Пермь, 25 декабря. Прикамские ученые разработали метод, который поможет избежать изнашивания деталей и выхода техники из строя при экстремально низких температурах. Как пояснили ФАН в пермском политехническом университете, Арктика и северные территории РФ активно осваиваются, но осадки и отсутствие технической инфраструктуры затрудняют работу машин.Аспирант кафедры "Автомобили и технологические машины" Ильнур Шаякбаров говорит, что в арктической зоне большое количество снега и льда усложняет работу и техобслуживание транспорта. Поэтому важно обеспечивать надежность систем и агрегатов.

"Из-за температурных деформаций детали машин изнашиваются. Это может происходить в том числе потому, что отдельные элементы гидравлических систем расположены далеко от основных частей, которые подогревает двигатель", - говорит ученый.Для прогревания системы рабочую жидкость сначала прогоняют по малому кругу. Чтобы снизить влияние низких температур, ее подогревают с помощью специальных устройств.

"Эти способы не всегда действуют эффективно. Жидкость неравномерно нагревает внутренние элементы. Детали расширяются с разной скоростью. Это называют "тепловым ударом". Мы предложили проложить дополнительную магистраль, связывающая бак и гидроцилиндр или мотор", - поясняет профессор пермского политеха Константин Пугин.

Разработка, считают ученые, будет полезна для применения в арктической зоне и других экстремальных климатических условиях.

Это изобретение открывает широкие перспективы промышленного применения новой технологии 

Исследователи Университета электроники и технологий КНР (UESTC), Университета Аризоны и Университета Хьюстона сообщили об открытии разновидности жидкости, которая может заметно деформироваться под действием лазерной "кисти", сообщило информагентство"Синьхуа".

Световой меч из научно-фантастического фильма "Звездные войны" нашел художественное и практическое применение, поскольку китайскими и американскими учеными разработаны жидкие пигменты, которые могут разрезаться лазерными ручками. Прежние разработки с помощью лазерного луча позволяли деформировать лишь небольшую поверхность жидкости за счет градиента поверхностного натяжения, но это происходило в нанометровом масштабе и наблюдалось только под микроскопом.

Исследование, опубликованное в декабрьском выпуске журнала Materials Today, продемонстрировало, как смешивание прозрачного лампового масла с различными красителями для свечей под лазером или даже солнечными лучами вызывает на поверхности магнитных жидкостей деформацию глубиной в 1 мм вплоть до разрыва.

В видеоролике исследователь использует обычный лазерный проектор или лазерную указку, чтобы разрезать жидкости, придавая им различные формы и размеры.

Как сообщил "Синьхуа" профессор китайского университета и автор статьи Ван Чжимин, помимо создания графических изображений на поверхности жидкостей, данный метод позволяет управлять передвижением жидкостей в капиллярах и химической реакцией между различными каплями с помощью дистанционного управления.

Десятиклассница Диана Гафурова изобрела управляемый протез. Об этом сообщает пресс-служба главы региона.

Девушка - ученица регионального технопарка. Ее протез действует почти как человеческая рука. Уникальность разработки в том, что операция по вживлению устройства в часть конечности не нужна.

Протезом можно управлять с помощью нейрогарнитуры, которая считывает мозговые импульсы и передает их искусственной руке. Изобретение завоевало "серебро" на международном молодежном конкурсе "Ученые будущего".

Губернатор Астраханской области Игорь Бабушкин пообещал школьнице поддержку по запуску разработки в производство.

ТАСС, 15 декабря. Китайские химики создали наночастицы на основе индия, благодаря которым смесь из чистого азота и углекислого газа превращается в мочевину - ключевой компонент азотных удобрений. Описание разработки опубликовал научный журнал Chem Catalysis.

"Поскольку молекулы углекислого газа и азота крайне инертны, их сложно заставить соединиться друг с другом. Эта реакция давно привлекает умы химиков, ведь она одновременно упростит производство удобрений и позволит напрямую бороться с глобальным потеплением. Мы создали нанокристаллы на основе гидрокиси индия, которые могут ускорять эти химические взаимодействия", - пишут исследователи.

Мочевина - это простое органическое соединение, состоящее из азота, водорода, кислорода и углерода. Его используют для производства удобрений, смол, гербицидов и других химикатов. Почти вcю мочевину вырабатывают благодаря простой реакции, в которой аммиак соединяется с углекислым газом при высокой температуре и давлении.

Для этого процесса, а также для производства аммиака нужно много энергии, поэтому стоимость удобрений напрямую зависит от цены на природный газ. В ходе нового исследования химики под руководством профессора Института технологических процессов Китайской академии наук Чжана Гуанцзиня разработали катализатор на основе соединений индия, который может удешевить производство карбамида и сделать его более экологичным.

Экологически чистые удобрения

Этот катализатор представляет собой наночастицы, на поверхности которых есть как чистый индий, так и его гидроксид. В индии очень много электронов, а во втором - наоборот, в результате чего они постоянно пытаются взаимодействовать друг с другом, но не могут соединиться из-за особенностей пространственной структуры.

Чжан Гуанцзинь и его коллеги предположили, что из-за этой особенности наночастицы должны "притягивать" к себе молекулы углекислого газа и азота, в которых также наблюдается есть недостаток и избыток электронов. Руководствуясь этой идеей, ученые изготовили наноструктуры разных размеров и проследили за их взаимодействиями с CO2 и N2.

Оказалось, что индиевые наночастицы действительно могут соединяться с азотом и углекислым газом, если пропускать через них электрический ток. В этом случае они активно поглощают оба газа и заставляют их участвовать в сложной цепочке реакций, в ходе которых СО2 сначала превращается в угарный газ, а затем соединяется с молекулой азота, к которой в это же время добавляются атомы водорода.

В результате молекулы углекислого газа и азота напрямую превращаются в мочевину при комнатной температуре и давлении. Эта особенность реакции позволит заметно снизить расходы на выработку удобрений и уменьшить объемы выбросов СО2, связанные с их производством, подытожили ученые.

Впоследние десятилетия общество стремительно меняется, а вместе с ним и наука. Интерес к научным достижениям и их возможностям неуклонно растет, поэтому сегодня для исследователя важно не только сделать открытие, но и правильно о нем рассказать. Меняются и условия работы - ученые чаще используют цифровые технологии, улучшить которые в ближайшем будущем поможет прогресс в области создания квантовых компьютеров. "Лента.ру" и Homo Science рассказывают, как изменится деятельность ученых и методы научных открытий в будущем.

Пандемия COVID-19 существенно изменила уклад нашей повседневной жизни, сделала ученых самыми востребованными ньюсмейкерами, превратила их в самостоятельных инфлюэнсеров, которым внимают миллионы людей. В то же время руководители, принимающие стратегические решения, все чаще обращаются к отраслевым специалистам, ожидая, что их данные помогут предпринять верные шаги для стабилизации ситуации.

Ученый обязан публиковаться, представлять свои знания и результаты в научном сообществе. Наукометрия - не пустой звук, статус ученого нужно подтверждать

Вячеслав Першуков
профессор, спецпредставитель госкорпорации "Росатом" по международным и научно-техническим проектам

 Научный и технический прогресс требует гораздо больше времени, чем ожидает обыватель. Три статьи Эйнштейна, выпущенные в 1905 году, или, например, публикации Уотсона и Крика об открытии структуры ДНК прогремели на весь мир, но, как правило, одна статья в научном журнале редко что-то меняет в жизни ученого и всего человечества. Трудно предсказать, какие именно исследования принесут плоды. Даже знаменитый физик Генрих Герц считал открытые им электромагнитные волны совершенно бесполезными и не мог предсказать, какое значение электромагнетизм приобретет в будущем.

Фундаментальная наука не может принести немедленных результатов, однако часто происходит так, что теоретические изыскания со временем находят применение. Любые технологии, в том числе те, что спасают человеческие жизни, опираются исключительно на фундаментальные знания, и именно кропотливая работа ученых создает задел для технологического развития и более комфортной жизни в будущем.

Доступно и популярно

"Наука помогает людям не только понять законы вселенной и все, что есть в ней здесь и сейчас, но и сделать прогноз, заложить прочный фундамент на будущее", - отмечает советник частного учреждения "Наука и инновации" Госкорпорации "Росатом", кандидат технических наук Екатерина Солнцева.

То, насколько важно общественное доверие к науке, становится понятно в периоды катастрофических событий вроде пандемии COVID-19. Люди, которые не понимают, как работает человеческий иммунитет, как действует вакцина, могут стать косвенными виновниками распространения заболевания, отказываясь от прививок без достаточных на то оснований. Схожая проблема возникает и при обсуждении климатического кризиса: далекие от науки люди считают, что роль человечества в глобальном потеплении переоценена, несмотря на то, что климатологи утверждают прямо противоположное.

Именно поэтому для ученых становится обязательной публичная активность. К примеру, научные фонды, выделяющие гранты, часто требуют, чтобы результаты работы освещались в СМИ. Как правило, этим занимаются пресс-службы научных учреждений, но некоторые ученые сами берутся за популяризацию своей области знаний, пишут книги для широкого круга читателей, выступают с публичными лекциями. Многие ученые стали настоящими иконами массмедиа и поп-культуры, как, например, астроном Карл Саган, физик Стивен Хокинг, биолог Ричард Докинз.

В России популяризация науки стала активно развиваться в 2010-х годах: появились научные блогеры, профессиональные научные журналисты и даже ученые, вокруг которых сформировалась своя фан-база. Проводятся фестивали науки и другие мероприятия, способные пробудить у общественности интерес не только к простым, но и к достаточно сложным научным темам вроде квантовой механики.

Далеко не каждый ученый может уделять время публичным лекциям, поскольку почти все оно уходит на профессиональную деятельность и обучение молодых специалистов. Однако молодые люди, которые хорошо разбираются в научных достижениях и цифровых технологиях, вполне способны взять на себя роль посредников между исследователями и обществом.

Некоторые популяризаторы активно следят за качеством информации, критикуют коллег за допущенные неточности и искажение фактов, рассказывают широкой публике, как тренировать критическое мышление, как распознавать фейки в социальных сетях и новостных изданиях.

Мне кажется, неважно, будет ли это сам ученый или коммуникатор, способный донести сложные научные термины до обывателей простым языком. Важно, чтобы это было сделано правильно, своевременно, интересно и без искажения фактов

Екатерина Солнцева
кандидат технических наук, советник частного учреждения "Наука и инновации" госкорпорации "Росатом"

 Взрыв данных

Стремительное развитие цифровых технологий существенно расширило исследовательские ресурсы и инструментарий ученых. На повседневной основе они используют в работе не только данные экспериментов, но и результаты, полученные с помощью компьютерного моделирования. Речь идет о возможности выполнять вероятностные расчеты такой сложности, которые ранее были недоступны.

В связи с этим число публикаций растет с каждым годом. Национальный научный фонд США провел масштабное исследование, которое показало, что за последнее десятилетие объем научных статей и докладов на конференции рос на четыре процента в год. Согласно подсчетам компании Altmetric, в 2020 году, когда мир столкнулся с коронавирусом, ежегодное число научных публикаций во всем мире резко выросло и составило более трех миллионов, причем самые цитируемые статьи были связаны с исследованием SARS-CoV-2 и отслеживанием пандемии COVID-19.

Очевидно, что объем данных, которые приходится учитывать исследователю, тоже растет. В современной физике обрабатываемое количество информации намного больше, чем в банковской сфере. Что такое Big Data для современной физики, прекрасно продемонстрировала Европейская организация по ядерным исследованиям (ЦЕРН). Ежегодно Большой адронный коллайдер (БАК) производит 90 петабайт данных (один петабайт равен квадриллиону байт), а еще 25 петабайт - в ходе других экспериментов ЦЕРН. Общий объем информации, который хранится в информационных центрах ЦЕРН, уже превысил 300 петабайт. Для обработки этого колоссального количества данных используется несколько подходов.

Во-первых, создаются коллаборации, объединяющие сотни вычислительных центров по всему миру. Так называемые распределенные вычисления могут производиться не только суперкомпьютерами, но и тысячами добровольцев с персональными компьютерами.

Еще в 2004 году был запущен проект LHC@Home, который в настоящее время объединяет усилия около десяти тысяч волонтеров по всему миру, в том числе в России. Однако данные, получаемые на БАК, продолжают расти, из-за чего в скором времени может потребоваться увеличение пропускной способности сети в несколько раз. Чтобы справиться с взрывным ростом информации, которую необходимо обработать для получения ценных результатов, нужны новые подходы - например, разработка новых алгоритмов высокопроизводительных вычислений.

Это актуально не только для физики частиц, но и для других научных областей - например, молекулярной биологии и фармацевтики. Свойства жизненно важной биологической молекулы зависят от того, в какую трехмерную структуру она свернется. С размером молекулы экспоненциально растет число возможных конфигураций, и на то, чтобы предсказать правильную структуру методом перебора, у компьютера могут уйти сотни тысяч лет непрерывной работы. Решить эти проблемы могут, например, технологии машинного обучения.

Сейчас почти невозможно предсказать, что именно нужно будет знать исследователю даже в недалеком будущем. Именно поэтому появляются ученые, которые одинаково хорошо разбираются как в своей специальности, так и в вычислительных методах. Хорошим примером такого междисциплинарного подхода является биоинформатика, которая объединяет в себе не только компьютерные науки и машинное обучение, но и генетику, молекулярную и эволюционную биологию, химию и кибернетику. Компетентные ученые, занятые в этой области, могут и создавать новые алгоритмы, и со знанием дела использовать уже имеющиеся, получая ценные результаты.

Междисциплинарный подход в науке в целом способствует новаторскому мышлению, позволяет взглянуть на сложную проблему со стороны и найти необычные способы ее решения. Сейчас ученый не может ограничиваться только одной узкой областью науки. Границы между разными областями знаний стираются, поэтому необходимо понимать, что происходит в смежных направлениях. Например, химик может использовать информацию об эволюции живых организмов, чтобы получить белковые молекулы с нужными свойствами; нейробиология помогает лингвистам понять, является ли языковая грамотность врожденной способностью; ядерная медицина включает в себя достижения из физики, химии и биологии.

Новаторские исследования, проводимые на стыке различных наук, имеют больше шансов выделиться из океана публикуемых статей, попасть в престижные научные журналы и получить признание мирового научного сообщества. Чтобы оставаться в тренде, ученые должны не только поддерживать прочные связи с коллегами и выступать на конференциях, но и осваивать новые методы исследований и быть в курсе последних научных достижений. Только так можно остаться конкурентоспособным в эпоху больших данных.

Цифровая революция

По оценкам эксперта в области искусственного интеллекта Ли Кайфу, через 15 лет ИИ сможет заменить до 40 процентов профессий. В то же время большинство экспертов сходятся во мнении, что это не станет угрозой для ученых. Хотя компьютеры могут делать открытия, характеризуя явления и генерируя научные объяснения, полностью заменить исследователей они не в состоянии.

Искусственный интеллект, по-видимому, всегда будет конечен, и его все равно нужно будет слегка направлять в нужное русло. В работе исследователя требуется нечто большее - интуиция, творчество и разум, который является бесконечным

Дмитрий Ягнятинский
научный сотрудник АО НИИ НПО "ЛУЧ"

 Действительно, искусственный интеллект более приспособлен к одним аспектам научной деятельности и менее - к другим. Лучше всего у него получается обработка числовой информации, но о творческом мышлении говорить пока не приходится.

Как научить тому, чего еще нет? Именно этим занимаются настоящие ученые: они открывают новое, а не просто ведут обработку статистики. Они создают новые модели - то, чего не было раньше

Вячеслав Першуков
профессор, спецпредставитель госкорпорации "Росатом" по международным и научно-техническим проектам

 По мнению лауреата Нобелевской премии Роджера Пенроуза, сознание человека зависит от неалгоритмических физических процессов, что делает его воспроизведение с помощью искусственного интеллекта практически невозможным. Философ Дэвид Гиллиес подчеркивает, что у людей есть "политическое превосходство" над ИИ: он создан и разработан человеком для того, чтобы решать его проблемы. Разрешение компьютером определенного ряда проблем создает новые проблемы, которые ИИ уже не будет способен решить.

Этот подход называется генеративным моделированием (ГМ), и он заключается в поиске наиболее вероятного объяснения наблюдаемых данных. Например, астрофизики использовали ГМ для исследования эволюции галактик, при этом задача состояла в том, чтобы найти в данных скрытые закономерности. ИИ определил, что чем больше плотность окружения галактик, тем краснее становятся сами галактики.

Чтобы объяснить, почему это происходит, ученые вмешиваются в модель и изменяют некоторые параметры, а потом исследуют результат. Меняя скорость формирования звезд, ученые сумели изменить цвет галактик в модели, что указывает на связь этих параметров. Это похоже на обычную симуляцию, однако для этой модели не требуются предварительные знания о процессах, происходящих в галактиках. Данные сами показывают то, что ученые хотят знать. Это похоже на то, как человек определяет пол другого человека по лицу, не строя для этого подробные теоретические модели.

Астрофизик Кевин Шавинский называет генеративное моделирование третьим способом изучения Вселенной - наряду с наблюдением и экспериментом. Однако многие ученые рассматривают ИИ лишь как "усердного ассистента", готового взять на себя рутину и оставляющего исследователю простор для творчества. ИИ также способен значительно ускорить научные исследования, что очень важно в эпоху больших данных.

С компьютерным моделированием тесно связано еще одно направление цифровых технологий - создание цифровых двойников. Так называются виртуальные копии физических объектов или процессов, которые точно воспроизводят свойства оригинала. Ученые создают цифровых двойников, чтобы предсказывать, как поведет себя та или иная система в определенных условиях. Например, можно создать виртуальную копию какого-либо материала, чтобы посмотреть, как на него будет действовать высокая или низкая температура, давление или сильная деформация.

Цифровые технологии значительно изменят науку будущего, предоставляя ученым новые инструменты для познания Вселенной. Компьютерное моделирование, ИИ и роботизированные системы сделают исследовательские процессы более интересными, позволят талантливым ученым сделать еще больше открытий и ускорят научный прогресс.

Квантовая революция

Одним из перспективных направлений является разработка квантовых компьютеров, которые способны дать толчок развитию многих сфер науки. Например, такие машины могут улучшить понимание искусственным интеллектом естественного языка, дать ему возможность анализировать целые предложения и фрагменты текста вместо отдельных слов. Квантовый компьютер способен совершить революцию в разработке синтетических лекарств и биоактивных материалов, а также значительно ускорить обработку больших данных. От обычных компьютеров квантовые машины отличаются принципиально иной архитектурой, которая позволяет им проводить множество вычислений одновременно.

Квантовый компьютер имеет серьезное преимущество в вычислительной мощности. Представьте, что на обычном компьютере нужно сделать вычисление из десяти последовательных шагов, обработать полученный результат на первом шаге, запустить второй шаг моделирования, снова обработать результат, запустить третий - и так далее. В квантовом компьютере нужно будет сделать только один шаг со всеми условиями, и программа позволит смоделировать все возможные результаты эксперимента

Максим Герасимов
главный специалист входящего в "Росатом" акционерного общества "Наука и инновации"

 Считается, что квантовые компьютеры могут предоставить ученым и медицинским специалистам возможность решать задачи, на которые даже с помощью самых мощных суперкомпьютеров уйдут тысячи лет. Ученые надеются, что квантовые вычисления и моделирование ускорят разработку вакцин против инфекционных заболеваний, помогут предотвращать эпидемии, позволят быстрее создать препараты от рака и нейродегенеративных нарушений, таких как болезни Альцгеймера и Паркинсона.

Квантовые компьютеры могут быть полезны не только в биологии или моделировании процессов, они также помогут в разработке катализаторов для утилизации углекислого газа из атмосферы, что позволит бороться с изменением климата. Они ускорят решение задач, сложность которых растет экспоненциально, - например, так называемой задачи коммивояжера, которая заключается в поиске оптимального маршрута. Соответственно, с помощью квантовых вычислений можно оптимизировать потоки данных в сети, что имеет огромное значение, например, для обработки петабайтов данных, полученных в ЦЕРН и других ускорительных лабораториях.

Однако, как отмечает информатик-теоретик Скотт Ааронсон, квантовые компьютеры в том виде, в котором они есть сейчас, представляют собой "ненатуральные" устройства - иными словами, наилучшего эффекта от их использования можно достичь лишь при ограниченном наборе применений, в частности, связанных с моделированием квантовых систем. "Несмотря на то что квантовые компьютеры сохранят свое теоретическое превосходство, их практический вклад будет невелик", - предупреждает исследователь.

"Полезный" же квантовый компьютер, который будет решать важные задачи, с которыми иначе бы справиться не удалось, потребует наличия гораздо большего количества кубитов, чем имеют нынешние прототипы. Впрочем, по заявлениям одного из разработчиков квантовых компьютеров PsiQuantum, производить универсальные устройства - пока размером с целую комнату - начнут уже в ближайшие годы.

В России разработкой таких компьютеров занимается Национальная квантовая лаборатория, основанная под эгидой "Росатома". Полноценное устройство для квантовых вычислений планируется создать к 2024 году, стоимость проекта составляет 24 миллиарда рублей. Сегодня в России уже имеются прототипы, состоящие из нескольких кубитов.

Квантовые компьютеры не смогут полностью заменить обычные компьютеры, но расширят возможности ученых в моделировании сложных процессов. Поскольку стоимость таких машин очень велика, далеко не каждое научное учреждение сможет его себе позволить, не говоря уже о том, чтобы приобрести персональный квантовый компьютер. Решить эту проблему может удаленный доступ через облачные платформы. В этом случае пользоваться квантовыми компьютерами смогут как государственные организации и корпорации, так и научные центры и университеты.

***

В настоящее время наука как никогда ранее важна для человечества. Не имея специализированных знаний о природе, нельзя справиться с вызовами современности - пандемией, изменением климата и другими кризисами. В то же время происходит взрывной рост объемов данных, который влияет на развитие новых информационных технологий. Многие молодые люди понимают, что научная карьера может быть перспективной и актуальной, однако для этого нужно много и упорно работать, быть открытым ко всему новому и одновременно развивать критическое мышление. Ученый будущего должен постоянно осваивать новые технологии и взаимодействовать с коллегами, чтобы быть в курсе современных тенденций. Только в этом случае наука будет развиваться, улучшая жизнь человечества.

Но наука будущего - это не только мир профессиональных ученых. Общество должно понимать, насколько важны научные открытия и разработки. Научная безграмотность не только делает людей уязвимыми для опасной дезинформации, например, о вреде или бесполезности вакцин, но и ставит под угрозу само развитие науки.

Ученым удалось зафиксировать землетрясение на рекордной глубине, составившей 751 километр. При этом на поверхности планеты оно осталось незамеченным.

Самое глубокое землетрясение произошло в регионе, где находятся острова Бонин и Тайвань. Зафиксировать его удалось при помощи высокоточного оборудования, поскольку на поверхности оно даже не ощущалось.

Ранее ученые скептически относились к тому, что землетрясения могут происходить в нижней мантии планеты. На такой глубине твердые объекты должны деформироваться из-за воздействия высокого давления, но не ломаться.

Теперь геологам предстоит найти объяснение этому событию.Стоит напомнить, что ранее ученые заявили о замедлении вращения Земли. Природные явления оказали влияние на планету, поэтому продолжительность суток начала колебаться в течение года.

По словам генерального директора Росатома Алексея Лихачева, только сочетание АЭС, гидроэлектростанций, ветряков и солнечных батарей может быть устойчивым вариантом для энергосистемы будущего: такой "зеленый квадрат" низкоуглеродных источников энергии обеспечит решение климатических целей, которые сегодня стоят перед человечеством.

Неудивительно, что глава Росатома просит не забывать о стабилизирующей роли атомной энергетики. Но в чем она состоит?

Заявление Росатома

"Мы называем эти четыре низкоуглеродных источника энергии "зеленым квадратом", где атомная энергия и гидроэнергетика в нижней части обеспечивают генерацию базовой нагрузки, а ветер и солнце в верхней части отвечают за пиковую нагрузку", - заявил генеральный директор Росатома Алексей Лихачев в видеообращении к участникам сессии "Ядерная энергетика и возобновляемые источники энергии для углеродно-нейтрального будущего" на климатической конференции ООН в Глазго.

По словам Лихачева, ядерная энергетика является необходимым условием для завершения планируемого перехода к углеродно-нейтральной энергетике, а те варианты, в которых от использования АЭС сознательно отказываются, являются предельно рискованными и неустойчивыми. Глава Росатома подчеркнул, что такая позиция - не его личное мнение, она поддержана экспертами Международного энергетического агентства (МЭА) и профильных комитетов и комиссий ООН.

"Сегодня на карту поставлен важнейший вопрос - признание атома источником зеленой энергии. В России наше правительство уже приняло это решение, в сентябре утверждена таксономия зеленых проектов, в список входит атомная энергетика, - заявил глава российской корпорации. - Мы видим проблемы с ценами на электроэнергию в Европе и разделяем мнение Франции, Венгрии, Польши и других стран о том, что ядерная энергия является ответом на переход к более эффективной энергетике. Мы надеемся, что Брюссель вскоре примет решение в пользу включения атомной энергии в европейскую таксономию".

Так что же такое базовая нагрузка, почему для ее обеспечения нужны атомные и гидроэлектростанции, а вот ветряки и солнечные батареи малопригодны? Или же и вовсе - бесполезны? Попробуем объяснить.

Без базы нет надстройки

Потребление электроэнергии нерегулярно: обычно люди используют ее больше утром и вечером для освещения. В жарком климате присутствует еще один выраженный пик - обычно с 10 часов утра и до 16 часов вечера, который связан с использованием кондиционеров.

Кроме того, потребление электроэнергии растет и при снижении температуры, поскольку часть ее используется для отопления помещений. В холодном климате говорят о двух сезонах потребления: низком (весенне-летнем) и высоком (осенне-зимнем). Более-менее устойчиво потребление электроэнергии только в сферах промышленности и транспорта, которые обычно работают в круглосуточном режиме.

Это создает основную сложность в балансировке любой энергосистемы: человечество пока не научилось эффективно запасать электроэнергию, а все предлагаемые способы такой аккумуляции обычно очень дороги и напрямую влияют на тарифы для конечного потребителя. Как следствие, в любую энергосистему стремятся включить два вида генерирующих мощностей: базовые, дающие более дешевую электроэнергию, и пиковые, дающие энергию более дорогую, но которую можно быстро "влить" в энергосистему на пике потребления и избежать ее развала от недостатка мощности.

На роль базовых генераторов действительно хорошо подходят ГЭС и АЭС: оба вида этих электростанций дают дешевую энергию. Гидроэлектростанции к тому же можно использовать и на пике, поэтому богатые гидроресурсами страны, например, Швейцария, так и делают. В швейцарской системе почти всю энергию - и базовую, и пиковую - дают именно ГЭС. А вот те страны, где рек мало и они не столь полноводны, стараются в базовую генерацию поместить надежные АЭС, которые к тому же не зависят от внезапной засухи и не нуждаются в затоплении больших площадей плодородной земли под водохранилища, как у ГЭС.

Ветряки же и солнечные батареи в базовую генерацию вписываются плохо, причем сразу по двум параметрам. Во-первых, полученная с их помощью электроэнергия дорогая и уже вряд ли станет дешевле - оба вида электростанций уже прошли долгий путь совершенствования конструкции. Во-вторых, и ветер, и солнце - это непостоянная энергия, целиком зависящая от природных, климатических и погодных условий.

Алексей Анпилогов

 

*

Беседа с Константином Воронцовым, доктором физико-математических наук, профессором РАН, заведующим кафедрой машинного обучения и цифровой гуманитаристики МФТИ, профессором кафедры математических методов прогнозирования ВМК МГУ.

"ЗАВТРА". Константин Вячеславович, мы всё чаще слышим об "искусственном интеллекте". Что он собой представляет, и с чего всё началось?

Константин ВОРОНЦОВ. Когда в конце 1980-х годов я студентом Физтеха начал заниматься данной темой, термин "искусственный интеллект" звучал лишь в узких научных кругах, иногда мелькал на страницах научно-фантастической литературы. Когда друзья спрашивали, чем я занимаюсь, я говорил: "Распознаванием образов". В ответ слышал: "И много образов ты уже распознал?"

"Распознавание образов", "машинное обучение", "науки о данных" - это популярные в разные годы названия одной и той же области исследований. В последние годы к ней вернулось одно из прежних названий - "искусственный интеллект" (ИИ). Американские учёные, которые придумали этот термин (Artificial Intelligence, AI) в 1950-е годы, конечно же, понимали, что никакого интеллекта там нет. На тот момент и до сих пор это просто способность компьютерной программы решать очень сложные задачи, которые раньше могли решать только люди. Распознавать, делать прогнозы, принимать решения. Я бы предпочёл расшифровывать аббревиатуру ИИ как "имитация интеллекта", так будет точнее и честнее.

"Хайп" вокруг "искусственного интеллекта" начался относительно недавно, когда эти слова зазвучали с высоких трибун. В 2016 году их произнёс бессменный президент Всемирного экономического форума Клаус Шваб, а следом за ним - президенты всех ведущих экономических держав. В том же 2016 году администрация Обамы провела пять научных конференций в ведущих университетах США на тему "Искусственный интеллект и автоматизация будущего", в ходе которых были опрошены две с половиной тысячи учёных. Их мнения свели в четыре лаконичных отчёта, которые легко найти в Интернете. Очень, кстати, хороший пример грамотной организации взаимодействия власти с профессиональным сообществом: широкое обсуждение, никакой кулуарности. После этих событий во многих странах, включая Россию, стали принимать документы о национальной стратегии развития "искусственного интеллекта".

"ЗАВТРА". А почему именно в 2016 году актуализировалась эта тема?

Константин ВОРОНЦОВ. То, что этот процесс неизбежен, было ясно ещё в девяностые годы, и даже в шестидесятые. Уже тогда прорабатывались разные приложения: от медицинской диагностики до геологической разведки. С девяностых годов начался повсеместный компьютерный сбор данных. Тогда мы с коллегами прогнозировали цифровой бум через пять лет, но, как оказалось, понадобилось более двадцати лет на то, чтобы общество стало готово к внедрению таких технологий. Примерно в 2015 году произошёл прорыв в области компьютерного зрения, благодаря конкурсу ImageNet и глубоким нейронным сетям. Появились обучаемые алгоритмы, способные распознавать объекты на изображениях не хуже человека, и бизнес увидел в этом огромный потенциал для автоматизации и сокращения издержек.

"ЗАВТРА". А с чего начиналось так называемое машинное обучение?

Константин ВОРОНЦОВ. В 1950-е в области ИИ доминировала идея экспертных систем, когда профессиональная деятельность экспертов описывается правилами "если - то", которые закладываются в компьютерную программу. Это уже относили к "искусственному интеллекту", хотя на самом деле правила вырабатывали люди, программу писали тоже люди, поэтому нельзя сказать, что такая система сама может что-то решать. Например, стратегии игры в шашки и шахматы формализовать хоть и трудно, но можно, поэтому такие программы появились в первую очередь.

С 1960-х стало параллельно развиваться машинное обучение. Там идея была более продвинутой: машина должна сама вырабатывать правила на основе большого числа наблюдений. Каждое наблюдение - это некая ситуация, для которой правильное решение известно. Требуется построить модель, которая по описанию ситуации будет принимать решение, желательно, правильное. В качестве модели могут использоваться логические правила, оценки сходства объектов, вероятностные распределения, нейронные сети и другие математические конструкции.

Были придуманы тысячи различных моделей. Со временем их обобщали, появлялись универсальные модели, способные неплохо решать прикладные задачи в различных областях. Например, одна и та же модель может использоваться и для кредитного скоринга, и для медицинской диагностики, и для предсказания качества продукции. Во всех трёх случаях параметры модели обучаются по разным данным, но структура модели одна и та же. Чем больше у нас данных, тем более универсальной может быть модель. Искусственные нейронные сети - это одна из самых универсальных моделей.

"ЗАВТРА". Приведите, пожалуйста, примеры машинного обучения.

Константин ВОРОНЦОВ. Одной из первых решённых задач, ещё в 50-е годы, была задача поиска полезных ископаемых по данным геологоразведки. Руководитель нашей научной школы академик Юрий Иванович Журавлёв в 1966 году получил Ленинскую премию за математические модели, успешно спрогнозировавшие несколько крупных месторождений золота на территории СССР. Несколько лет спустя ему удалось собрать намного более универсальный алгоритм. Ученики Юрия Ивановича применяли его для решения сотен задач в различных отраслях народного хозяйства: для медицинской диагностики, прогнозирования свойств химических соединений, определения свойств белков, контроля качества промышленной продукции и многих других. Алгебраический подход Журавлёва обогнал своё время лет на двадцать: на Западе бум алгоритмических композиций начался лишь в 1995 году. В те же 90-е поток государственных заказов иссяк, сменившись коммерческими применениями интеллектуального анализа данных (Data Mining, DM) и бизнес-интеллекта (Business Intelligence, BI) - названия новые, но суть примерно та же.

Сейчас все, кто пользуется электронной почтой, должны знать, что без модели распознавания спама они вряд ли смогли бы отыскать нужные письма в куче мусора.

Ещё один пример задачи машинного обучения - психотипирование личности, когда людей просят ответить на вопросы психологического теста, затем сопоставляют эти данные с их профилями в соцсетях. Вместе они образуют обучающую выборку, по которой можно построить модель, способную предсказывать некоторые аспекты поведения человека.

Машинное обучение сродни проведению функции через заданные точки на школьных уроках физики. Так, при изучении закона Гука мы откладывали точки на графике, как сила зависит от растяжения пружины. Должна была получаться прямая линия, хотя точки могли оказаться немного разбросанными вокруг неё из-за погрешности измерений. В машинном обучении всё примерно так же, но намного сложнее, поскольку прогнозируемая величина может зависеть не от одного измеряемого признака, а от десятков, тысяч или даже миллионов. Например, признаками, характеризующими человека, могут быть и ответы на вопросы анкеты, и поисковые запросы, и частоты слов, которые он использует в комментариях.

"ЗАВТРА". А если машина даст сбой?

Константин ВОРОНЦОВ. В любой технической системе возможны и сбои, и аварии, и неожиданные хитросплетения технических недостатков с пресловутым человеческим фактором. Для сведе́ния рисков к минимуму инженеры используют моделирование и испытания, пишут правила безопасности и инструкции по эксплуатации. Компьютер с "искусственным интеллектом" - это тоже техническая система, предназначенная для автоматизации рутинного труда. За работу любой технической системы отвечают люди. "Искусственный интеллект" не является исключением: обучающую выборку составляют люди, модель для прогнозирования или принятия решений тоже придумывают люди, алгоритм, который определяет параметры модели по выборке, тоже создают люди, наконец, компьютеры, на которых это всё работает, тоже делают люди. Много звеньев в этой цепочке, и всюду люди. Если профессионалы что-то не предусмотрели, то они должны это исправить, сделать выводы на будущее, в отдельных случаях понести ответственность. Называть такие системы "искусственным интеллектом" - это терминологическое недоразумение, на мой взгляд. А перекладывать на систему ответственность можно только от "незнания матчасти".

"ЗАВТРА". А как работают нейросети?

Константин ВОРОНЦОВ. Понимание нейросетей начинается с того, о чём я говорю студентам на первой лекции по машинному обучению: "Задача поставлена, если у неё есть ДНК - Дано, Найти, Критерий". Что дано? Обучающая выборка. Что найти? Предсказательную модель для принятия решений; это может быть нейросеть или что-то другое. По какому критерию оцениваем модель? Например, вероятность ошибок у модели меньше, чем у человека. Мы всегда должны чётко оговорить эти три вопроса. Пока ответов на них нет, задача не поставлена и решать её невозможно. К сожалению, на практике мы часто сталкиваемся с тем, что заказчики ожидают от "искусственного интеллекта" какой-то магии. Но чудес на свете не бывает. Бывают фантазии от непонимания возможностей и ограничений этих технологий; бывает даже, что задачу вообще невозможно решить в имеющихся условиях.

Второй шаг к пониманию: нейросеть - это лишь предсказательная модель, а не готовый алгоритм для принятия решений. В чём разница? Модель имеет параметры, которые необходимо обучить по данным (мы также говорим "настроить" или "оптимизировать", а статистики чаще говорят "оценить по данным"). После того, как параметры обучены, модель становится алгоритмом - точной инструкцией для вычисления предсказаний.

Например, закон всемирного тяготения - это модель; в ней есть параметр, который надо определить для каждой планеты. Это можно сделать по выборке экспериментальных наблюдений. Обучив параметр, вы получаете алгоритм, способный предсказывать, с какой силой данная планета притягивает к себе космический корабль. Основной признак, который вам необходимо для этого знать - масса корабля. Это я рассказал о законе всемирного тяготения в терминах машинного обучения. Принципы обучения параметров нейросетей те же самые, что и в классическом математическом моделировании. Карл Фридрих Гаусс применял метод наименьших квадратов для определения орбит планет по астрономическим наблюдениям 220 лет назад. Сегодня мы применяем тот же метод для обучения нейросетей. Но у Гаусса в модели была дюжина параметров, а в самых последних нейросетях их уже триллионы.

Третий шаг к пониманию: определение параметров модели по обучающей выборке - это всегда задача оптимизации некоторого критерия. Например, средней ошибки модели на объектах обучающей выборки. Если менять значения параметров модели, то значение критерия также будет меняться. А нам надо найти такое сочетание параметров, при котором критерий окажется оптимальным. Для наглядности давайте представим себе горный ландшафт, параметрами служат широта и долгота точки на местности, а критерием - высота точки над уровнем моря, и мы ищем самую глубокую впадину. Находясь в некоторой точке, мы видим её ближайшую окрестность и должны решить, в какую сторону идти дальше. Обучаясь, нейронная сеть решает похожую задачу. Отличие в том, что наши модели могут иметь миллиарды параметров вместо двух (долготы и широты). Тем не менее мы умеем решать такие задачи на компьютере с помощью численных методов оптимизации. Нейронные сети, да и всё машинное обучение - это на самом деле методы оптимизации, если "заглянуть под капот".

Четвёртое, мы всё время говорим об архитектуре нейронных сетей. Сеть состоит из нейронов. Каждый нейрон - это простой вычислитель, умеющий сложить несколько признаков, умножив каждый из них на свой весовой коэффициент, и к полученной сумме применить ещё какое-нибудь элементарное преобразование (например, обнулить сумму, если она окажется меньше нуля). Весовые коэффициенты - это и есть обучаемые параметры нейрона, его память. Результат, вычисленный нейроном, можно передать на вход другим нейронам. Так образуется второй слой нейронной сети. Мы сами вправе решать, сколько в сети будет слоёв, сколько нейронов в каждом слое, как нейроны соединяются друг с другом. Всё это определяет архитектуру сети и заметно влияет на качество решения.

Глубокие нейронные сети могут иметь десятки и даже сотни слоёв. Глубокие архитектуры оказались весьма удачными для распознавания изображений, сигналов, речи, текстов и других сложно устроенных объектов. К слову, число слоёв в естественной нейронной сети головного мозга человека оценивается всего в один-два десятка. На самом деле искусственные нейросети имеют мало отношения к нашим мозгам. Мы лишь "подглядываем" в нейрофизиологии некоторые идеи и поверхностные аналогии.

"ЗАВТРА". А в чём суть кардинальных изменений, произошедших в начале 2010-х годов, о которых вы упомянули в начале беседы?

Константин ВОРОНЦОВ. Речь идёт о качественном прорыве в области распознавания изображений. Это одна из классических задач компьютерного зрения. В 2009 году стартовал конкурс ImageNet challenge по распознаванию изображений. Для него собрали выборку из миллиона изображений (спустя годы объём выборки довели до 15 миллионов) и разметили их с помощью краудсорсинга - люди подписывали каждую фотографию тегами в зависимости от того, какие объекты они на ней видят. Число различных тегов превышает 22 тысячи. Раньше в распоряжении учёных не было таких гигантских выборок.

Когда только начали применять известные алгоритмы компьютерного зрения, уровень ошибок был более 25% - это слишком много для реальных применений. В 2012 году британский учёный, один из ведущих в мире специалистов по искусственным нейронным сетям, Джеффри Хинтон и два его аспиранта предложили первую глубокую нейросеть AlexNet для обработки изображений. Тогда же они придумали обучать сеть на видеокартах. Уровень ошибок снизился до 16%, а к 2015 году был преодолён барьер 5% - человеческий уровень ошибок в данной задаче. Сейчас нейросети классифицируют объекты на изображениях уже вдвое лучше, чем человек. Для бизнеса это означает тысячи различных применений: распознавание номерных знаков, лиц, печатного текста, товаров на полках, дефектов изделий на конвейере, биомедицинских изображений и многого другого. Эти же методы затем быстро адаптировали к обработке и синтезу сигналов, речи и другой разнообразной сложно структурированной информации.

"ЗАВТРА". А почему эти нейросети называются глубокими?

Константин ВОРОНЦОВ. Допустим, мы взяли изображение 200х200, в каждой его точке заданы интенсивности трёх цветов. Получается массив из 120 тысяч чисел - для классических методов машинного обучения объект весьма неудобный. К тому же изображения могут быть разного размера. Надо придумать, какие признаки вычислять по картинке, чтобы они содержали всю важную для распознавания информацию, но чтобы их было относительно немного и, желательно, всегда одинаковое количество. Раньше изобретением признаков для компьютерного зрения занимались коллективы высокооплачиваемых инженеров. Каждый признак - это некая формула, которую надо было придумать, запрограммировать, протестировать. Для каждой задачи набор признаков свой: для распознавания букв - один, для лиц - другой, для автомобилей и номерных знаков - третий. Над всем этим бились вручную.

Современные нейросети синтезируют признаки полностью автоматически. Входное изображение, какого бы оно ни было размера, сжимается в массив (вектор) из нескольких тысяч чисел. В сети AlexNet это 4096, то есть изображение 200х200 сжимается в 30 раз. Тем не менее такие векторы содержат в себе всю информацию из входного изображения, необходимую для распознавания 22 тысяч типов объектов. Превращение изображения в вектор признаков, или векторизация, - это ключевой приём в современных нейронных сетях. А с векторами признаков мы умеем работать давно.

Каким образом нейронная сеть делает векторизацию, и почему она обязательно должна быть для этого глубокой? Глубокая - значит состоящая из большого числа слоёв. Каждый слой выполняет довольно простую работу, вычисляя в каждой точке так называемые свёртки - это усреднённые интенсивности цветов в небольшой окрестности данной точки. В результате изображение заменяется новым, размер которого становится меньше в несколько раз, но зато мы в каждой точке увеличиваем число вычисляемых свёрток. В конце концов всё изображение стягивается в одну точку, зато размерность вектора признаков вырастает до заданного значения (например, 4096). Когда признаки готовы, на них можно обучить модель распознавания, состоящую из пары слоёв. Основная масса слоёв нужна именно на стадии векторизации, чтобы изображение трансформировалось постепенно.

В первой сети AlexNet было 7 слоёв, спустя несколько лет научились строить сети из сотен слоёв. Специальные эксперименты показали, что каждый следующий слой обучается различать всё более крупные элементы на изображениях. Первый слой различает простые переходы цветов, второй слой начинает замечать текстуры и так далее, последний слой уже способен видеть крупные составляющие части объектов.

На выходе имеем впечатляющий результат. Системе предъявляют новую фотографию, и она выдаёт: "Это - стадион, это - бейсболист, это - другой бейсболист, это - бита, это - мячик". Звучит как какое-то чудо. Но оно стало возможным потому, что огромное количество параметров сложно устроенной сети было оптимизировано так, чтобы на многомиллионной обучающей выборке выделялись именно те объекты, которые люди разметили на краудсорсинге.

"ЗАВТРА". Для обработки текстов, машинного перевода, чат-ботов используются такие же нейросети?

Константин ВОРОНЦОВ. Немного другие, но тоже глубокие. Для обработки текстов нейронная сеть обучается предсказывать слова по окружающему их контексту. Например, она должна не хуже нас с вами догадаться, что во фразе "пусть бегут неуклюже ..." на месте многоточия стоит слово "пешеходы".

Основные идеи остаются теми же, что для изображений. Во-первых, текст - это последовательность символов или слов со всеми их языковыми особенностями, морфологией, синтаксисом, смысловыми взаимосвязями, то есть тоже структурированный объект, ничуть не проще изображений. Отсюда вторая идея: нейросеть должна быть глубокой, чтобы постепенно собирать информацию об окрестности каждого слова и автоматически формировать его векторное представление. Для каждого слова или фразы такая сеть способна вычислить числовой вектор, который будет отражать его смысл. Сеть может работать и в обратную сторону, генерируя связный текст по векторам. Это используется в машинном переводе, для синтеза ответов на вопросы или реплик чат-бота. В-третьих, модель должна обучаться по большим данным, по терабайтам текстов, от Википедии до гигантских библиотек художественной, научной и новостной информации. Про такие модели говорят, что они "видели в языке всё".

"ЗАВТРА". Это те самые модели, которые генерируют фейковые новости?

Константин ВОРОНЦОВ. Да. Есть специальные разновидности глубоких нейронных сетей, называемые генеративными. Такая сеть способна сгенерировать ответ на вопрос, перефразировать новость или написать под заголовком новостной заметки сам текст. Конечно, это будет симуляция "по мотивам" чего-то похожего, что модель видела в обучающей выборке. Однако человек может ошибочно принять такой текст за реальную новость. Обмануть наше восприятие вообще довольно легко: мы видим боковым зрением манекен и вздрагиваем: нам кажется, что это живой человек. Цель фейка в том и состоит: вызвать эмоцию. Человек может обладать критическим мышлением, уметь сопоставлять факты, проверять источники, однако информация, поданная с эмоцией, лучше запоминается. Кроме того, фейковые новости можно генерировать миллионами. В этом потоке будет трудно отличить правду от разнообразной лжи. Конечно, люди и сами, без всяких технологий, продуцируют огромное количество лжи, однако подключение ИИ способно заметно усилить напряжённость информационных войн.

"ЗАВТРА". Много ещё таких возможностей из ящика Пандоры?

Константин ВОРОНЦОВ. Много, и будет всё больше. На одной из конференций по компьютерному зрению в 2019 году была опубликована статья под провокационным названием "Танцуют все". Там описана следующая технология: берётся ролик с профессиональным танцором, исполняющим танец на однородном фоне. Потом берётся одна фотография другого человека, на любом фоне, и алгоритм генерирует видео, где этот человек танцует тот же танец на том же фоне. То есть можно поставить на поток изготовление компрометирующих видео. Аналогичная история с голосом и другими биометрическими данными. Известны случаи, когда такие данные попадали в распоряжение мошенников. И как определить мошенника, если в телефоне слышишь голос близкого человека?

"ЗАВТРА". Может ли дело зайти настолько далеко, что и правоохранительные органы не смогут отличить подлог?

Константин ВОРОНЦОВ. На данный момент любая видео- или аудиозапись, которая сгенерирована нейронной сетью, всё же содержит артефакты, которые глазом или ухом различить невозможно, но специальными алгоритмами это выявляется. Как всегда, происходит соревнование технологий защиты и нападения. Но опасения оправданны. Человечество получает всё более изощрённые технологии электронного обмана.

Впрочем, с нашими технологиями мы и так уже сидим на бочке с порохом, и не на одной. "Искусственный интеллект" - ещё одна технология, которая может быть применена как с пользой, так и во вред. В отдалённой перспективе - вплоть до самоуничтожения человеческой цивилизации.

"ЗАВТРА". А "компромат" уже сейчас на всех обеспечен.

Константин ВОРОНЦОВ. Тут скорее не компромат, а сфабрикованные обвинения. Люди будут вынуждены доказывать, что они такого не совершали. Или, как в одной антиутопии, доказывать, что правитель-тиран, которого транслируют по всей стране, не настоящий, что его в природе не существует. Что касается компромата, то он уже давно обеспечен: это поведение человека в поисковых системах и социальных сетях, которое можно проанализировать и по косвенным данным много интересного о человеке узнать.

"ЗАВТРА". Многое из фантастики сбывается на наших глазах.

Константин ВОРОНЦОВ. Да. Фантастика не только предсказывает, она отчасти и формирует наши мечты о будущем. Есть научная фантастика, а есть фантазии, едва ли возможные даже в отдалённой перспективе, типа фильма "Бегущий по лезвию". "Матрица" пока тоже безумно далека от реализации, но для меня это знаковый фильм-предупреждение о том, что интеллектуальные машины нельзя наделять автономностью и тем более способностью к репликации.

Есть и такие фильмы, которые показывают нам реалистичную ближайшую перспективу. Например, в фильме "Она" американского режиссёра и сценариста Спайка Джонса показана технология, вполне реализуемая уже в ближайшие годы: операционная система свободно разговаривает с человеком, берёт на себя обязанности секретаря, вплоть до ведения деловых переговоров. Но во второй половине фильма главный герой выстраивает человеческие и даже любовные отношения с "операционкой", что, на мой взгляд, полный абсурд. Человек в здравом уме никогда не станет воспринимать эту штуковину на равных. Она ведь не разум и не личность, а всего лишь их имитация. Когда манекен вызывает у нас ощущение присутствия, мы быстро осознаём это как когнитивное искажение. При общении с интеллектуальными помощниками и антропоморфными устройствами нам также придётся более критично относиться к нашим эмоциональным реакциям. Фантастика, очеловечивающая ИИ, навязывает нам искажённое восприятие технологий будущего, и это скорее похоже на пропаганду трансгуманизма.

"ЗАВТРА". А если пользователь не в своём уме?

Константин ВОРОНЦОВ. Тогда вопрос к пользователю, "что его довело до жизни такой?" Вроде бы очевидно, что технологии ИИ, как и любые другие, создаются людьми для того, чтобы повышать производительность труда и качество жизни. Даже мысли не должно возникать ставить машину на один уровень с человеком. И вот перед нами нейросеть, программа, которая, как нам кажется, пишет, говорит и думает, как человек, и даже притворяется, что имеет эмоции и психику. Наша первая реакция - отнестись, как к человеку. Типичное когнитивное искажение! "Эффект манекена". Обучаясь, нейросеть видела миллиарды ситуаций, в которых люди писали, говорили, выражали эмоции. Она на ходу склеивает из этих обрывков нечто, подходящее под ситуативный контекст. Часто угадывает, потому что в большой обучающей выборке находились похожие ситуации. Однако никакого смысла за этим не стоит, сеть не умеет думать о смыслах.

"ЗАВТРА". Но в интеллектуальных играх (шахматы, шашки, го) человек терпит поражение.

Константин ВОРОНЦОВ. Эти игры - замкнутая искусственная среда. Правила игры фиксированы и довольно просты. Поэтому алгоритмы могут обучаться, соревнуясь друг с другом. Миллионы игр - и модель доводится до совершенства. Намного труднее переносить этот подход в реальную жизнь, где отсутствуют чёткие правила, действует масса факторов, возникают непредвиденные обстоятельства. Выборки для беспилотного вождения собирают уже много лет, и всё равно в 2020 году произошёл случай, когда Тесла на автопилоте врезалась в автобус, лежавший на боку после аварии. Со временем даже такие крайне редкие ситуации или хотя бы их аналоги попадут в материал обучения. Нет уже никаких сомнений в том, что автопилот будет водить лучше человека, и аварий будет меньше. В данном случае очень хорошо, что "человек терпит поражение".

"ЗАВТРА". А если роботы начнут действовать во вред людям?

Константин ВОРОНЦОВ. Не начнут, пока люди их этому не научат намеренно или по ошибке. Был скандальный случай, когда чат-бота обучили по большой выборке всех без разбора диалогов из социальной сети. В итоге он научился быстро переходить на оскорбления, нацизм и расизм. Чтобы чат-бот был вежливым, его надо обучать на тщательно отфильтрованной выборке. Разработчик обязан позаботиться об этом.

Фантаст Айзек Азимов первым сформулировал три закона робототехники, чтобы избежать нежелательных для людей сценариев взаимодействия с роботами. С этими правилами уже можно сверяться при создании ИИ-систем. Постепенно они будут обрастать деталями и трансформироваться в технические регламенты, отраслевые стандарты, юридические нормы, как в любой другой технической отрасли.

Мы создаём роботов и системы ИИ ради автоматизации нашей деятельности, чтобы они были нашими послушными помощниками. Поведение робота зависит от того, на каких данных его обучали, насколько сложная предсказательная модель использована, заложена ли в модель возможность давать понятные человеку объяснения принимаемых решений, насколько тщательно он был протестирован в штатных и нештатных ситуациях. Наконец, у любого робота должна быть "кнопка", которой человек может его отключить в любой момент, как пылесос.

"ЗАВТРА". В марте прошлого года было сообщение, что в Ливии самоуправляемый турецкий военный квадрокоптер Kargu-2 впервые убил человека без непосредственной команды оператора.

Константин ВОРОНЦОВ. Сейчас все передовые страны разрабатывают автономные системы вооружений. Зачем пилота сажать в самолёт, если беспилотный истребитель противника и маневрирует лучше, и решения принимает быстрее? Воевать в воздухе живыми людьми очень скоро станет невыгодно. С танками похожая ситуация.

И в Ливии была задействована программа, способная различать живую силу противника от собственных солдат и гражданских. Наверняка эта система прошла испытания, и было доказано, что она ошибается не реже, чем это в среднем делают операторы, но приказ применить такое устройство в автономном режиме всё равно отдавал конкретный офицер. Если бы что-то пошло не так, он бы за это отвечал.

Сообщение на самом деле не о том, что робот принял на себя решение убить человека, а о том, что в данном виде вооружений пройдена ещё одна ступень автоматизации. Скоро интеллектуальные рои беспилотников будут воевать друг против друга, самостоятельно принимая тактические и даже стратегические решения, выполняя поставленные перед ними боевые задачи. Но задачи будут ставить конкретные военачальники.

"ЗАВТРА". Всё от этики человека зависит в итоге.

Константин ВОРОНЦОВ. Конечно. Во многих странах сейчас разрабатываются кодексы этики в сфере ИИ. Недавно я принимал участие в обсуждении российского кодекса на финальной стадии его подготовки, и это весьма разумный документ.

Многое также зависит от правильности понимания ИИ в общественном сознании, от уровня технической грамотности. Сегодня очень важна роль популяризации науки, важно объяснять возможности и ограничения технологий, чтобы не было иллюзий. Люди воспринимают слова и не замечают, что реальное наполнение научных терминов может отличаться от обывательских ожиданий. Мы говорим "искусственный интеллект", но это не сам интеллект, а лишь название области научных исследований, компьютерная имитация обучения по прецедентам. Мы говорим "нейронная сеть", но это мало похоже на человеческий мозг.

Если продолжить разговор о языке, то я бы запретил применять к ИИ глаголы активного действия, например, ИИ "обыграл чемпиона мира", "научился диагностировать рак", "находить ошибки в школьных сочинениях" или вот - "впервые принял решение убить человека". Подобные фигуры речи - скорее маркетинговый ход для привлечения внимания. ИИ ничего не может сделать самостоятельно. Это люди придумывают способы применения технологий и постановки задач, организуют сбор данных, создают модели, численные методы и программы, оценивают, внедряют в производство и отдают приказы на применение.

"ЗАВТРА". Как избежать рисков, что полезная технология будет обращена во вред?

Константин ВОРОНЦОВ. Для этого необходимо ответить на идеологические вопросы: для чего мы развиваем эти технологии и в какое будущее хотим прийти?

Давайте исходить из постулата, что целью человеческой цивилизации является обеспечение выживания нас как биологического вида, сохранение биосферы Земли, создание безопасной и комфортной среды обитания для всех людей. Научно-технический прогресс в целом и ИИ в частности нужны для выполнения всех этих задач.

В то же время общественный дискурс наполнен мифами об ИИ: что машины лишат людей работы, что настанет момент сингулярности, когда ИИ получит возможность воспроизводить и совершенствовать сам себя с непостижимой для людей скоростью; что возникнет машинный разум, принципиально отличный от человеческого, и дальнейшую судьбу цивилизации станет трудно предсказать; что машины окажутся настолько совершенны, что человек им будет уже не нужен для существования и развития.

Эти мифы могут стать реальными угрозами, если экстраполировать в будущее современное технократическое мышление "сделал потому, что мог", пронизанное идеологией индивидуализма. Именно такую экстраполяцию допускают Рэймонд Курцвейл, Нассим Талеб, Клаус Шваб и другие всемирно известные визионеры... и каждый раз получают апокалиптический сценарий.

Цивилизационное мышление исходит из другого принципа: "сделал ради сохранения и развития человеческой цивилизации". ИИ должен стать послушным и надёжным помощником, оставляя людям наиболее творческую работу и принятие ключевых решений. Получится ли это, целиком зависит от нас самих, от того, успеем ли мы изменить мышление на цивилизационное или застрянем на уровне "обезьяны с гранатой".

"ЗАВТРА". Вся ответственность лежит на людях, которые придумывают эти технологии.

Константин ВОРОНЦОВ. Да, и ещё на тех, кто их распространяет, и на тех, кто их применяет. Любая технология может быть использована как во зло, так и во благо, как для разрушения, так и для созидания. Очень важно, что́ у человека в голове в тот момент, когда он собирается сделать свой выбор. Мы часто обсуждаем с коллегами, кто какими задачами занимается. Некоторые занимаются технологиями генерации фейковых текстов, изображений, голоса или видео. Люди не только образованные, но и вполне порядочные. На вопрос "как ты можешь, ведь это увеличит количество лжи в информационном пространстве" обычно есть три "отмазки". Первая: если я не сделаю, то кто-то другой сделает. Вторая: для испытания средств защиты необходимо иметь средства нападения. Третья: это дико интересно. Фактически человек отложил свой морально-этический выбор "на потом", приготовился балансировать на грани добра и зла, но кто же даст гарантии, на чьей стороне он в итоге окажется? Третья мотивация продиктована эгоизмом исследователя, она-то и является главной. С цивилизационных позиций, выбор в такой ситуации однозначен: заниматься выявлением фейков нужно, генерацией - никогда!

Когда в наших руках мощные технологии, способные менять общественные отношения и образ жизни людей, оказывать глобальное воздействие на биосферу, мало быть образованными и порядочными. Мы находимся в особой точке истории: либо мы научимся отказываться от индивидуалистских мотиваций в пользу цивилизационных ценностей, либо спровоцируем катастрофу планетарного масштаба, рано или поздно уничтожив не только себя, но и всё живое на Земле. Нет других вариантов, и осознание этого факта одновременно пугает и воодушевляет.

"ЗАВТРА". Спасибо, Константин Вячеславович, за беседу! Будем надеяться, что человечество не рухнет в бездну.

Беседовал Павел Портнов

На фото: передовые математические модели, созданные советскими учёными, могли стать основой цифровизации с человеческим лицом, поскольку наши инженеры работали прежде всего над промышленными ЭВМ для вывода народного хозяйства на новый виток роста эффективности. ЭВМ БЭСМ-6 (Большая электронная счётная машина). СССР, 1959 г. На её основе сконструированы компьютеры на интегральных микросхемах серии "Эльбрус".

Эти величественные и очень важные животные наконец вернулись на свое место обитания. Их не было там несколько столетий.

Зоозащитники рассказали о результатах реинтродукции зубров на территории Карпатской горной системы. Этих парнокопытных не встречали в регионе более 200 лет.

В 2014 году на юго-запад Румынии были завезены первые три зубра. В этом году в Карпатах их уже 105. Цель совместного проекта ВВФ и некоммерческой организации "Ревилдинг Европа" довести эту цифру до 250.

Животные хорошо прижились. За прошедшие годы здесь родилось 38 детенышей. Причем за последние два года не было зарегистрировано ни одного смертельного случая. В настоящее время зубров можно встретить на территории около 8000 гектаров. На территории Европы обитает около 6000 зубров, большинство из которых находятся в Беловежской Пуще, которая расположена на территории Белоруссии и Польши.

Две группы ученых Хэфэйской национальной лаборатории физических наук при Научно-техническом университете Китая создали два новых квантовых вычислительных устройства на фотонах и сверхпроводниках. Как заявляют авторы работы, им удалось достигнуть несомненного квантового превосходства, то есть решить задачу, которая практически невыполнима на классических компьютерах. Об этом сообщается в нескольких статьях, опубликованных в журнале Physical Review Letters.

Обе группы возглавлял физик Цзянь-Вэй Пань, и в обоих случаях цель заключалась в расчете вероятности состояний частиц на выходе квантовых схем. Это задача проста для обычного компьютера, если схема содержит лишь небольшое количество входов и выходов, однако становится очень сложной и даже невозможной с ростом этого числа.

Об этом в ходе пресс-конференции в Москве заявил председатель Комитета Государственной Думы Российской Федерации по энергетике Павел Завальный, передаёт корреспондент "ПолитНавигатора".

"В России реализуется программа замыкания ядерного цикла. Мы единственные в мире обладаем реактором быстрых нейтронов, который позволяет использовать топливо тепловых реакторов после фабрикации в реакторах быстрых нейтронов, чтобы дожимать его там.

Сегодня реактор БН-800, который эксплуатируется, в нём порядка 25 процентов топлива с фабрикации - это топливо с выработанных тепловых ядерных реакторов", - сказал он.

Кроме того, депутат отметил, что разработанная российскими учёными технология позволит обеспечить источник энергии на многие тысячелетия без выбросов СО2.

"Вводятся новые реакторы: проект "Прорыв", реактор "Брест", который будет реактором с тепловым носителем, в котором будет использоваться отработанное топливо из тепловых реакторов. Таким образом, эта технология стопроцентного замыкания ядерного топливного цикла.

С точки зрения результата для человечества, учитывая достижения этой технологии, если оценить все мировые запасы углеводорода и угля они составляют только 15 процентов, а потенциальной энергии, которую можно получать с помощью замыкания топлива ядерной энергии, мы получаем источник энергии даже не на столетия, а на тысячелетия. Причём этот источник не углеродной энергии, иными словами без выбросов СО2", - заключил Завальный.

Напомним, ранее в Москве заявили, что проект строительства "Росатомом" АЭС становится камнем преткновения и новым идеологическим оружием в руках казахских националистов.

Кроме того, в Киеве отметили, что атомные эксперименты над Украиной продолжаются. После топлива Westinghouse на территории страны протестируют так называемые малые модульные реакторы (ММР), которые разрабатывает американская компания NuScale Power.

С 2010 по 2018 год число ученых-исследователей в России сократилось почти на 6%, с 365,9 тыс. до 347,8 тыс. Об этом говорится в исследовании компании FinExpertiza (есть у РБК). Больше всего число ученых сократилось в естественных и технических сферах, говорится в документе.

Аналитики FinExpertiza оценивали количество ученых в шести областях науки, по которым ведет учет Росстат. По их данным, численность исследователей росла до 2015 года, однако затем начала снижаться. В FinExpertiza уточнили, что под учеными имеются в виду специалисты, профессионально занимающиеся исследованиями и разработками, которые обычно имеют законченное высшее образование.

По данным FinExpertiza, за девять лет число ученых в естественных науках уменьшилось на 10,7 тыс. человек, в технических - на 10,4 тыс. Тем не менее эти научные области по-прежнему остаются самыми многочисленными, утверждается в исследовании. В сельскохозяйственных науках число исследователей уменьшилось с 12,7 тыс. до 9,5 тыс. Чуть меньшие потери в области медицинских наук - с 16,5 тыс. до 14,3 тыс. человек.

На фоне сокращения численности исследователей в этих сферах общественные и гуманитарные науки показали рост. За девять лет число исследователей в общественных науках выросло почти на 33%, или на 4,6 тыс. человек. В гуманитарных областях рост составил 6% (710 человек).

Как показало исследование, большинство оставивших науку не имели ученых степеней. Что касается возрастного среза, то покидали науку чаще те, кому было 50-59 лет - за девять лет исследователей в этом возрасте стало меньше на 38%.

Почему число ученых сокращается

Собеседник РБК, близкий к Российской академии наук (РАН), согласился с выводом о сокращении количества ученых. По его словам, это связано с деятельностью по оптимизации численности персонала в рамках реформы РАН 2013 года.

Тогда, напомнил источник РБК, были увеличены зарплаты ученых: они, согласно президентскому указу, должны составлять удвоенную среднюю зарплату по региону. "После этого начались сокращения тех, кто просто занимает место и ничего не делает", - пояснил собеседник.

Почему возникает вопрос числа гендеров и как от этого может поменяться мир, - рассказывает Елена Рождественская, доктор социологических наук, профессор факультета Социальных наук ВШЭ, профессор, автор и ведущая курса "Социология гендера".

Marie Claire: Объясните, что такое гендер и чем гендер отличается от пола?

Елена Рождественская: Пол - это то, что фиксируют в документах при рождении, анатомические и физиологические характеристики. А гендер - это про социальное поведение в конкретном обществе и в конкретную эпоху, это социально приемлемое представление о мужественности и женственности. Например, если общество оперирует бинарными конструкциями, то гендерная идеология принуждает мужчин и женщин максимально отличаться друг от друга. Возникают определенные социальные предписания, что "должна" делать женщина и каким "обязан" быть мужчина. А вообще выделяют биологический пол (его можно разложить на генетический, гонадный, гаметный, гормональный и фенотипический пол), юридический пол - то есть то, что указано в документах, и наконец тот пол (и тут уже можно говорить о гендерной идентичности), который человек сам себе выберет.

Раньше как-то жили без гендера, что произошло?

Понятие ввел американский психиатр Роберт Столлер. В 1963 году он выступил с докладом "О гендерной идентичности", а в 1968 году вышла его книга "Пол и гендер" (Sex and Gender).

На волне взрыва женской эмансипации и секс-революции восприятие "женской роли" стало выходить за предписанные рамки kinder-kirche-küche.

Поэтому появилась история отделения биологических данных от социального выбора. Вот и возникла новая научная концепция - гендера. В России этот термин в обиходе с конца 1980-х годов.

Но в Индии же испокон веков существовали хиджры - так называемый "третий пол"?

Да, хиджры - как правило, это интерсексуалы (раньше их называли "гермафродитами"), мужчины с дефектами физиологии, чаще всего идентифицирующие себя как женщины, - в Индии уже несколько лет официально признаны "третьим" полом. У представителей этого пола теперь есть паспорта, они могут открывать счет в банке. Как видите, в итоге даже такое традиционное общество, как Индия, нашло пространство для небинарной системы.

Сколько видов гендера выделяют в социологии?

Разновидностей гендеров нет числа. Это и трансгендеры (или гендерквиры - те, чья гендерная идентичность не совпадает с биологическим полом), и транссексуалы (те, кто стремится совершить или уже совершил гендерный переход - хирургическим или гормональным путем поменял данный от рождения пол), и андрогины с бигендерами (те, кто идентифицирует в себе и феминные, и маскулинные черты), и агендеры (те, кто вообще не желает причислять себя ни к какому полу), и пангендеры (наоборот, ощущающие в себе признаки всех гендерных идентичностей), и гендер-флюиды (те, кто склонен постоянно менять свою идентичность).

Получается, с какой ноги встал, такой и гендер?

Выходит, что да. Это попытка выйти из той самой бинарной системы. Далеко не все туда вписываются.

Навигация по новым гендерам может быть чрезвычайно сложна. Поэтому многие страны переходят к гендерно-нейтральному языку в документах и к гендерно-нейтральному воспитанию.

Вы, возможно, слышали историю канадки Кори Доти - она идентифицирует себя как "небинарный трансгендер", не считая себя ни женщиной, ни мужчиной. Кори - активистка "Коалиции безгендерной идентичности" (Gender-Free ID Coalition), которая добивается, чтобы пол детей до их совершеннолетия вообще не упоминали в документах. Родив ребенка дома (а не в больнице, где акушеры сразу фиксируют пол), Кори настояла на том, чтобы в медицинской карте, а также в свидетельстве о рождении пол ребенка не был указан. Медстраховку ей удалось получить, а вот в "бесполом" свидетельстве о рождении ей отказали, и активистка подала в суд. Хотя в Канаде давно уже приняли закон о гендерно-нейтральном языке в документообороте и даже переписали гимн, чтобы он не звучал только как обращение к мужчинам.

Почему так много видов гендеров возникло именно сейчас?

Это не совсем так. Стремление к небинарности, гендерная флюидность и прочие квир-проявления существовали всегда с разной степенью легитимности. Сегодня у нас просто больше средств и ресурсов это обсуждать на разных медиаплатформах. Про Индию мы уже говорили. Но "кросс-пол" практикуют и в других тоже традиционных обществах. Например, традиция бача-пош в Афганистане: девочек с ранних лет воспитывали как мальчиков, называли мужским именем, коротко стригли, разрешали получать образование, заниматься боевыми искусствами, самостоятельно ходить в магазины. Потом, правда, их выдавали замуж - перевоплощение обратно в женщину и утрата свобод многим давалась нелегко.

К чему все это может нас привести?

Сейчас поиск гендерной идентичности - предмет экспериментов, самоопределения и самоутверждения. Но любая идентичность так или иначе стремится быть поддержанной, услышанной и принятой в социуме. Но в неоконсервативном обществе широкого понимающего и принимающего сообщества нет. Шансы быть принятым есть только в среде тех, кто близок по опыту и идеологии, - то есть в рамках своей сцены (сейчас чаще используется именно это понятие - от английского scene, а не понятие субкультуры, как это было в 1980-х годах прошлого века). Поэтому флюидная гендерная идентичность немного уходит "в чулан" - пока выбирающим такой путь очень сложно объяснить обществу, кто они такие.

Нам стоит отказаться от гендерных сомнений?

Есть мнение, что набор гендерных ролей устарел. Теперь мы вынуждены создавать новые сценарии, проговаривать новые потребности. Но умеем ли мы договариваться? Есть ли у нас вообще язык для переговоров? И понимают ли люди с флюидной гендерной идентичностью, чего сами хотят?

Страны, где признают права граждан на половую неопределенность

В Германии еще в 2013 году разрешили оставлять временно незаполненной графу "пол" в свидетельствах о рождении, а несколько лет назад правительство одобрило законопроект, где в свидетельстве о рождении прилагается новый пункт под названием "другие" или "разнообразные".

В 2014 году Верховный суд Австралии вынес постановление, признавшее существование в стране людей третьего, "неопределенного" пола.

В Новой Зеландии можно зарегистрировать свой пол как неопределенный, интерсексуальный, неспецифический.

В 2007 году Верховный суд Непала ввел в обиход термин "третий пол", а с 2015 года непальцы могут указывать третий пол в удостоверениях личности.

В Бангладеш в 2013 году приняли закон, который ввел категорию "хиджра" в паспортах и других удостоверениях личности.

В Индии в 2014 году Верховный суд окончательно уравнял "третий пол" в правах с остальными гражданами.

В Австрии в 2018-м году Конституционный суд постановил, что люди должны иметь возможность регистрироваться не только как мужчина или женщина.

Послабление норм гендерной идентичности также обсуждается на Мальте, в некоторых штатах Америки, а в Индонезии признают аж 5 различных гендеров, включая "метагендер" и "биссу" - сексуальную неопределенность, к которой чаще всего причисляют себя знахари и шаманы.

 Новое исследование продемонстрировало, что после полета в космос у астронавтов наблюдаются клинически значимые изменения мозга. Об этом сообщает JAMA Neurology.

Долговременное пребывание в космосе оказывает длительное воздействие на мозг. Это доказали трехлетние исследования. Но неизвестно, являются ли структурные изменения мозга безвредными или клинически значимыми.

Данное совместное исследование провели ученые из Германии, Швеции и России. Они оценили структурную целостность человеческого мозга с помощью маркеров крови у астронавтов после их возвращения на Землю. Оказалось, что длительное пребывание в космосе приводит к тому, что у мозга наблюдаются заметные признаки легкой, но длительной травмы. Также он стареет быстрее, чем у обычных людей.

Ученые исследовали продольные образцы крови пяти космонавтов, которые находились на борту МКС, в среднем, 169 дней (5,5 месяцев). Все испытуемые сдали кровь прямо перед полетом и сразу после возвращения на Землю. Еще два образца брали через одну и три недели после приземления.

В их крови исследователи выявили значительное повышение содержания нескольких специфичных для мозга белков, в частности, в течение первой недели после возвращения по сравнению с первоначальными значениями до миссии. Эти протеины указывают на повреждение длинных нервных волокон в белом веществе человеческого мозга и глиальных клетках.

Причиной увеличения специфических белков мозга может заключаться в нарушенном венозном оттоке головы в условиях микрогравитации. Этот механизм может со временем привести к увеличению объема спинномозговой жидкости и давлению на белое и серое вещество.

Ученые также заметили снижение тау-белка (маркера серого вещества), который сохранялся даже через три недели после возвращения космонавта на Землю. Специалисты считают, что все это свидетельствует в пользу комплексной реакции мозга на пребывание в космосе, а не только одного типа ткани.

Исследователи заметили, что необходимы дальнейшие эксперименты и опыты, чтобы придумать, как снизить влияние микрогравитации на человеческий мозг. Это позволит минимизировать неврологические риски при длительных миссиях. По словам ученых, это нужно сделать до планирования путешествия на Марс.

Таяние льдов в районе вечной мерзлоты, которое происходит из-за изменений в климате, может привести к пробуждению опасных вирусов, заявил член ООН Рае Квон Чунг.

Он отметил, что это не только Арктика, но также Канада и Россия. В России - это, прежде всего, Сибирь, отмечает Чунг. Об этом сообщает ТАСС.

Ученый призвал совместно прикладывать усилия для сдерживания мирового потепления. Для этого государства должны вводить принципы "климатической" экономики. Так, пришлось бы платить за выбросы углеродов в атмосферу.

Курс самых крупных стран мира на сокращение выбросов и декарбонизацию будет иметь неожиданные последствия для мировой экономики. Подобная политика затормозит рост предложения, что приведет к значительному подъему цен на сырьевые товары и запустит начало десятилетнего сырьевого суперцикла, предупреждают эксперты Saxo Bank в ежеквартальном обзоре перспектив глобальных рынков (есть у "РБК Инвестиций").

"Во всем мире проводится такая политика, как будто у нас кризис спроса. Но на деле в настоящее время мы сталкиваемся с кризисом предложения на фоне пандемии, недостатка инвестиций в материальный мир и ускоренной декарбонизации за счет электрификации и возобновляемых источников энергии. Эти силы оказывают огромное давление на цены в сырьевом секторе, и мы считаем, что зеленая трансформация в сочетании с текущей политической траекторией посеет семена сырьевого суперцикла, который продлится десятилетие", - считает главный стратег по рынку акций Saxo Bank Питер Гарнри.

Он указывает на то, что капитальные затраты в горнодобывающем и энергетическом секторах низки по историческим меркам, развитые страны проводят ускоренную декарбонизацию, причем чрезмерная ориентация на экологическое, социальное и корпоративное управление (Environmental, Social, and Corporate Governance, ESG) увеличивает расходы компаний. Кроме того, глобальное производство претерпевает изменения, которые нарушают баланс предложения и спроса в мировой экономике.

Главный экономист и директор по инвестициям Saxo Bank Стин Якобсен отмечает, что ESG и зеленая трансформация - это самый крупный политический просчет в истории, его основными последствиями будут инфляция и еще более низкие реальные ставки.

Эксперт поясняет, что текущие технологии не позволяют увеличивать объемы выработки солнечной и ветровой энергии из-за нестабильности таких источников. Это приведет к отставанию предложения от спроса и росту цен (инфляции), слабому реальному росту экономики и отрицательным ставкам.

По его словам, в таком режиме хорошо себя чувствуют два основных класса активов: активы, одобряемые правительством, и активы, цена которых определяется соотношением спроса и предложения. "Это означает, что зеленые акции и, по иронии судьбы, сырьевые товары имеют наилучшие шансы на получение долгосрочной избыточной прибыли", - отмечает Якобсен.

Цены на сырьевые товары в основном росли в 2021 году. За первые три квартала года сырьевой индекс Bloomberg (BCOM) повысился на 29% - этот показатель отслеживает корзину основных товарных фьючерсов, равномерно распределенных между энергетикой, металлами и сельским хозяйством.

При этом больше всего подорожал природный газ - тот же индекс, рассчитанный только для газа, прибавил 113%. А цена газа на хабе TTF в Нидерландах за то же время взлетела на 411%. Сырьевой индекс Bloomberg для нефти Brent вырос на 61%. А индекс для драгоценных металлов к четвертому кварталу упал на 10%.

Глава отдела стратегий на товарно-сырьевом рынке Saxo Bank Оле Хансен сохраняет оптимистичный взгляд на динамику рынка сырьевых товаров на четвертый квартал и далее.

Эксперт отметил, что в текущем году по многим ключевым товарам было сильное ралли, которое спровоцировал резкий рост потребительских затрат после экономического спада, вызванного COVID. По мере того как влияние государственных расходов и дотаций от правительств в Европе, Китае и США начинает уменьшаться, рынок постепенно охлаждается. Тем не менее цены продолжат расти благодаря ограничению предложения - хотя и меньшими темпами, уверен Хансен.

Автор
Валентина Гаврикова

"Как в сытые нулевые". В мировой экономике начался сырьевой суперцикл

Максим Рубченко

Экономический обозреватель

МОСКВА, 8 окт - ПРАЙМ, Максим Рубченко. Все больше экспертов заявляют о начале нового сырьевого суперцикла - многолетнего периода роста цен на сырье. Насколько оправданы эти прогнозы и что новый суперцикл сулит российской экономике, разбирался Прайм.

ДЕСЯТЬ ЛЕТ ДЕФИЦИТА

Снижение предложения сырьевых товаров и растущие цены на них стали началом нового сырьевого суперцикла, который продлится десять лет. С таким прогнозом выступили на этой неделе эксперты Saxo Bank.

"В настоящее время мы сталкиваемся с кризисом предложения на фоне пандемии, недостатка инвестиций в материальный мир и ускоренной декарбонизации, - указал главный стратег по рынку акций Saxo Bank Питер Гарнри. - Эти силы оказывают огромное давление на цены в сырьевом секторе и закладывают основы сырьевого суперцикла, который продлится десятилетие".

Напомним, что Saxo Bank не первым заговорил о новом сырьевом суперцикле. Еще в феврале с аналогичным прогнозом выступили аналитики JPMorgan. "Общепризнанно, что за последние сто лет было четыре сырьевых суперцикла, последний из которых начался в 1996 году", - отметили они в своем обзоре.

Первой его причиной стал экономический подъем Китая и развивающихся рынков в целом. Второй - ослабление американского доллара из-за широкомасштабных программ поддержки экономики, запущенных в США.

"Доллар США слабел, и управляющие активами все агрессивней добавляли товарные позиции в свои портфели для защиты вложений от инфляции", - отметил аналитик JPMorgan Марко Коланович. По его оценке, к 2008 году, после двенадцати лет расширения, прошлый суперцикл достиг своего пика. Затем случился глобальный финансовый кризис, вызвавший замедление темпов экономического роста в Европе и Китае, что привело к падению цен на сырьевые товары. В результате суперцикл перешел в двенадцатилетнюю фазу спада и закончился в 2020 году.

"Последний этап прошлого суперцикла был ознаменован торговыми войнами, последующей глобальной рецессией производства и катастрофическими последствиями пандемии, которая впервые в истории привела к падению цен на нефть в зону отрицательной стоимости, - напомнил Коланович. - А теперь мы, вероятно, вступили в фазу развития нового суперцикла сырьевых товаров".

По его мнению, драйверами начавшегося суперцикла станут постпандемическое восстановление экономики, слабый доллар, высокая инфляция, а также "непредвиденные последствия экологической политики, которые войдут в противоречие с физическими ограничениями, связанными с потреблением и производством энергии".

Теперь аналитики Saxo Bank называют "зеленую трансформацию" главной причиной начала нового сырьевого суперцикла. "Капитальные затраты в горнодобывающем и энергетическом секторах низки по историческим меркам, а развитые страны проводят ускоренную декарбонизацию, причем чрезмерная ориентация на экологическое, социальное и корпоративное управление увеличивает расходы компаний, - подчеркивает Питер Гарнри. - Глобальное производство претерпевает изменения, которые нарушают баланс предложения и спроса в мировой экономике".

Ставка ФРС США tradingeconomics, Federal Reserve

Юрий Савосин

precedent, 4 часа 27 минут назад добавил комментарий к новости Вместе с ценами на газ растет угроза стагфляции. Рынок рассчитывает на сильный рост за счет дешевого финансирования, но он рискует просчитаться

Суаре, на дворе новый суперцикл сырьевых товаров. О нем еще в феврале сего года писали аналитики JPMorgan, Goldman Sanchs и др.

В 1972 году Михаил Иванович Будыко использовал простую методологию для составления климатических прогнозов, которые остаются на удивление точными и сегодня и могли бы стать новым сценарием "business as usual", то есть ожидаемом при "обычном развитии событий".

В этом году исполняется 100 лет со дня рождения одного из моих научных руководителей - климатолога Михаила Ивановича Будыко (1920-2001). Пятьдесят лет назад, когда наука о прогнозировании изменения климата только зарождалась, этот ученый из Советского Союза сделал ряд климатических прогнозов, которые впоследствии оказались удивительно точными.

Граф.1 Прогнозы Михаила Будыко 1972 года (сплошные серые линии): (а) температура поверхности и (б) изменения в арктических морских льдах. На рисунке (а) тонкая черная сплошная линия показывает средние за 5 лет наблюдения изменений средней глобальной температуры, сделанные Институтом космических исследований Годдарда НАСА для "Анализа температуры поверхности" (версия 4). Пунктирная линия (точки) показывает сценарий "обычного развития событий" Межправительственной группы экспертов по изменению климата (МГЭИК); пунктирная линия (дефисы) отражает сценарий МГЭИК при низких выбросах. На рисунке (b) тонкая черная сплошная линия показывает спутниковые наблюдения за изменениями площади многолетних льдов Арктики. Прогноз площади морских льдов был рассчитан на основе первоначальных прогнозов Будыко о средней широте границы морских льдов [Будыко, 1972], предполагая круглую форму многолетнего ледового поля и соотнося эту площадь с показателями 1970 года.

Точность этих прогнозов особенно впечатляет в свете преобладающей неопределенности в современных сложных моделях глобальной циркуляции [Zelinka et al., 2020]. Хотя эти более новые модели учитывают большое количество различных обратных связей в системе атмосфера-лед-океа, примерно до 2009 года большинство моделей динамики арктических морских льдов постоянно недооценивали действительную скорость потери льдов в Арктике в последние несколько десятилетий.

Предсказания для нового тысячелетия

Температурный прогноз Будыко был основан на нескольких работах, включая его собственную модель глобального энергетического баланса [Будыко, 1969], которые были представлены на симпозиуме 1970 года по исследованию воздействия человека на климат (SMIC) [Matthews et al., 1971]. Михаил Иванович, например, ссылался на модель глобального углеродного цикла [Machta, 1972], которая состоит из двух атмосферных и двух океанических слоев, а также разделена на "быстрое" и "медленное" - обращаемые резервуары земного углерода и резервуара углерода морской биоты. Наиболее важным параметром в этой модели была скорость обмена углерода между океаном и атмосферой. Махта вывел этот параметр из наблюдений 1955-1969 годов за судьбой "бомбового" радиоуглерода - изотопов углерода, связанных с испытаниями ядерного оружия, - и предсказал, что в 2000 году концентрация углекислого газа в атмосфере достигнет 375 ± 10 частиц на миллион (ppm). Действительная концентрация, замеренная в Мауна-Лоа на Гавайях и усредненная за 2000 год, составляла 369 частиц на миллион (ppm).

Будыко также ссылался на модель глобальной циркуляции Манабе, в которой использовалась упрощенная топография суши, "океан-болото" без горизонтального или вертикального перемещения тепла и без динамики морских льдов [Manabe, 1971]. Несмотря на эти упрощения, модель учитывала наиболее важные обратные связи, которые влияют на радиационные потоки тепла, включая влияние атмосферную влажность и снежный покров. При фиксированной относительной влажности, эта модель продемонстрировала климатическую чувствительность около 2°C на каждое удвоение концентрации углекислого газа и усиление потепления в высоких широтах в 2 раза по отношению к среднему по планете. Недавние исследования показали, что определенная эмпирически по недавним изменениям температуры неравновесная чувствительность (англ. actual transient sensitivity) климатической системы к радиационному воздействию (избыточная тепловая энергия, которую Земля поглощает от Солнца по сравнению с количеством, излучаемом ею обратно в космос) составляет около 1,8°C на удвоение углекислого газа [Nijsse et al. al., 2020], и что эффект полярного усиления действительно приводит к увеличению температуры полярных областей более чем в два раза по сравнению с глобальной средней скоростью потепления. Та же самая климатическая чувствительность и прогноз концентрации углекислого газа в атмосфере на 2000 г. позволили авторам отчета SMIC прийти к выводу, что к 2000 г. поверхность Земли нагреется примерно на 0,5°C [Matthews et al., 1971]. Этот прогноз был основан только на радиационном воздействии, вызванном меняющимися уровнями углекислого газа. Он не учитывал воздействия метана, закиси азота и озона, однако оказался очень близким к реальности (граф. 1а). Одно из возможных объяснений такой высокой точности заключается в том, что прогноз также не учитывал охлаждающий эффект (отрицательное радиационное воздействие), создаваемый аэрозольными частицами в атмосфере, который возможно и скомпенсировал отсутствие в том прогнозе других парниковых газов.

100-летний прогноз

В 1972 году Будыко пошел дальше этих предыдущих исследований и опубликовал свой прогноз глобального потепления до 2070 года [Будыко, 1972]. До определенной степени его прогноз был продолжением прогноза SMIC, но он уже основывался на другой, более высокой скорости глобального потепления. Будыко оценил эту новую скорость с помощью простых расчетов, которые предполагали линейную зависимость между годовым темпом роста мирового производства энергии и температурой поверхности Земли. Например, Будыко предположил, что ежегодное увеличение темпов глобального потребления первичной энергии возрастет после 2000 г. примерно в 1,5 раза, или с 4% в начале 1970-х годов до 6% после 2000 года, что должно было привести к расчетной скорости глобального потепления 0,25°C за десятилетие вместо 0,5°C за 30 лет с 1970 по 2000 (т.е. примерно 0,17°C за десятилетие), предсказанной в отчете SMIC [Будыко, 1972]. Будыко не дал детального объяснения своим расчетам об увеличении потребления энергии в 1,5 раза, но написал, что темпы потребления энергии неизбежно возрастут, возможно, достигнув 10% в год в течение 21 века [Будыко, 1972].

С 1970 по 1999 год средняя глобальная температура действительно повышалась на 0,17°C за десятилетие, а после 2000 года этот показатель вырос до 0,25°C за десятилетие [GISTEMP Team, 2020] (График 1a). Однако в течение последних нескольких десятилетий годовое потребление первичной энергии росло только примерно на 2,9% в год [BP, 2019]. Очевидно, Будыко переоценил относительную скорость роста потребления первичной энергии, но правильно угадал пропорцию увеличения абсолютной скорости, с которой энергия потреблялась до и после 2000 г, а также соответствующее повышение температуры. С 1970 по 1999 год, абсолютный рост энергопотребления составлял 15 петаватт-часов (ПВтч) за десятилетие, а с 2000 по 2019 год - 25 ПВтч за десятилетие [BP, 2019], что соответствует его увеличению примерно в 1.6-1.7 раза. В течение этих периодов времени, отношение тренда температуры к увеличению потребления первичной энергии было почти одинаковым: 0,011°C/PWh для 1970-1999 годов и 0,010°C/PWh для 2000-2019. Иными словами, предположение Будыко о линейном характере влияния энергопотребления на температуру оказалось очень близко к реальности.

Почему линейная зависимость работает

Этот почти линейный отклик глобальной температуры на увеличение потребления энергии может быть объяснен несколькими линейными зависимостями внутри системы энергия-углерод-климат. Во-первых, необходимо учитывать, что около 87% мирового спроса на энергию по-прежнему удовлетворяется за счет ископаемых видов топлива [BP, 2019], поэтому линейная зависимость между потреблением энергии и выбросами углерода по-прежнему существует, несмотря на рост использования альтернативных источников энергии за последние 50 лет.

Во-вторых, доля антропогенного углерода, который остается в атмосфере, на протяжении всего ХХ века, была почти постоянной и составляла около 45%.

В-третьих, логарифмическая связь между изменениями радиационного баланса и концентрацией углекислого газа в атмосфере, с хорошей долей точности примерно в 10%, может быть заменена простой линейной функцией в диапазоне от 320-580 ppm.

В-четвертых, до недавнего времени основным фактором увеличения глобального радиационного воздействия был рост количества углекислого газа в атмосфере и связанные с этим обратные связи внутри климатической системы. И в-пятых, модель энергетического баланса Будыко показывает линейный ответ средней глобальной температуры на небольшие (до 1%) отклонения радиационного баланса [Будыко, 1969]. В результате всех этих линейных взаимодействий внутри сложной климатической системы окончательная зависимость роста температуры от потребления энергии оказаласть приблизительно линейной.

Однако Будыко считал, что его прогноз 1972 года может недооценивать тенденции потепления. Его беспокоило, что чувствительность климата к удвоению атмосферной концентрации СО2 которую он позаимствовал из ранних работ Манабе [1971], была получена без учета положительной обратной связи между повышением температуры и сокращением полярного ледяного покрова.

Кроме этого, он ожидал увидеть более значительный непосредственный вклад в увеличение температуры от выбросов тепла, высвобождаемого при сжигании ископаемого топлива. Как мы знаем теперь, эти потоки энергии служат важным фактором в формировании климата крупных городов - таких как Москва, Нью Йорк, Токио и других, - где температура как зимой, так и летом часто бывает на несколько градусов по Цельсию выше. чем в пригородах. Происходит это за счет теплового загрязнения, вызванного отоплением домов в холодный сезон, а также их охлаждением в теплое время года. Вместе с тем в глобальном масштабе эффект этих потоков энергии от сжигания топлива был очень слабым в 1970 году и остается примерно на таком же уровне сейчас составляя не более 0,1 Вт на квадратный метр [BP, 2019]. Это довольно малая величина - особенно если ее сравнивть с современным нарушением глобального радиационного баланса, вызванного парниковыми газами и составляющим около 2,3 Вт на квадратный метр.

Примерно через 20 лет после того, как Будыко опубликовал свой прогноз в 1972 году, два похожих сценария, названные сценарий A (при высоких выбросах) и сценарий B (при средних выбросах), были опубликованы в первом отчете Межправительственной группы экспертов по изменению климата (МГЭИК). Эти сценарии, которые теперь называются сценариями Pепрезентативных траекторий концентрации (РТК) РТК 8.5 и РТК 6.0, соответственно, существуют в недавних отчетах МГЭИК. Сценарий A, который называется "обычное развитие событий", предполагает углеемкое энергоснабжение, продолжающееся обезлесение, нерегулируемые выбросы метана и закиси азота в сельском хозяйстве и только частичное выполнение Монреальского протокола, который регулирует выбросы химических соединений, разрушающих озоновый слой. Этот сценарий предполагает повышение средней глобальной температуры от 0,2°C до 0,5°C за десятилетие (в среднем на 0,3°C за десятилетие). Сценарий B подразумевал сдвиг в сторону более широкого использования природного газа, значительное повышение энергоэффективности, строгий контроль над монооксидом углерода, обратные тенденции в сфере обезлесении и полное выполнение Монреальского протокола. В итоге сценарий B предсказывал более низкое повышение средней глобальной температуры поверхности - на 0,2°C за десятилетие. При таком разбросе темпов потепления, предсказанных МГЭИК в 1990 г, прогноз Будыко 1972 г оказывается как раз посередине этого диапазона (граф. 1a)

Модель арктических льдов

Будыко сделал свой прогноз для многолетних арктических морских льдов (льды, которые не тают ежегодно) на основе полуэмпирической модели энергетического баланса процесса замерзания и таяния морских льдов (граф. 1b) [Будыко, 1966]. Он предположил, что совокупный годовой дрейф плавучих льдов из Арктики через пролив Фрама и Берингов пролив - один из наиболее важных параметров его модели - будет постоянным с течением времени. Будыко подсчитал, что эквивалентный объем жидкой воды в этих дрейфующих льдах составляет около 2000 кубических километров в год [Будыко, 1966]. Совмещенные современные модели динамики льдов и спутниковых данных демонстрируют, что в период между 2010-2016 годами ежегодный выход льда через пролив Фрама к востоку от Гренландии варьировался от 1 970 до 2 400 кубических километров [Min et al., 2019] (выход через Берингов пролив был значительно меньше, и в этой оценке им можно пренебречь). Таким образом, средний отток льда из Арктики, по данным современных наблюдений и моделирования, составил около 2200 кубических километров в год - объем, который всего лишь на 10% больше, чем по оценке Будыко 1972 года.

Будыко понимал, что температура будет повышаться быстрее в Арктике, нежели на более низких широтах, и что это так называемое полярное усиление ускорит таяние арктических льдов. Он подсчитал, что при аномалии арктической температуры на 4°C по сравнению с 1970 годом слой льда толщиной 4 метра в центральной части Арктики должен исчезнуть примерно за 4 года [Будыко, 1966]. А при полярном усилениии с фактором 2, т.е. с потеплением в Арктике вдвое выше среднего глобального потепления, получалось, что аномалия в 4°C в Арктике должна быть достигнута к 2050-2060 гг., когда средняя глобальная температура будет на 2°C выше, чем в 1970 году. (График 1а). Сегодняшние климатические модели, построенные по сценариям РТК 8.5 и РТК 6.0, предсказывают, что первое лето без льдов, вероятно, наступит где-то между 2042 и 2054 годами [Peng et al., 2020].

Наиболее реалистическое видение "обычного развития событий"

Сегодня антропогенные выбросы углерода остаются высокими. Чтобы избежать потепления на 1,5° к 2060 году (по сравнению с доиндустриальным уровнем), глобальные выбросы необходимо сокращать на 7% в год, начиная с сегодняшнего дня [Höhne et al., 2020]. Для сравнения, ожидается, что пандемия COVID-19 и связанные с ней локдауны приведут к временному снижению годовых выбросов углерода на 4-7% в 2020 году [Le Quéré et al., 2020]. Предыдущие кризисы, такие как мировой финансовый кризис 2008-2009 годов и нефтяной кризис начала 1970-х, также временно снижали выбросы углерода, но эти показатели всегда восстанавливались после завершения очередного кризиса и часто превосходили свои докризисные значения. То же самое, вероятно, произойдет и после нынешней пандемии, поскольку низкие цены на нефть и меры по восстановлению экономики стимулируют рост потребления.

Вне зависимости от таких кратковременных спадов и всплесков выбросов, даже если бы мы перестали сжигать все ископаемое топливо уже сегодня, Земля продолжала бы нагреваться на несколько десятых градуса в столетие в течение столетия или дольше из-за накопленной термальной энергии в океане и из-за пониженного охлаждающего эффекта аэрозолей, которые довольно быстро прекратят поступать в атмосферу после остановки процесса сжигания ископаемого топлива. Однако реальное повышение температуры, вероятно, будет интенсивнее, чем это остаточное потепление от прошлых выбросов. Например, в ранних сценариях МГЭИК не учитывались такие источники, как диффузия через толщу воды метана, высвобождаемого при разогреве донных отложений на дне Северного Ледовитого океана, или выброс метана в результате резкого таяния вечной мерзлоты.

В основе сценария "обычного развития событий" МГЭИК лежит отсутствие каких-либо политических или экономических действий по контролю над выбросами. Однако за последние 30 лет мир стал более взаимосвязанным, осознал печальные последствия глобального потепления и предпринял несколько практических шагов по сокращению выбросов углерода. Поэтому недавно было предложено рассматривать современную версию РТК 8.5 как наихудший сценарий [Hausfather and Peters, 2020]. И все же, скажем, естественные выбросы метана из Арктики или потенциально быстрое увеличение выбросов углерода вследствие дешевой нефти и других ископаемых видов топлива после COVID-19 могут привести к даже худшему сценарию развития событий.

Оглядываясь на предыдущие 20 лет, мы видим, что средняя глобальная температура продолжает повышаться на 0,25°C за десятилетие, совпадая с прогнозом Будыко. Заглядывая вперед, можно сделать множество различных прогнозов и, например, предположить, что температурные тенденции могут ухудшиться, если мир пойдет по наихудшему РТК сценарию, или они могут немного улучшиться, если обещанные политические решения и будущие технологии сделают возможной интенсивную декарбонизацию экономики путем ее перевода на альтернативные источники энергии. На настоящий момент, однако, мы не видим дешевых и безболезненных методов такого перехода. Возможно, в будущем нам придется прибегнуть к использованию "покрывала Будыко" из аэрозолей в стратосфере для охлаждения планеты. Однако такие геоинженерные проекты всегда сопряжены с риском того, что природа отреагирует на внешнее воздействие не так, как мы ожидали. Радикальные проекты по контролю климата необходимо разрабатывать и дальше, но их осуществление стоит придержать да момента, когда более простые методы митигации перестанут приносить желаемые результаты. Поэтому в перспективе ближайшего десятилетия или даже двух десятилетий наиболее вероятным кажется сохранения существующих тенденций роста атмосферной концентрации углекислого газа и температуры точно как и предсказывал Будыко в 1972 году.

Литература

BP (2019), BP statistical review of world energy, 68th ed., London, www.bp.com/content/dam/bp/business-sites/en/global/corporate/pdfs/energy-economics/statistical-review/bp-stats-review-2019-full-report.pdf.

Budyko, M. I. (1966), On the possibility of changing climate by action on the polar ice, in Contemporary Problems of Climatolog [in Russian], pp. 347-357, Gidrometeoizdat, St. Petersburg, Russia.

Budyko, M. I. (1969), The effect of solar radiation variations on the climate of the Earth, Tellus, 21, 611-619, doi.org/10.3402/tellusa.v21i5.10109.

Budyko, M. I. (1972), Man's Impact on Climate [in Russian], Gidrometeoizdat, St. Petersburg, Russia.

GISTEMP Team (2020), GISS Surface Temperature Analysis (GISTEMP), version 4, accessed 3 Mar. 2020, NASA Goddard Inst. for Space Stud., New York, data.giss.nasa.gov/gistemp/.

Hausfather, Z., and G. P. Peters (2020), Emissions - the ‘business as usual' story is misleading, Nature, 577, 618-620, doi.org/10.1038/d41586-020-00177-3.

Höhne, N., et al. (2020), Emissions: World has four times the work or one-third of the time, Nature, 579, 25-28, doi.org/10.1038/d41586-020-00571-x.

Le Quéré, C., et al. (2020), Temporary reduction in daily global CO2 emissions during the COVID-19 forced confinement, Nat. Clim. Change, 10, 647-653, doi.org/10.1038/s41558-020-0797-x.

Machta, L. (1972), The role of the oceans and biosphere in the carbon dioxide cycle, in The Changing Chemistry of the Oceans: Proceedings of the Twentieth Nobel Symposium Held 16-20th August, 1971 at Aspenasgarden, Lerum and Chalmers University of Technology, Goteborg, Sweden, edited by D. Dyrssen and D. Jagner, pp. 121-145, Wiley Intersci. Div., Stockholm.

Manabe, S. (1971), Estimates of future change of climate due to the increase of carbon dioxide concentration in the air, in Man's Impact on the Climate: Report of the Study of Man's Impact on Climate (SMIC), edited by W. H. Matthews, W. W. Kellogg, and G. D. Robinson, pp. 249-264, MIT Press, Cambridge, Mass.

Matthews, W. H., W. H. Kellogg, and G. D. Robinson (Eds.) (1971), Inadvertent Climate Modification: Report of the Study of Man's Impact on Climate (SMIC), MIT Press, Cambridge, Mass.

Min, C., et al. (2019), Sea ice export through the Fram Strait derived from a combined model and satellite data set, Cryosphere, 13, 3,209-3,224, doi.org/10.5194/tc-13-3209-2019.

Nijsse, F. J. M. M., P. Cox, and M. Williamson (2020), An emergent constraint on transient climate response from simulated historical warming in CMIP6 models, Earth Syst. Dyn., 11, 737-750, doi.org/10.5194/esd-11-737-2020.

Peng, G., et al. (2020), What do global climate models tell us about future Arctic sea ice coverage changes?, Climate, 8, 15, doi.org/10.3390/cli8010015.

Zelinka, M. D., et al. (2020), Causes of higher climate sensitivity in CMIP6 models, Geophys. Res. Lett., 47, e2019GL085782, doi.org/10.1029/2019GL085782.

В знаменитом захоронении в Италии, известном как "гробница чаши Нестора", нашли последний приют сразу несколько человек и животных. Их кремированные останки стали предметом изучения специалистов Университета Падуи.

Открытие "гробницы чаши Нестора" можно назвать одним из самых интригующих в доклассической средиземноморской археологии. Она датируется 8 веком до н. э. и содержит кремированные кости, множество артефактов и уникальную чашу с одной из самых ранних известных греческих надписей, которая и дала название всему захоронению.

"Чашу Нестора" можно увидеть в постоянной экспозиции Национального археологического музея на острове Искья. Стихотворная надпись переводится так: "Я чаша Нестора, из меня можно пить. Того, кто выпьет меня до дна, сразу охватит страсть к Афродите".

В новом исследовании ученые провели подробный анализ 195 сгоревших костных фрагментов, найденных в гробнице. Они определили, что там был захоронен не один человек, как считалось ранее, а несколько. Но лишь 130 из этих фрагментов принадлежат людям, а остальные 45 - животным, включая коз и, возможно, собак. Анализ показал, что кости принадлежат трем людям разного возраста.

Эти результаты вызвали множество новых вопросов. Пока не удалось определить возраст захороненных в гробнице людей на момент их смерти. Зачем кремировали животных, тоже неизвестно.

Спустя более пятидесяти лет после своего открытия "гробница чаши Нестора" с острова Искья снова попала в поле зрения ученых. Новое исследование переписывает историю и предыдущую археологическую интерпретацию погребальных обычаев греческих иммигрантов в древнем Западном Средиземноморье.

Национальный исследовательский центр эпидемиологии и микробиологии имени Н. Ф. Гамалеи планирует начать их в конце 2022 года, сказал директор центра

Национальный исследовательский центр эпидемиологии и микробиологии имени Н. Ф. Гамалеи планирует начать клинические испытания единой вакцины от коронавируса и гриппа в конце 2022 года. Об этом сообщает в четверг газета "Известия" со ссылкой на директора центра Александра Гинцбурга.

Ученые из Италии рассказали, что речь робота определяет степень доверия человека к нему. В частности, речь идет об озвучивании всех действий устройства.

Изображение взято с: flickr.comВ ходе исследования специалистам удалось установить, что среднестатистический человек на подсознательном уровне немного боится роботизированных механизмов. Причиной этого чаще всего являются опасения по поводу возможных сбоев. Доверие к роботам вырабатывается только в том случае, если они по поведению становятся схожими с людьми.

"Достаточно просто запрограммировать робота так, чтобы он озвучивал определенные действия, давая комментарии самому себе. Создается впечатление, что живой человек разговаривает сам с собой. Социологические исследования показали, что именно так ведут себя примерно 98% людей, остающихся наедине с собой", - рассказали специалисты.

Ученые из Университета Палермо также провели эксперимент, в ходе которого определили степень влияния речи робота на реакцию человека. Оказалось, что устройства с женским голосом воспринимаются с большим доверием, чем с мужским. По словам специалистов, представительницы прекрасного пола редко ассоциируются с опасностью. Из-за этого их голоса вызывают большее доверие.