолитографию и кремниевые технологии, наличия электронной промышленности или научных открытий в бинарной логике и так далее.
ИИ - результат синергии множества технологических, научных и промышленных достижений последних 100 лет.
Можно выделить множество факторов, повлиявших на экспансию ИИ, но ключевых несколько – вычислительные мощности, big data (в том числе алгоритмы их анализа) и инновационные алгоритмы машинного обучения, особенно методов нейронных сетей.
В одном из интервью CEO OpenAI Сэм Альтман сказал, что одним из главных драйверов быстрого развития ИИ стали компьютерные игры и геймеры, которые двигали прогресс видеокарт, что позволило экспоненциально нарастить вычислительные мощности, которые потом стали использоваться для ИИ проектов, а сейчас прогресс видеокарт двигают уже ИИ.
Чем больше данных – тем точнее результаты, поэтому ИИ не мог появиться раньше, чем появление достаточных вычислительных мощностей, Big data и высокого уровня развития Интернета, но все это нужно правильным образом интерпретировать и обработать, т.е. нужны алгоритмы.
Вдаваться в детали алгоритмов не буду по очевидным причинам, но назову основные:
▪️Глубокое обучение (Deep Learning AI) – применяются метод обратного распространения ошибки (backpropagation), генеративно-состязательные сети (GAN), сверточные нейронные сети (CNN), рекуррентные нейронные сети (RNN), сети прямого распространения (FNN), глубокие нейронные сети (Deep Neural Networks) и автоэнкодеры.
▪️Машинное Обучение (Machine Learning AI) - метод опорных векторов, линейная Регрессия, логистическая регрессия, деревья решений, случайный лес, метод K-ближайших соседей (KNN).
▪️Обучение с Подкреплением (Reinforcement Learning активно применяется в Robotics AI и Decision AI) - Q-обучение (Q-learning), алгоритмы на основе политик.
▪️Прочие алгоритмы – оптимизация стохастического градиента (SGD), градиентный спуск и вариация, также ансамблевые алгоритмы путем комбинирования нескольких моделей.
▪️Обработка естественного языка (NLP, Natural Language Processing) – модели на основе трансформеров – самая мощная и инновационная модели на сегодняшний день.
Инновация за Google, которая в 2017 внедрила революционную на тот момент BERT, однако все лавры забрала на себя OpenAI, которая сумела технологические решения Google довести до ума, внедрив доступную и крайне эффективную модель.
Фундаментальные преимущества:
- Механизм внимания для взвешивания в неструктурированных массивах релевантные сегменты;
- Параллельная обработка – одновременная обработка всех токенов (основная базовая единица входной информации);
- Отсутствие рекуррентности, что позволяет избежать проблем, связанных с долговременными зависимостями в данных, а следовательно устраняет накопление ошибок в системе;
- Масштабируемость – позволяет быстро и эффективно обучаться на большом массиве данных.
ChatGPT базируется на применении трансформеров в NLP, методах обработки Big Data, глубоком обучении с активным применением обратного распространения ошибки и GAN методов и самое главное - контекстуальное понимание, т.е. способность учитывать широкий контекст входных данных на основе истории запросов.
Таким образом, успех ChatGPT – это объединение 8 признаков ИИ и 8 направлений ИИ одновременно (Generative AI + NLP AI + Cognitive AI + Machine Learning AI + Deep Learning AI + Predictive AI + Decision AI + Robotics AI (при необходимости)).
Потенциал возможностей невероятный… Продолжение следует.
Развитие ИИ обусловлено наличием ключевых технологий и научных достижений, которые в совокупности создали условия для появления и эволюции ИИ до той степени, которая актуальна сейчас.
Например, появление микропроцессора невозможно было без изобретения транзистора в 1947, интегральных схем в 1950-х, определенной степени зрелости химической промышленности, что позволило развить фотолитографию и кремниевые технологии, наличия электронной промышленности или научных открытий в бинарной логике и так далее.
ИИ - результат синергии множества технологических, научных и промышленных достижений последних 100 лет.
Можно выделить множество факторов, повлиявших на экспансию ИИ, но ключевых несколько – вычислительные мощности, big data (в том числе алгоритмы их анализа) и инновационные алгоритмы машинного обучения, особенно методов нейронных сетей.
В одном из интервью CEO OpenAI Сэм Альтман сказал, что одним из главных драйверов быстрого развития ИИ стали компьютерные игры и геймеры, которые двигали прогресс видеокарт, что позволило экспоненциально нарастить вычислительные мощности, которые потом стали использоваться для ИИ проектов, а сейчас прогресс видеокарт двигают уже ИИ.
Чем больше данных – тем точнее результаты, поэтому ИИ не мог появиться раньше, чем появление достаточных вычислительных мощностей, Big data и высокого уровня развития Интернета, но все это нужно правильным образом интерпретировать и обработать, т.е. нужны алгоритмы.
Вдаваться в детали алгоритмов не буду по очевидным причинам, но назову основные:
▪️Глубокое обучение (Deep Learning AI) – применяются метод обратного распространения ошибки (backpropagation), генеративно-состязательные сети (GAN), сверточные нейронные сети (CNN), рекуррентные нейронные сети (RNN), сети прямого распространения (FNN), глубокие нейронные сети (Deep Neural Networks) и автоэнкодеры.
▪️Машинное Обучение (Machine Learning AI) - метод опорных векторов, линейная Регрессия, логистическая регрессия, деревья решений, случайный лес, метод K-ближайших соседей (KNN).
▪️Обучение с Подкреплением (Reinforcement Learning активно применяется в Robotics AI и Decision AI) - Q-обучение (Q-learning), алгоритмы на основе политик.
▪️Прочие алгоритмы – оптимизация стохастического градиента (SGD), градиентный спуск и вариация, также ансамблевые алгоритмы путем комбинирования нескольких моделей.
▪️Обработка естественного языка (NLP, Natural Language Processing) – модели на основе трансформеров – самая мощная и инновационная модели на сегодняшний день.
Инновация за Google, которая в 2017 внедрила революционную на тот момент BERT, однако все лавры забрала на себя OpenAI, которая сумела технологические решения Google довести до ума, внедрив доступную и крайне эффективную модель.
Фундаментальные преимущества:
- Механизм внимания для взвешивания в неструктурированных массивах релевантные сегменты;
- Параллельная обработка – одновременная обработка всех токенов (основная базовая единица входной информации);
- Отсутствие рекуррентности, что позволяет избежать проблем, связанных с долговременными зависимостями в данных, а следовательно устраняет накопление ошибок в системе;
- Масштабируемость – позволяет быстро и эффективно обучаться на большом массиве данных.
ChatGPT базируется на применении трансформеров в NLP, методах обработки Big Data, глубоком обучении с активным применением обратного распространения ошибки и GAN методов и самое главное - контекстуальное понимание, т.е. способность учитывать широкий контекст входных данных на основе истории запросов.
Таким образом, успех ChatGPT – это объединение 8 признаков ИИ и 8 направлений ИИ одновременно (Generative AI + NLP AI + Cognitive AI + Machine Learning AI + Deep Learning AI + Predictive AI + Decision AI + Robotics AI (при необходимости)).
Потенциал возможностей невероятный… Продолжение следует.
Технологии, которые изменили мир…
Чтобы создать современные генеративные модели ИИ потребовалось более 70 лет теоретических и фундаментальных работ в области ИИ и свыше 30 лет прикладных исследований.
Любая технология имеет прототипирование (теоретическое обоснование, создание концептов), зарождение (первое коммерческое и/или прикладное использование), активная экспансия, поступательная эволюция и трансформация или вырождение.
Фаза зарождения генеративных моделей – это 2017-2018 года, активная экспансия началась ровно с января 2023, сколько это продлится?
Попробую вспомнить технологии, которые изменили мир (список «на коленке», очевидно, что не все технологии, требуются дополнения и уточнения).
1. Электричество (внедрение 1870-е) – активная экспансия с 1880 по 1930 (далее в этом формате). Революционизировало производство, начало этапа индустриализации, влияние на транспорт, освещение и коммуникации. Одно из самых значимых внедрений в истории человечества.
2. Телефон (1876) - 1890-1940. Изменил способы коммуникации в бизнесе и повседневной жизни.
3. Радио (1895) - 1920-1950. Огромное влияние на массовую коммуникацию и развлечения, по крайней мере до 1980-х.
4. Автомобиль (1880-е) - 1910-1950. Преобразовал транспорт, городское планирование и образ жизни.
5. Телевидение (1920-е) - 1950-1980. Трансформировало развлечения, новости, и культурное восприятие.
6. Авиация (1903) - 1930-1970. Открыла новые горизонты в пассажирских и грузовых перевозках.
7. Пластмассы (1907) - 1930-1970. Фундаментальное влияние почти на все виды физической продукции.
8. Антибиотики (пенициллин, 1928) - 1940-1970. Революционизировали медицину, снизив смертность от инфекций.
9. Ядерная энергетика (1940-е) - 1950-1980. Новый источник энергии, повлияла на военные технологии.
10. Космические технологии (1957) - 1960-1990. Расширили понимание космоса, спутниковая связь и навигация.
11. Интегральные схемы (1958) - 1970-2000. Способствовали развитию электроники и компьютеров.
12. Компьютер (1940-е) - 1970-2000, вторая фаза экспансии с 2010 по настоящее время (мобильный ПК). Изменил обработку данных, управление и производственные процессы.
13. Интернет (1960-е) - 1990-2010. Трансформировал коммуникации, торговлю и доступ к информации.
14. GPS (1970-е) - 1990-2010. Трансформация навигации и картографии.
15. Цифровая фотография (1970-е) - 1990-2010. Упрощение съемки и обработки изображений.
16. Мобильная связь (1970-е) - 2000-2020. Изменила способы общения, доступ к информации и медиа.
17. Искусственный интеллект и машинное обучение (1950-е) - 2010-настоящее время. Преобразуют принятие решений, аналитику данных и автоматизацию.
18. Wi-Fi (1990-е) - 2000-настоящее. Гибкость и доступность интернета.
19. Возобновляемая энергия (1970-е) - 2000-настоящее: Устойчивые источники энергии, сокращение выбросов углерода.
20. 3D-печать (1980-е) - 2010-настоящее. Новые методы производства и дизайна.
21. Интернет вещей (1990-е) - 2010-настоящее. Интеграция устройств в глобальную сеть.
22. Смартфоны (2000-е) - 2010-настоящее. Комбинация функций компьютера, телефона, медиа.
23. Биотехнологии и генная инженерия (1970-е) - 1990-настоящее. Прорывы в медицине, сельском хозяйстве, фармацевтике.
24. Виртуальная и дополненная реальность (1990-е) - 2010-настоящее. Трансформация развлечений, образования, проектирования.
25. CRISPR и генное редактирование (2012) - 2010-настоящее. Прорыв в генетике и биотехнологии.
26. Блокчейн и криптовалюты (2008) - 2010-настоящее. Изменения в финансах, безопасности данных.
27. Нанотехнологии (1980-е) - 2000-настоящее. Создание материалов с уникальными свойствами.
28. Беспилотные автомобили (2000-е) - 2010-настоящее. Трансформация транспорта и логистики.
29. Квантовые вычисления (1980-е) - 2020-настоящее. Революционизация вычислений и криптографии.
30. Искусственный синтез белков (2000-е) - 2010-настоящее. Перспективы в биотехнологиях и материаловедении.
Период активной экспансии обычно длится 15-30 лет.
Чтобы создать современные генеративные модели ИИ потребовалось более 70 лет теоретических и фундаментальных работ в области ИИ и свыше 30 лет прикладных исследований.
Любая технология имеет прототипирование (теоретическое обоснование, создание концептов), зарождение (первое коммерческое и/или прикладное использование), активная экспансия, поступательная эволюция и трансформация или вырождение.
Фаза зарождения генеративных моделей – это 2017-2018 года, активная экспансия началась ровно с января 2023, сколько это продлится?
Попробую вспомнить технологии, которые изменили мир (список «на коленке», очевидно, что не все технологии, требуются дополнения и уточнения).
1. Электричество (внедрение 1870-е) – активная экспансия с 1880 по 1930 (далее в этом формате). Революционизировало производство, начало этапа индустриализации, влияние на транспорт, освещение и коммуникации. Одно из самых значимых внедрений в истории человечества.
2. Телефон (1876) - 1890-1940. Изменил способы коммуникации в бизнесе и повседневной жизни.
3. Радио (1895) - 1920-1950. Огромное влияние на массовую коммуникацию и развлечения, по крайней мере до 1980-х.
4. Автомобиль (1880-е) - 1910-1950. Преобразовал транспорт, городское планирование и образ жизни.
5. Телевидение (1920-е) - 1950-1980. Трансформировало развлечения, новости, и культурное восприятие.
6. Авиация (1903) - 1930-1970. Открыла новые горизонты в пассажирских и грузовых перевозках.
7. Пластмассы (1907) - 1930-1970. Фундаментальное влияние почти на все виды физической продукции.
8. Антибиотики (пенициллин, 1928) - 1940-1970. Революционизировали медицину, снизив смертность от инфекций.
9. Ядерная энергетика (1940-е) - 1950-1980. Новый источник энергии, повлияла на военные технологии.
10. Космические технологии (1957) - 1960-1990. Расширили понимание космоса, спутниковая связь и навигация.
11. Интегральные схемы (1958) - 1970-2000. Способствовали развитию электроники и компьютеров.
12. Компьютер (1940-е) - 1970-2000, вторая фаза экспансии с 2010 по настоящее время (мобильный ПК). Изменил обработку данных, управление и производственные процессы.
13. Интернет (1960-е) - 1990-2010. Трансформировал коммуникации, торговлю и доступ к информации.
14. GPS (1970-е) - 1990-2010. Трансформация навигации и картографии.
15. Цифровая фотография (1970-е) - 1990-2010. Упрощение съемки и обработки изображений.
16. Мобильная связь (1970-е) - 2000-2020. Изменила способы общения, доступ к информации и медиа.
17. Искусственный интеллект и машинное обучение (1950-е) - 2010-настоящее время. Преобразуют принятие решений, аналитику данных и автоматизацию.
18. Wi-Fi (1990-е) - 2000-настоящее. Гибкость и доступность интернета.
19. Возобновляемая энергия (1970-е) - 2000-настоящее: Устойчивые источники энергии, сокращение выбросов углерода.
20. 3D-печать (1980-е) - 2010-настоящее. Новые методы производства и дизайна.
21. Интернет вещей (1990-е) - 2010-настоящее. Интеграция устройств в глобальную сеть.
22. Смартфоны (2000-е) - 2010-настоящее. Комбинация функций компьютера, телефона, медиа.
23. Биотехнологии и генная инженерия (1970-е) - 1990-настоящее. Прорывы в медицине, сельском хозяйстве, фармацевтике.
24. Виртуальная и дополненная реальность (1990-е) - 2010-настоящее. Трансформация развлечений, образования, проектирования.
25. CRISPR и генное редактирование (2012) - 2010-настоящее. Прорыв в генетике и биотехнологии.
26. Блокчейн и криптовалюты (2008) - 2010-настоящее. Изменения в финансах, безопасности данных.
27. Нанотехнологии (1980-е) - 2000-настоящее. Создание материалов с уникальными свойствами.
28. Беспилотные автомобили (2000-е) - 2010-настоящее. Трансформация транспорта и логистики.
29. Квантовые вычисления (1980-е) - 2020-настоящее. Революционизация вычислений и криптографии.
30. Искусственный синтез белков (2000-е) - 2010-настоящее. Перспективы в биотехнологиях и материаловедении.
Период активной экспансии обычно длится 15-30 лет.
Какие сектора/отрасли экономики могут выиграть от внедрения инноваций в генеративном ИИ?
Почему такое внимание к ИИ именно сейчас? Это революционная технология, которая предопределит глобальные тренды на следующие десятилетия. Вполне на уровне изобретения компьютера или мобильной связи по степени влияния, т.е. технология принципиальным образом меняющая механизм взаимодействия с окружающим пространством, другими технологиями, имея потенциал создания новых рынков и отраслей.
Пока в мире существует две высокоразвитые модели ИИ, имеющих потенциал коммерческого применения – ChatGPT от OpenAI и Bard от Google.
В каких существующих секторах/отраслях экономики возможен рывок?
▪️ Медицина
Персонализированная медицина. Генеративный ИИ может использоваться для разработки новых методов диагностики, которые могут быть более точными и эффективными, чем существующие методы, используя накопленные базы данных по болезням и лекарствам, объединяя, интегрируя и анализируя лучшие врачебные методики и практики кратно быстрее, чем коллектив самых опытных врачей.
Разработка новых методов профилактики заболеваний. ИИ может анализировать медицинские данные, включая историю болезни, генетические данные и образ жизни, чтобы оценить риск развития определенных заболеваний, предсказывая риски различных заболеваний, учитывая состояние здоровья, генетические отклонения, патологии, условия жизни, питание и т.д.
Разработка новых лекарств и методов лечения, которые могут быть более эффективными и безопасными, чем существующие методы. Например, ИИ может использоваться для разработки персонализированных лекарств, которые могут быть адаптированы к индивидуальным характеристикам каждого пациента, снижая риски побочных эффектов. ИИ может ускорить процесс открытия и разработки новых лекарств, используя свои алгоритмы для моделирования и прогнозирования взаимодействия молекул.
Предсказание эпидемий. Используя данные о текущих инфекциях, миграционных потоках и климатических изменениях, ИИ может прогнозировать распространение инфекционных заболеваний.
Медицинская визуализация и диагностика: Генеративные ИИ модели способны улучшить качество медицинских изображений и обеспечить более точную интерпретацию данных. Такие системы могут автоматически обнаруживать патологии на рентгеновских снимках, МРТ или КТ, что повышает точность диагностики.
▪️Образование
Персонализация обучения. Генеративный ИИ может использоваться для создания индивидуальных учебных планов для каждого ученика, в том числе языковое обучение, основанных на индивидуальных умственных, физических способностях, интересах и предрасположенностях. Это позволит раскрывать потенциал каждого человека наиболее эффективно – музыкант будет музыкантом, а физик – будет физиком.
Интеграция интерактивных учебных материалов на основе анализа и структуризации сверх большого массива актуальной информации, используя лучшие мировые достижения в сфере науки и образования. ИИ может в режиме реального времени генерировать разнообразный контент, повышая вовлеченность учеников в учебных процесс, повышая их внимание, заинтересованность, усиливая конверсию от учебы.
Интерактивная учеба будет в непрерывном игровом процессе, позволяя детям концентрироваться на материале. Учеба, как захватывающая игра по лююой специальности– что может быть лучше для детей? Это революция в сфере образования.
Виртуальные помощники – теперь больше не будет привязки к низкой квалификации учителей. На любой, даже самый неудобный вопрос можно получить исчерпывающий ответ 24 на 7 в любом формате, начиная от неформального/игрового, заканчивая строгим академическим стилем.
Беспристрастный и непредвзятый механизм оценки учащихся на основе реальной чистой эффективности каждого ученика, что позволит оперативно подстраивать учебный процесс под лидеров и аутсайдеров.
Развитие навыков критического мышления и решения проблем: ИИ может предложить сложные и реалистичные сценарии, требующие от учащихся анализа, критического мышления и решения проблем.
Про дистанционное и гибридное обучение – тут понятно.
Почему такое внимание к ИИ именно сейчас? Это революционная технология, которая предопределит глобальные тренды на следующие десятилетия. Вполне на уровне изобретения компьютера или мобильной связи по степени влияния, т.е. технология принципиальным образом меняющая механизм взаимодействия с окружающим пространством, другими технологиями, имея потенциал создания новых рынков и отраслей.
Пока в мире существует две высокоразвитые модели ИИ, имеющих потенциал коммерческого применения – ChatGPT от OpenAI и Bard от Google.
В каких существующих секторах/отраслях экономики возможен рывок?
▪️ Медицина
Персонализированная медицина. Генеративный ИИ может использоваться для разработки новых методов диагностики, которые могут быть более точными и эффективными, чем существующие методы, используя накопленные базы данных по болезням и лекарствам, объединяя, интегрируя и анализируя лучшие врачебные методики и практики кратно быстрее, чем коллектив самых опытных врачей.
Разработка новых методов профилактики заболеваний. ИИ может анализировать медицинские данные, включая историю болезни, генетические данные и образ жизни, чтобы оценить риск развития определенных заболеваний, предсказывая риски различных заболеваний, учитывая состояние здоровья, генетические отклонения, патологии, условия жизни, питание и т.д.
Разработка новых лекарств и методов лечения, которые могут быть более эффективными и безопасными, чем существующие методы. Например, ИИ может использоваться для разработки персонализированных лекарств, которые могут быть адаптированы к индивидуальным характеристикам каждого пациента, снижая риски побочных эффектов. ИИ может ускорить процесс открытия и разработки новых лекарств, используя свои алгоритмы для моделирования и прогнозирования взаимодействия молекул.
Предсказание эпидемий. Используя данные о текущих инфекциях, миграционных потоках и климатических изменениях, ИИ может прогнозировать распространение инфекционных заболеваний.
Медицинская визуализация и диагностика: Генеративные ИИ модели способны улучшить качество медицинских изображений и обеспечить более точную интерпретацию данных. Такие системы могут автоматически обнаруживать патологии на рентгеновских снимках, МРТ или КТ, что повышает точность диагностики.
▪️Образование
Персонализация обучения. Генеративный ИИ может использоваться для создания индивидуальных учебных планов для каждого ученика, в том числе языковое обучение, основанных на индивидуальных умственных, физических способностях, интересах и предрасположенностях. Это позволит раскрывать потенциал каждого человека наиболее эффективно – музыкант будет музыкантом, а физик – будет физиком.
Интеграция интерактивных учебных материалов на основе анализа и структуризации сверх большого массива актуальной информации, используя лучшие мировые достижения в сфере науки и образования. ИИ может в режиме реального времени генерировать разнообразный контент, повышая вовлеченность учеников в учебных процесс, повышая их внимание, заинтересованность, усиливая конверсию от учебы.
Интерактивная учеба будет в непрерывном игровом процессе, позволяя детям концентрироваться на материале. Учеба, как захватывающая игра по лююой специальности– что может быть лучше для детей? Это революция в сфере образования.
Виртуальные помощники – теперь больше не будет привязки к низкой квалификации учителей. На любой, даже самый неудобный вопрос можно получить исчерпывающий ответ 24 на 7 в любом формате, начиная от неформального/игрового, заканчивая строгим академическим стилем.
Беспристрастный и непредвзятый механизм оценки учащихся на основе реальной чистой эффективности каждого ученика, что позволит оперативно подстраивать учебный процесс под лидеров и аутсайдеров.
Развитие навыков критического мышления и решения проблем: ИИ может предложить сложные и реалистичные сценарии, требующие от учащихся анализа, критического мышления и решения проблем.
Про дистанционное и гибридное обучение – тут понятно.
В каких секторах ИИ расширяет возможности?
▪️Финансы и страхование
Прогнозирование и управление рисками. Риск менеджмент в своей основе наиболее формализованный сегмент финансовой индустрии, который в наилучшей степени поддается «запиранию» в рамки ИИ, который способен прогнозировать риски, связанные с кредитованием, инвестициями и страхованием, забирая на себя функции риск-менеджеров.
Расширенный анализ данных. Финансы, как и экономика – это непрерывный поток данных, которые поддаются упорядочиванию через идентификаторы, веса и «маяки». ИИ способен анализировать огромные объемы финансовых данных в режиме реального времени, включая транзакции, экономические и рыночные тенденции, также потребительское и корпоративное поведение.
Прогнозирование тенденций. Значительная часть данных и процессов в фининдустрии регулярно повторяется через различные комбинации, а следовательно, возможен анализ паттернов, где ИИ очень силен (статистика и вероятности), что позволяет быстрее, точнее и эффективнее предсказывать наиболее вероятные тенденции.
Автоматизирование инвестирование. Данный подход применяется уже более 20 лет в рамках алгоритмических систем и торговых роботов, но теперь может выйти на совершенно иной уровень за счет комбинации инструментов, где одновременно объединяется анализ вероятностей и паттернов, риск менеджмент и прогнозирование.
Автоматизация задач. Свыше 80% бизнес операций в финансах и страховании – в чистом виде рутина по протоколам действий. Если есть протоколы – значит есть пространство для ИИ, который может автоматизировать многие рутинные и трудоемкие процессы, такие как обработка заявок на кредиты, управление клиентскими аккаунтами и анализ страховых претензий, что повышает эффективность и сокращает затраты.
Финансовый консультант на базе ИИ может обеспечивать высококачественное обслуживание клиентов, предоставляя быстрые и точные ответы на их вопросы, а также помогая в выполнении финансовых операций – намного быстрее и эффективнее человека, за исключением сложных вопросов.
Автоматические написание инвестиционных и рыночных обзоров/новостей. Обучение ИИ на базе миллионов инвестиционных обзоров за последние 50-60 лет позволит создать высокоразвитого инвестаналитика на базе ИИ, который будет быстро, релевантно и качественно писать обзоры.
Обнаружение и предотвращение мошенничества. Анализ транзакционных данных для выявления подозрительных или необычных паттернов (мошенники в 97% случаях действуют по похожим схемам), что помогает в борьбе с финансовым и страховым мошенничеством.
Автоматический контроль за налоговыми требованиями и регуляторными нормами, что позволит избежать штрафов и преследования со стороны государства.
▪️Юриспруденция, бухгалтерия и документооборот
Анализ юридических документов. Анализ больших объемов правовых документов ( судебные решения, законы, акты и коммерческие и госконтракты). Это может помочь юристам быстрее находить необходимую информацию и выявлять закономерности, которые могут быть использованы для принятия более обоснованных решений.
Автоматизация документооборота. Автоматизация процесса создания и обработки юридических документов, таких как контракты, иски, заявления, протоколы и цифровые подписи. ИИ может генерировать эти документы, основываясь на заданных параметрах и стандартах, что сокращает время и уменьшает вероятность человеческой ошибки.
Повышение качества документов в соответствии с актуальным национальным и международным законодательством. ИИ может в режиме реального времени отслеживать все новации в праве, вовремя адаптируя документацию под законодательство.
Предсказание юридических рисков. Прогнозирование потенциальных юридических рисков для компаний и частных лиц, анализируя законодательные изменения, решения судов и другие юридические тренды.
Персонализация юридических услуг и виртуальный помощник. ИИ может выполнять функцию высокопрофессионального юриста совершенно бесплатно, быстро и безошибочно. ИИ помочь в создании персонализированных юридических рекомендаций и консультаций, учитывая специфические обстоятельства и потребности клиента.
▪️Финансы и страхование
Прогнозирование и управление рисками. Риск менеджмент в своей основе наиболее формализованный сегмент финансовой индустрии, который в наилучшей степени поддается «запиранию» в рамки ИИ, который способен прогнозировать риски, связанные с кредитованием, инвестициями и страхованием, забирая на себя функции риск-менеджеров.
Расширенный анализ данных. Финансы, как и экономика – это непрерывный поток данных, которые поддаются упорядочиванию через идентификаторы, веса и «маяки». ИИ способен анализировать огромные объемы финансовых данных в режиме реального времени, включая транзакции, экономические и рыночные тенденции, также потребительское и корпоративное поведение.
Прогнозирование тенденций. Значительная часть данных и процессов в фининдустрии регулярно повторяется через различные комбинации, а следовательно, возможен анализ паттернов, где ИИ очень силен (статистика и вероятности), что позволяет быстрее, точнее и эффективнее предсказывать наиболее вероятные тенденции.
Автоматизирование инвестирование. Данный подход применяется уже более 20 лет в рамках алгоритмических систем и торговых роботов, но теперь может выйти на совершенно иной уровень за счет комбинации инструментов, где одновременно объединяется анализ вероятностей и паттернов, риск менеджмент и прогнозирование.
Автоматизация задач. Свыше 80% бизнес операций в финансах и страховании – в чистом виде рутина по протоколам действий. Если есть протоколы – значит есть пространство для ИИ, который может автоматизировать многие рутинные и трудоемкие процессы, такие как обработка заявок на кредиты, управление клиентскими аккаунтами и анализ страховых претензий, что повышает эффективность и сокращает затраты.
Финансовый консультант на базе ИИ может обеспечивать высококачественное обслуживание клиентов, предоставляя быстрые и точные ответы на их вопросы, а также помогая в выполнении финансовых операций – намного быстрее и эффективнее человека, за исключением сложных вопросов.
Автоматические написание инвестиционных и рыночных обзоров/новостей. Обучение ИИ на базе миллионов инвестиционных обзоров за последние 50-60 лет позволит создать высокоразвитого инвестаналитика на базе ИИ, который будет быстро, релевантно и качественно писать обзоры.
Обнаружение и предотвращение мошенничества. Анализ транзакционных данных для выявления подозрительных или необычных паттернов (мошенники в 97% случаях действуют по похожим схемам), что помогает в борьбе с финансовым и страховым мошенничеством.
Автоматический контроль за налоговыми требованиями и регуляторными нормами, что позволит избежать штрафов и преследования со стороны государства.
▪️Юриспруденция, бухгалтерия и документооборот
Анализ юридических документов. Анализ больших объемов правовых документов ( судебные решения, законы, акты и коммерческие и госконтракты). Это может помочь юристам быстрее находить необходимую информацию и выявлять закономерности, которые могут быть использованы для принятия более обоснованных решений.
Автоматизация документооборота. Автоматизация процесса создания и обработки юридических документов, таких как контракты, иски, заявления, протоколы и цифровые подписи. ИИ может генерировать эти документы, основываясь на заданных параметрах и стандартах, что сокращает время и уменьшает вероятность человеческой ошибки.
Повышение качества документов в соответствии с актуальным национальным и международным законодательством. ИИ может в режиме реального времени отслеживать все новации в праве, вовремя адаптируя документацию под законодательство.
Предсказание юридических рисков. Прогнозирование потенциальных юридических рисков для компаний и частных лиц, анализируя законодательные изменения, решения судов и другие юридические тренды.
Персонализация юридических услуг и виртуальный помощник. ИИ может выполнять функцию высокопрофессионального юриста совершенно бесплатно, быстро и безошибочно. ИИ помочь в создании персонализированных юридических рекомендаций и консультаций, учитывая специфические обстоятельства и потребности клиента.