Три дня конференции EmTech Future 2026 MIT Technology Review посвятила не очередной гонке чат-ботов, а тому, как ИИ встраивается в биологию, инфраструктуру, производство и научные исследования. Для русскоязычной IT-аудитории это важный сдвиг оптики: конвергенция технологий превращает AI из отдельного продукта в слой, от которого зависят физические системы, лаборатории и промышленный цикл.
Одну из центральных сессий провёл Йосси Матиас, вице-президент и руководитель Google Research, сообщает MIT Technology Review. Его тема звучит почти как заголовок к отраслевому бюджету на ближайшие годы: наибольший эффект от ИИ возникает не в изоляции, а на стыке дисциплин. В программе конференции рядом с AI оказались квантовые вычисления, энергетические системы, робототехника, климатические технологии и производство.
Сам по себе тезис не новый: машинное обучение давно применяют в медицине, логистике и инженерных расчётах. Но теперь разговор смещается от отдельных пилотов к связанным системам. Модель может помогать исследователю обрабатывать данные, производство — перестраивать процесс, а инфраструктура — принимать решения с учётом энергопотребления и ограничений сети. В такой схеме ценность создаёт уже не «умный ассистент» как отдельная функция, а качество интеграции данных, моделей, оборудования и людей, которые отвечают за результат.
Не один алгоритм, а связанная система
В блоке о квантовых технологиях выступил Хартмут Невен, основатель и руководитель Google Quantum AI. По описанию программы он говорил о развитии квантовых вычислений рядом с другими технологическими фронтирами и о том, что их значение может определяться взаимодействием с окружающими системами, а не только самостоятельными возможностями квантовых машин. Это аккуратная, но важная оговорка на фоне привычных обещаний: квантовые вычисления пока нельзя оценивать по логике «появится один компьютер и заменит всё». Их практический смысл будет зависеть от связки с классическими вычислениями, алгоритмами, инструментами моделирования и конкретными задачами.
Похожую рамку предложила Эвелин Ван, вице-президент MIT по энергетике и климату. Её сессия была посвящена взаимозависимости энергии, вычислительной инфраструктуры и климатических технологий. Для компаний, строящих AI-сервисы, это уже не абстрактная тема из ESG-презентации. Рост вычислительных нагрузок упирается в доступность энергии, размещение дата-центров, устойчивость сетей и стоимость эксплуатации. Поэтому инженерная команда, которая планирует масштабирование модели, всё чаще сталкивается с вопросами, которые раньше считались зоной ответственности энергетиков, операторов инфраструктуры и финансового блока.
Организаторы также вынесли в программу робототехнику, новые энергетические системы и последствия технологического сближения для индустрии и общества. Общий знаменатель здесь — переход от цифровых интерфейсов к миру, где ошибки модели способны влиять не только на текст в чате или рекомендации в ленте, но и на работу оборудования, исследования или критическую инфраструктуру. Чем ближе AI к физическому контуру, тем важнее становятся проверка данных, наблюдаемость решений, права доступа и понятное распределение ответственности.
Отдельно в программе прозвучала более неудобная для индустрии тема: писатель Кори Доктороу предложил переосмыслить отношения человека с ИИ — то, как технологии меняют работу и мышление. Это полезный противовес привычной конференционной формуле, где автоматизация автоматически означает прогресс. Внедрение AI меняет не только скорость выполнения задач, но и то, какие навыки остаются внутри команды, кто проверяет результаты и где проходит граница между помощью инструмента и передачей ему решения.
Что делать продуктовым и инженерным командам
Для разработчиков главный вывод не в том, что нужно срочно добавить слово AI в дорожную карту. Если продукт связан с реальным процессом — производством, логистикой, наукой, энергией или устройствами, — полезнее начать с карты зависимостей. Какие данные поступают в систему, кто подтверждает критичные действия, что происходит при ошибке модели, можно ли восстановить ход решения и безопасно ли отключить автоматизацию? Эти вопросы звучат менее эффектно, чем демонстрация нового агента, зато именно они отделяют работающий контур от презентационного прототипа.
Продактам и руководителям бизнеса стоит смотреть на AI-проекты через измеримый процесс, а не через количество подключённых моделей. В ряде задач ценность может появиться в связке с аналитикой, симуляцией, компьютерным зрением или роботизацией; в других внедрение лишь добавит дорогой и ненадёжный слой. Конвергенция технологий требует межфункциональных команд: инженеров данных, специалистов по предметной области, безопасности, инфраструктуре и владельцев процесса. Один поставщик модели эту конструкцию не соберёт.
Для российского рынка эта логика особенно прикладная. В условиях ограниченного доступа к части зарубежных сервисов и оборудования компании вынуждены внимательнее считать вычислительные ресурсы, выбирать сценарии с понятной отдачей и строить собственные контуры данных. Это может замедлять эксперименты, но одновременно снижает соблазн внедрять AI ради отчёта. В приоритете оказываются не самые громкие интерфейсы, а системы, которые помогают инженеру, оператору или исследователю принять более точное решение.
Полная программа EmTech Future 2026 доступна по запросу у организаторов; для подписчиков MIT Technology Review указана цена 596 долларов с 20-процентной скидкой. Конференция не даёт готового рецепта, как соединить AI, квантовые вычисления, энергетику и робототехнику в одном продукте. Зато она точно фиксирует следующий вопрос для отрасли: кто сумеет превратить конвергенцию технологий из набора разрозненных экспериментов в надёжную систему с понятной экономикой и ответственностью за последствия?