Патентно-информационный и сущностный анализ проблем и перспектив развития инфраструктуры для искусственного интеллекта

С начала 10-х гг. XXI века наблюдается глобальный лавинообразный рост реализаций искусственного интеллекта (ИИ, AI) разного масштаба и сложности, c интенсивным проникновением в различные сферы жизнедеятельности и высоким уровнем конкуренции. В настоящее время имеет место развёртывание всё более сложных систем ИИ, ярчайшим представителем которых являются широко известные системы генеративного ИИ.

В средствах массовой информации уделяется огромное внимание разнообразным аспектам ИИ, включая философско-прогностические и морально-нравственные. В практической же плоскости обсуждение в подавляющем большинстве случаев сфокусировано на анализе и/или продвижении внедрения конкретных систем ИИ в различные производственные, сервисные и бизнес-процессы (к примеру, функционал ИИ-агентов и агентских систем, ботов, цифровых двойников и т. п.). При этом значительно меньше внимания уделяется аппаратной инфраструктуре ИИ и связанным с ней технологиям, её важности как основы обучения и функционирования любого ИИ, проблемам и тенденциям её развития.

На рисунке 1 приведён пример, показывающий, насколько усложнилась модель ИИ, лежащая в основе широко известной генеративной системы ChatGPT, за короткий период времени. Так, всего за 5 лет количество параметров, используемых для обучения модели, выросло на 2 порядка! Такой рост числа параметров, помимо очевидного повышения объёма обрабатываемых и хранимых данных, подразумевает значительное увеличение размерности при вычислениях, выполняемых при обучении ИИ, при том что структура обучения такова, что вычисления должны выполняться в основном параллельно[1]. Естественным образом подобное усложнение современных систем ИИ, показанное на примере одной лишь ChatGPT, приводит к значительному росту вычислительной нагрузки и нагрузки хранения данных, ложащейся на физическую инфраструктуру ИИ.

Как отмечено членом экспертного совета Российской ассоциации криптовалют и блокчейна (РАКИБ) В. Петровым, «внедрение ИИ-решений требует сверхвысоких вычислительных мощностей, которые может обеспечить только инфраструктура центров обработки данных (ЦОД)».

В таблице на рисунке 2 показано актуальное распределение ЦОД по странам мира, основывающееся на сведениях ресурсов Cloudscene и CNBC. Само по себе развёртывание ЦОД в мире осуществляется уже достаточно давно; изначально «классические» ЦОД были ориентированы на предоставление различных сервисов и в основном строились на адаптации и масштабировании неспециализированных или слабо специализированных высокопроизводительных аппаратных средств. На современном этапе в общем массиве информации, хранящейся в ЦОД, наблюдается заметный рост доли данных, непосредственно связанных именно с обучением и работой ИИ. Кроме того, по оценке компании «Шнейдер Электрик», всего за 5 лет энергопотребление ИИ вырастет больше чем в 4,5 раза и его доля в общем энергопотреблении ЦОД вырастет примерно в 2,5 раза[2]. ЦОД объективно составляют фактически безальтернативную основу современной инфраструктуры передового ИИ.

Вышеуказанное усложнение систем ИИ, сопровождаемое значительным ростом нагрузки на ЦОД, обуславливает проактивную фокусировку исследовательских и инвестиционных усилий в мире на развитие и оптимизацию вычислительной, коммуникационной и, соответственно, инженерной инфраструктуры ЦОД. Эти усилия прилагаются в однозначном понимании того, что без готовности соответствующей физической инфраструктуры ЦОД даже самые совершенные и передовые последующие модели ИИ могут так отчасти и остаться на проектном уровне, без возможности их должной реализации, что, в свою очередь, повлечёт за собой ослабление конкурентных позиций на рынке.

Так, сравнительно недавно компанией Microsoft в штате Висконсин был построен ЦОД[3] как часть глобальной облачной инфраструктуры, который по размерам соответствует большому промышленному предприятию. В отличие от «классического» ЦОД, этот ЦОД Microsoft заточен исключительно под ИИ, с соответствующим узкоспециализированным оборудованием, где основную долю составляют ИИ-ускорители, основывающиеся на высокопроизводительных графических процессорах (GPU). При этом компания Microsoft является мировым лидером в оснащении и развитии ЦОД: только на 2025 г. Microsoft было запланировано вложить около 80 млрд долларов в строительство и расширение ЦОД.

Однако на экстенсивном пути развития инфраструктуры ЦОД для ИИ уже сейчас видны серьёзные объективные препятствия. Так, характерные размеры современной технологии фотолитографии, которые всё ближе к атомным размерам, фактически обуславливают достижение физического предела кремниевой технологии. Соответственно, экстенсивное масштабирование «кремниевых» ЦОД для ИИ приводит к соответственному росту запросов на энергоресурсы, водные ресурсы и даже на географические локации для их строительства, в дополнение к росту запросов на вычислительные, запоминающие и коммуникационные аппаратные средства.

Поэтому в рассматриваемом контексте большое внимание также уделяется развитию и развёртыванию принципиально новых аппаратных технологий, к которым относятся в том числе квантовые вычисления. Квантовый ИИ — это технология на пересечении квантовых вычислений и ИИ, использующая принципы квантовой механики для улучшения машинного обучения и возможностей решения проблем[4]. От внедрения квантовых вычислений ожидается значительное повышение эффективности параллельной обработки данных, т. к. они позволяют одновременно исследовать огромные пространства возможных решений. Затем, поскольку квантовые вычисления относятся к категории энергоэффективных, ожидается значительное снижение энергопотребления. Наконец, планируется задействовать квантовые вычисления для быстрого и качественного решения специфических сложных задач, к которым относится в том числе разработка новых веществ и материалов[5].

Конкуренция была обозначена ранее как один из драйверов инновационных решений в области ИИ в общем и инфраструктуры ИИ в частности. Как известно, одним из основных инструментов конкурентной борьбы является патент, предоставляющий его обладателю исключительное право — право запрещать другим лицам использовать запатентованное изобретение без разрешения. Как следствие, интенсивные научно-исследовательские и инвестиционные усилия, которые обсуждались выше, сопровождаются соответствующим патентным откликом в мире. По сведениям WIPO IP Statistics Data Center, если в 2010 г. во всём мире было выдано 41 765 патентов на изобретения в области ИИ, то в 2023 г. было выдано уже 63 643 таких патента, из которых 24 173 — в КНР и 17 957 — в США.

На рисунке 3 приведена общемировая динамика патентования технических решений, относящихся ко всем аспектам ЦОД, где по оси абсцисс — число опубликованных патентных заявок и патентов. Как видно из графика на рис. 3, резкое увеличение активности патентования изобретений, связанных с ЦОД, практически совпадает по времени с наблюдаемым на современном этапе всплеском интереса к ИИ, обозначенным ранее.

В связи с этим нами отдельно был проведён анализ активности патентования технических решений, связанных с усовершенствованиями ЦОД в контексте реализации ИИ на них, в мире за последние 10 лет. Помимо общего возрастающего тренда такой патентной активности и очевидного лидерства мировых хардверных гигантов, таких как Dell, NVidia, Huawei, Hewlett Packard, NEC, Cisco, Fujitsu, ZTE, проведённый анализ показал, что значительное внимание патентованию и, следовательно, инновационным разработкам в рассматриваемой технической области уделяется также компаниями, деятельность которых обычно считается напрямую не связанфраструктурными решениями. Лидерами патентования решений в области ЦОД для ИИ среди таких компаний являются Microsoft и Google, т. е. компании, которые обычно воспринимаются как сугубо софтверные гиганты и которые при этом сами являются разработчиками передовых моделей ИИ.

Рисунок 4 иллюстрирует выявленные в результате проведённого анализа основные технические направления, на которые со стороны Microsoft и Google делается акцент в патентовании в рассматриваемом контексте.

Общим является значительное внимание, уделяемое инновациям в сфере обеспечения энергетической и экологической эффективности ЦОД, т. е. в сфере, в которой навряд ли можно было ожидать акцентированных разработок от Microsoft и Google.

В качестве одного примера: в патентной заявке EP 4716059 A1, Google, опубликована в 2026 г., предложен механизм сглаживания флуктуаций энергопотребления ЦОД посредством динамической зарядки и разрядки устройств накопления энергии на основе конденсаторов (см. рис. 5). При определении системой управления суперконденсаторами того, что запрос на энергопотребление со стороны ЦОД снижен (к примеру, по завершении обучения моделей машинного обучения (ML) на массивных обучающих наборах данных), выполняется зарядка суперкоденсаторов. При значительном же увеличении запросов на энергопотребление инициируется разрядка суперконденсаторов, с подачей питания в ЦОД.

За счёт использования таких конденсаторных устройств накопления энергии обеспечивается возможность подачи больших количеств энергии для сглаживания пикового энергопотребления в ЦОД при высоких рабочих нагрузках.

В качестве другого примера: в патентной заявке US2023/0201757 A, Microsoft, опубликована в 2023 г., предложена система сбора и хранения углерода из потока окружающего воздуха с использованием тепла, которое выделяется при работе ЦОД, в целях снижения концентрации углекислого газа в атмосфере.

Возвращаясь к прорывным технологиям для инфраструктуры ИИ, вкратце обрисованным выше, несмотря на то что на сегодняшний день есть лишь, по сути, прототипы квантовых компьютеров и требуются более надёжные квантовые алгоритмы[6], рост мировой активности патентования отмечается и в области квантовых вычислений для ИИ, что отражено на рис. 6, где на врезке — пятёрка лидеров, среди которых и здесь софтверный гигант Google. Ещё раз: в современном технологическом мире патент воспринимается как инструмент стратегический и долговременный.

В качестве примера: в патенте US 11924334 B2, Google, опубликован в 2024 г., предложены архитектура квантовой нейронной сети (QNN) и способ её обучения (см. рис. 7).

Обученная QNN включает в себя: входной слой QNN, содержащий (i) множество кубитов, начальным состоянием которых кодируются входные данные задачи ML, и (ii) целевой кубит; один или более промежуточных слоев QNN, каждый из которых содержит квантовые логические вентили, которые применяются к текущему квантовому состоянию множества кубитов и целевого кубита, последовательно по промежуточным слоям QNN; и выходной слой QNN, содержащий измерительный квантовый вентиль, который выполняет измерение целевого кубита для формирования выходных данных, представляющих решение задачи ML. Предложенная QNN может работать совместно с «классической» нейронной сетью путём замены слоёв «классической» нейросети слоями QNN.

В качестве заключения: в мире делаются значительные инновационные и инвестиционные усилия в разработках по различным техническим направлениям усовершенствования ЦОД для ИИ, прежде всего — во избежание ситуации отсутствия соответствующей физической инфраструктуры для реализации разработанных передовых моделей ИИ.

Данные усилия сопровождаются соответствующим ростом активности патентования в мире, что необходимо для сохранения лидерства на высококонкурентном рынке ИИ. Ввиду чрезвычайной актуальности данной темы инновационная и патентная активность проявляется в том числе и крупными софтверными компаниями, деятельность которых напрямую не связана с аппаратно-инфраструктурными направлениями.

Список процитированных источников: