Открытые данные Google ATLAS: как мир и ученые внедряют и...

Google представила обновленную, открытую и интерактивную версию проекта AI & Economy ATLAS. Это масштабная база данных, которая позволяет отслеживать, как различные профессии в разных странах мира используют искусственный интеллект. Вместе с запуском платформы компания опубликовала исследование, проведенное совместно с Google DeepMind и MIT FutureTech, раскрывающее влияние ИИ на работу ученых.

Долгое время дискуссии о влиянии больших языковых моделей (LLM) на экономику строились на прогнозах и разрозненных опросах. Проект ATLAS призван дать исследователям, экономистам и бизнесу объективную картину: кто, где и для каких задач реально применяет новые технологии.

Изображение из источника

Данные ATLAS демонстрируют существенные региональные и профессиональные различия. В странах ОЭСР лидерами по внедрению ИИ стали специалисты в области вычислений, математики, а также бизнеса и финансов. В США на технические специальности приходится 30% рабочего использования ИИ, что вдвое превышает среднемировой показатель.

В странах, не входящих в ОЭСР, картина иная. Здесь ИИ активнее применяют в административной поддержке, образовании и творческих профессиях. Например, в Индии на сферу искусства, дизайна и медиа приходится 19% использования ИИ — это в 1,6 раза выше глобального среднего значения. Также выделяются Бразилия и ОАЭ: уровень внедрения технологий в этих странах оказался заметно выше, чем можно было бы ожидать, исходя из их ВВП на душу населения.

Изображение из источника

Особое внимание в новом отчете уделено научному сообществу. Опрос более 600 ученых из США и Великобритании показал, что около половины из них используют ИИ ежедневно. При этом инструменты варьируются: универсальные модели, такие как Gemini, применяются для широкого спектра задач, тогда как специализированные решения доминируют в здравоохранении, науках о жизни и симуляциях.

Внедрение ИИ позволяет ученым экономить почти семь часов в неделю. Однако этот выигрыш во времени не конвертируется в немедленные научные прорывы. Авторы исследования зафиксировали важный системный эффект: ускорение на этапе анализа данных и генерации гипотез привело к образованию заторов на следующих этапах. Ученые тратят значительное время на валидацию ответов ИИ, а нехватка ресурсов для физических экспериментов и клинических испытаний создает очередь из непроверенных гипотез.

Эти выводы актуальны не только для науки, но и для экономики в целом. Локальная оптимизация отдельных задач с помощью ИИ не дает максимального эффекта без перестройки всего производственного процесса. В будущем организациям придется пересматривать свои рабочие процессы целиком, чтобы устранить новые узкие места и полностью реализовать потенциал технологий.