Предсказания советского пророка вольфа мессинга для россии и мира

Макроэкономические измерения

Единак Е.А., Саяпова А.Р., Широв А.А.

В статье рассматриваются вопросы взаимосвязи уровня спроса доходных групп населения и трудовых доходов. Исследуется влияние спроса различных доходных групп населения на параметры производства. В качестве инструментария расчетов используются таблицы «затраты-выпуск» с расширенной матрицей коэффициентов полных затрат за счет добавления в нее элементов оплаты труда и потребления домашних хозяйств. Обоснован вывод о том, что рост доходов и спроса в низкодоходных группах населения в наибольшей степени влияет на производство в реальном секторе, а в высокодоходных группах населения – на продукцию сектора услуг. Определены укрупненные секторы экономики, на деятельность которых в наибольшей степени воздействует спрос тех или иных доходных групп с учетом индуцированных эффектов, формирующихся в экономике. Отмечено, что рост спроса в низкодоходных группах населения в наибольшей степени отражается на доходах высокодоходных групп населения. Показано, что даже относительно скромные структурные сдвиги в объемах заработной платы по децильным группам могут привести к ощутимым структурным и суммарным изменениям выпуска. Проведен анализ влияния на объемы производства изменений в квалификационной структуре занятости, отражающий меньшие различия в отклике секторов экономики на изменение спроса различных квалификационных групп работников, чем доходных групп.

Лукин Е.В.

В статье обобщаются результаты научных исследований, предметом изучения которых выступает анализ и моделирование межрегиональных цепочек добавленной стоимости (ЦДС). Обосновывается актуальность проведения государственной политики по их развитию. Систематизируется и апробируется существующий аналитический и модельный инструментарий, использование которого позволяет повышать качество управления данными процессами. Представляются основные направления и инструменты регулирования межрегиональных ЦДС.

Кремниевая фотоника

Модуль на основе технологии SiPh. Изображение с сайта https://ase.aseglobal.com/

Кремниевая фотоника (Silicon Photonics или SiPh) позволяет передавать объемные данные между компьютерными чипами с помощью оптических лучей. Причем за меньшее количество времени, чем электрические проводники. Для интеграции фотонных схем с электронными компонентами используется кремний полупроводникового качества. 

Технология также задействует фотонные системы для генерации и обработки, различных способов манипулирования данными и для их сверхскоростной передачи как между микрочипами, так и внутри них.

Для обеспечения высокоскоростного доступа к вычислениям и хранилищам в кремниевой фотонике используются приемопередатчики. По сравнению с традиционной электроникой, это устраняет узкие места в сети, которые приводят к снижению вычислительной мощности, и позволяет значительно ускорить передачу данных на большие расстояния. Системы кремниевой фотоники включают целый набор компонентов: лазер, модулятор, фотодетектор, фильтр, волновод.

Различные разработки кремниевой фотоники включают системы для ЦОД (центры обработки данных), высокопроизводительных вычислений, телекоммуникаций, оборонных и аэрокосмических, а также для медицинских и медико-биологических приложений. 

Так, например, в сентябре 2021 года американская компания NeoPhotonics Corp выпустила приемопередатчик CFP2-DCO. Эта система содержит сверхчистый лазер Nano, а также когерентный приемник класса 40 и модулятор когерентного драйвера, которые могут передавать данные со скоростью до 400 Гбит/с на расстояние до 1500 км. При этом также улучшается качество оптического сигнала.

Ожидается, что росту рынка кремниевой фотоники будет способствовать растущий спрос на услуги высокоскоростной широкополосной связи для мобильных устройств и ноутбуков, приложений для умного дома, систем онлайн-обучения, сетевых игр.

BigData

Технологии BigData. Изображение с сайта https://www.edureka.co/

Невиданные ранее объемы информации, поступающие в том числе с устройств IoT, требуют создания инновационных решений для эффективного анализа такого количества данных. Согласно отчету Seagate, количество информации в мире и дальше будет расти по экспоненте, и к 2025 году общий объем данных достигнет 175 ЗБ (зеттабайт) против 64 ЗБ в 2020-м. Напомним, 1 ЗБ — это миллион миллионов гигабайт, 1 миллиард терабайт, миллион петабайт или 1 тысяча эксабайт. Представить такое человеческому мозгу уже очень сложно.

Зачем же нужны технологии для анализа терабайтов, петабайтов, а в будущем эксабайтов и зеттабайтов данных? Ответ очевиден: для улучшения качества ИИ, который будет учиться на этой информации. Полные массивы данных повышают качество обучения, поскольку ни один байт не оказывается выброшенным из-за оптимизации. С развитием BigData обретает полный смысл глубокое обучение, которое становится по-настоящему глубоким. Уникальная синергия ИИ и больших данных обеспечивает беспрецедентные возможности для анализа, ведь чем больше данных у алгоритма ИИ, тем более точных результатов он может достичь.

Исследования показывают, что использование связки AI + BigData может автоматизировать почти 80% всей физической работы, 70% работы по обработке данных и 64% задач по сбору данных. Используя обработку естественного языка, ИИ может различать типы информации и находить возможные связи между наборами данных. Он также может распознавать типичные человеческие ошибки, выявлять и устранять потенциальные проблемы с данными. И следующие технологии BigData будут этому способствовать.

SQL и NoSQL. Изображение с сайта https://www.edureka.co/

Озера данных (Data Lake). Огромный объем информации также привел к внедрению более совершенных методов хранения. «Озера данных» — это репозитории, которые позволяют пользователям хранить данные любого типа и объема. Таким образом, озера данных могут собирать данные из любых бизнес-систем — от CRM и ERP до датчиков IoT и других интеллектуальных устройств. Преимущества этих облачных технологий BigData включают масштабируемость и универсальность форматов данных. Это, в свою очередь, приводит к снижению затрат на управление. Кроме того, озера данных позволяют выполнять обработку на месте и помогают предприятиям проводить глубокую аналитику, прогнозное моделирование и визуализацию результатов. Наиболее перспективной сферой для внедрения технологий Data Lake считается медицина.

Основные работы

• Meissner D., Gokhberg L., Sokolov A. (eds.) (2013) Science, Technology and Innovation Policy for the Future — Potentials and Limits of Foresight Studies. Springer, Heidelberg-New York-Dordrecht-London.
• Gokhberg L. (2013) Indicators for Science, Technology and Innovation on the Crossroads to Foresight. In: Meissner D., Gokhberg L., Sokolov A. (eds.) (2013) Science, Technology and Innovation Policy for the Future — Potentials and Limits of Foresight Studies. Springer, Heidelberg-New York-Dordrecht-London.
• Gokhberg L. et al. (2013) Developing and using indicators of emerging and enabling technologies. In: Gault F. (ed.) Handbook of Innovation Indicators and Measurement. Elgar, Cheltenham/Northampton.
• Экономика знаний в терминах статистики: наука, технологии, инновации, информационное общество./ Под ред. Л. М. Гохберга. М.: Экономика, 2012.
• Гохберг Л. М., Городникова Н. В., Китова Г. А. и др. Отечественная наука и научная политика в конце XX в. Тенденции и особенности развития (1985—1999). / Под общ. ред. Л. М. Гохберга. М.: Издательство Московского университета, 2011.
• Гохберг Л. М., Кузнецова Т. Е. Стратегия-2020: новые контуры российской инновационной политики// Форсайт. 2011. Т. 5. N 4.
• Brundenius C., Gokhberg L., Goransson B. et al. Universities in Transition. The Changing Role and Challenges for Academic Institutions. New York: Springer, 2011.
• Гохберг Л. М., Заиченко С. А., Китова Г. А. , Кузнецова Т. Е. Научная политика: глобальный контекст и российская практика. М.: Национальный исследовательский университет «Высшая школа экономики», 2011.
• Гохберг Л. М., Кузнецова Т. Е. , Рудь В. А. Анализ инновационных режимов в российской экономике:: методологические подходы и некоторые результаты // Форсайт. 2010. Т. 4. N 3.
• Гохберг Л. М., Китова Г. А., Кузнецова Т. Е., Шувалова О. Р. Российские учёные: штрихи к социологическому портрету. М.: ГУ-ВШЭ, 2010.
• Гохберг Л. М. Международные рекомендации по статистике науки // Основы международной статистики. Учебник. Под ред. Ю. Н. Иванова. М.: ИНФРА-М, 2009.
• Гохберг Л. М., Кузнецова И. А. Инновации в российской экономике: стагнация в преддверии кризиса // Форсайт. 2009. N 3 (11).
• Статистика информационного общества в России: гармонизация с международными стандартами / Под ред. Л. М. Гохберга, П. Бох-Нильсена. М.: ГУ-ВШЭ, 2007.
• Гохберг Л. М. Статистика науки и инноваций // Курс социально-экономической статистики: Учебник для студентов вузов, обучающихся по специальности «Статистика». 6-е изд., испр. и доп. М.: Омега-Л. 2007.
• Гохберг Л. М., Сагиева Г. С. Российская наука: библиометрические индикаторы // Форсайт. 2007. N 1.
• Гохберг Л. М. Статистика науки. М.: ТЕИС, 2003.
• Кузьминов Я. И., Яковлев А. А., Гохберг Л. М., Ларионова М. В., Шадрин А. Е. и др. Новая экономика — шанс для России. М.: ГУ-ВШЭ, 2003.
• Гохберг Л. М., Кузнецова И. А. Технологические инновации в промышленности и сфере услуг. М.: ЦИСН, 2001.
• Гохберг Л. М. Финансирование науки в странах с переходной экономикой: сопоставительный анализ. М.: ЦИСН, 1998.
• Gokhberg L., Peck M.J., and Gacs J. (eds.) (1997) Russian Applied Research and Development: Its Problems and Its Promise. Laxenburg (Austria).
• Гохберг Л. М., Миндели Л. Э. Исследования и разработки в России: тенденции 1990-х годов. М.: ЦИСН, 1997.
• Gokhberg L. (1996) The Commonwealth of Independent States // World Science Report 1996. Paris: UNESCO.
• Статистика науки и инноваций: Краткий терминологический словарь. / Под ред. Л. М. Гохберга. М.: ЦИСН, 1996.
• Гохберг Л. М. Научный потенциал СССР. М.: ВИНИТИ, 1990.

К 2018 году 90% населения получат бесплатный и неограниченный доступ к услугам хранения данных

Потребность удалять старые файлы, чтобы расчистить место для новых, станет пережитком прошлого. В течение трех лет около 90% жителей планеты получат бесплатный и неограниченный доступ к хранилищам данных, который будет окупаться за счет рекламы, говорится в докладе.

Уже сейчас некоторые компании предлагают очень дешевые или бесплатные решения для хранения данных. К примеру, Photos уже сейчас предлагает неограниченный объем для хранения фотографий, а Amazon предоставит место для хранения любого объема данных за $60 в год.

Одна из главных причин, по которым компании могут себе позволить такие вещи – это то, что стоимость гигабайта на жестком диске продолжает дешеветь. Этот процесс приводит к созданию новых данных в невиданных доселе объемах. Согласно докладу, около 90% существующих сейчас данных созданы лишь за последние два года.

Тем не менее есть и признаки того, что это может не произойти. Недавно Microsoft отказалась от своих планов по обеспечению безлимитного хранения данных в облачном сервисе OneDrive.

Поведение на дорогах

Исследователи из Массачусетского технологического института построили систему, способную предсказать огромное количество событий реального мира. Сначала программу обучили на выборе из 2 миллионов онлайн-видео. Каждый ролик программа проанализировала, классифицировав все предметы и действия в сюжетах.

Затем нейросети показывали статичное изображение. Программа, в свою очередь, генерировала 1,5-секундные видеоклипы, демонстрировавшие видение ближайшего будущего.

Очевидно, что подобное решение можно использовать не только для создания гифок. Алгоритмы в принципе позволяют «заглядывать» в будущее сложных систем, что найдет применение в автономных автомобилях, анализирующих постоянно меняющуюся ситуацию на дороге.

Компьютер сможет понять, что он видит нечто необычное — например, животное выбежало на дорогу. Даже если машина никогда не попадала в эту ситуацию раньше, она «поймет», что происходит нечто странное — следует либо остановиться, либо передать управление водителю.

К 2025 году 30% решений для корпоративного аудита заменит искусственный интеллект

ИИ будет постепенно брать на себя обязанности специалистов различных отраслей, в том числе и среди офисных работников. В отчете говорится, что искусственный интеллект идеально подходит для решения многих задач, стоящих перед крупными организациями, благодаря своей способности эффективно выполнять сравнение шаблонов и автоматизировать процессы.

Но потерять работу рискуют не только обладатели низкооплачиваемых и низкоквалифицированных должностей. Согласно докладу McKinsey, «автоматизации можно подвергнуть часть обязанностей даже самых высокооплачиваемых специалистов, таких как экономисты, медики и руководители, в том числе даже высшего звена».

К 2025 году применение ИИ для квалифицированной работы достигнет переломной точки, и около 30% корпоративных проверок будут проводиться системами с использованием ИИ.

Генная терапия и торжество ГМО

С точки зрения генных технологий, конечно же, CRISPR/Сas9 будет развиваться — и, будем надеяться, менее скандальными путями, чем показал нам эксперимент с китайскими девочками-близнецами. Конечно же, появятся какие-то терапевтические способы редактирования эмбрионов, когда берется генетически нездоровая оплодотворенная яйцеклетка и методами CRISPR/Сas9 исправляется, чтобы будущие дети рождались здоровенькие. Это, несомненно, будет.

В третьем десятилетии регуляторы обязаны будут пересмотреть свое отрицательное отношение к так называемым генно-модифицированным организмам. Сейчас в магазине можно увидеть даже на хлебе надпись «без ГМО». Так вот, без ГМО мы с вами в третьем десятилетии уже не проживем, потому что мы просто всех не прокормим. Надо успокоиться по поводу ГМО, перестать его запрещать и, наоборот, начать активно внедрять эти технологии. Но с оглядкой. Я не являюсь бешеным сторонником этого дела, но очевидно, что без этого нам не прожить.

Прогноз погоды

Прогнозирование погоды остается сложной задачей для науки. Мы уже наловчились использовать для этого сверточные нейронные сети, но прогресс не стоит на месте. В списке Top-500 самых мощных вычислительных систем мира, по состоянию на ноябрь 2016 года, прогнозированием погоды занимались 23 суперкомпьютера.

Компания ClimaCell использует подход, не связанный с нейросетями и суперсложными алгоритмами: в качестве датчиков предсказания погоды выступают беспроводные сети связи — все это делается в рамках концепции наукастинг (nowcasting), при которой cверхкраткосрочный прогноз явлений погоды делается в пределах 0–6 ч от срока наблюдения.

ClimaCell объединяет несколько уровней данных от беспроводных сетей, спутников, погодных радаров и других датчиков для создания карт высокой четкости. Используя данные примерно 5000 станций, эксплуатируемых несколькими телекоммуникационными фирмами, компания создает очень точные и достоверные погодные карты.

Опасные алгоритмы

Не тот компас, но близкий по смыслу

Различные системы предсказания преступлений уже несколько лет тестируются в США. Одна из первых систем подобного типа — COMPAS — была создана в 1998 году. COMPAS анализирует 137 параметров биографии осужденного человека, включая тяжесть предыдущих преступлений, уровень образования и доходов, семейный статус и наличие зависимостей. Также программа учитывает результаты психологических тестов, в том числе темперамент, готовность к риску, степень нарциссизма и склонности к чувству вины. На основе этих данных COMPAS прогнозирует, какова вероятность преступного рецидива в следующие два года.

Однако в Дартмутском колледже провели тщательное исследование COMPAS и сделали вывод, что алгоритм на самом деле не более точен, чем любой среднестатистический человек. Программа смогла выявить преступников-рецидивистов в 65% случаев. Люди без специального образования и опыта вынесения приговоров справлялись с этой задачей в 67% случаев, зная лишь возраст, пол и историю преступлений обвиняемого. Более того, оказалось, что точность COMPAS можно повысить, если оставить в нем всего два параметра: возраст человека и сведения о предыдущих судимостях.

Алгоритмы могут принимать решения и строить прогнозы намного эффективнее человека

Люди принимают во внимание несущественные факторы и игнорируют действительно важные, поддаются эмоциям, а также позволяют себе принимать решения в соответствии с внутренним «чутьем», интуицией или вообще безо всякой логики

Однако это вовсе не означает, что мы полностью должны довериться машинам, ведь они тоже не обладают 100% точностью.

Вместо лекционных корпусов — инновационный квартал

Об исследовании «Университетские кампусы и город: кооперация ради конкурентоспособности» мы уже писали. Фонд «Центр стратегических разработок» (ЦСР), Университет 2035 и ВЭБ.РФ изучили современные западные подходы к развитию университетских кампусов и оценили, какие идеи могут реализоваться в России. Идеальный кампус будущего, судя по их выводам, совсем не похож на сегодняшний:

• в корпусах университетов будет больше помещений разного типа — от оснащённых исследовательских лабораторий до аудиторий, легко трансформируемых для разных задач, и доступных пространств для самостоятельной работы и отдыха;
• студенческие общежития сменятся корпусами с комфортными квартирами под аренду — современным студентам часто приходится учиться онлайн, а в общежитиях для этого нет условий;
• но самое главное — инфраструктура вузов откроется городам, и вокруг исследовательских центров сформируются инновационно-образовательные кварталы с бизнес-инкубаторами, лабораториями и офисами технологических компаний.

Что это такое?

Таблица прорывных технологий – 100 технологий, которые меняют настоящее и окажут влияние на будущее, собранные аналитиками подразделения Imperial Tech Foresight при Имперском колледже Лондона по аналогии с периодической таблицей Менделеева.

Все технологии систематизированы определенным образом: по горизонтали (ось времени) – срок воплощения технологий (от «очень скоро» до «в отдаленном будущем»), по вертикали (ось потенциала) – социально-экономический прорыв технологий (от низкого до высокого).

Таблица прорывных технологий (см. иллюстрацию внутри текста в pdf)

Технологии также разделены цветом на четыре категории в зависимости от вероятности их реализации.

Горизонт 1 – технологии и инновации, которые существуют уже сейчас, например: криптовалюты, робомобили, роботы-курьеры, морские ветрогенераторы, умные подгузники.

Горизонт 2 – экспериментальные разработки, которые появятся в ближайшем будущем (10–20 лет). Например, воздушные ветряные турбины, автономный пассажирский самолет, 3D-печать еды и лекарств.

Горизонт 3 – научные исследования, результаты которых воплотятся не раньше чем через 20 с лишним лет, например: термоядерная энергия, биопластмасса, колонизация планет, щиты-невидимки.

«Призрачные технологии» – научные исследования и технологии «за гранью реальности». Их можно определить как крайне маловероятные, но все-таки возможные

На них стоит обратить внимание. Например, космический лифт, телепатия, добыча ископаемых на астероидах.

Что такое прогнозирование?

Прогнозирование — это предвидение (предсказание), которое предполагает состояние или описание возможных или желательных аспектов, состояний, решений, проблем будущего.Прогноз — это результат процесса прогнозирования, выраженный в словесной, математической, графической или другой форме суждения о возможном состоянии объекта и его среды в будущий период времени.Метод – это сложный прием, упорядоченная совокупность простых приемов, направленных на разработку прогноза в целом; путь, способ достижения цели, исходящий из знания наиболее общих закономерностей.Методика – определенное сочетание приемов (способов) выполнения прогностических операций, получение и обработка информации о будущем на основе однородных методов разработки прогноза.Методология прогнозирования – область знания о методах, способах, системах прогнозирования.Система прогнозирования – это упорядоченная совокупность методик, технических средств, предназначенная для прогнозирования сложных явлений или процессов.

Одна из классификаций методов прогнозирования

Формализованные методы:

• Метод эстраполяции трендов;
• Методы корреляционного и регрессионного анализов;
• Методы математического моделирования.

Экспертные методы прогнозирования:1. Индивидуальные методы

• Метод составления сценариев;
• Метод «интервью»;
• Метод аналитических докладных записок.

2. Коллективные методы

• Метод анкетных опросов;
• Метод «комиссий»;
• Метод «мозговых атак»;
• Метод «Дельфи».

Экспертиза: анкетирование, интервьюирование, метод мозговой атаки (штурма), метод контрольных вопросов, метод аналитических докладных записок, метод лицом к лицу, метод ситуационного анализа, метод суда, метод «комиссий» («круглого стола»), «дельфийская техника» (метод «Дельфи»)Фактографические методы: экстраполяция, трендовая модель, тренд-анализ, интерполяция, моделирование, математическое моделирование, сценарии, «прогнозы до абсурда» и пр.Статистические методы: корреляционный анализ, регрессионный анализ, факторный анализ, распознавание образов, вариационное исчисление, спектральный анализ, цепи Маркова, алгебра логики, теория игр и др.

Признаки классификации прогнозов	Виды прогнозов
Временной охват (горизонт прогнозирования)	краткосрочные среднесрочные долгосрочные
Типы прогнозирования	экстраполятивное альтернативное
Степень вероятности будущих событий	вариантные инвариантные
Способ представления результатов прогноза	точечные интервальные

Прогнозирование продаж

1. Определение тренда (тенденции роста/падения)
2. Оценка влияния стратегии компании на развитие тренда
3. Применение коэффициентов сезонности
4. Построение прогноза продажЭкстраполяция динамических рядов предполагает, что закономерность развития, действующая в прошлом (внутри ряда динамики), сохранится и в будущем.Тренд (тенденция) — это долговременная тенденция изменения исследуемого временного ряда.Временной ряд – это числовые значения определенного статистического показателя в последовательные моменты или периоды времени.Коэффициент сезонности — это величина, на которую увеличиваются / уменьшаются продажи по сравнению со средними в определенный период времени.

Регрессионный анализ

Регрессионный анализ — статистический метод исследования влияния одной или нескольких независимых переменных X1,X2,…,Xp на зависимую переменную Y. Уравнение линейной регрессии Yх = a+b*X, где а и b оцененные коэффициенты регрессии.Регрессия — функция, позволяющая по средней величине одного признака определить среднюю величину другого признака, корреляционно связанного с первым.

Обзор категорий методов прогнозирования

Прогнозирование — это процесс построение предсказания будущего на основе исторических данных, текущих данных (текущей ситуации) и на основе анализа трендов. Риск и неопределенность являются центральными факторами для прогнозирования, поэтому в соответствии с лучшими практиками, необходимо указывать степень неопределенности по отношению к прогнозам.Корректный подход к оценке метода прогнозирования включает несколько этапов. Следует выделить пять важных этапов:

• тщательное изучение природы исследуемого объекта или процесса для выбора адекватного метода прогнозирования;
• выделение двух групп среди доступных данных – для разработки прогнозов и для проверки полученных результатов;
• уточнение исходных данных с целью обнаружения ошибок;
• разработка прогнозов и оценка достоверности полученных результатов;
• использование (интерпретация) полученных результатов и выполнение, при необходимости, уточнения и дополнения прогнозов.