Многое я уже рассказывал в других местах, но кое-что было и новое. Например, цикл жизни технологий (обсуждалось недавно в https://us13.campaign-archive.com/?u=67bd06787e84d73db24fb0aa5&id=320c223523):
-- Standardisation [deep learning – ONNX, и весь AI сейчас по факту ещё и этой фазы не достиг, то есть это всё ещё игрушки и эксперименты, а не промышленность]
-- Usability (удобные интерфейсы)
-- Consumerization (массовое потребление)
-- Foundationalization (изо всех утюгов, «потребление незаметно»)
Один из ведущих трендов в AI сегодня: «индустриализация» -- уменьшение затрат (в том числе денег, энергии, материалов, времени) на единицу пользы. Гипотеза Rich Sutton: прогресс определяется доступной вычислительной мощностью при простых алгоритмах. Вот максимизировать использование вычислительной мощности -- это и есть задача индустриализации. Ускорить сетку вдесятеро, или уменьшить потребную мощность вдесятеро -- вот это всё и есть индустриализация. Сегодня AI очень дорогой по времени и ресурсам, вот это и решается индустриализацией -- переход к массовости возможен после обрушения цены. И вот эти standardisation-usability-consumerization-foundationalization и есть стадии, по которым лабораторная технология становится промышленной.
Вот ещё модифицированная V-диаграмма с парой трендов на ней:
Штука в том, что digital twin идёт из воплощения системы в обеспечение (традиционное обсуждение того, зачем нужен digital twin -- диагностика, эксперименты what if, данные для дообучения алгоритмов управления, данные для улучшения варианта следующей конструкции и т.д.), а документация системы из обеспечения в воплощение (автономность, resilience, самодиагностика, самодонастройка и прочее для resilience).