Целый ряд компаний выпускают отчеты, в которых объявляется объем мирового рынка искусственного интеллекта. Подобные оценки приводят такие компании как IDC, Cognilytica, Tractica, CB Insights, Markets and Markets, Gartner, Forrester, Allied market research, Precedence research, Fortune Business Insights и т. п. Увы, разброс в оценках очень большой.
Почему это происходит?
Как мы отметили ранее, чем сложнее дать обще принятое определение той или иной технологии, тем сложнее определить границы, ассоциированного с этой технологией рынка. Понятие “искусственный интеллект” не определяет однозначно некий продукт. Мы можем говорить о стоимости компонентов, необходимых для построения ИИ-решений в виде программного обеспечения, аппаратных систем и ИТ-услуг. Но сама методика отбора этих компонентов не является тривиальной, требует упрощений и допущений, которые аналитики делают по-своему и не всегда афишируют.
Без понимания совокупности условностей при трактовке понятия ИИ-рынок невозможно оперировать ИИ-аналитикой.
Как одну из проблем мы обозначили сложность выбора пула компаний, которые следует причислить к ИИ-компаниям, вторая сложность связана с определением доли выручки компаний, которая ассоциирована с ИИ-бизнесом.
Заметим, что при классическом определении рынка мы должны разделить участников экосистемы компаний, участвующих в создании ИИ, на покупателей и продавцов и оценить объем средств, который потратили покупатели и заработали поставщики. Сделать это непросто, учитывая, что целый ряд компаний являются одновременно и продавцами, и покупателями ИИ-услуг.
При этом, говоря о рынке, мы должны посчитать именно рыночную долю бизнеса. Это означает, что услуги по созданию решений в области ИИ, которые внутренние департаменты оказывают своей же компании (даже если они учитываются количественно в рамках хозрасчета), не являются рыночными, так как оплата идет внутри одной компании. Необходимо исключить двойной зачет при подсчете объема рынка, в том смысле, что если мы, например, говорим о выручке от продажи специализированных процессоров, то мы не должны складывать эту выручку с выручкой от продажи серверов на данных процессорах, поскольку один продукт содержит в себе другой. Кроме того, одна и та же видеокарта может использоваться для приложений ИИ или для обработки графики.
То же самое касается и производителей ПО (когда один продукт строится на основе другого), и ИТ-услуг (когда одна команда работает на субподряде у другой). Учитывая, что на мировом рынке работают тысячи компаний с сотнями тысяч продуктов и услуг, задача оценки ИИ-рынка является весьма нетривиальной.
Еще одна часть проблем связана с тем, что далеко не все участники рынка публично раскрывают информацию о финансовых параметрах своих проектов. Но даже если аналитикам удалось получить полную информацию о стоимости проекта, то открытым остается вопрос, как выделить долю, потраченную на ИИ, и долю, потраченную на смежные технологии. Действительно, современные проекты, содержащие ИИ, это, как правило, комбинация ряда цифровых технологий, как, например, это показано на рис. 3.35 (интернет вещей, цифровые двойники, большие данные, искусственный интеллект работают в связке).
Рис. 3.35. ИИ-технологии, как правило, являются частью комплексного решения.
Аналитики, которые пытаются определить объемы рынка, ассоциированные с указанными технологиями, неизбежно сталкиваются с проблемой двойных зачетов одних и тех же проектов в разных рынках. Совокупность перечисленных вопросов аналитики решают по-своему, что и приводит к разным оценкам.
Конечно, в рамках каждой методики серьезной аналитической компании, если эта методика не меняется год от года, можно проследить динамику рынка. Каждая методика отвечает на те или иные вопросы, поставленные клиентом. Кто лидеры рынка? Как они ранжированы по тому или иному параметру? Как быстро растет этот рынок? Насколько велик порог входа на этот рынок и так далее.
В рамках каждой аналитической компании эти сведения могут быть интересны клиентам, однако консенсусной оценки рынка ИИ ожидать не следует. По крайней мере, до тех пор, пока аналитики не договорятся о единой таксономии. Впрочем, для них это не обязательно выигрышная стратегия, поскольку продать несколько отчетов с разными данными выгоднее, чем пытаться продать одни и те же данные несколько раз. Мы продемонстрировали лишь некоторые сложности при оценке рынка, которые показывают, что задача не имеет однозначного решения и каждый аналитик должен принимать свою систему допущений. Поэтому чем более мелкий и четко определенный сегмент рынка выбирается, тем обычно более точные данные можно получить, и чем шире охват сегментов – тем больше расхождений.
Каждая из аналитических компаний работает по своей методике, именно это в первую очередь порождает наличие разных оценок ИИ-рынка. Оптимистичными оценки становятся, если в категорию ИИ включается больше типов продуктов и услуг, и пессимистичными, если методика выбирает более жесткие и узкие границы. Приведем несколько конкретных примеров.
Согласно исследованию IDC Worldwide Semiannual Artificial Intelligence Tracker, опубликованному в августе 2021 г., мировые доходы рынка искусственного интеллекта, включая программное обеспечение, оборудование и услуги, составили в 2021 году 341,8 млрд долл., в 2022 году выросли на 18,8% и к 2024 году преодолеют отметку в 500 млрд долларов.
В качестве сегментов рынка выделяются следующие: аппаратное обеспечение (серверы, СХД), программное обеспечение (ИИ-приложения, ПО системной инфраструктуры ИИ, ПО разработки и развертывания ИИ-приложений), услуги (ИТ-услуги, бизнес-услуги).
По мнению IDC, программное обеспечение занимает основную долю (88%) объема рынка ИИ. При этом IDC отмечает, что наиболее быстрыми темпами будут расти сегменты “аппаратные средства ИИ” и “услуги ИИ”.
Согласно исследованию Precedence research, объем мирового рынка искусственного интеллекта оценивался в 2021 году на уровне 87,04 млрд долларов США, и ожидается, что к 2030 году он достигнет 1 597,1 млрд долларов США с прогнозируемым CAGR, равным 38,1% с 2022 по 2030 год. При этом большая часть рынка – 39% – приходится на программное обеспечение. Заметим, что доля ПО во всем рынке ИИ вдвое меньше, чем устанавливается в методике IDC.
Согласно прогнозам отчета Fortune Business Insights, опубликованного в сентябре 2022 г., объем мирового рынка искусственного интеллекта вырастет с 387,45млрд долл. В 2022 году до 1394,30 млрд долл. в 2029 году, увеличиваясь с темпом роста 20,1% в течение прогнозируемого периода. Согласно отчету, объем мирового рынка в 2021 году составил 328,34 млрд долларов США, при том что рынок Северной Америки в 2021 г. был равен 143,49 млрд долл. А по данным отчета Allied market research, объем мирового рынка ИИ оценивался в 65,48 млрд долл. в 2020 году и будет расти спрогнозируемым CAGR на уровне 38,0% в период с 2021 по 2030 год. Данные перечисленных аналитиков сведены в табл. 3.10 и представлены на рис. 3.36.
Таблица 3.10. Оценки рынка ИИ по исследованиям разных аналитических агентств
Рис. 3.36. Динамика мирового рынка ИИ (млрд долл.) в оценках и прогнозах разных аналитических компаний
Как видно из рисунка, отличие в оценках рынка в 2021-2022 гг.. по фактически полученным (не прогнозным) данным разных аналитиков составляет более 100%. Интересно отметить, что при разных начальных оценках темпы роста рынка разными аналитиками прогнозируются так, что к 2030 году рынок во всех прогнозах выходит примерно на один и тот же показатель – около 1,6 трлн долл.
Рынок программного обеспечения в области ИИ
Известно, что ПО в области ИИ становится все более распространенным, внедряется во все большем числе программных продуктов и услуг, применяется в разных слоях технологического стека, в приложениях различных отраслей. ИИ-технологии встраиваются во все виды корпоративных программных приложений, включая базовые, такие как SCM, ERP, CRM, платформы разработки и интеграции приложений.
Как было отмечено ранее, рынок ИИ определяют как совокупность ПО, аппаратного обеспечения и услуг. По мнению аналитической компании IDC, из указанных трех категорий технологий программное обеспечение занимает наибольшую долю (88%) объема рынка ИИ. То есть в 2021 г. этот рынок в трактовке IDC составлял около 300 млрд долл. По данным IDC, в категории программного обеспечения ИИ основная доля доходов приходится на приложения ИИ – почти 50%. Наиболее высокий рост демонстрируют ИИ-платформы (CAGR – 33,2%), медленнее всего будет развиваться программное обеспечение для системной инфраструктуры (CAGR – 14,4%), на долю которого приходится около 35% всех доходов от ИИ-программного обеспечения. На рынке ИИ-приложений IDC ожидает, что ERM будет расти немного быстрее, чем рынок CRM.
Комментируя структуру рынка программного обеспечения ИИ, IDC различает “AI-centric” и “AI-non centric” приложения (см. табл. 3.11). В приложениях первого типа ИИ-компонент является основной функцией ПО (без него приложение не может функционировать). В приложениях второго типа ИИ-компонент является вспомогательным, без него программа может работать с некоторым ограничением функциональности, при этом само приложение не обязательно используется для решения ИИ-задач.
Таблица 3.11. Лидирующие компании на рынках программного обеспечения ИИ в 2020 году (мировой рейтинг на основе выручки). Источник: IDC, 2021 г.
Рынок программного обеспечения ИИ
Тип ИИ
Место N1
Место N2
Место N3
ИИ-платформы
ИИ – основная функция ПО
Palantir
Microsoft
IBM
ИИ-приложения
ИИ – основная функция ПО
IBM
Open Text
Slack
ИИ – вспомогательная функция ПО
Microsoft
Google
Workday
ПО системной инфраструктуры ИИ
ИИ – основная функция ПО
IBM
Microsoft
Dynatrace
ИИ – вспомогательная функция ПО
Microsoft
VMware
McAfee
ПО разработки и развертывания ИИ-приложений
ИИ – основная функция ПО
Google
Microsoft
Oracle
ИИ – вспомогательная функция ПО
Microsoft
ESRI
Teradata
В качестве лидера в категории “ИИ-платформы” IDC отметила малознакомую российским специалистам компанию Palantir.
Основанная в 2003 году Palantir – это американская компания, разработчик корпоративного ПО анализа данных, основные заказчики которой американские спецслужбы и инвестиционные банки. До 2008 года ЦРУ было единственным заказчиком компании. Среди ключевых клиентов ЦРУ, ФБР, Министерство обороны США, Военно-воздушные силы США, Корпус морской пехоты США, Командование специальных операций США, Военная академия США.
Компания Microsoft занимает лидирующие места в шести категориях, IBM – в трех.
На рис. 3.37 представлена оценка IDC мирового рынка ПО в области ИИ, с разбивкой на категории ПО.
Рис. 3.37. Мировой рынок ИИ-ПО, 2020 – 2021 г. в концепции IDC. Источник: IDC 2022 г.
Интересно отметить, что оценки рынка ИИ-программного обеспечения, представленные компанией Forrester, почти на порядок меньше (см. рис. 3.38).
Рис. 3.38. Мировой рынок ИИ-программного обеспечения, 2020 – 2021 г. в концепции Forrester. Источник: Forrester
При этом очевидно, что разница в оценках связана именно с методологией подсчета выручки. Компания Forrester использует свою таксономию, отличную от таксономии IDC. Forrester выделяет четыре сегмента на рынке программного обеспечения.
Новые приложения, ориентированные на ИИ (AI-centric applications), и ПО промежуточного слоя для специализированных задач, таких как, например, медицинская диагностика.
Приложения и ПО промежуточного слоя, выделяющиеся в категорию премиального класса за счет усиления базовой функциональности на основе ИИ (AI-infused applications).
ИИ-платформы для поддержки конкретных функций ИИ (AIfacilitatorplatforms), таких как, например, компьютерное зрение.
Платформы для создания ИИ-решений с использованием алгоритмов и наборов данных общего назначения (AI maker platforms).
Согласно прогнозам Forrester, быстрее всего должны расти платформы для создания ИИ, которые достигнут 13 млрд долларов к 2025 году, что поможет довести весь объем рынка до 37 млрд долларов к 2025 году.
Комментируя свои прогнозы о формировании сравнительно небольшого рынка к 2025 г., Forrester отмечает два фактора в развитии рынка программного обеспечения ИИ, которые обеспечили данный вывод. С одной стороны, все больше коммерческих приложений добавляют функции ИИ, но эти функции не используются для получения прибыли. Во-вторых, внутреннее программное обеспечение ИИ, разработанное и используемое этими же предприятиями, не создает рыночного продукта и, соответственно, не должно учитываться как часть рынка.
Следует отметить, что включение в категорию “ИИ-приложения” программного обеспечения, в котором ИИ является неосновной функцией, в некоторой степени размывает границу рынка. Каждая аналитическая компания сама определяет, какая доля вспомогательной ИИ-функциональности позволяет отнести данное ПО к ИИ-рынку. Заметим, что диффузия ИИ-функциональности в ПО разного типа в скором времени позволит говорить о том, что практически все ПО обладает той или иной вспомогательной ИИ-функциональностью.
В 2018 г. компанияTractica оценивала мировой рынок программного обеспечения ИИ на уровне 10,1 млрд долл., прогнозируя его рост до 126 млрд долл. в 2025 г., выделяя в качестве наиболее крупных такие сегменты как автомобильный, сектор финансовых услуг, теле-коммуникаций и розничной торговли. В работе со ссылкой на данные Tractica приводится деление рынка программного обеспечения по 28 вертикальным рынкам.
Похожие абсолютные значения приводит компания Statista, которая предлагает структуру рынка по регионам (рис. 3.39).
Согласно оценкам (рис. 3.39), доля Северной Америки постепенно снижается, но остается лидирующей в мире. По данным рисунка, в 2025 г. на долю Северной Америки будет приходиться порядка 40% рынка, что составит более 50 млрд долл.
Рис. 3.39. Доходы рынка ИИ-программного обеспечения в мире с 2018 по 2025 год, по регионам. Источник: Statista
Похожие оценки рынка ПО приводятся в более поздней публикации – согласно которой в 2020 г. объем рынка ИИ-программного обеспечения составил 22,59 млрд долл.
Сравнительный анализ разных аналитических отчетов по рынку ИИ говорит о том, что каждый из аналитиков использует свою таксономию и свои методики подсчета дохода компаний производителей ПО, что не позволяет сравнивать данные разных аналитиков. Разброс в оценках этого рынка в 2021 г. варьируется от 300 млрд долл. (в оценках IDC) до 23 млрд долл. (в оценках Forrester). Столь широкий диапазон объясняется размытыми границами самого понятия ИИ, разной степенью присутствия ИИ-функциональности в решениях и произвольной трактовкой сегментов рынка различными аналитиками. Таким образом, следует признать, что на сегодняшний день не существует согласованной оценки рынка ИИ, несмотря на то, что целый ряд аналитиков выпускают отчеты на эту тему, используя один и тот же термин “мировой рынок ИИ”. Ценность отчетов на указанную тему в основном связана с анализом внутри их собственной таксономии.
Рейтинги поставщиков ПО разного типа
Выше было приведено мнение IDC о лидерах рынка программного обеспечения в области ИИ. Конечно, в данной широкой области есть десятки направлений, в рамках которых будут свои лидеры. Формат данного курса не позволяет рассмотреть все эти направления, приведем лишь два исследования – в первом речь идет о рейтинге ведущих поставщиков платформ для разработки систем искусственного интеллекта (ИИ) и машинного обучения ( рис. 3.40), второе посвящено составлению рейтинга поставщиков облачных ИИ-сервисов для разработчиков ( рис. 3.41).
Облачные ИИ-сервисы для разработчиков
Существуют сотни решений в области ИИ. И для большинства компаний доступ к ним осуществляется посредством облачных сервисов, и это самый простой и экономичный вариант запустить и протестировать ИИ-проект.
На рис. 3.40 представлен рейтинг лидеров поставки облачных ИИ-сервисов для разработчиков от компании Gartner.
Рис. 3.40. Облачные ИИ-сервисы для разработчиков. Источник: Gartner
Здесь по оси абсцисс отложен показатель Completeness of vision – полнота видения технологической стратегии компании. По оси ординат отложен показатель Ability to Execute, что можно интерпретировать как способность компании претворить в жизнь ее стратегию.
Как видно из рис. 3.40, в лидеры попали уже упомянутые ранее технологические гиганты AWS, Microsoft, Google и IBM.
Крупные поставщики могут обеспечить стабильность, доступность сервисов, качество поддержки клиентов и огромные объемы данных для обучения алгоритмов. Крупнейшие ИТ-компании, они же и ведущие провайдеры облачных ИИ-услуг, стараются стать так называемыми One stop shop-поставщиками – “продавцами всего из одних рук”, то есть представить как можно более полный набор услуг на базе своей платформы, включая подготовку данных и прочее.
Будучи лидером облачных услуг, Amazon имеет возможность предложить ИИ-инструментарий в виде сервисов своим существующим облачным клиентам и на этой волне получить наиболее высокие показатели в рейтинге. Преимущества AWS особенно заметны в производительности при работе с большими объемами данных. После успеха Alexa компания Amazon продолжает строить свою работу вокруг голосовых, виртуальных помощников и обработки естественного языка. Кроме того, ИИ как услуга AIaaS (AI-as-a-Service) все больше и больше внедряется в среду AWS, чтобы сделать Amazon лидером в области ИИ и машинного обучения.
Второе место делят Microsoft и Google, при этом Microsoft имеет более высокую позицию, с точки зрения способности претворить в жизнь стратегию, и уступает Google по уровню полноты видения технологической стратегии.
Microsoft приближается к Google по количеству приобретений ИИ-компаний (см. рис. 3.34). Корпорация активно развивает Microsoft Azure, добавляя к ней новые платформенные сервисы, такие как Azure Cognitive Services, Azure Data Lake, Azure Data Catalog и Azure Cloud Functions. Gartner отмечает, что Azure с каждым годом приближается к AWS в плане внедрения на предприятиях и вплотную подобралась к Google и IBM в гонке за доминирование в области ИИ, благодаря Azure Machine Learning и широкому набору когнитивных сервисов – предобученных моделей, которые могут использоваться в рамках корпоративных ИИ-проектов как готовые “строительные блоки”.
Google предлагает широкий набор инструментов для искусственного интеллекта и машинного обучения. Google Cloud обеспечивает гибкость на ранних этапах проекта и широкую масштабируемость в долгосрочной перспективе. Gartner отмечает, что недостатком использования платформы Google являются ее инструменты для бизнеса и аналитики в реальном времени, которые на момент публикации исследования были недостаточно развиты по сравнению с другими поставщиками услуг. Стратегия Google в области ИИ заключается в создании сильной позиции в области науки о данных с соответствующими патентами и в смежных областях компьютерных технологий, поскольку ее бизнес в значительной степени зависит от машинного обучения. Разработчики Google уже создали ведущую программную библиотеку с открытым исходным кодом в области ML – TensorFlow, что, наряду с огромными инвестициями в приобретение стартапов в области ИИ, свидетельствует о стремлении Google быть ИИ-лидером. Важно также отметить, что Google поддерживает ряд ключевых сервисов, используемых исследователями данных – например, Google Colab, позволяющий производить обучение моделей ИИ в облаке, в том числе бесплатно, а также открытую платформу соревнований Kaggle.
Ведущие поставщики платформ для разработки систем искусственного интеллекта
Компания Omdia в отчете назвала ведущих поставщиков платформ для разработки систем искусственного интеллекта (ИИ) и машинного обучения (рис. 3.41).
Рис. 3.41. Ведущие поставщики платформ для разработки систем искусственного интеллекта и машинного обучения. Источник: Omdia 2020
Здесь сравниваются поставщики, которые предлагают предприятиям платформы для разработки ИИ и МL, а также решения управления жизненным циклом разработки и развертывания соответствующих решений.
В качестве лидеров названы пять компаний. Помимо ИТ-гигантов IBM и Microsoft (которые уже были упомянуты как лидеры в области предоставления облачных сервисов для разработчиков), это SAS, C3.ai и Dataiku.
SAS – это всемирно известный американский производитель аналитического программного обеспечения, один из старейших разработчиков ПО – компания, которая начиналась как проект по созданию системы статистического анализа данных (отсюда и название – Statistical Analysis System) и выросла в крупную корпорацию, с числом сотрудников около 14 тысяч человек, и оборотом более 3 млрд долл. В портфель компании входят популярные продукты для искусственного интеллекта, аналитики и управления данными. SAS разрабатывает и продает набор аналитического программного обеспечения, которое помогает получать доступ к данным, управлять ими, анализировать их и составлять отчеты, чтобы помочь в принятии решений. Программным обеспечением SAS пользуется большинство компаний из списка Fortune 500.
Dataiku и C3.ai – это сравнительно молодые компании. C3.ai – была основана в 2009 г. и на момент написания курса являлась одним из ведущих поставщиков программного обеспечения для корпоративного ИИ. Платформа C3.ai Platform предоставляет комплексные услуги по созданию приложений ИИ корпоративного масштаба. Платформа применяется в разных отраслях с помощью готовых конфигурируемых приложений ИИ для решения задач выявления мошенничества, борьбы с отмыванием денег, управления энергопотреблением, привлечения клиентов, оптимизации цепочек поставок и т. п. В число клиентов C3.ai входят ВВС США, нью-йоркская энергетическая компания Consolidated Edison и ряд крупнейших в мире компаний из списка Fortune 500.
Компания Dataiku была основана в 2013 г. как разработчик систем ИИ. В 2019 году венчурный фонд CapitalG, финансируемый Alphabet Inc., присоединился к Dataiku в качестве инвестора, обеспечив компании статус единорога (1,4 миллиарда долларов). В 2021 г. в Dataiku работало около 400 человек по всему миру в офисах в Нью-Йорке, Париже, Лондоне, Мюнхене, Сиднее и Сингапуре.
Рынок аппаратного обеспечения в области ИИ
Как было отмечено в табл. 3.2 и табл. 3.3, разные аналитики по-разному определяют категорию “рынок аппаратного обеспечения в области ИИ”. Так, например, аналитики CB Insights включают в эту категорию только рынок ИИ-полупроводников, другие, как, например, Cognilytica, рассматривают в данном рынке целый спектр специализированного железа, включая серверы, СХДи даже аппаратные части системы интерфейса “мозг-компьютер”. В данном разделе мы ограничимся рассмотрением рынка ИИ-полупроводников и обсуждением ключевых компаний, специализирующихся в данном направлении.
Успех современных методов реализации ИИ все больше зависит от вычислительных возможностей оборудования, на котором эти решения реализуются. Обучение ML-моделей может занять месяц вычислительного времени и стоить десятки миллионов долларов. Требуемая вычислительная мощность обеспечивается чипами, которые оптимизированы для выполнения специфических вычислений, необходимых для реализации ИИ-систем, эти чипы стали выделять в отдельную категорию “ИИ-чипы”.
Спектр задач, возникающих при создании ИИ-решений, весьма широк, и нельзя сказать, что существует такое понятие, как “стандартный ИИ-чип”. Оптимальные архитектуры чипов различаются в зависимости от функций, которые должны быть выполнены, где они должны быть выполнены и в пределах какого ресурса (времени и мощности).
В области ИИ используются несколько видов чипов, в частности графические процессоры (GPU) хорошо показали себя в обучении нейросетей, FPGA позволяют с высокой энергоэффективностью осуществлять вывод по уже обученной сети. Кроме того, некоторые крупные вендоры создают специализированные чипы (ASIC), например Google TPU (рис. 3.42).
Следует отметить, что чаще всего упомянутые чипы применяются совместно, например GPU всегда дополняют CPU, равно как и FPGA и ASIC – это не самостоятельные процессоры, а скорее сопроцессоры.
Рис. 3.42. Сравнительные характеристики CPU, GPU, FPGA, ASIC.
Из полупроводников, показанных на рис. 3.42, CPU обладают наибольшей универсальностью и поэтому лучше всего подходят для выполнения вычислений общего назначения. Платформы на базе CPU будут хорошо работать для недорогих устройств, не требующих высокой производительности. GPU обладают высокой параллельной вычислительной мощностью по сравнению с центральными процессорами (большое количество параллельных вычислительных ядер), что дает им значительное преимущество при обучении и использовании ИИ-моделей, однако эти вычислители имеют весьма ограниченный набор инструкций по сравнению с CPU. Графические процессоры совершили революцию в решении ИИ-специфичных задач и, по всей видимости, будут продолжать играть доминирующую роль в задачах обучения моделей в центрах обработки данных. Лидером рынка GPU является компания Nvidia.
FPGA (или на русском языке ПЛИС – программируемая логическая интегральная схема) могут использоваться для выполнения специализированных задач в области ИИ. FPGA часто применяются в проектах, где партия конечных устройств ограничена, – тогда экономически не имеет смысл реализовывать решение в формате ASIC (о нем пойдет речь ниже). Другое направление применения FPGA для задач ИИ – это апробация математических алгоритмов в железе, что является обязательным этапом перед проектированием ASIC. По данным отчета Neuromorphic Computing Concepts, actors, applications, market and future trendsApril 2020, ключевыми игроками на рынке полупроводников FPGA являются Intel, Baidu и Xilinx.
Среди ИИ-ускорителей, показанных на рис. 3.42, ASIC демонстрируют лучшую производительность, меньшее энергопотребление и эффективность. Однако разработка специальных ASIC требует больших затрат и не является реконфигурируемой. Google лидирует в этом секторе со своим чипом Tensor Processing Unit (TPU). INTEL инвестирует в ASIC при сотрудничестве со стартапами Nervana и Habana.
Еще в 2017 году аналитикииз компании McKinsey, анализируя перспективы роста доступного рынка полупроводников, сделали прогноз (см. рис. 3.43), то есть предположили, что в период с 2017 по 2025 год рост будет происходить в существенной мере за счет полупроводников с искусственным интеллектом (темпы роста данного сегмента будут в 5 раз выше, чем у всех остальных типов полупроводников). Время показывает истинность этих предположений.
Рис. 3.43. Прогноз роста доступного рынка ИИ-полупроводников и темпов его роста. Источник: McKinsey
Упомянутые исследования McKinsey были подтверждены более поздними исследованиями и отражены, например, в отчете Neuromorphic Computing.
Аналитики из McKinsey также представили прогноз по поводу развития рынка полупроводников для центров обработки данных и периферийных вычислений на тот же период времени (см. рис. 3.44). Согласно этим данным, наибольший рост рынка будет наблюдаться в области использования ИИ-моделей в приложениях, связанных с периферийными вычислениями.
При том что именно задачи обучения ИИ-моделей требуют большой вычислительной мощности, затраты на ИИ-чипы под использование ИИ-моделей превосходят затраты на чипы под обучение. Это, в первую очередь, связано с тем, что обучается сеть один раз, а применяется многократнона множестве конечных устройств. Другая причина в том, что обучение на устройстве еще очень плохо развито, так как классические подходы к обучению крайне энергозатратны.
Рис. 3.44. Рынок ИИ-чипов для центров обработки данных и периферийных вычислений (млрд долл.) в период 2017-2025 гг. Источник: McKinsey
Искусственный интеллект с каждым годом играет все более важную роль в национальной и международной безопасности стран, и ИИ-технологии становятся все более важным стратегическим ресурсом.
Как мы отметили выше, специализированные чипы для реализации ИИ-решений позволяют кардинально поменять условия (скорость, эффективность) решения ИИ-задач. Сложные цепочки поставок, необходимые для производства передовых чипов ИИ, в основном сосредоточены в США и небольшом количестве союзных стран, что предоставляет возможность для осуществления политики экспортного контроля.
Согласно данным, правительство США активно занимается вопросами контроля распространения технологий, связанных с ИИ, и, поскольку распространение программного обеспечения общего назначения, наборы данных и алгоритмы ИИ проконтролировать достаточно сложно, наибольшее внимание уделяется компьютерному оборудованию, необходимому для реализации современных систем ИИ. В этой связи информация о ключевых игроках рынка ИИ-чипов и о перспективных стартапах в этой области представляет особый интерес.
Согласно исследованиям Markets and Markets, стартапы к 2020 году в сегменте рынка ИИ-чипов уже привлекли более 9 млрд долл., а крупнейшие игроки компьютерного рынка, такие как Google, IBM, Intel и Qualcomm, вкладывают значительные средства в исследовательские и коммерческие проекты.
По данным Markets and Markets, объем мирового рынка чипсетов с искусственным интеллектом в 2020 году составлял 7,6 млрд долл. и, по прогнозам, в ближайшие 5 лет будет расти с CAGR на уровне 40%, в результате чего в 2026 году составит около 57,8 млрд долл. Сходные прогнозы можно найти в отчете Tractica и TMT Analytics (рис. 3.45).
Рис. 3.45. Рынок полупроводников с поддержкой ИИ. Источник: Tractica, TMT Analytics, 2019
Исследование от компании Kbvresearch, посвященное анализу глобального рынка чипсетов для глубокого обучения (рис. 3.46), дает более консервативные оценки.
Рис. 3.46. Глобальный рынок чипсетов для глубокого обучения. Источник: Kbvresearch 2020 г.
ассказ о рынке ИИ-полупроводников был бы неполным без упоминания темы нейроморфных вычислений. Со ссылкой на отчет Neuromorphic Computing. Concepts, actors, applications, market and future trends April 2020 можно сказать, что развитие рынка ИИ-полупроводников происходит в виде трех волн. Первая волна, ориентированная на GPU, начинается до 2018 года и достигает максимума в 2022 году. Вторая, ориентированная на ASIC, выходит на экстремум к 2025 году, и третья, ориентированная на нейроморфные процессоры, зарождается в 2022 году и обещает выйти на массовый режим производства после 2026 года (см. рис. 3.47).
Рис. 3.47. Ожидаемые волны доминирования полупроводников в области ИИ. Источник: Neuromorphic Computing. Concepts, actors, applications, market and future trends, 2020
Нейроморфные процессоры – это процессоры, архитектура и принципы действия которых имеют сходство с биологическими нейронными сетями. Как было показано в начале курса, несмотря на то, что Розенблант и Джон фон Нейман вдохновлялись в своих моделях устройством человеческого мозга, классические нейронные сети и архитектуры компьютера довольно слабо соответствуют тому, что мы наблюдаем в биологии. Так, например, энергопотребление человеческого мозга составляет десятки ватт, в то время как компьютеры потребляют в тысячи раз больше.
Биологические системы работают с временными рядами, скоррелированными во времени (например, в естественных временных рядах то, что мы видим в момент времени t+1, очень сильно похоже на то, что мы видим в момент времени t), в то время как компьютеры способны обрабатывать нескоррелированные данные (например, последовательность картинок). В биологических системах нет разделения вычислений и памяти, каждый нейрон представляет собой отдельный физический объект, в то время как на компьютерах мы, как правило, моделируем большое количество нейронов одним вычислителем за счет быстрого переключения контекста. В мозге нет никаких цифровых вычислителей, а свою когнитивную функцию он реализует с помощью аналоговых вычислений. И последнее, но не менее важное свойство – биологические системы не программируются, они непрерывно обучаются.
Так, согласно публикации Neuromorphic artificial intelligence systems, Frontiers in Neuroscience, исследователи предлагают принцип классификации нейроморфных систем на основе использования в них следующих нейроморфных свойств.
Конекционизм и нейронные сети – дают способность обучения на данных.
Параллелизм – дает возможность одновременного выполнения работы.
Асинхронность – избавляет от проблемы синхронизации, дает масштабируемость.
Импульсный характер передачи информации – обеспечивает простой протокол коммуникации, дает устойчивость к шумам.
Обучение на устройстве – дает возможность непрерывного обучения.
Локальное обучение – снижает издержки на обучение, дает возможность создания больших сетей.
Разреженность потоков данных – снижает издержки на передачу информации в системе.
Аналоговые вычисления – дают возможность эффективного выполнения вычислений.
Вычисления в памяти – снижают издержки на операции перемещения данных по шине, избавляют от проблемы конкурентного доступа.
Нейроморфный процессор является универсальной вычислительной системой для решения широкого класса задач ИИ, превосходящей классические решения по энергоэффективности (в 100-1000 раз), однако уступающей по качеству решения задач и развитости программно-аппаратной экосистемы.
Другими особенностями нейроморфных процессоров являются:
Совместимость с нейроинтерфейсами и с событийными сенсорами, такими как DVS-камеры 45, которые способны регистрировать события с длительностью в 1000 раз меньшей, чем обычные видеокамеры при кардинально меньшем объеме передаваемого трафика. При этом система способна обрабатывать входной сигнал и генерировать управляющий сигнал сразу в импульсной форме – без перекодировки в числовое представление.
Быстрое (в 10-100 раз) время принятия решений. Система способна управлять быстро развивающимися процессами.
Непрерывное обучение на устройстве. Система тратит малое количество энергии на обучение благодаря локальным методам и может сохранять знания в процессе обучения.
Детектирование редких событий. Система тратит малое количество энергии, пока находится в режиме ожидания события.
Детектирование одновременных событий. Система способна одновременно детектировать множество объектов.
Детектирование событий в большом потоке информации в приближенном к реальному времени.
Быстрое детектирование событий на ранних этапах уверенности. Уверенность системы не дискретна во времени, а постепенно нарастает.
Устойчивость к шумам. Система способна осуществлять свои интеллектуальные функции в экстремальных условиях.
Нейроморфные чипы могут эффективно работать на этапе обучения ИИ-моделей, на этапе их использования и в режиме непрерывного обучения. Yole и TMT Analytics ожидают, что объем рынка нейроморфных чипов может достичь миллиарда долларов к середине 2020-х годов.
Согласно прогнозам отчета “Neuromorphic Computing. Concepts, actors, applications, market and future trends”, ожидается, что нейроморфные чипы займут прочное место на рынке к середине 20-х годов и, возможно, достигнут доминирования на рынке к 2030 году, как было отмечено на рис. 3.47.
Данный отчет дает представление об общем уровне внедрения ИИ в мире, о препятствиях и проблемах, которые мешают ИИ-проектам реализовать свой потенциал, а также о случаях использования, отраслях и странах, где ИИ, скорее всего, будет активно развиваться. Данные, полученные по заказу IBM, проливают свет на внедрение ИИ в 7502 компаниях по всему миру: по 500 в каждой стране, США, Китае, Индии, ОАЭ, Южной Корее, Австралии, Сингапуре, Канаде, Великобритании, Италии, Испании, Франции и Германии; и 1000 в Латинской Америке – Бразилии, Мексике, Колумбии, Аргентине, Чили и Перу. Опрос проводился онлайн через собственную сеть интернет-провайдеров Morning Consult в 2022 году.
Отчет 2022г. не только фиксирует общие тенденции, которые показывают, что продолжается рост внедрения ИИ-проектов, что инструменты ИИ становятся более приспособленными для бизнеса и более простыми в использовании, но и дает обобщенные количественные параметры того, как внедряются ИИ-проекты в мире.
В частности, в отчете представлены результаты опросов и данные о том, в какие проекты, связанные с ИИ, компании планируют инвестировать в течение следующих 12 месяцев (рис. 3.48).
Рис. 3.48. Процент респондентов, выбравших соответствующие ответы на вопрос “В рамках каких проектов компании планируют инвестировать в ИИ в течение следующих 12 месяцев?”. Источник: Global AI Adoption Index, 2022
В отчете также анализируется, какую облачную среду компании используют для организации доступа к ИИ-проектам (рис. 3.49).
Рис. 3.49. Процент респондентов, ответивших на вопрос “Какие облачные среды используются в компании в настоящее время?”. Источник: Global AI Adoption Index, 2022
Отмечается, что компании, которые еще только изучают возможности внедрения ИИ-проектов, чаще использует частную облачную среду, в то время как фирмы, уже внедрившие ИИ, чаще использует мультиоблачную среду, что позволяет им снижать издержки на поддержку частной облачной среды.
Интересно, что, по данным исследования, крупные компании на 70% чаще используют гибридную или мультиоблачную среду, чем небольшие фирмы. Исследования также раскрывают данные о том, кто составляет основные группы пользователей ИИ в опрошенных организациях (рис. 3.50).
Рис. 3.50. Распределение ответов на вопрос “Кто составляет десять основных групп пользователей ИИ в организациях?”. Источник: Global AI Adoption Index, 2022
В отчете также описаны основные барьеры, препятствующие внедрению ИИ, которые, как отмечают авторы, остаются неизменными в последние несколько лет в отчетах IBM Global AI Adoption Index (см. рис. 3.51).
Рис. 3.51. Распределение ответов на вопрос “Какие пять основных факторов препятствуют успешному внедрению ИИ в бизнесе?”. Global AI Adoption Index, 2022
Интересно отметить, что для решения вопросов нехватки ИТ и ИИ-специалистов компании также все чаще обращаются к ИИ для улучшения политики найма и удержания персонала, поиска кадров и расширения возможностей работников за счет повышения квалификации и обучения.
Среди ключевых игроков на рынке нейроморфных вычислений следует выделить такие компании как Intel, IBM, BrainChip Holdings, Qualcomm, Eta Compute, General Vision, Samsung Electronics, Hewlett Packard Labs, Applied Brain Research и GrAI Matter Labs.
Аналитика по рынку ИИ в виде опросов специалистов
Еще один источник количественных данных о состоянии бизнеса и технологий в области ИИ – это опросы участников этого рынка.
Существуют специализированные отчеты, которые приводят результаты опросов по состоянию внедрения технологий ИИ в разных отраслях и странах. Одно из наиболее полных исследований из этой области – это ежегодный отчет “Глобальный индекс внедрения ИИ” (GlobalAIAdoption Index), который публикуется компанией IBM в партнерстве с Morning Consult.
Целый ряд компаний выпускают отчеты, в которых объявляется объем мирового рынка искусственного интеллекта. Подобные оценки приводят такие компании как IDC, Cognilytica, Tractica, CB Insights, Markets and Markets, Gartner, Forrester, Allied market research, Precedence research, Fortune Business Insights и т. п. Увы, разброс в оценках очень большой.
Почему это происходит?
Как мы отметили ранее, чем сложнее дать обще принятое определение той или иной технологии, тем сложнее определить границы, ассоциированного с этой технологией рынка. Понятие “искусственный интеллект” не определяет однозначно некий продукт. Мы можем говорить о стоимости компонентов, необходимых для построения ИИ-решений в виде программного обеспечения, аппаратных систем и ИТ-услуг. Но сама методика отбора этих компонентов не является тривиальной, требует упрощений и допущений, которые аналитики делают по-своему и не всегда афишируют.
Без понимания совокупности условностей при трактовке понятия ИИ-рынок невозможно оперировать ИИ-аналитикой.
Как одну из проблем мы обозначили сложность выбора пула компаний, которые следует причислить к ИИ-компаниям, вторая сложность связана с определением доли выручки компаний, которая ассоциирована с ИИ-бизнесом.
Заметим, что при классическом определении рынка мы должны разделить участников экосистемы компаний, участвующих в создании ИИ, на покупателей и продавцов и оценить объем средств, который потратили покупатели и заработали поставщики. Сделать это непросто, учитывая, что целый ряд компаний являются одновременно и продавцами, и покупателями ИИ-услуг.
При этом, говоря о рынке, мы должны посчитать именно рыночную долю бизнеса. Это означает, что услуги по созданию решений в области ИИ, которые внутренние департаменты оказывают своей же компании (даже если они учитываются количественно в рамках хозрасчета), не являются рыночными, так как оплата идет внутри одной компании. Необходимо исключить двойной зачет при подсчете объема рынка, в том смысле, что если мы, например, говорим о выручке от продажи специализированных процессоров, то мы не должны складывать эту выручку с выручкой от продажи серверов на данных процессорах, поскольку один продукт содержит в себе другой. Кроме того, одна и та же видеокарта может использоваться для приложений ИИ или для обработки графики.
То же самое касается и производителей ПО (когда один продукт строится на основе другого), и ИТ-услуг (когда одна команда работает на субподряде у другой). Учитывая, что на мировом рынке работают тысячи компаний с сотнями тысяч продуктов и услуг, задача оценки ИИ-рынка является весьма нетривиальной.
Еще одна часть проблем связана с тем, что далеко не все участники рынка публично раскрывают информацию о финансовых параметрах своих проектов. Но даже если аналитикам удалось получить полную информацию о стоимости проекта, то открытым остается вопрос, как выделить долю, потраченную на ИИ, и долю, потраченную на смежные технологии. Действительно, современные проекты, содержащие ИИ, это, как правило, комбинация ряда цифровых технологий, как, например, это показано на рис. 3.35 (интернет вещей, цифровые двойники, большие данные, искусственный интеллект работают в связке).
Рис. 3.35. ИИ-технологии, как правило, являются частью комплексного решения.
Аналитики, которые пытаются определить объемы рынка, ассоциированные с указанными технологиями, неизбежно сталкиваются с проблемой двойных зачетов одних и тех же проектов в разных рынках. Совокупность перечисленных вопросов аналитики решают по-своему, что и приводит к разным оценкам.
Конечно, в рамках каждой методики серьезной аналитической компании, если эта методика не меняется год от года, можно проследить динамику рынка. Каждая методика отвечает на те или иные вопросы, поставленные клиентом. Кто лидеры рынка? Как они ранжированы по тому или иному параметру? Как быстро растет этот рынок? Насколько велик порог входа на этот рынок и так далее.
В рамках каждой аналитической компании эти сведения могут быть интересны клиентам, однако консенсусной оценки рынка ИИ ожидать не следует. По крайней мере, до тех пор, пока аналитики не договорятся о единой таксономии. Впрочем, для них это не обязательно выигрышная стратегия, поскольку продать несколько отчетов с разными данными выгоднее, чем пытаться продать одни и те же данные несколько раз. Мы продемонстрировали лишь некоторые сложности при оценке рынка, которые показывают, что задача не имеет однозначного решения и каждый аналитик должен принимать свою систему допущений. Поэтому чем более мелкий и четко определенный сегмент рынка выбирается, тем обычно более точные данные можно получить, и чем шире охват сегментов – тем больше расхождений.
Каждая из аналитических компаний работает по своей методике, именно это в первую очередь порождает наличие разных оценок ИИ-рынка. Оптимистичными оценки становятся, если в категорию ИИ включается больше типов продуктов и услуг, и пессимистичными, если методика выбирает более жесткие и узкие границы. Приведем несколько конкретных примеров.
Согласно исследованию IDC Worldwide Semiannual Artificial Intelligence Tracker, опубликованному в августе 2021 г., мировые доходы рынка искусственного интеллекта, включая программное обеспечение, оборудование и услуги, составили в 2021 году 341,8 млрд долл., в 2022 году выросли на 18,8% и к 2024 году преодолеют отметку в 500 млрд долларов.
В качестве сегментов рынка выделяются следующие: аппаратное обеспечение (серверы, СХД), программное обеспечение (ИИ-приложения, ПО системной инфраструктуры ИИ, ПО разработки и развертывания ИИ-приложений), услуги (ИТ-услуги, бизнес-услуги).
По мнению IDC, программное обеспечение занимает основную долю (88%) объема рынка ИИ. При этом IDC отмечает, что наиболее быстрыми темпами будут расти сегменты “аппаратные средства ИИ” и “услуги ИИ”.
Согласно исследованию Precedence research, объем мирового рынка искусственного интеллекта оценивался в 2021 году на уровне 87,04 млрд долларов США, и ожидается, что к 2030 году он достигнет 1 597,1 млрд долларов США с прогнозируемым CAGR, равным 38,1% с 2022 по 2030 год. При этом большая часть рынка – 39% – приходится на программное обеспечение. Заметим, что доля ПО во всем рынке ИИ вдвое меньше, чем устанавливается в методике IDC.
Согласно прогнозам отчета Fortune Business Insights, опубликованного в сентябре 2022 г., объем мирового рынка искусственного интеллекта вырастет с 387,45млрд долл. В 2022 году до 1394,30 млрд долл. в 2029 году, увеличиваясь с темпом роста 20,1% в течение прогнозируемого периода. Согласно отчету, объем мирового рынка в 2021 году составил 328,34 млрд долларов США, при том что рынок Северной Америки в 2021 г. был равен 143,49 млрд долл. А по данным отчета Allied market research, объем мирового рынка ИИ оценивался в 65,48 млрд долл. в 2020 году и будет расти спрогнозируемым CAGR на уровне 38,0% в период с 2021 по 2030 год. Данные перечисленных аналитиков сведены в табл. 3.10 и представлены на рис. 3.36.
Как видно из рисунка, отличие в оценках рынка в 2021-2022 гг.. по фактически полученным (не прогнозным) данным разных аналитиков составляет более 100%. Интересно отметить, что при разных начальных оценках темпы роста рынка разными аналитиками прогнозируются так, что к 2030 году рынок во всех прогнозах выходит примерно на один и тот же показатель – около 1,6 трлн долл.
Рынок программного обеспечения в области ИИ
Известно, что ПО в области ИИ становится все более распространенным, внедряется во все большем числе программных продуктов и услуг, применяется в разных слоях технологического стека, в приложениях различных отраслей. ИИ-технологии встраиваются во все виды корпоративных программных приложений, включая базовые, такие как SCM, ERP, CRM, платформы разработки и интеграции приложений.
Как было отмечено ранее, рынок ИИ определяют как совокупность ПО, аппаратного обеспечения и услуг. По мнению аналитической компании IDC, из указанных трех категорий технологий программное обеспечение занимает наибольшую долю (88%) объема рынка ИИ. То есть в 2021 г. этот рынок в трактовке IDC составлял около 300 млрд долл. По данным IDC, в категории программного обеспечения ИИ основная доля доходов приходится на приложения ИИ – почти 50%. Наиболее высокий рост демонстрируют ИИ-платформы (CAGR – 33,2%), медленнее всего будет развиваться программное обеспечение для системной инфраструктуры (CAGR – 14,4%), на долю которого приходится около 35% всех доходов от ИИ-программного обеспечения. На рынке ИИ-приложений IDC ожидает, что ERM будет расти немного быстрее, чем рынок CRM.
Комментируя структуру рынка программного обеспечения ИИ, IDC различает “AI-centric” и “AI-non centric” приложения (см. табл. 3.11). В приложениях первого типа ИИ-компонент является основной функцией ПО (без него приложение не может функционировать). В приложениях второго типа ИИ-компонент является вспомогательным, без него программа может работать с некоторым ограничением функциональности, при этом само приложение не обязательно используется для решения ИИ-задач.
В качестве лидера в категории “ИИ-платформы” IDC отметила малознакомую российским специалистам компанию Palantir.
Основанная в 2003 году Palantir – это американская компания, разработчик корпоративного ПО анализа данных, основные заказчики которой американские спецслужбы и инвестиционные банки. До 2008 года ЦРУ было единственным заказчиком компании. Среди ключевых клиентов ЦРУ, ФБР, Министерство обороны США, Военно-воздушные силы США, Корпус морской пехоты США, Командование специальных операций США, Военная академия США.
Компания Microsoft занимает лидирующие места в шести категориях, IBM – в трех.
На рис. 3.37 представлена оценка IDC мирового рынка ПО в области ИИ, с разбивкой на категории ПО.
Рис. 3.37. Мировой рынок ИИ-ПО, 2020 – 2021 г. в концепции IDC. Источник: IDC 2022 г.
Интересно отметить, что оценки рынка ИИ-программного обеспечения, представленные компанией Forrester, почти на порядок меньше (см. рис. 3.38).
Рис. 3.38. Мировой рынок ИИ-программного обеспечения, 2020 – 2021 г. в концепции Forrester. Источник: Forrester
При этом очевидно, что разница в оценках связана именно с методологией подсчета выручки. Компания Forrester использует свою таксономию, отличную от таксономии IDC. Forrester выделяет четыре сегмента на рынке программного обеспечения.
Согласно прогнозам Forrester, быстрее всего должны расти платформы для создания ИИ, которые достигнут 13 млрд долларов к 2025 году, что поможет довести весь объем рынка до 37 млрд долларов к 2025 году.
Комментируя свои прогнозы о формировании сравнительно небольшого рынка к 2025 г., Forrester отмечает два фактора в развитии рынка программного обеспечения ИИ, которые обеспечили данный вывод. С одной стороны, все больше коммерческих приложений добавляют функции ИИ, но эти функции не используются для получения прибыли. Во-вторых, внутреннее программное обеспечение ИИ, разработанное и используемое этими же предприятиями, не создает рыночного продукта и, соответственно, не должно учитываться как часть рынка.
Следует отметить, что включение в категорию “ИИ-приложения” программного обеспечения, в котором ИИ является неосновной функцией, в некоторой степени размывает границу рынка. Каждая аналитическая компания сама определяет, какая доля вспомогательной ИИ-функциональности позволяет отнести данное ПО к ИИ-рынку. Заметим, что диффузия ИИ-функциональности в ПО разного типа в скором времени позволит говорить о том, что практически все ПО обладает той или иной вспомогательной ИИ-функциональностью.
В 2018 г. компанияTractica оценивала мировой рынок программного обеспечения ИИ на уровне 10,1 млрд долл., прогнозируя его рост до 126 млрд долл. в 2025 г., выделяя в качестве наиболее крупных такие сегменты как автомобильный, сектор финансовых услуг, теле-коммуникаций и розничной торговли. В работе со ссылкой на данные Tractica приводится деление рынка программного обеспечения по 28 вертикальным рынкам.
Похожие абсолютные значения приводит компания Statista, которая предлагает структуру рынка по регионам (рис. 3.39).
Согласно оценкам (рис. 3.39), доля Северной Америки постепенно снижается, но остается лидирующей в мире. По данным рисунка, в 2025 г. на долю Северной Америки будет приходиться порядка 40% рынка, что составит более 50 млрд долл.
Рис. 3.39. Доходы рынка ИИ-программного обеспечения в мире с 2018 по 2025 год, по регионам. Источник: Statista
Похожие оценки рынка ПО приводятся в более поздней публикации – согласно которой в 2020 г. объем рынка ИИ-программного обеспечения составил 22,59 млрд долл.
Сравнительный анализ разных аналитических отчетов по рынку ИИ говорит о том, что каждый из аналитиков использует свою таксономию и свои методики подсчета дохода компаний производителей ПО, что не позволяет сравнивать данные разных аналитиков. Разброс в оценках этого рынка в 2021 г. варьируется от 300 млрд долл. (в оценках IDC) до 23 млрд долл. (в оценках Forrester). Столь широкий диапазон объясняется размытыми границами самого понятия ИИ, разной степенью присутствия ИИ-функциональности в решениях и произвольной трактовкой сегментов рынка различными аналитиками. Таким образом, следует признать, что на сегодняшний день не существует согласованной оценки рынка ИИ, несмотря на то, что целый ряд аналитиков выпускают отчеты на эту тему, используя один и тот же термин “мировой рынок ИИ”. Ценность отчетов на указанную тему в основном связана с анализом внутри их собственной таксономии.
Рейтинги поставщиков ПО разного типа
Выше было приведено мнение IDC о лидерах рынка программного обеспечения в области ИИ. Конечно, в данной широкой области есть десятки направлений, в рамках которых будут свои лидеры. Формат данного курса не позволяет рассмотреть все эти направления, приведем лишь два исследования – в первом речь идет о рейтинге ведущих поставщиков платформ для разработки систем искусственного интеллекта (ИИ) и машинного обучения ( рис. 3.40), второе посвящено составлению рейтинга поставщиков облачных ИИ-сервисов для разработчиков ( рис. 3.41).
Облачные ИИ-сервисы для разработчиков
Существуют сотни решений в области ИИ. И для большинства компаний доступ к ним осуществляется посредством облачных сервисов, и это самый простой и экономичный вариант запустить и протестировать ИИ-проект.
На рис. 3.40 представлен рейтинг лидеров поставки облачных ИИ-сервисов для разработчиков от компании Gartner.
Рис. 3.40. Облачные ИИ-сервисы для разработчиков. Источник: Gartner
Здесь по оси абсцисс отложен показатель Completeness of vision – полнота видения технологической стратегии компании. По оси ординат отложен показатель Ability to Execute, что можно интерпретировать как способность компании претворить в жизнь ее стратегию.
Как видно из рис. 3.40, в лидеры попали уже упомянутые ранее технологические гиганты AWS, Microsoft, Google и IBM.
Крупные поставщики могут обеспечить стабильность, доступность сервисов, качество поддержки клиентов и огромные объемы данных для обучения алгоритмов. Крупнейшие ИТ-компании, они же и ведущие провайдеры облачных ИИ-услуг, стараются стать так называемыми One stop shop-поставщиками – “продавцами всего из одних рук”, то есть представить как можно более полный набор услуг на базе своей платформы, включая подготовку данных и прочее.
Будучи лидером облачных услуг, Amazon имеет возможность предложить ИИ-инструментарий в виде сервисов своим существующим облачным клиентам и на этой волне получить наиболее высокие показатели в рейтинге. Преимущества AWS особенно заметны в производительности при работе с большими объемами данных. После успеха Alexa компания Amazon продолжает строить свою работу вокруг голосовых, виртуальных помощников и обработки естественного языка. Кроме того, ИИ как услуга AIaaS (AI-as-a-Service) все больше и больше внедряется в среду AWS, чтобы сделать Amazon лидером в области ИИ и машинного обучения.
Второе место делят Microsoft и Google, при этом Microsoft имеет более высокую позицию, с точки зрения способности претворить в жизнь стратегию, и уступает Google по уровню полноты видения технологической стратегии.
Microsoft приближается к Google по количеству приобретений ИИ-компаний (см. рис. 3.34). Корпорация активно развивает Microsoft Azure, добавляя к ней новые платформенные сервисы, такие как Azure Cognitive Services, Azure Data Lake, Azure Data Catalog и Azure Cloud Functions. Gartner отмечает, что Azure с каждым годом приближается к AWS в плане внедрения на предприятиях и вплотную подобралась к Google и IBM в гонке за доминирование в области ИИ, благодаря Azure Machine Learning и широкому набору когнитивных сервисов – предобученных моделей, которые могут использоваться в рамках корпоративных ИИ-проектов как готовые “строительные блоки”.
Google предлагает широкий набор инструментов для искусственного интеллекта и машинного обучения. Google Cloud обеспечивает гибкость на ранних этапах проекта и широкую масштабируемость в долгосрочной перспективе. Gartner отмечает, что недостатком использования платформы Google являются ее инструменты для бизнеса и аналитики в реальном времени, которые на момент публикации исследования были недостаточно развиты по сравнению с другими поставщиками услуг. Стратегия Google в области ИИ заключается в создании сильной позиции в области науки о данных с соответствующими патентами и в смежных областях компьютерных технологий, поскольку ее бизнес в значительной степени зависит от машинного обучения. Разработчики Google уже создали ведущую программную библиотеку с открытым исходным кодом в области ML – TensorFlow, что, наряду с огромными инвестициями в приобретение стартапов в области ИИ, свидетельствует о стремлении Google быть ИИ-лидером. Важно также отметить, что Google поддерживает ряд ключевых сервисов, используемых исследователями данных – например, Google Colab, позволяющий производить обучение моделей ИИ в облаке, в том числе бесплатно, а также открытую платформу соревнований Kaggle.
Ведущие поставщики платформ для разработки систем искусственного интеллекта
Компания Omdia в отчете назвала ведущих поставщиков платформ для разработки систем искусственного интеллекта (ИИ) и машинного обучения (рис. 3.41).
Рис. 3.41. Ведущие поставщики платформ для разработки систем искусственного интеллекта и машинного обучения. Источник: Omdia 2020
Здесь сравниваются поставщики, которые предлагают предприятиям платформы для разработки ИИ и МL, а также решения управления жизненным циклом разработки и развертывания соответствующих решений.
В качестве лидеров названы пять компаний. Помимо ИТ-гигантов IBM и Microsoft (которые уже были упомянуты как лидеры в области предоставления облачных сервисов для разработчиков), это SAS, C3.ai и Dataiku.
SAS – это всемирно известный американский производитель аналитического программного обеспечения, один из старейших разработчиков ПО – компания, которая начиналась как проект по созданию системы статистического анализа данных (отсюда и название – Statistical Analysis System) и выросла в крупную корпорацию, с числом сотрудников около 14 тысяч человек, и оборотом более 3 млрд долл. В портфель компании входят популярные продукты для искусственного интеллекта, аналитики и управления данными. SAS разрабатывает и продает набор аналитического программного обеспечения, которое помогает получать доступ к данным, управлять ими, анализировать их и составлять отчеты, чтобы помочь в принятии решений. Программным обеспечением SAS пользуется большинство компаний из списка Fortune 500.
Dataiku и C3.ai – это сравнительно молодые компании. C3.ai – была основана в 2009 г. и на момент написания курса являлась одним из ведущих поставщиков программного обеспечения для корпоративного ИИ. Платформа C3.ai Platform предоставляет комплексные услуги по созданию приложений ИИ корпоративного масштаба. Платформа применяется в разных отраслях с помощью готовых конфигурируемых приложений ИИ для решения задач выявления мошенничества, борьбы с отмыванием денег, управления энергопотреблением, привлечения клиентов, оптимизации цепочек поставок и т. п. В число клиентов C3.ai входят ВВС США, нью-йоркская энергетическая компания Consolidated Edison и ряд крупнейших в мире компаний из списка Fortune 500.
Компания Dataiku была основана в 2013 г. как разработчик систем ИИ. В 2019 году венчурный фонд CapitalG, финансируемый Alphabet Inc., присоединился к Dataiku в качестве инвестора, обеспечив компании статус единорога (1,4 миллиарда долларов). В 2021 г. в Dataiku работало около 400 человек по всему миру в офисах в Нью-Йорке, Париже, Лондоне, Мюнхене, Сиднее и Сингапуре.
Рынок аппаратного обеспечения в области ИИ
Как было отмечено в табл. 3.2 и табл. 3.3, разные аналитики по-разному определяют категорию “рынок аппаратного обеспечения в области ИИ”. Так, например, аналитики CB Insights включают в эту категорию только рынок ИИ-полупроводников, другие, как, например, Cognilytica, рассматривают в данном рынке целый спектр специализированного железа, включая серверы, СХДи даже аппаратные части системы интерфейса “мозг-компьютер”. В данном разделе мы ограничимся рассмотрением рынка ИИ-полупроводников и обсуждением ключевых компаний, специализирующихся в данном направлении.
Успех современных методов реализации ИИ все больше зависит от вычислительных возможностей оборудования, на котором эти решения реализуются. Обучение ML-моделей может занять месяц вычислительного времени и стоить десятки миллионов долларов. Требуемая вычислительная мощность обеспечивается чипами, которые оптимизированы для выполнения специфических вычислений, необходимых для реализации ИИ-систем, эти чипы стали выделять в отдельную категорию “ИИ-чипы”.
Спектр задач, возникающих при создании ИИ-решений, весьма широк, и нельзя сказать, что существует такое понятие, как “стандартный ИИ-чип”. Оптимальные архитектуры чипов различаются в зависимости от функций, которые должны быть выполнены, где они должны быть выполнены и в пределах какого ресурса (времени и мощности).
В области ИИ используются несколько видов чипов, в частности графические процессоры (GPU) хорошо показали себя в обучении нейросетей, FPGA позволяют с высокой энергоэффективностью осуществлять вывод по уже обученной сети. Кроме того, некоторые крупные вендоры создают специализированные чипы (ASIC), например Google TPU (рис. 3.42).
Следует отметить, что чаще всего упомянутые чипы применяются совместно, например GPU всегда дополняют CPU, равно как и FPGA и ASIC – это не самостоятельные процессоры, а скорее сопроцессоры.
Рис. 3.42. Сравнительные характеристики CPU, GPU, FPGA, ASIC.
Из полупроводников, показанных на рис. 3.42, CPU обладают наибольшей универсальностью и поэтому лучше всего подходят для выполнения вычислений общего назначения. Платформы на базе CPU будут хорошо работать для недорогих устройств, не требующих высокой производительности. GPU обладают высокой параллельной вычислительной мощностью по сравнению с центральными процессорами (большое количество параллельных вычислительных ядер), что дает им значительное преимущество при обучении и использовании ИИ-моделей, однако эти вычислители имеют весьма ограниченный набор инструкций по сравнению с CPU. Графические процессоры совершили революцию в решении ИИ-специфичных задач и, по всей видимости, будут продолжать играть доминирующую роль в задачах обучения моделей в центрах обработки данных. Лидером рынка GPU является компания Nvidia.
FPGA (или на русском языке ПЛИС – программируемая логическая интегральная схема) могут использоваться для выполнения специализированных задач в области ИИ. FPGA часто применяются в проектах, где партия конечных устройств ограничена, – тогда экономически не имеет смысл реализовывать решение в формате ASIC (о нем пойдет речь ниже). Другое направление применения FPGA для задач ИИ – это апробация математических алгоритмов в железе, что является обязательным этапом перед проектированием ASIC. По данным отчета Neuromorphic Computing Concepts, actors, applications, market and future trendsApril 2020, ключевыми игроками на рынке полупроводников FPGA являются Intel, Baidu и Xilinx.
Среди ИИ-ускорителей, показанных на рис. 3.42, ASIC демонстрируют лучшую производительность, меньшее энергопотребление и эффективность. Однако разработка специальных ASIC требует больших затрат и не является реконфигурируемой. Google лидирует в этом секторе со своим чипом Tensor Processing Unit (TPU). INTEL инвестирует в ASIC при сотрудничестве со стартапами Nervana и Habana.
Еще в 2017 году аналитикииз компании McKinsey, анализируя перспективы роста доступного рынка полупроводников, сделали прогноз (см. рис. 3.43), то есть предположили, что в период с 2017 по 2025 год рост будет происходить в существенной мере за счет полупроводников с искусственным интеллектом (темпы роста данного сегмента будут в 5 раз выше, чем у всех остальных типов полупроводников). Время показывает истинность этих предположений.
Рис. 3.43. Прогноз роста доступного рынка ИИ-полупроводников и темпов его роста. Источник: McKinsey
Упомянутые исследования McKinsey были подтверждены более поздними исследованиями и отражены, например, в отчете Neuromorphic Computing.
Аналитики из McKinsey также представили прогноз по поводу развития рынка полупроводников для центров обработки данных и периферийных вычислений на тот же период времени (см. рис. 3.44). Согласно этим данным, наибольший рост рынка будет наблюдаться в области использования ИИ-моделей в приложениях, связанных с периферийными вычислениями.
При том что именно задачи обучения ИИ-моделей требуют большой вычислительной мощности, затраты на ИИ-чипы под использование ИИ-моделей превосходят затраты на чипы под обучение. Это, в первую очередь, связано с тем, что обучается сеть один раз, а применяется многократнона множестве конечных устройств. Другая причина в том, что обучение на устройстве еще очень плохо развито, так как классические подходы к обучению крайне энергозатратны.
Рис. 3.44. Рынок ИИ-чипов для центров обработки данных и периферийных вычислений (млрд долл.) в период 2017-2025 гг. Источник: McKinsey
Искусственный интеллект с каждым годом играет все более важную роль в национальной и международной безопасности стран, и ИИ-технологии становятся все более важным стратегическим ресурсом.
Как мы отметили выше, специализированные чипы для реализации ИИ-решений позволяют кардинально поменять условия (скорость, эффективность) решения ИИ-задач. Сложные цепочки поставок, необходимые для производства передовых чипов ИИ, в основном сосредоточены в США и небольшом количестве союзных стран, что предоставляет возможность для осуществления политики экспортного контроля.
Согласно данным, правительство США активно занимается вопросами контроля распространения технологий, связанных с ИИ, и, поскольку распространение программного обеспечения общего назначения, наборы данных и алгоритмы ИИ проконтролировать достаточно сложно, наибольшее внимание уделяется компьютерному оборудованию, необходимому для реализации современных систем ИИ. В этой связи информация о ключевых игроках рынка ИИ-чипов и о перспективных стартапах в этой области представляет особый интерес.
Согласно исследованиям Markets and Markets, стартапы к 2020 году в сегменте рынка ИИ-чипов уже привлекли более 9 млрд долл., а крупнейшие игроки компьютерного рынка, такие как Google, IBM, Intel и Qualcomm, вкладывают значительные средства в исследовательские и коммерческие проекты.
По данным Markets and Markets, объем мирового рынка чипсетов с искусственным интеллектом в 2020 году составлял 7,6 млрд долл. и, по прогнозам, в ближайшие 5 лет будет расти с CAGR на уровне 40%, в результате чего в 2026 году составит около 57,8 млрд долл. Сходные прогнозы можно найти в отчете Tractica и TMT Analytics (рис. 3.45).
Рис. 3.45. Рынок полупроводников с поддержкой ИИ. Источник: Tractica, TMT Analytics, 2019
Исследование от компании Kbvresearch, посвященное анализу глобального рынка чипсетов для глубокого обучения (рис. 3.46), дает более консервативные оценки.
Рис. 3.46. Глобальный рынок чипсетов для глубокого обучения. Источник: Kbvresearch 2020 г.
ассказ о рынке ИИ-полупроводников был бы неполным без упоминания темы нейроморфных вычислений. Со ссылкой на отчет Neuromorphic Computing. Concepts, actors, applications, market and future trends April 2020 можно сказать, что развитие рынка ИИ-полупроводников происходит в виде трех волн. Первая волна, ориентированная на GPU, начинается до 2018 года и достигает максимума в 2022 году. Вторая, ориентированная на ASIC, выходит на экстремум к 2025 году, и третья, ориентированная на нейроморфные процессоры, зарождается в 2022 году и обещает выйти на массовый режим производства после 2026 года (см. рис. 3.47).
Рис. 3.47. Ожидаемые волны доминирования полупроводников в области ИИ. Источник: Neuromorphic Computing. Concepts, actors, applications, market and future trends, 2020
Нейроморфные процессоры – это процессоры, архитектура и принципы действия которых имеют сходство с биологическими нейронными сетями. Как было показано в начале курса, несмотря на то, что Розенблант и Джон фон Нейман вдохновлялись в своих моделях устройством человеческого мозга, классические нейронные сети и архитектуры компьютера довольно слабо соответствуют тому, что мы наблюдаем в биологии. Так, например, энергопотребление человеческого мозга составляет десятки ватт, в то время как компьютеры потребляют в тысячи раз больше.
Биологические системы работают с временными рядами, скоррелированными во времени (например, в естественных временных рядах то, что мы видим в момент времени t+1, очень сильно похоже на то, что мы видим в момент времени t), в то время как компьютеры способны обрабатывать нескоррелированные данные (например, последовательность картинок). В биологических системах нет разделения вычислений и памяти, каждый нейрон представляет собой отдельный физический объект, в то время как на компьютерах мы, как правило, моделируем большое количество нейронов одним вычислителем за счет быстрого переключения контекста. В мозге нет никаких цифровых вычислителей, а свою когнитивную функцию он реализует с помощью аналоговых вычислений. И последнее, но не менее важное свойство – биологические системы не программируются, они непрерывно обучаются.
Так, согласно публикации Neuromorphic artificial intelligence systems, Frontiers in Neuroscience, исследователи предлагают принцип классификации нейроморфных систем на основе использования в них следующих нейроморфных свойств.
Нейроморфный процессор является универсальной вычислительной системой для решения широкого класса задач ИИ, превосходящей классические решения по энергоэффективности (в 100-1000 раз), однако уступающей по качеству решения задач и развитости программно-аппаратной экосистемы.
Другими особенностями нейроморфных процессоров являются:
Нейроморфные чипы могут эффективно работать на этапе обучения ИИ-моделей, на этапе их использования и в режиме непрерывного обучения. Yole и TMT Analytics ожидают, что объем рынка нейроморфных чипов может достичь миллиарда долларов к середине 2020-х годов.
Согласно прогнозам отчета “Neuromorphic Computing. Concepts, actors, applications, market and future trends”, ожидается, что нейроморфные чипы займут прочное место на рынке к середине 20-х годов и, возможно, достигнут доминирования на рынке к 2030 году, как было отмечено на рис. 3.47.
Данный отчет дает представление об общем уровне внедрения ИИ в мире, о препятствиях и проблемах, которые мешают ИИ-проектам реализовать свой потенциал, а также о случаях использования, отраслях и странах, где ИИ, скорее всего, будет активно развиваться. Данные, полученные по заказу IBM, проливают свет на внедрение ИИ в 7502 компаниях по всему миру: по 500 в каждой стране, США, Китае, Индии, ОАЭ, Южной Корее, Австралии, Сингапуре, Канаде, Великобритании, Италии, Испании, Франции и Германии; и 1000 в Латинской Америке – Бразилии, Мексике, Колумбии, Аргентине, Чили и Перу. Опрос проводился онлайн через собственную сеть интернет-провайдеров Morning Consult в 2022 году.
Отчет 2022г. не только фиксирует общие тенденции, которые показывают, что продолжается рост внедрения ИИ-проектов, что инструменты ИИ становятся более приспособленными для бизнеса и более простыми в использовании, но и дает обобщенные количественные параметры того, как внедряются ИИ-проекты в мире.
В частности, в отчете представлены результаты опросов и данные о том, в какие проекты, связанные с ИИ, компании планируют инвестировать в течение следующих 12 месяцев (рис. 3.48).
Рис. 3.48. Процент респондентов, выбравших соответствующие ответы на вопрос “В рамках каких проектов компании планируют инвестировать в ИИ в течение следующих 12 месяцев?”. Источник: Global AI Adoption Index, 2022
В отчете также анализируется, какую облачную среду компании используют для организации доступа к ИИ-проектам (рис. 3.49).
Рис. 3.49. Процент респондентов, ответивших на вопрос “Какие облачные среды используются в компании в настоящее время?”. Источник: Global AI Adoption Index, 2022
Отмечается, что компании, которые еще только изучают возможности внедрения ИИ-проектов, чаще использует частную облачную среду, в то время как фирмы, уже внедрившие ИИ, чаще использует мультиоблачную среду, что позволяет им снижать издержки на поддержку частной облачной среды.
Интересно, что, по данным исследования, крупные компании на 70% чаще используют гибридную или мультиоблачную среду, чем небольшие фирмы. Исследования также раскрывают данные о том, кто составляет основные группы пользователей ИИ в опрошенных организациях (рис. 3.50).
Рис. 3.50. Распределение ответов на вопрос “Кто составляет десять основных групп пользователей ИИ в организациях?”. Источник: Global AI Adoption Index, 2022
В отчете также описаны основные барьеры, препятствующие внедрению ИИ, которые, как отмечают авторы, остаются неизменными в последние несколько лет в отчетах IBM Global AI Adoption Index (см. рис. 3.51).
Рис. 3.51. Распределение ответов на вопрос “Какие пять основных факторов препятствуют успешному внедрению ИИ в бизнесе?”. Global AI Adoption Index, 2022
Интересно отметить, что для решения вопросов нехватки ИТ и ИИ-специалистов компании также все чаще обращаются к ИИ для улучшения политики найма и удержания персонала, поиска кадров и расширения возможностей работников за счет повышения квалификации и обучения.
Среди ключевых игроков на рынке нейроморфных вычислений следует выделить такие компании как Intel, IBM, BrainChip Holdings, Qualcomm, Eta Compute, General Vision, Samsung Electronics, Hewlett Packard Labs, Applied Brain Research и GrAI Matter Labs.
Аналитика по рынку ИИ в виде опросов специалистов
Еще один источник количественных данных о состоянии бизнеса и технологий в области ИИ – это опросы участников этого рынка.
Существуют специализированные отчеты, которые приводят результаты опросов по состоянию внедрения технологий ИИ в разных отраслях и странах. Одно из наиболее полных исследований из этой области – это ежегодный отчет “Глобальный индекс внедрения ИИ” (GlobalAIAdoption Index), который публикуется компанией IBM в партнерстве с Morning Consult.
-
Add a note