Не только ИИ: 10 технологий, которые формируют цифровой мир за пределами искусственного интеллекта

Если вы хотите оставаться технологически грамотным специалистом, одной работы с ИИ недостаточно.

Несколько месяцев назад я задумался: когда в последний раз у меня появилась действительно оригинальная мысль, не подсказанная искусственным интеллектом?

Я не плачу за ChatGPT Plus или Claude Pro, но заметил за собой другую проблему: всё чаще обращаюсь к инструментам ИИ даже для задач, которые уже умею выполнять самостоятельно. Получается удобный короткий путь, но одновременно возникает риск постепенно разучиться думать без него.

Поэтому я сознательно решил использовать ИИ не как замену собственному мышлению, а как ориентир для изучения более широкого технологического мира.

С тех пор я прочитал сотни статей, использовал ИИ, чтобы разобраться в незнакомых концепциях, и составил список терминов и направлений, которые редко становятся главными новостными заголовками, но постепенно определяют то, как устроен цифровой мир. Некоторые из них могут стать особенно важными уже в ближайшие годы, другие так и останутся нишевыми технологиями. Но в любом случае они расширяют представление о вычислениях, данных, цифровых системах и будущем работы.

Чтобы не превращать этот список в энциклопедию, я разделил его на две большие области. Цель здесь не в том, чтобы стать инженером, архитектором облачных систем или специалистом по кибербезопасности. Задача гораздо практичнее — стать технически грамотным профессионалом, который понимает системы, всё сильнее влияющие на нашу жизнь, бизнес и карьеру.

Как развиваются современные компьютеры

1. Квантовые вычисления

Каждое утро, когда вы поджариваете хлеб или бублик, красное свечение нагревательного элемента напоминает о том, что квантовая физика — не исключительно лабораторная дисциплина. Именно она объясняет многие процессы, происходящие вокруг нас.

Классическая физика не могла объяснить спектр теплового излучения абсолютно чёрного тела. В 1900 году Макс Планк предложил модель, в которой энергия излучается дискретными порциями — квантами. Это стало одним из фундаментальных шагов на пути к квантовой физике, описывающей поведение материи и излучения на атомном и субатомном уровнях.

Впервые термин «квантовые вычисления» я услышал ещё в школе, примерно 14 лет назад. Учитель физики рассказывал нам о компьютерах, которые используют законы квантовой механики и в определённых задачах могут получить существенное преимущество перед классическими вычислительными системами.

Вместо классических битов, принимающих значение 0 или 1, квантовые компьютеры используют кубиты. Их поведение определяется такими явлениями, как суперпозиция и запутанность. При этом важно не впадать в распространённое заблуждение: квантовый компьютер не является просто «сверхбыстрым компьютером», который ускоряет любые вычисления. Квантовое преимущество возможно только для определённых классов задач и алгоритмов.

Тем не менее понимание базовых принципов квантовых вычислений — суперпозиции, запутанности, измерения и квантового преимущества — помогает увидеть направления, где эта технология потенциально может изменить подходы к оптимизации, моделированию, криптографии и научным расчётам.

По оценке McKinsey, внутренний мировой рынок квантовых технологий — аппаратных средств, программного обеспечения и сервисов — может достичь $60–100 млрд к 2035 году, причём на квантовые вычисления может приходиться $43–71 млрд.

Пока квантовые компьютеры остаются сложной и развивающейся технологией, но уже сегодня они заставляют пересматривать привычные представления о том, что вообще означает «вычислять».

2. Постквантовая криптография

Квантовые вычисления важны не только из-за потенциального ускорения отдельных вычислений. Они способны создать проблему для некоторых широко используемых криптографических механизмов.

Современные системы открытого ключа, включая RSA и криптографию на эллиптических кривых (ECC), опираются на математические задачи, которые считаются практически невыполнимыми для классических компьютеров при достаточно больших параметрах. Достаточно мощный криптографически значимый квантовый компьютер в перспективе сможет использовать алгоритмы, способные существенно изменить эту ситуацию.

Особенно важен сценарий, известный как «собрать сейчас, расшифровать потом» (harvest now, decrypt later). Злоумышленник может уже сегодня перехватывать и сохранять зашифрованные данные, рассчитывая расшифровать их в будущем, когда появятся соответствующие вычислительные возможности. Именно поэтому переход на постквантовые алгоритмы нельзя откладывать до момента появления универсального квантового компьютера, способного взламывать существующую криптографию.

Постквантовая криптография (PQC) разрабатывает алгоритмы, устойчивые к атакам с использованием как классических, так и квантовых вычислительных систем. Речь идёт не о создании «квантовой защиты» как отдельного физического канала, а о замене криптографических механизмов на алгоритмы, рассчитанные на угрозу со стороны будущих квантовых машин.

Для бизнеса это означает ещё одну важную вещь: технологический переход начинается задолго до появления самой угрозы. Криптографические алгоритмы встроены в огромное количество продуктов, протоколов и информационных систем, поэтому их массовая замена требует времени.

3. Распределённые системы

Большинство современных цифровых сервисов давно перестали работать на одном компьютере. По сути, они представляют собой распределённые системы, в которых множество вычислительных узлов совместно обеспечивают работу приложения или сервиса.

Причина очевидна: одна машина имеет ограниченные ресурсы. Если требуется обслуживать миллионы пользователей, обрабатывать огромные массивы данных и сохранять работоспособность при отказе отдельных компонентов, нагрузку приходится распределять.

Распределённые системы позволяют масштабировать вычисления, повышать отказоустойчивость и разделять функции между различными компонентами. Но одновременно они добавляют новые проблемы: задержки сети, согласованность данных, частичные отказы, синхронизацию и сложность диагностики.

Именно поэтому такие понятия, как масштабируемость, отказоустойчивость, согласованность и распределённое хранение данных, становятся частью базовой технологической грамотности даже для специалистов, которые непосредственно не занимаются разработкой.

Практически любая крупная цифровая платформа — от облачного сервиса и банковского приложения до системы электронной коммерции и инфраструктуры ИИ — в той или иной форме опирается на распределённые вычисления.

4. Edge Computing

Edge Computing можно рассматривать как один из вариантов распределённой вычислительной архитектуры, в которой часть обработки переносится ближе к источнику данных.

В традиционной облачной модели данные могут передаваться в централизованный дата-центр, где выполняются вычисления. Edge-подход переносит часть вычислительной нагрузки на периферийные узлы — например, локальные серверы, шлюзы или непосредственно устройства, генерирующие данные.

Главная причина такого подхода — задержка и объём данных. Если автономному транспортному средству, промышленному контроллеру или системе компьютерного зрения приходится отправлять каждый сигнал в удалённое облако и ждать ответа, сеть сама становится ограничением. Локальная обработка позволяет сократить задержку и уменьшить объём данных, который необходимо передавать в центральную инфраструктуру.

Это не означает, что Edge Computing заменяет облако. На практике речь чаще идёт о распределении функций между устройствами, периферийными узлами и централизованной инфраструктурой.

Поэтому Edge Computing стоит понимать не как модное название для «быстрых вычислений», а как архитектурный ответ на рост количества подключённых устройств и требований к обработке данных практически в реальном времени.

Как на самом деле работают современные предприятия

5. Облачная архитектура

Даже если вы не работаете аналитиком или разработчиком, полезно понимать, где находятся ваши данные и как взаимодействуют системы, которыми вы пользуетесь каждый день.

Мобильное приложение, веб-сайт, потоковый сервис, корпоративная система, инструмент искусственного интеллекта или бизнес-дашборд — всё это опирается на определённую вычислительную инфраструктуру.

Облачная архитектура описывает то, как вычислительные ресурсы, хранилища, базы данных, сети, приложения и API организованы и взаимодействуют между собой для предоставления цифрового сервиса.

Когда я поступил в аспирантуру в 2019 году, я изучал основы вычислений, хранения данных, сетей, контейнеров, API и облачной архитектуры. Эти знания не сделали меня облачным инженером, но дали гораздо более важный для моей работы навык — возможность понимать техническую сторону происходящего.

Я стал лучше видеть, каким образом данные проходят через организацию, где могут возникать узкие места и почему определённое технологическое решение способно повлиять на бизнес-процессы.

Сегодня практически любое крупное цифровое направление — от ИИ и аналитики до клиентских сервисов и кибербезопасности — связано с облачной или гибридной инфраструктурой. Не обязательно уметь самостоятельно строить такую инфраструктуру. Но понимать её базовую логику необходимо, чтобы задавать правильные вопросы и видеть связь между техническими решениями и бизнес-результатами.

6. Архитектура, управляемая событиями

Большое количество информационных систем построено по принципу «запрос — ответ». Пользователь совершает действие, система получает запрос и возвращает результат.

Архитектура, управляемая событиями (Event-Driven Architecture, EDA), строится иначе. Системы реагируют на события — изменения состояния или факты, которые произошли в другой части инфраструктуры. Например, пользователь оформил заказ, платёж был проведён, файл загружен или датчик зафиксировал изменение параметров.

В такой архитектуре источник события и его потребитель могут быть слабо связаны между собой. Производителю события не обязательно знать, какие системы будут на него реагировать. Это позволяет добавлять новые функции и масштабировать отдельные компоненты независимо друг от друга.

Представим интернет-магазин. После оформления заказа одно событие может инициировать сразу несколько процессов: резервирование товара, оплату, уведомление клиента, передачу данных в логистическую систему и обновление аналитики.

EDA особенно полезна в больших распределённых системах, где постоянное прямое взаимодействие между десятками или сотнями сервисов быстро превращается в архитектурную проблему.

По мере роста автоматизации, потоковой обработки данных и ИИ архитектуры, способные быстро реагировать на события, становятся всё более важным элементом цифровых платформ.

7. Архитектура Zero Trust

Классическая модель информационной безопасности долгое время во многом строилась вокруг сетевого периметра: если пользователь или устройство находится внутри корпоративной сети, уровень доверия к нему выше.

Современная модель Zero Trust исходит из другого принципа: само нахождение внутри сети не должно автоматически означать доверие.

Именно отсюда появился принцип «никогда не доверяй, всегда проверяй». NIST определяет Zero Trust как подход, при котором не предоставляется неявное доверие пользователям или активам только на основании их сетевого положения или принадлежности. Доступ к ресурсам должен контролироваться с учётом идентичности, состояния устройства и других параметров.

Представить это можно на примере аэропорта. Сам факт попадания в здание не даёт человеку права пройти куда угодно. На разных этапах проверяются документы, посадочный талон и разрешение на доступ в конкретную зону.

В цифровой инфраструктуре происходит нечто подобное: пользователь или устройство не получают универсального доверия только потому, что однажды успешно прошли аутентификацию.

Значение Zero Trust растёт вместе с облачными сервисами, удалённой работой, мобильными устройствами, распределёнными корпоративными системами и приложениями на базе ИИ.

При этом Zero Trust — не один продукт, который можно просто купить и установить. Это архитектурный подход к организации идентификации, аутентификации, авторизации и контроля доступа.

8. Цифровой суверенитет

Ещё несколько десятилетий назад значительная часть корпоративных данных хранилась в собственных дата-центрах организаций и регулировалась законодательством той страны, где находилась инфраструктура.

Сегодня ситуация намного сложнее. Облачные сервисы, глобальные технологические платформы и трансграничные потоки данных создают новую зависимость от поставщиков инфраструктуры и от юрисдикций, в которых они работают.

Возникают вполне практические вопросы: где физически находятся данные? Кто имеет техническую возможность получить к ним доступ? В какой юрисдикции работает поставщик? Какие требования законодательства распространяются на данные и инфраструктуру?

Так формируется концепция цифрового суверенитета — стремление государства или организации сохранять контроль над критически важными данными, инфраструктурой, технологиями и потоками информации.

Для бизнеса это уже не только политический или юридический вопрос. Зависимость от конкретного поставщика облачных сервисов, программной платформы или аппаратной инфраструктуры может влиять на стоимость, устойчивость и возможность самостоятельно развивать цифровую систему.

Поэтому цифровой суверенитет постепенно превращается в практический архитектурный вопрос: насколько организация способна контролировать собственную цифровую инфраструктуру и насколько легко она может заменить одного поставщика другим.

9. Data Mesh

Количество данных, которые собирают современные организации, постоянно растёт. Однако вместе с объёмом данных растёт и организационная проблема: централизованная команда данных может превратиться в узкое место, через которое должны проходить запросы практически всех подразделений.

Именно на этой проблеме строится концепция Data Mesh.

Подход был сформулирован Zhamak Dehghani в 2019 году как попытка изменить не только техническую архитектуру данных, но и распределение ответственности за них. Вместо того чтобы считать все данные централизованным ресурсом единой команды, Data Mesh предлагает рассматривать бизнес-домены как владельцев своих данных.

Например, маркетинговая команда отвечает за маркетинговые данные, финансовая — за финансовые, производственная — за производственные. При этом данные должны рассматриваться как продукт, пригодный для использования другими подразделениями.

Здесь важно не перепутать Data Mesh с конкретной программной платформой. Это прежде всего организационный и архитектурный подход, который меняет ответственность за данные и способы их предоставления.

Идея особенно интересна в условиях масштабирования ИИ, машинного обучения и аналитики. Чем больше решений принимается на основе данных, тем важнее становится не только их количество, но и качество, доступность, происхождение и понятные правила использования.

10. Цифровые двойники

Цифровой двойник — это цифровое представление физического объекта, системы или процесса, связанное с реальными данными и способное отражать изменения состояния своего физического аналога.

На простом примере это можно представить как цифровую модель ветряной турбины. Датчики постоянно передают информацию о температуре, вибрации, скорости ветра, нагрузке и выработке энергии. Эти данные используются для актуализации цифрового представления объекта.

В результате цифровой двойник становится не просто трёхмерной моделью. Он может использоваться для мониторинга состояния, анализа режимов работы, моделирования сценариев и прогнозирования возможных проблем.

Именно поэтому цифровые двойники особенно интересны там, где эксперименты с реальным объектом дороги, опасны или требуют длительной подготовки.

При этом цифровой двойник не обязательно должен полностью и во всех деталях воспроизводить физический объект. Его ценность определяется конкретной задачей: для диагностики может быть достаточно одной модели, для оптимизации технологического процесса потребуется другая, а для проектирования — третья.

Развитие Интернета вещей, ИИ и потоковой обработки данных делает цифровые двойники всё более применимыми в промышленности, энергетике, логистике, здравоохранении и инфраструктурных системах.

Оглядываясь назад, смотря вперёд

Когда я начал изучать концепции, связанные с аналитикой и Data Science, но находящиеся за пределами непосредственно искусственного интеллекта, моя цель была довольно простой: стать более технически грамотным.

Но то, что начиналось как обычное любопытство, быстро превратилось в понимание гораздо более важной вещи. Многие технологии, которые формируют нашу карьеру, бизнес и повседневную жизнь, находятся под поверхностью и редко становятся предметом массового обсуждения.

Мы слышим об ИИ практически каждый день. Но сам искусственный интеллект существует не в вакууме. За ним стоят вычислительная инфраструктура, распределённые системы, облака и периферийные вычисления, сети, криптография, системы хранения и управления данными, цифровые двойники и множество других технологий.

Поэтому технологическая грамотность будущего, возможно, будет определяться не тем, насколько хорошо человек знает возможности очередной модели ИИ, а тем, насколько хорошо он понимает среду, в которой эта модель работает.

Для специалистов по данным и руководителей это означает ещё одну задачу: научиться оценивать не только сами технологии, но и системы, бизнес-модели и риски, которые стоят за ними.

И здесь возникает неприятный вопрос. Если ИИ действительно способен объяснить нам практически любую из этих технологий за несколько секунд, становится ли знание самих технологий менее важным — или, наоборот, именно теперь понимание того, что происходит «под капотом», становится критически необходимым? А что об этом думаете вы?