От кода — к изменению физического мира
Современные ИИ уже уверенно пишут код, анализируют документы и автоматизируют рутину. Но по-настоящему амбициозный следующий шаг — научить модели воздействовать на реальные объекты, а не только на цифровые системы. Именно так видит будущее 21-летний инженер Константин Марунченко. Его тезис звучит просто: человек должен получить возможность «редактировать» материю так же естественно, как кодинг-агенты редактируют программный код.
Нестандартная карьера: от игр до AI-инфраструктуры
История Константина не похожа на стандартный путь выпускника профильного вуза. Он ушёл из Украины, сознательно не пошёл в колледж и уже в восемь лет начал программировать. В двенадцать он прошёл курс для взрослых, в четырнадцать получил первую работу, а в пятнадцать основал мобильную игровую компанию. Компания просуществовала четыре года, приносила выручку и имела сотрудников — для подростка это был невероятно плотный курс по управлению.
Следующим этапом стал вход в AI-стартап Echelon, где Константин оказался одним из первых инженеров. Он помогал создавать ядро корпоративных AI-пайплайнов и руководил онбордингом предприятий. Команда со временем выросла до двенадцати человек и нескольких корпоративных контрактов. Но главное не цифры, а вывод, который Константин сделал из этого опыта: реальные системы не приходят в идеальном, подготовленном формате. Их структуру приходится обнаруживать, а не брать готовой.
Игровой бэкграунд тоже повлиял на мировоззрение. Даже в мобильных играх, где всё выглядит управляемым, поведение пользователей невозможно предсказать заранее. Люди действуют неожиданно, и это заставляет относиться к прогнозам осторожно. Если уж цифровой продукт непредсказуем, что говорить о физическом мире.
Почему «узкие» модели недостаточны
Многие проекты в робототехнике и автоматизации идут по пути обучения узкоспециализированных моделей: одна — для конкретной руки робота, вторая — для определённого станка, третья — для сортировки деталей. Константин считает такой подход ограниченным. Физический мир не «узкий», он изменчивый, сложный и постоянно подкидывает новые условия.
Гибкой альтернативой могут стать большие модели. Они хуже предсказуемы в узких задачах, зато умеют обобщать, переносить знания из одной области в другую и адаптироваться к контексту. А кодинг-агенты подсказывают, как выстроить взаимодействие: агент не просто выдаёт ответ, а планирует изменения, вносит их, проверяет результат и при необходимости откатывает назад.
Так же должны работать системы, которые изменяют физическую среду. Идея в том, чтобы ИИ помогал человеку планировать операцию, подбирать параметры, тестировать гипотезы и контролировать процесс — а человек оставался тем, кто принимает итоговое решение.
Реальные данные не прощают небрежности
Работа над корпоративными AI-пайплайнами показала ещё одну вещь: «грязные» данные и неопределённость — норма, а не исключение. Предприятия редко дают аккуратные размеченные датасеты. Чаще встречаются разрозненные записи, разные форматы, человеческий фактор и неполные инструкции. Инженер должен не ждать идеальных условий, а уметь извлекать структуру из хаоса.
В программном обеспечении ошибки обычно можно исправить следующим коммитом. В физическом мире всё иначе: изменения материалов, ресурсов, машин и окружающей среды могут быть прямыми и необратимыми. Поэтому и строить такие системы нужно с особой осторожностью. Желательно начинать с малых шагов, проверять гипотезы в симуляции и только потом переносить их на реальные объекты.
Чем мощнее ИИ, тем важнее человеческое суждение
Главный парадокс, о котором говорит Константин, — это роль человека по мере усиления AI-инструментов. Может показаться, что чем умнее модель, тем меньше нужно участие специалиста. На деле всё наоборот: чем больше умеет ИИ, тем критичнее становится выбор правильной задачи и проверка того, стоит ли её вообще решать.
В мобильных играх легко запустить функцию, которая не зайдёт аудитории, и быстро получить негативную реакцию. В реальных системах цена неправильного решения значительно выше. Поэтому будущее, которое представляет себе молодой инженер, связано не только с ускорением разработки, но и с более точным, ответственным управлением изменениями. ИИ может стать не диктатором, а партнёром: он планирует, настраивает, тестирует и контролирует, но человек сохраняет решающее слово.
Возможно, уже скоро написание промпта будет напоминать не запрос к чат-боту, а чертёж будущего изменения. Главное — успеть выработать культуру осторожности раньше, чем эти инструменты начнут массово использоваться в производстве, энергетике и городской среде. Физический мир слишком важен, чтобы позволить моделям учиться на нём методом проб и ошибок.
