Стремительная эволюция телекоммуникационных технологий стала ключевым фактором ускорения процессов глобальной цифровой трансформации, развития мировой экономики и улучшения качества жизни, кардинально изменив современное общество. Каждое новое поколение мобильных сетей предоставляло инновационные возможности коммуникации и более быстрое, эффективное и надежное подключение к сети Интернет.
В настоящее время внедряемый стандарт мобильной связи пятого поколения 5G обеспечивает максимальные характеристики беспроводных сетей такие как расширенная мобильная широкополосная связь eMBB (enhanced MBB), сверхнадёжная связь с низкой задержкой ULLRC (Ultra Low Latency Reliable Communication) и массовые межмашинные коммуникации mMTC (massive Machine Type Communication), что позволило технологии 5G стать важнейшим элементом инфраструктуры, необходимой для поддержания эволюционных процессов глобальной цифровизации, оказав существенное влияние на развитие таких отраслей, как интеллектуальная городская экосистема («умный» город), беспилотный транспорт, электронное здравоохранение и промышленное производство.
Так, по состоянию на конец 2025 года, более 619 операторов связи в 184 странах запустили коммерческие услуги 5G, инвестировав в них порядка 300 млрд долларов США, 70 компаний развернули автономные сети 5G SA (Stand Alone), и ещё 89 планируют это сделать в ближайшей перспективе. Количество абонентов мобильной связи пятого поколения превысило 1,7 млрд, что составляет около 21% населения планеты, причем только за первый квартал 2025 года их число увеличилось на 160 миллионов. На сегодняшний день в распоряжении пользователей находится более 2300 моделей мобильных 5G-устройств на выбор. Если тенденция сохранится, то в 2029 году количество абонентов будет насчитывать 5,6 млрд, что превысит 60% всех мобильных подписок, а конечные пользовательские устройства будут представлены разными форм-факторами – от устройств дополненной (Augmented Reality, AR) и виртуальной реальности (Virtual Reality, VR) до голографического оборудования.
Кроме этого, всевозможные механизмы такие как автономные транспортные средства (автомобили), беспилотные летательные аппараты (БПЛА), бытовая техника, интеллектуальные датчики, особенно из мира интернета вещей (Internet of Things, IoT) и т.д., будут подключены к беспроводной 5G-сети.
Такая динамика ежегодного увеличения числа мобильных устройств и плотности их подключений, а также стремительное развитие технологий искусственного интеллекта (ИИ) и машинного обучения (МО), повлекла за собой экспоненциальный рост объема генерируемой информации, что способствовало повышению спроса на услуги обработки, хранения и резервного копирования данных. Предоставление этих услуг невозможно представить без центров обработки данных (ЦОД, дата-центры). А по мере внедрения нового поколения мобильной связи ЦОДы занимают центральные позиции, выступая в качестве основы цифровой инфраструктуры по всему миру, обеспечивая реализацию технологических стратегий и функционирование информационных систем современных компаний в устойчивом и эффективном режиме.
Так, в 2024 году мировой рынок дата-центров оценивался в 44,89 млрд долларов США, а уже в 2025 году он вырос до 54,74 млрд долларов США. По мнению аналитиков американской международной консалтинговой компании McKinsey & Company, специализирующейся на решении задач, связанных со стратегическим управлением, подъем рынка продолжится, и до 2030 года будет постоянно увеличиваться на 10% ежегодно. Ключевыми стимулирующими технологиями такого роста по-прежнему останутся 5G, ИИ и МО.
Технология 5G для индустрии ЦОД представляет собой фундаментальный инструмент изменения архитектуры, ускоряющий переход от централизованной модели к распределенной, интеллектуальной и ориентированной на приложения цифровой инфраструктуре.
Сверхнизкая задержка и массовые межмашинные коммуникации формируют новые симбиотические отношения между сетью и ЦОД, тем самым пересматривая существующий цифровой ландшафт от ядра до периферии.
На протяжении многих лет телекоммуникационная отрасль развивалась в направлении создания централизованных гипермасштабных ЦОД, используя эффект увеличения количества аппаратных средств и инженерных систем для предоставления облачных вычислений.
Внедрение 5G не преследует цель полностью заменить эту модель. Наоборот, она дополнит её новым критически важным уровнем инфраструктуры, основанным на 5G-технологиях и граничных (периферийных) вычислениях.
Для того чтобы приложения работали в режиме реального времени, такие как промышленная автоматизация, беспилотные автомобили, облачные игры и дополненная реальность (AR), – вычисления и хранение данных должны быть физически перемещены ближе к точке генерации данных. Это является основополагающим фактором развития граничных (периферийных) вычислений.
Технология 5G обеспечивает высокоскоростную и надежную беспроводную связь «последней мили», соединяющую мобильные устройства с локальными узлами периферийных вычислений.
В свою очередь, эти периферийные центры обработки данных выполняют локальную обработку, которая делает низкую задержку 5G значимой, фильтруя и анализируя данные на месте и отправляя обратно в центральное облако только необходимую информацию, создавая взаимодополняющий цикл. Повсеместное внедрение 5G подкрепляет экономическую целесообразность строительства периферийных центров обработки данных, а доступность периферийных вычислений позволяет операторам мобильной связи монетизировать свои инвестиции в 5G за счет новых, высокодоходных корпоративных услуг.
Такой симбиоз между 5G и граничными вычислениями приводит к децентрализации цифровой инфраструктуры, порождая новую, многоуровневую топологию.
Современная архитектура телекоммуникационных и дата-центров обеспечивают бесперебойную работу, масштабируемость и гибкость инфраструктуры включает в себя несколько уровней традиционные крупные центральные или основные дата-центры, региональные дата-центры и быстро расширяющуюся зону «дальних» площадок, расположенных на сотовых вышках, заводах, в городских центрах или рядом с ними.
В этих условиях роль основного центра обработки данных не уменьшается, а трансформируется. Его аппаратные средства останутся незаменимыми для выполнения крупномасштабных задач, не требующих больших задержек, таких как обучение сложных моделей ИИ, долгосрочное архивирование данных и пакетная обработка для бизнес-аналитики.
Новый уровень периферийных вычислений, включающий микроцентры и модульные (контейнерные) центры обработки данных (Modular Data Center, MDC), предназначен для обработки данных в режиме реального времени, быстрого вывода результатов работы ИИ и принятия решений на локальном уровне.
Появление такой модели влияет на изменения рынка периферийных центров обработки данных. Согласно прогнозам, к 2034 году его объем превысит 109 миллиардов долларов США, чему будут способствовать развитие технологии 5G и Интернета вещей (IoT).
Этот долгосрочный, постоянно растущий спрос является ключевым стратегическим фактором для поставщиков инфраструктурных услуг.
Ещё одним ключевым нововведением 5G является сегментирование сети, которое позволяет разделить единую физическую сетевую инфраструктуру на несколько изолированных виртуальных сетей, обеспечивающих сквозное соединение.
Каждый сегмент может быть настроен с учетом конкретных характеристик качества обслуживания, таких как гарантированная пропускная способность, задержка и надежность. Это позволяет оператору мобильной связи предлагать индивидуальные решения для различных сценариев использования одновременно: сегмента сверхнадежной связи с низкой задержкой (URLLC) для критически важных систем управления роботами на предприятии, сегмента улучшенной мобильной широкополосной связи (eMBB) для потоковой передачи видео на массовых мероприятиях и сегмента массовых межмашинных коммуникаций (mMTC) для интеллектуальных устройств коммунальных услуг в городе.
Аналогичная программируемость распространяется и на ЦОД.
Приложения, размещенные в центре обработки данных и привязанные к определенному сегменту 5G, требуют соответствующих сетевых политик, мер безопасности и гарантий использования ресурсов. Помимо этого, архитектура ЦОД требует высокоавтоматизированной сетевой инфраструктуры, способной динамически предоставлять и управлять подключением в соответствии с жизненным циклом обслуживаемых сегментов 5G.
Таким образом, внедрение 5G и развитие центров обработки данных – это два взаимосвязанных процесса, где 5G предъявляет к инфраструктуре дата-центров (серверы, системы хранения данных, локальные и глобальные сети передачи данных, системы управления) новые требования по скорости и качеству передачи данных, а ЦОДы, в свою очередь, выступают основой для работы 5G-сетей. Это трансформирует отрасль, включая стандарты, безопасность и экономику.
По сути, инфраструктура центров обработки данных 5G – это та же самая существующая инфраструктура ЦОД, но адаптированная и оптимизированная для достижения максимальной производительности.
Среди основных требований к ЦОД 5G выделяют следующие:

• Модернизация облачных и сетевых возможностей, а также кабельной инфраструктуры в существующих ЦОДах. Это включает в себя: развертывание оборудования, способного поддерживать технологии виртуализации (Network Functions Virtualization, NFV) и программно-определяемых сетей (Software-Defined Networking, SDN и Software-Defined Wide Area Network, SD-WAN), которые позволяют заменить аппаратное сетевое оборудование виртуальными сетевыми функциями (Virtual Network Functions, VNF), тем самым повышая эффективность вычислительных ресурсов центров обработки данных, снижая энергопотребление и улучшая автоматизацию управления; обеспечение надежных, резервных систем электропитания и охлаждения.
• Низкая задержка обработки данных требует приближения к конечному пользователю, что приводит к увеличению объема граничных вычислений. Поэтому провайдеры все чаще осуществляют поддержку распределенной инфраструктуры обработки данных для создания архитектуры мобильных граничных вычислений с множественным доступом (Multi-Access Edge Computing, MEC), которая обеспечивает гибкое перераспределение ресурсов сети радиодоступа в зависимости от нагрузки пользовательского трафика в отдельных ячейках и снижает трафик в агрегирующей сети и ядре 5G.

Этот процесс стимулирует внедрение периферийных ЦОД (небольших распределенных объектов), дополняющих традиционные централизованные центры обработки данных.

• Поддержка технологий ИИ и МО, которая позволит осуществлять оперативное и автоматизированное управление распределенной вычислительной инфраструктурой центров обработки данных, ядра сети, агрегации и периферийных сетей, обеспечивая эффективное управление ресурсами и предоставляя новые услуги и приложения всему спектру пользователей 5G.
• Наличие гибкой и автоматизированной системы управления и оркестровки сервисами и ресурсами NFV: MANO (Management and Orchestration), необходимо для быстрого формирования сервисов по запросу и без задержек, а также для эффективного распределения рабочей нагрузки на вычислительные и сетевые ресурсы распределённой сети центров обработки данных в сетях 5G.
• Возможность подключать и управлять модульными и контейнерными центрами обработки данных на периферии сети (Mobile Edge) и гибко управлять их ресурсами в распределённой сети позволяет объединять вычислительные ресурсы распределённых центров обработки данных в единую управляемую и автоматизированную сеть.
• Наличие платформ для разработки сервисов и приложений, а также возможность предоставлять их пользователям через программный интерфейс приложений (Application Programming Interface, API), позволяет операторам 5G-сетей оперативно разрабатывать и предоставлять новые услуги и приложения в соответствии с требованиями рынка, тем самым повышая конкурентоспособность 5G-оператора.
• Возможность взаимодействовать со сторонними платформами разработки и поставщиками услуг доставки Over-The-Top (OTT) для ведения совместного и взаимовыгодного бизнеса расширяет спектр предоставляемых услуг и приложений, даже для тех групп пользователей, для которых разработка собственных услуг оператором может быть нецелесообразной из-за небольшого размера рынка, специфических требований нишевых рынков или специализированных приложений.

Помимо этого, повышенная безопасность и соответствие нормативным требованиям также находятся в центре внимания, поскольку в связи с развертыванием 5G на периферии сети зачастую осуществляется обработка новых типов рабочих нагрузок и конфиденциальных данных. Поэтому ЦОД должны соответствовать строгим стандартам физической и кибернетической защиты, а также требованиям отраслевых правил.
Структура 5G, основанная на программно-определяемых сетях (SDN), виртуализации сетевых функций (NFV) и сегментировании сети, коренным образом меняет ландшафт безопасности. Это создаёт значительно расширенную поверхность атаки по сравнению с традиционными сетями на основе аппаратного обеспечения. Рост числа IoT-устройств, подключенных через 5G, многие из которых имеют минимальную встроенную защиту, создаёт множество потенциальных точек входа для злоумышленников.
Для снижения этих рисков необходим переход от устаревшей системы безопасности, основанной на защите периметра, к архитектуре «нулевого доверия». Обнаружение угроз в режиме реального времени с помощью инструментов ИИ и надёжная многоуровневая защита имеют решающее значение для обеспечения безопасности в этой сложной среде.
Внедрение усовершенствованных протоколов безопасности, таких как межсетевые экраны и системы обнаружения вторжений, имеет решающее значение для защиты инфраструктуры центров обработки данных. Эти меры обеспечивают защиту от киберугроз и гарантируют соответствие нормативным требованиям.
Таким образом, роль 5G в индустрии центров обработки данных гораздо шире, чем просто повышение скорости сети. 5G меняет предназначение ЦОД, трансформируя их из пассивных хранилищ в активные, распределённые и интеллектуальные узлы новой цифровой экосистемы. Успех зависит от готовности инфраструктуры соответствовать технологическим требованиям 5G и от способности отрасли адаптироваться к экономическим и регуляторным условиям в конкретных странах.

Кибербезопасность в горнодобывающей отрасли в текущем году стала приоритетным направлением в цифровой трансформации для компаний, занимающихся разведкой и добычей полезных ископаемых, которые традиционно полагалась на тяжёлую технику и ручной труд. Сегодня данный сектор экономики переживает цифровую трансформацию от автономных самосвалов и устройств Интернета вещей до аналитики больших данных и облачного программного обеспечения.
Цифровая трансформация, происходящая в минерально-сырьевой отрасли, меняет правила операционной стратегии и управления рисками. Современные операции характеризуются следующими особенностями:
• Автоматизацией. Автоматизированные самосвалы, конвейерные системы, оборудование для дистанционного бурения и отслеживание активов в режиме реального времени.
• Промышленным Интернетом вещей. Подключённые датчики, встроенные в шахты, собирают данные, что позволяет осуществлять мониторинг окружающей среды, управление ресурсами и профилактическое обслуживание.
• Облачными вычислениями. Хранение и анализ больших потоков геопространственных, производственных и экологических данных на защищенных или общедоступных облачных платформах.
• Аналитикой данных на основе ИИ. Передовые технологии преобразуют необработанные данные в полезную информацию для оптимизации оборудования, обеспечения безопасности работников и соблюдения нормативных требований.
• Удаленным управлением. Лица, принимающие решения, могут получать доступ к информационным панелям и управлять оборудованием из централизованных диспетчерских пунктов, которые зачастую находятся за тысячи километров от действующих шахт.
Эти инновации могут иметь как положительные, так и отрицательные последствия. Так уровень интеграции и доступности, который способствует значительному росту производительности, также расширяет возможности для кибератак, делая сферу добычи полезных ископаемых более привлекательной для киберпреступников.
Киберпреступники все чаще нацеливаются на критически важную инфраструктуру, понимая, что один инцидент может остановить производство, нарушить цепочки поставок и привести к значительным финансовым потерям.
Прогнозируется, что количество атак на предприятия минерально-сырьевого комплекса с использованием программ-вымогателей будет ежегодно увеличиваться на 40%, что ставит под угрозу критически важные данные и непрерывность их работы.
По мере увеличения количества интеграционных точек расширяется потенциальная поверхность атаки.
В настоящее время более 60% предприятий, занимающихся добычей полезных ископаемых сталкиваются с целенаправленными кибератаками на свои интегрированные операционные и информационные технологические (OT/IT) системы.
Наиболее вероятные угрозы кибербезопасности отрасли:
1. Атаки с использованием программ-вымогателей
Программы-вымогатели остаются одной из самых актуальных угроз. Злоумышленники осведомлены в том, что простой в горнодобывающей отрасли напрямую связан с потерей прибыли и операционным хаосом. Киберпреступники целятся в ключевые цифровые активы, шифруя все доступы к критически важным системам от программного обеспечения для управления до хранилищ геологических данных, и требуют многомиллионные выплаты за восстановление данных.
Учитывая зависимость от автоматизации и мониторинга в режиме реального времени, успешная атака с использованием программ-вымогателей может привести к остановке производства, нарушению цепочки поставок, саботажу протоколов безопасности и значительным финансовым и репутационным потерям для компаний.
2. Промышленный шпионаж и кража данных
Промышленный шпионаж угрожает конкурентным преимуществам современных добывающих компаний. Конкурирующие организации и группы, поддерживаемые государством, стремятся получить несанкционированный доступ к интеллектуальной собственности, такой как запатентованные технологии, данные геологоразведки, геологическое моделирование и карты ресурсов.
Такая кража может помешать реализации новых проектов, обесценить результаты многолетних исследований и дать конкурентам несправедливое стратегическое преимущество.
3. Атаки на системы OT
Компании по извлечению природных ресурсов используют системы OT для управления тяжелой техникой, вентиляцией и обеспечения безопасности окружающей среды, технологических процессов и работников. Кибератаки, нацеленные на OT-системы могут привести к прямым физическим нарушениям, которые потенциально опасны для жизни и окружающей среды.
Такие вторжения могут осуществляться с использованием вредоносного ПО, путем проникновения в сеть или даже путем компрометации точек удаленного доступа, используемых инженерами ОТ. Самый большой риск: сбой в системе безопасности, который может привести к несчастным случаям или утечке опасных материалов.
4. Атаки на цепочки поставок
Предприятия минерально-сырьевого комплекса всё больше зависят от сторонних поставщиков – производителей промышленного программного обеспечения и интеграторов оборудования. Злоумышленники могут скомпрометировать код на любом этапе цепочки поставок, интегрируя вредоносное ПО или бэкдоры в критически важные системы.
Эти уязвимые места в цепочке поставок сложно обнаружить. Они могут оставаться незамеченными до тех пор, пока не случится сбой в работе производственной системы или не произойдёт утечка данных. Управление рисками, связанными с безопасностью поставщиков, должно стать приоритетной задачей команд занимающихся кибербезопасностью.
5. Внутренние опасности
Инсайдерские угрозы, исходящие от недовольных сотрудников, подрядчиков или в результате случайных ошибок пользователей, представляют собой особую опасность. Компании по добыче полезных ископаемых – это крупные и сложные организации, в которых доступ к системам часто предоставляется большому количеству сотрудников. Недостаточный контроль аутентификации пользователей или плохая подготовка персонала могут привести к тому, что один человек намеренно или случайно способен скомпрометировать критически важные данные или операционные системы.
6. Облачная инфраструктура и раскрытие данных
Облачные вычисления лежат в основе новейших аналитических платформ компаний по добыче полезных ископаемых. Однако некорректно настроенные средства контроля доступа, слабые пароли или открытые API могут привести к несанкционированному доступу к конфиденциальным данным – от заявок на участие в проектах до отчетов о мониторинге окружающей среды. Растущее число атак на облачные системы угрожает целостности и конфиденциальности информации об извлечении ресурсов.
7. Атаки на удалённые и мобильные операции
Географическая удалённость многих добывающих предприятий в сочетании с автоматизацией парка технических средств и мобильной разведкой объектов, проводимой с помощью дронов и вездеходов, повышает риск атак на каналы передачи данных, подмены GPS-координат и глушения сети.
Без надёжных механизмов защиты злоумышленники могут нарушить работу в местах добычи полезных ископаемых или ввести ложные данные в системы принятия решений горнодобывающих компаний.
Проблемы внедрения систем кибербезопасности
Обеспечение эффективной кибербезопасности в горнодобывающей отрасли осложняется сочетанием экологических, технологических и организационных факторов. Эти проблемы особенно актуальны для крупных или удаленных шахт, которые активно переходят на цифровые технологии:
• Удаленное расположение и тяжелые условия. Шахты часто находятся в изолированных регионах с ненадежной связью, что затрудняет мониторинг в реальном времени и реагирование на инциденты. Воздействие окружающей среды (пыль, влага, экстремальные температуры) также может привести к сбоям в работе сетевой инфраструктуры или оборудования.
• Устаревшее оборудование и системы. Многие горнодобывающие компании по-прежнему используют устаревшие системы промышленного управления (Industrial Control System, ICS) и платформы диспетчерского управления и сбора данных (Supervisory Control And Data Acquisition, SCADA), в которых отсутствуют современные средства защиты. Эти архаичные механизмы являются слабым звеном, которым могут воспользоваться киберпреступники.
• Обеспечение безопасной интеграции. Сложная интеграция OT-IT систем (OT – управление оборудованием, датчики, автоматизация и IT – сети, аналитика, управление бизнесом) известна своей замысловатостью. Ошибки в конфигурации или недостаточная сегментация могут сделать сети уязвимыми.
• Недостаточные (слабые) навыки и осведомлённость в вопросах кибербезопасности. Специалисты по добыче полезных ископаемых часто хорошо разбираются в работе оборудования, но хуже осведомлены о развивающихся киберугрозах, что повышает риск человеческой ошибки, успешных фишинговых атак или неправильного управления учётными данными.
• Разнообразие поставщиков в логистической цепочке. Множество дистрибьютеров, необходимых для приобретения специализированного оборудования или программного обеспечения, повышают уязвимость. В этой экосистеме сложно обеспечить соблюдение стандартов кибербезопасности в масштабах всей компании.
Граница между операционными и информационными технологиями непрерывно стирается. Сложная автоматизация, устройства мониторинга и подключение машин к облаку – это новая норма в горнодобывающей промышленности, но объединение этих систем открывает новые возможности для атак.
Уязвимые места при интеграции OT и IT:
• Комплексный риск. Одна уязвимость в ИТ-системе (например, скомпрометированная электронная почта или конечная точка) может быть использована для горизонтального перемещения в OT-среды и нарушения работы критически важного горнодобывающего оборудования, включая системы вентиляции, бурения и управления автопарком.
• Фишинг и социальная инженерия. Распространённый подход «первого удара», использующий слабые места в системе внутреннего контроля, позволяет злоумышленникам проникнуть глубоко в ИТ- и ОТ-системы.
• Защищённые каналы передачи данных. Сведения, передаваемые между полевыми машинами, дронами, центральным офисом и облаком, должны быть зашифрованы и аутентифицированы, чтобы избежать перехвата или манипуляций.
Добывающим компаниям необходимо обеспечить четкое разделение между OT и IT зонами, внедрить передовые инструменты мониторинга, которые анализируют трафик как операционных, так и бизнес-сетей, а также разработать планы реагирования на инциденты, направленные на комплексные угрозы.
Путь к надёжной кибербезопасности в сфере добычи полезных ископаемых лежит через баланс между передовыми технологиями, эффективным управлением рисками и осведомлённостью сотрудников.
Некоторые основные мероприятия, проводимые для защиты цифровой инфраструктуры добывающих предприятий, включают:
Комплексную оценку рисков:
• Проведение регулярных проверок безопасности ИТ- и ОТ-активов.
• Выявление и каталогизация сетевых устройств, оборудования и программного обеспечения.
• Расстановка приоритетов для уязвимостей в зависимости от их потенциального влияния на безопасность, производство и соответствие требованиям.
Сегментацию промышленной сети и применение концепции нулевого доверия:
• Дробление сети на несколько уровней безопасности – разделение ИТ- и ОТ-систем для ограничения горизонтального перемещения злоумышленников.
• Использование принципа нулевого доверия. Никогда не доверять, всегда проверять запросы на внутренний доступ.
Непрерывное слежение и автоматизацию:
• Проведение расширенного мониторинга цифровых и физических систем для выявления аномалий посредством использования ИИ, применение SIEM с целью обнаружения угроз, а также проведение поведенческой аналитики для фиксации отклонений в действиях пользователей.
• Автоматизация рабочих процессов оповещения для быстрого реагирования на инциденты и восстановления работоспособности системы.
Обучение сотрудников и контроль доступа:
• Организация непрерывного повышения осведомлённости сотрудников в вопросах кибербезопасности – от инженеров до операторов оборудования и руководителей.
• Соблюдение правила наименьших привилегий, контроль доступа к конфиденциальным системам и данным.
Безопасность третьих сторон и цепочек поставок:
• Соблюдение строгих стандартов кибербезопасности поставщиками услуг. Требование сообщать об уязвимостях, регулярно устанавливать исправления и проводить аудит программного обеспечения.
• Внедрение систем отслеживания на основе блокчейна для контроля критически важных цепочек поставок и производства, чтобы обеспечить прозрачность и предотвратить несанкционированное вмешательство в процесс перемещения данных внутри информационных систем.
Управление исправлениями и обновлениями:
• Установление исправлений и обновление программного обеспечения / прошивок на всех устройствах добычи полезных ископаемых, серверах и операционных системах, особенно на тех, которые имеют доступ к Интернету или могут подключаться удаленно.
Использование надежных средств обеспечения облачной безопасности:
• Защита всех ресурсов, подключенных к облаку, с помощью надежной системы управления идентификацией и доступом. Проведение регулярных проверок политик безопасности и шифрования данных при передаче и хранении.
Обеспечение безопасного мониторинга и управление добычей
Посредством интеграции систем обработки спутниковых снимков, искусственного интеллекта, блокчейна и облачной аналитики инновационные решения помогают горнодобывающим предприятиям достичь высокой операционной устойчивости и кибербезопасности.
• Спутниковый мониторинг обеспечивает в режиме реального времени оперативное предоставление информации о состоянии объекта, оборудования и окружающей среды с помощью мультиспектральных изображений, что дает возможность компаниям выявлять аномалии, указывающие на киберугрозы или операционные риски.
• Прогностические системы на основе ИИ позволяют анализировать спутниковые и локальные данные, чтобы выявлять зоны повышенного риска, оптимизировать работу автопарка и логистику, а также улучшать планирование реагирования на инциденты.
• Использование системы Blockchain Traceability (отслеживаемость блокчейна) обеспечивает безопасное сквозное сопровождение продукции в цепочках поставок для компаний, добывающих полезные ископаемые, гарантируя подлинность данных и защищая от несанкционированного доступа или мошенничества.
Актуальность кибербезопасности в горнодобывающей отрасли находит отражение в нормативных и отраслевых инициативах.
Такие инструменты, как NIST Cybersecurity Framework , ISO/IEC 27001 и отраслевые стандарты, имеют важное значение для обеспечения кибербезопасности. Эти механизмы помогают горнодобывающим организациям структурировать процессы оценки рисков, реагирования на инциденты и управления безопасностью в соответствии с предъявлемыми требованиями.
Основной мировой стандарт ISA/IEC 62443 разработан для обеспечения безопасности систем промышленной автоматизации и управления, охватывающий оценку рисков, сегментацию сети, контроль доступа и многое другое.
Нормативные акты, регулирующие защиту данных и конфиденциальность, получают все большее распространение. Так, например, в Европейском союзе разработан «Общий регламент по защите данных» (European Union’s General Data Protection Regulation, GDPR, 2018), в США действует «Калифорнийский закон о защите прав потребителей» (California Consumer Privacy Act, CCPA, 2018) и многие другие национальные законодательные акты.
Следует отметить, что в горнодобывающей отрасли существуют совместные платформы: государственные, научные или бизнес-ориентированные. Деятельность таких площадок направлена на разработку и внедрение инновационных технологий, цифровизацию процессов и взаимодействие участников отрасли. Так, ассоциации горнодобывающих предприятий и правительственные учреждения всё активнее продвигают идею открытого обмена информацией об угрозах между компаниями для противодействия быстро распространяющимся кибератакам.
Горнодобывающие компании стремятся также надежно закрывать конфиденциальные данные о сотрудниках, проводимых работах и состоянии окружающей среды. Кроме того, в рамках борьбы с цифровыми угрозами предприятия горной индустрии систематически проводят кибераудит, что позволяет достаточно эффективно выявлять и устранять уязвимости.
Таким образом, кибербезопасность в горнодобывающей отрасли в настоящее время выходит на первый план и становится основой для дальнейшего совершенствования индустрии. Цифровая трансформация от интеллектуальных датчиков и автоматизированных автопарков до мониторинга на основе блокчейна осуществляемого в режиме реального времени требует повышенного внимания к критически важным данным, системам и эксплуатационной безопасности.
Предприятия по добыче полезных ископаемых больше не могут рассматривать кибербезопасность как вспомогательное средство. Она должна стать неотъемлемой частью операционной устойчивости и стабильности, интегрированной на каждом этапе цифрового развития компании.
Горнодобывающие компании должны быть готовы к атакам с использованием программ-вымогателей, промышленному шпионажу, сбоям в работе, уязвимостям в цепочке поставок и другим угрозам кибербезопасности. Крайне важно внедрять передовые тоды обеспечения безопасности, а также использовать искусственный интеллект и уделять первостепенное внимание сегментации OT-IT сред.

Случайные числа – это искусственно полученная последовательность чисел, каждое из которых непредсказуемо и не зависит от предыдущих значений. В отличие от обычных алгоритмических последовательностей, истинно случайные числа невозможно предсказать, даже зная алгоритм и предыдущие значения.
Случайные числа используются в различных областях, включая криптографию, компьютерное моделирование, информатику, финансы и страхование, тестирование отказоустойчивости в ИТ-системах, медицину, индустрию развлечений и др.
Для генерации случайных чисел используют: аппаратные генераторы, извлекающие значения из физических процессов (квантовые явления, радиоактивный распад, атмосферный шум и т.д.), и которые по своей сути непредсказуемы или чрезвычайно сложны для моделирования и генераторы псевдослучайных чисел (Pseudorandom Number Generators, PRNGs), которые используют детерминированные алгоритмы для создания последовательностей чисел.
Добиться истинной случайности с помощью классических подходов оказывается очень сложной задачей. В основе этой проблемы лежит детерминированная природа PRNGs – применяемые в них алгоритмы предназначены для создания последовательностей чисел, которые кажутся случайными, но на самом деле генерируются из начального значения, известного как начальное число. Детерминизм означает, что если кто-то знает начальное значение и алгоритм, то он может предсказать всю последовательность, что подрывает принцип случайности.
Генераторы случайных чисел не лишены уязвимостей, использование которых злоумышленниками может привести к нарушению безопасности. Некоторые уязвимости:
 предсказуемая зависимость между числами;
 предсказуемое начальное значение генератора;
 малая длина периода генерируемой последовательности, после которой генератор зацикливается.
В случае криптографии это может привести к подрыву кибербезопасности. Масштабы угрозы можно проиллюстрировать на примере информации, перечисленной ниже:
• В 2013 году, стало известно, что Агентство национальной безопасности (АНБ) США намеренно и тайно ослабляло защиту популярных в мире аппаратных и программных решений с целью проведения криптоатак на зашифрованный контент (включая атаки на генераторы случайных чисел):
 Для этого использовался генератор детерминированных случайных битов Dual EC DRBG (Dual Elliptic Curve Deterministic Random Bit Generator) – генератор псевдослучайных чисел, созданный и активно продвигаемый в качестве стандарта АНБ США. Только в 2013 году выяснилось, что у агентства был бэкдор для него, и благодаря этому оно смогло взломать криптографические ключи, сгенерированные с помощью этих генераторов. После раскрытия информации компания RSA Security и Национальный институт стандартов и технологий США (NIST) рекомендовали не использовать генератор Dual EC DRBG.
 Программа АНБ для взлома шифрования онлайн-коммуникаций и данных – Bullrun. Наиболее интенсивные усилия агентства по этой программе были сосредоточены на криптозащите в широко применяемых протоколах и технологиях, таких как SSL, VPN и 4G (использование уязвимостей в распространенном PRNG, к которому организация имела доступ на различных устройствах, например, американской компании-производителя телекоммуникационного оборудования Juniper Networks).
 Генераторы случайных чисел на материнских платах Intel и Via, вероятно, также имели бэкдоры. Было установлено, что инструкции RdRand и Padlock, скорее всего, имеют бэкдоры в ядрах Linux вплоть до версии 3.13.
 Предполагаемый скандал, связанный с прослушиванием АНБ лидеров 35 стран, был вызван лишь использованием атак на генераторы случайных чисел.
• В 2013 году компания Google подтвердила, что программный компонент IBM, который генерирует криптографически надёжные случайные числа, Java SecureRandom в Java Cryptography Architecture (JCA) генерировал повторяющиеся (и, следовательно, предсказуемые) последовательности, что ставило под угрозу безопасность приложений для Android, поддерживающих электронную валюту биткоин.
• 2015 год – кража 18866 биткоинов с биржи Bitstamp (12% валюты, торгуемой на этой бирже) – атака с использованием генератора случайных чисел.
• 2017 – генератор псевдослучайных чисел ANSI x9.31, соответствующий требованиям FIPS США 2016 (Федеральные стандарты обработки информации) – может быть скомпрометирован при использовании жестко заданного начального значения (атака DUHK – Don’t Use Hard-coded Keys ).
Приведённые выше примеры ясно показывают, что классические генераторы случайных чисел могут быть подвержены различным атакам или иметь так называемые бэкдоры. Это оправдывает необходимость разработки альтернативных технологий, которые могли бы в значительной степени заменить классические генераторы.
Наиболее перспективными являются квантовые генераторы случайных чисел (Quantum Random Number Generators, QRNG) – устройства, использующие фундаментальные вероятностные свойства квантовых процессов для генерации истинно случайных последовательностей чисел.
В отличие от традиционных псевдослучайных генераторов, основанных на математических алгоритмах, QRNG обеспечивают непредсказуемость и абсолютную случайность, что критически важно для современных систем безопасности, криптографии, научных исследований и моделирования. Их значимость возрастает в контексте развития квантовых вычислений, которые могут взломать классические криптографические системы.
В основе QRNG лежит концепция квантовой суперпозиции и измерения. В отличие от классических систем, где результаты определяются начальными условиями, квантовые системы могут существовать в нескольких состояниях одновременно (суперпозиция). Однако при измерении квантовой системы (например, фотона) суперпозиция коллапсирует в одно состояние случайным и непредсказуемым образом.
Справочно
Типичная установка квантового генератора случайных чисел начинается с источника одиночных фотонов. Эти фотоны направляются на светоделитель, который играет ключевую роль в этом процессе. Когда фотон сталкивается со светоделителем, вероятность того, что он пройдёт через него или отразится, составляет 50/50. Именно в этом вероятностном поведении проявляется особенность квантовой механики. Каждое взаимодействие со светоделителем приводит к совершенно случайному результату.
Детекторы стратегически расположены таким образом, чтобы улавливать фотоны, которые либо проходят, либо отражаются. Каждое событие обнаружения регистрируется как двоичный результат: если фотон проходит, он может быть зарегистрирован как «0», а если отражается, то как «1». Последовательность этих двоичных результатов образует поток случайных битов. Этот поток является необработанным выходным сигналом квантового генератора случайных чисел, воплощающим истинную случайность.
Следует отметить, что для обеспечения высочайшего качества случайных битов, часто применяются алгоритмы постобработки. Эти алгоритмы помогают устранить любые искажения или корреляции, которые могли возникнуть из-за несовершенства аппаратного обеспечения. В результате получается последовательность битов, максимально приближенная к действительно случайной, что делает её идеальной для использования в криптографических приложениях и других важных задачах.
Квантовые генераторы случайных чисел можно разделить на три основные категории, основываясь на уровне надежности устройств:
• практический (доверенный) QRNG – способен генерировать случайность на высоких скоростях, так как построен на оттестированных и откалиброванных устройствах;
• самотестируемый QRNG – умеет генерировать случайную последовательность без доверия к реализации устройств;
• полусамотестируемый QRNG – является чем-то средним между практическим и самотестируемым генератором, обеспечивая компромисс между скоростью генерации случайных чисел и надежностью устройства.
Большая часть современных практических QRNG реализованы в фотонных системах, это связано с потенциальной возможностью интеграции чипов по размерам и наличием высококачественных оптических компонентов. Случайность в практических QRNG в большинстве случаев достаточна для реальных задач, при условии правильной реализации модели. Однако такие генераторы теряют свою безопасность в случае, если устройство управляется противником. Например, в случаях, когда QRNG с недокументированными возможностями полностью поставляется сторонним производителем. Он всегда может узнать результат работы устройства QRNG.
Суть самотестирования QRNG основана на независимом от устройства рассмотрении квантовой запутанности или нелокальности путем наблюдения за нарушением неравенства Белла. Преимуществом этого типа QRNG является свойство самотестирования случайности (self-testing of randomness). Даже если выходная случайность смешивается с нехарактерным классическим шумом, все равно существует возможность получить некоторую часть подлинной случайности, основанной на количестве наблюдаемой нелокальности. Скорость генерации самотестирующегося QRNG является очень низкой, так как такой генератор должен демонстрировать нелокальность.
Полусамотестируемый QRNG представляет собой промежуточный тип генераторов случайной последовательности. В соответствии с несколькими гипотезами, случайность может генерироваться без полной характеристики устройств, к примеру, надежная случайность может быть сгенерирована с помощью достоверной системы считывания и различного недостоверного объекта случайности. Компромисс между самотестирующимся и практическим генераторами, которым соответственно характерны достаточная безопасность сертифицированной случайности и высокая производительность с низкой стоимостью, обеспечивает полусамотестирующийся генератор случайной последовательности.
Разработка различных систем квантовой генерации случайных чисел за рубежом переживает период бурного роста, подпитываемый государственными инвестициями и активностью частного сектора. Основные усилия исследователей направлены на решение ключевых проблем: верификации истинной случайности, увеличения скорости генерации и обеспечения устойчивости к взлому.
Одним из лидеров среди стран-разработчиков является США. Так, в марте 2025 года команда учёных из JPMorgan Chase, Quantinuum, Национальных лабораторий США и Техасского университета в Остине разработала и протестировала протокол генерации математически сертифицированных случайных чисел. Для этого использовали 56-кубитный компьютер Quantinuum H2-1 (на ионных ловушках). Устройство решало задачи на случайное схемное сэмплирование (RCS, Random Circuit Sampling) – настолько сложные, что даже объединённые суперкомпьютеры Ок-Риджа, Аргонна и Беркли с суммарной мощностью 1,1 эксафлопс (1,1 квинтиллиона операций в секунду) не справились бы за заданное время (менее 2,2 секунды на задачу). Учёные доказали, что квантовый компьютер создал 71313 битов, которые не содержат скрытых закономерностей, не зависят от внешних факторов (в отличие от классических генераторов, которые могут быть скомпрометированы). Такие результаты открывают путь к новым стандартам безопасности в криптографии и защищённым коммуникациям.
Команда Университета Колорадо (США) разработала не коммерческий продукт, а важный открытый сервис – CURBy (Colorado University Randomness Beacon) – технология генерации случайных чисел, устойчивых к подделке. Некоторые особенности CURBy:
• Основа работы – одновременное измерение двух квантово-запутанных фотонов, разделённых расстоянием в 110 метров.
• Полученные данные моментально фиксируются в публичной цепочке хешей, что делает невозможным скрытую корректировку результатов.
• Двойная защита – физические законы квантового мира и криптографическая прозрачность – исключает уязвимости предыдущих систем, где злоумышленники могли манипулировать временем измерений.
• Публичная доступность данных позволяет любому пользователю проверить подлинность генерируемых чисел, что открывает перспективы для применения в государственных лотереях, аукционах, криптовалютных протоколах и системах машинного обучения, где случайность играет ключевую роль.
По информации на июнь 2025 года, за 40 дней тестовой работы система сгенерировала 7454 случайных числа, из которых 7434 (99,7%) прошли строгие статистические тесты на истинную случайность.
Ещё один лидер отрасли – швейцарская компания ID Quantique (IDQ) производит чипы QRNG шести моделей, различающихся по размеру, производительности, энергопотреблению и наличию сертификатов, что позволяет удовлетворить различные отраслевые потребности.
• Модели IDQ250C3 и IDQ250C2 созданы для мобильных телефонов, Интернета вещей и периферийных устройств (например, используются в смартфоне Galaxy Quantum 6 южнокорейской компании Samsung).
• Модель IDQ6MC1 предназначена для автомобильной промышленности и систем безопасности (например, карты шифрования Hitachi Energy с квантовыми технологиями).
• Модели IDQ20MC1-S1 и IDQ20MC1-S3 предназначены для космического применения (Европейское космическое агентство – проект «Комплексная квантово-безопасная защита каналов передачи данных со спутников» (E2EQSS)).
• Модель IDQ20MC1 создана для других различных приложений безопасности.
Все чипы QRNG от IDQ прошли сертификацию NIST Entropy Source Validation (ESV) по оценке энтропии (треки оценки энтропии в рамках специальной публикации NIST SP 800-90B).
Справочно
ID Quantique – первая компания, получившая сертификат ESV с квантовым источником энтропии и системой оценки IID. Такая случайность обеспечивает наиболее надёжные случайные ключи для шифрования. С октября 2022 года для криптографических модулей, претендующих на сертификацию по стандарту FIPS 140-3, обязательным условием является наличие источника энтропии, сертифицированного ESV. Этот идентификатор ESV - Сертификат № 63 также помогает клиентам IDQ, которые интегрируют чипы IDQ в свои устройства, пройти программу проверки криптографических модулей NIST (CMVP).
Чипы Quantis QRNG используют истинную квантовую случайность, возникающую из-за дробового шума источника света, улавливаемого КМОП-датчиком изображения. По своей сути чип QRNG содержит светодиод (LED) и датчик изображения. Из-за квантового шума светодиод излучает случайное количество фотонов, которые улавливаются и подсчитываются датчиком изображения, в результате чего получается ряд необработанных случайных чисел, к которым пользовательские приложения могут обращаться напрямую. Эти числа также поступают на вход алгоритма генератора случайных битов (RGB), который дополнительно обрабатывает энтропию квантового происхождения для получения случайных битов в соответствии со стандартом NIST 800-90A/B/C.
Чип Quantis QRNG позволяет проверять состояние в режиме реального времени: при обнаружении сбоя в физическом процессе поток случайных битов немедленно отключается, пользователь получает уведомление, и выполняется автоматическая процедура восстановления для повторного получения данных QRNG.
Китай, также не отстает от ведущих стран. Так, ещё в 2021 году китайские учёные создали сверхкомпактный квантовый генератор случайных чисел с фотонным интегрированным чипом с малым размером (15,6 x 18,0 мм). Кремниевый чип создан с использованием индий-германий-арсенидных фотодиодов и трансимпедансного усилителя. Он также включает несколько ответвителей и аттенюаторов. Устройство генерировало числа со скоростью до 19 Гбит/с и позволяло отправлять их на любой компьютер с помощью традиционных оптоволоконных технологий.
В 2024 году ученые крупнейшего китайского гиганта электронной коммерции Alibaba сообщили, что они разработали схему, которая демонстрирует возможность передачи высококачественных случайных чисел по распределенной сети с использованием квантовых технологий. Научная группа интегрировала четыре различных типа квантовых генераторов случайных чисел на серверах Alibaba Cloud для повышения уровня кибербезопасности. Система QRNG обслуживает десять различных локаций в Шанхае, Японии, Гонконге, Сингапуре, Малайзии, Индонезии, Австралии, Великобритании, Германии, на востоке и западе США.
Не отстают в этой сфере и российские разработчики. Так, в 2024 году на форуме «АРМИЯ-2024» компания СМАРТС-Кванттелеком представила свой квантовый генератор случайных чисел. Разработчики пошли по пути создания решения, в котором источником энтропии являются флуктуации вакуума. Созданное устройство обеспечивает извлечение случайностей из квантового шума, который получается путем вычитания на балансном детекторе сигналов, полученных с выходов светоделителя. Итоговый сигнал при помощи обработки аналого-цифровым преобразователем превращается в истинно случайную последовательность. Прибор обеспечивает скорость генерации случайных чисел порядка 500 Мбит/с, что является хорошим показателем. Кроме того, конструкторам компании удалось обеспечить малое энергопотребление и сделать устройство как можно более компактным. Последнее очень важно, так как ГСЧ планируется использовать в составе комплексов аппаратуры, где габариты весьма критичны.
В технологической гонке в сфере QRNG участвуют и другие страны. Помимо вышеуказанных стоит отметить уникальный прорыв 2025 года учёных из Университета науки и технологий имени короля Абдаллы (KAUST) и Центра науки и технологий имени короля Абдельазиза (KACST) Саудовской Аравии, которые представили самый быстрый и надежный квантовый генератор случайных чисел на сегодняшний день. Генератор прошёл все тесты американского Национального института стандартов и технологий (NIST) и выдаёт числа почти в тысячу раз быстрее аналогов. Это стало возможным благодаря двум факторам:
 усовершенствованию микро-светодиодов (размером в несколько микрометров), из которых собран генератор, что сделало его энергоэффективным и компактным;
 улучшению алгоритмов обработки данных, что позволило системе работать без задержек.
Перспективы развития технологии QRNG за рубежом видятся по следующим направлениям:
Массовая интеграция: Благодаря миниатюризации QRNG в ближайшем будущем могут быть встроены в мобильные устройства, IoT-гаджеты, банковские карты и криптокошельки, обеспечивая безопасность на уровне отдельного устройства.
Развитие инфраструктуры доверия: Совершенствование таких сервисов, как CURBy, может привести к созданию новой децентрализованной инфраструктуры доверия, основанной не на сложных алгоритмах, а на фундаментальных законах физики. Это может усилить или дополнить существующие блокчейн-системы и инфраструктуру открытых ключей (Public Key Infrastructure, PKI).
Стандартизация и постквантовая криптография: С приходом квантовых компьютеров возникнет необходимость в новых стандартах шифрования. QRNG станут критически важным компонентом постквантовой криптографии, обеспечивая генерацию ключей, устойчивых к атакам квантовых компьютеров.
Таким образом, квантовые генераторы случайных чисел – это не просто теоретическая концепция, а практическое решение для повышения безопасности в различных областях. Случайность, которую они обеспечивают, крайне важна для генерации криптографических ключей, защиты коммуникаций и проведения симуляций, требующих высокого уровня непредсказуемости. Используя фундаментальные принципы квантовой механики, квантовые генераторы случайных чисел обеспечивают надёжность, недостижимую для классических генераторов случайных чисел.
QRNG – это не просто инновационная технология, а краеугольный камень будущей кибербезопасности. Их развитие и внедрение определит, насколько защищенными будут данные, коммуникации и критическая инфраструктура в эпоху квантовых вычислений. Уже сегодня происходит переход от лабораторных экспериментов к коммерческим продуктам и пилотным внедрениям в промышленности, что свидетельствует о стремительном движении этой технологии в мире.

Искусственный интеллект (ИИ) производит революцию в процессе разработки программного обеспечения, внедряя инструменты и методы, повышающие производительность, точность и инновационность. ИИ меняет подход к проектированию, созданию и поддержке программного обеспечения: от автоматизации генерации кода до оптимизации тестирования и развертывания.
Алгоритмы, методы и технологии ИИ предлагают инструменты повышающие эффективность, креативность и общий процесс разработки.
Ключевые области применения ИИ в разработке программного обеспечения включают:
1. Генерация кода.
Инструменты на основе искусственного интеллекта помогают разработчикам, предлагая варианты кода или генерируя целые функции на основе ввода на естественном языке, ускоряя разработку за счёт автоматизации рутинных задач. Например, такие решения американской компании IBM watsonx Code Assistant™, GitHub Autopilot и GitHub Copilot, обеспечивают более быстрое написание кода с меньшим количеством ошибок, а также могут генерировать предложения и автодополнять код.
2. Обнаружение и исправление ошибок.
Механизмы на базе искусственного разума нового поколения могут автоматически обнаруживать ошибки, уязвимости и неэффективность в коде. Они анализируют закономерности в кодовой базе и предлагают решения, чтобы предвидеть будущие ошибки.
Нейросеть выявляет или автоматически исправляет проблемы кода, используя данные в реальном времени для уточнения прототипов.
3. Автоматизация тестирования.
Механизмы ИИ генерируют тестовые случаи, охватывая больше сценариев, чем ручное тестирование на основе пользовательских историй и оптимизируют тесты, отдавая приоритет критически важным тестам, что сокращает время ручного тестирования и увеличивает покрытие.
4. Управление проектом.
Искусственный интеллект автоматизирует планирование, выполняя рутинные задачи по управлению проектами и управление ресурсами, предоставляя точные сроки, анализируя исторические данные.
5. Документация.
Инструменты генеративного ИИ (GenAI) используют обработку естественного языка для создания и ведения документации, превращая код в понятные объяснения и помогая обеспечивать актуальность информации о проекте.
Также, ИИ локализует технические документы на несколько языков, делая проекты с открытым исходным кодом более доступными во всем мире.
6. Повышение безопасности.
Инструменты на основе ИИ выявляют уязвимости, отслеживают код на предмет угроз безопасности и предлагают стратегии смягчения последствий. Он выявляет такие риски, как инъекции структурированного языка запросов (SQLi – Structured Query Language) или межсайтовый скриптинг (XSS – Cross-Site Scripting), а также помогает обеспечить безопасность изменений кода.
7. Конвейеры DevOps и CI/CD.
Искусственный интеллект автоматизирует такие задачи, как мониторинг и масштабирование в конвейерах CI/CD, повышая эффективность сборки и скорость развертывания. Обнаруживает проблемы с производительностью в режиме реального времени и решает такие инфраструктурные задачи, как балансировка нагрузки и масштабирование.
8. UX-дизайн.
Искусственный разум автоматизирует создание пользовательского интерфейса, на основе пользовательских данных и шаблонов, и персонализирует пользовательский опыт на основе данных о поведении. Платформы A/B-тестирования на базе ИИ позволяют оценивать эффективность дизайна. Он может интерпретировать исследования пользователей, чтобы определить, какой дизайн работает лучше.
9. Архитектурный дизайн.
Искусственный интеллект предлагает оптимальную архитектуру программного обеспечения, основанную на передовом опыте и требованиях проекта. Нейронные сети анализируют огромные наборы данных и предлагают эффективные архитектурные решения (автоматизирует разработку решений и включает масштабируемые фреймворки для получения более быстрых и последовательных результатов) для сложных систем, таких как распознавание изображений в здравоохранении.
Генеративный ИИ трансформирует процесс разработки программного обеспечения (SDLC – Software Development Life Cycle), автоматизируя процессы, ускоряя время разработки, улучшая качество кода и снижая затраты. GenAI используется в следующих областях:
1. Сбор и анализ требований.
Генерация искусственного интеллекта преобразует общие идеи в подробные требования, обрабатывая входные данные на естественном языке. Он анализирует бизнес-цели и потребности пользователей, предлагая функции или прогнозируя требования, ускоряя этот этап и снижая количество ошибок.
2. Проектирование и планирование.
GenAI улучшает проектирование программного обеспечения, предлагая оптимальные архитектуры, макеты пользовательского интерфейса/UX и проекты систем с учётом ограничений. Он генерирует макеты, спецификации и схемы, сокращая объём ручной работы и ускоряя процесс проектирования. Разработчики и тестировщики также могут использовать ИИ для определения и повторного использования архитектур решений и технических проектов, повышая эффективность и согласованность проектов.
3. Разработка.
Искусственный разум помогает генерировать код и автоматизировать повторяющиеся задачи кодирования. Инструменты на базе ИИ помогают разработчикам сосредоточиться на сложных задачах, а автодополнение и подсказки в режиме реального времени на базе ИИ повышают скорость и точность.
4. Тестирование.
GenAI автоматизирует генерацию и выполнение тестовых случаев, анализируя код на предмет областей, требующих проверки. Он оптимизирует покрытие, выявляет ошибки на ранних стадиях и сокращает время ручного контроля, повышая качество программного обеспечения и эффективность тестирования.
5. Развертывание.
Генеративный ИИ оптимизирует конвейеры непрерывной интеграции и непрерывной доставки (CI/CD), прогнозируя сбои и предлагая корректировки для более плавного выпуска, ускоренной сборки и сокращения времени простоя. Инженеры могут использовать ИИ для активации базовой технической среды, будь то в облаке или локально, а также управлять продвижением и развертыванием приложений в различных средах и шлюзах управления, обеспечивая плавный переход на протяжении всего жизненного цикла разработки.
6. Техническое обслуживание и поддержка.
GenAI помогает выявлять области для рефакторинга и оптимизации кода после развертывания. Он непрерывно отслеживает производительность, обнаруживает аномалии и прогнозирует проблемы, повышая надежность и сокращая время устранения инцидентов.
7. Документация.
Генеративный ИИ автоматизирует создание и обновление документации – от руководств по API (Application Programming Interface) до пояснений к коду. Эта функция помогает обеспечить актуальность и точность документации, избавляя разработчиков от необходимости выполнять эту задачу вручную.
Искусственный интеллект анализирует поведение пользователей и данные о производительности, а также рекомендует улучшения для будущих версий. Этот процесс позволяет разработчикам расставлять приоритеты для ценных функций и улучшений.
Искусственный разум фундаментально меняет роль инженеров-программистов и разработчиков, превращая их из разработчиков кода в координаторов технологий. Автоматизируя рутинные задачи, ИИ повышает производительность и освобождает инженеров для решения более сложных задач, таких как архитектурное планирование, системная интеграция, принятие стратегических решений и творческие задачи. Этот сдвиг способствует росту инноваций и эффективности.
Такие инструменты, как генеративный ИИ, системы автодополнения кода и платформы автоматизированного тестирования, сокращают необходимость для инженеров, разработчиков и программистов вручную писать код, отлаживать его или проводить трудоёмкие тесты. Эта автоматизация повышает эффективность и минимизирует человеческий фактор, что приводит к созданию более чистого и оптимизированного кода.
Инструменты ИИ также могут генерировать фрагменты кода или целые функции, позволяя инженерам и разработчикам контролировать управляемые ИИ процессы и направлять их к достижению целей проекта.
Инженеры и разработчики могут управлять интеграцией ИИ в процесс разработки. Они тесно сотрудничают с системами ИИ и используют свой опыт для улучшения результатов, генерируемых ИИ, и обеспечения их соответствия техническим требованиям. Разработчики используют API и инструменты на базе ИИ для создания более мощных приложений, ориентированных на данные, без необходимости глубоких знаний в таких областях, как анализ данных. В результате они более активно занимаются инновациями, оптимизацией систем и решением бизнес-задач.
Несмотря на опасения, что ИИ может подорвать основные навыки программирования, многие считают, что он дополняет, а не заменяет разработчиков, позволяя им сосредоточиться на оптимизации системы и инновациях.
Хотя ИИ в ближайшее время не заменит инженеров, очевидно, что он существенно меняет их работу. Человеческий опыт по-прежнему необходим для управления и совершенствования результатов ИИ, что позволяет гарантировать, что технология дополняет, а не мешает процессу разработки.
Искусственный интеллект в разработке программного обеспечения больше не ограничивается экспертами по анализу данных и разработчиками, он становится всё более доступным и для нетехнических специалистов.
Опытные разработчики и специалисты по данным продолжают использовать весь потенциал ИИ для создания передовых систем, в то время как пользователи, не имеющие технической подготовки, теперь могут использовать ИИ через платформы с минимальным или нулевой степенью написания кода. Эти платформы, доступ к которым осуществляется через интерфейсы прикладного программирования (API), предлагают удобные интерфейсы, позволяющие пользователям с небольшим опытом программирования создавать приложения, автоматизировать процессы и внедрять решения на основе ИИ.
Платформы с минимальным и нулевой степенью написания кода демократизируют разработку программного обеспечения, позволяя пользователям создавать приложения на базе ИИ с такими функциями, как обработка естественного языка (NLP – Natural Language Processing), распознавание изображений и предиктивная аналитика, используя простые инструменты перетаскивания. Это устраняет необходимость в обширных знаниях в области программирования или машинного обучения. Пользователи, не имеющие технической подготовки, такие как бизнес-аналитики и менеджеры по продуктам, могут применять ИИ для решения бизнес-задач, автоматизации рабочих процессов или создания таких инструментов, как чат-боты и голосовые помощники. Благодаря этому интеграция ИИ становится доступной для более широкого круга отраслей и специалистов.
Устраняя разрыв между техническими и нетехническими пользователями, ИИ делает разработку программного обеспечения совместной и открывает новые возможности для инноваций в различных отраслях.
Использование ИИ при разработке программного обеспечения обеспечивает ряд ключевых преимуществ, которые повышают производительность, эффективность и качество приложений, таких как:
1. Автоматизация повторяющихся задач.
Инструменты на базе искусственного интеллекта могут помочь разработчикам, автоматически генерируя фрагменты кода или целые функции, что значительно сокращает время разработки. Такая автоматизация позволяет разработчикам сосредоточиться на более высокоуровневых задачах, таких как решение проблем и проектирование архитектуры, а не на генерации кода, обнаружении ошибок и тестировании.
2. Улучшенное качество программного обеспечения.
Искусственный интеллект обнаруживает ошибки, уязвимости и неэффективные решения на ранних этапах разработки. Инструменты тестирования на базе ИИ могут генерировать тестовые случаи, приоритизировать критически важные тесты и даже запускать тесты автономно. Эти возможности ускоряют процесс отладки и тестирования, а также повышают надежность программного обеспечения.
3. Более быстрое принятие решений и планирование.
Нейросеть может анализировать большие наборы данных, прогнозировать исторические тенденции и предоставлять более точные прогнозы относительно сроков, распределения ресурсов и приоритизации функций. Эти возможности способствуют более эффективному управлению проектами и использованию времени и ресурсов.
4. Демократизация разработки программного обеспечения.
Благодаря платформам с минимальным или нулем написания кода пользователи, не имеющие технической подготовки, могут создавать и настраивать приложения с использованием ИИ, не обладая глубокими знаниями в программировании. Эти платформы позволяют бизнес-специалистам, менеджерам по продуктам и другим заинтересованным сторонам создавать решения, адаптированные к их потребностям.
5. Улучшенный пользовательский опыт и персонализация.
Искусственный разум может персонализировать приложения в режиме реального времени и предлагать индивидуальные рекомендации, интерфейсы и функции, анализируя поведение и предпочтения пользователей. Эта способность способствует повышению удовлетворенности пользователей и их вовлеченности, делая ИИ ценным инструментом для создания более интуитивно понятных и удобных программных продуктов.
Искусственный интеллект даёт значительные преимущества в разработке программного обеспечения, но также создаёт потенциальные риски. Каждый риск можно снизить с помощью продуманных стратегий, обеспечивающих ответственную интеграцию ИИ.
Предвзятость в моделях ИИ: если данные, используемые для обучения моделей ИИ, содержат предвзятость, ИИ может сохранить или даже усилить эти предвзятости в своих выходных данных. Это может привести к несправедливым или дискриминационным результатам в программных системах, особенно в приложениях, связанных с принятием решений или взаимодействием с пользователем.
Для снижения этого риска крайне важно использовать разнообразные, репрезентативные и непредвзятые данные для обучения. Регулярный аудит результатов ИИ на предмет их объективности и интеграция инструментов выявления предвзятости также могут помочь обеспечить более справедливые результаты.
Чрезмерная зависимость от ИИ: Разработчики могут стать чрезмерно зависимыми от инструментов ИИ для написания кода, отладки или тестирования, что может привести к снижению их фундаментальных навыков программирования. Это снижение может создать проблему, если инструменты ИИ дают сбои или неверные результаты.
Чтобы избежать чрезмерной зависимости, разработчикам следует использовать ИИ как вспомогательный инструмент, одновременно поддерживая и оттачивая собственные технические навыки. Постоянное обучение и периодический пересмотр методов ручного кодирования помогут разработчикам оставаться в тонусе.
Уязвимости безопасности: Код, сгенерированный ИИ, может стать источником уязвимостей безопасности, если не пройти надлежащую проверку. Хотя ИИ может помочь обнаружить ошибки, он также может создавать недостатки, которые разработчики могут не заметить.
Для защиты от этих уязвимостей человеческий контроль должен оставаться критически важным компонентом проверки кода. Для обеспечения безопасности программного обеспечения необходимо проводить аудит безопасности, тестирование и ручную проверку кода, сгенерированного ИИ. Внедрение автоматизированных проверок безопасности может дополнительно снизить уровень уязвимостей.
Недостаток прозрачности: Многие модели ИИ, особенно в области машинного обучения, работают не совсем прозрачно для пользователей. Эта непрозрачность затрудняет понимание того, почему системы ИИ принимают те или иные решения, что приводит к сложностям при отладке, улучшении или обеспечении ответственности в приложениях на базе ИИ.
Для повышения прозрачности разработчикам следует по возможности использовать более интерпретируемые модели и применять инструменты, обеспечивающие понимание процессов принятия решений в системах ИИ. Для повышения ответственности необходимо внедрить чёткую документацию и протоколы прозрачности.
Вытеснение рабочих мест: ИИ призван дополнять человеческий труд, а не заменять его. Тем не менее, автоматизация некоторых задач может снизить спрос на определённые должности в сфере разработки, что может привести к потенциальному вытеснению рабочих мест.
Чтобы решить проблему вытеснения персонала, компаниям следует инвестировать в переподготовку и повышение квалификации своих сотрудников, помогая им перейти к ролям, ориентированным на управление системами искусственного интеллекта и взаимодействие с ними. Поощрение непрерывного обучения и предоставление программ обучения в областях, связанных с искусственным интеллектом, может помочь смягчить негативные последствия автоматизации для рынка труда.
Таким образом, искусственный интеллект быстро становится базовой архитектурой, вокруг которой должны строиться современное создание и эксплуатация программного обеспечения. Это уже не просто инструмент оптимизации, а технология, которая позволяет компаниям не просто выживать в условиях неопределённости и рыночных изменений, но и использовать их как источник для роста и укрепления своих позиций.

Стремительное развитие коммуникационных технологий стало ключевым фактором ускорения процессов глобальной цифровой трансформации, развития мировой экономики и улучшения качества жизни, кардинально изменив современное общество. Каждое внедряемое поколение мобильных сетей предоставляло новые возможности на более быстрое, надежное и эффективное подключение и спрос на них продолжает расти.
Внедрение последнего стандарта мобильной связи пятого поколения (5G) по всему миру продолжается уже пять лет. За это время технология 5G преобразовалась в важнейший элемент инфраструктуры, необходимой для поддержания эволюционных процессов глобальной цифровизации, оказав существенное влияние на развитие таких отраслей как интеллектуальная городская экосистема («умный» город), беспилотный транспорт, электронное здравоохранение и промышленное производство. Так, по состоянию на конец 2025 года, более 619 операторов связи в 184 странах запустили коммерческие услуги 5G, инвестировав в них порядка 300 млрд долларов США, 70 компаний развернули автономные сети 5G SA (Stand Alone) и ещё 89 планируют это сделать в ближайшей перспективе. Количество абонентов мобильной связи пятого поколения превысило 1,7 млрд, это около 21% населения планеты, причем только за первый квартал текущего года их число увеличилось на 160 миллионов. На сегодняшний день в распоряжении пользователей находится более 2300 моделей мобильных 5G-устройств на выбор. Если тенденция сохранится, то в 2029 году количество абонентов будет насчитывать 5,6 млрд, что превысит 60% всех мобильных подписок.
Согласно отчету международной ассоциации операторов связи GSMA, лидирующие позиции по значению индекса сетевого взаимодействия 5GI (5G Connectivity Index), который учитывает ряд показателей, разделенных на инфраструктуру и сервисы, заняли страны Персидского залива, Скандинавии и Азиатско-Тихоокеанского региона: Кувейт, ОАЭ, Норвегия, Финляндия, Катар, Дания, Гонконг (специальный административный район Китайской Народной Республики), Республика Корея, Китай. На 10-й строчке находятся США.
По состоянию на начало 2025 года, 5G-сети покрывали около 90% территории Китая и 89% – Германии.
Кроме этого, современные исследования и разработки в области применения космических систем в мобильных сетях 5G, позволяют интегрировать наземную беспроводную и спутниковую инфраструктуры связи для обеспечения быстрого и качественного бесшовного охвата по всему миру за счёт использования орбитальных систем передачи данных, тем самым расширяя покрытие беспроводных сетей в удаленных районах, где услуги связи недоступны.
Несмотря на достигнутый значительный прогресс и на успешную коммерциализацию 5G-сетей, которая обеспечила операторам связи возврат вложенных инвестиций, научное сообщество и промышленность продолжают вести исследовательскую деятельность над разработкой и внедрением систем сотовой связи следующих поколений – 6G и 7G.
Прежде всего, это вызвано экспоненциально возрастающей плотностью подключаемых к сети мобильных устройств, в первую очередь из мира Интернета вещей (Internet of Things, IoT), а также стремительным развитием передовых технологий, таких как искусственный интеллект (ИИ), машинное обучение (МО), робототехника и всеобщая автоматизация.
Кроме того, при разработке уже существующих беспроводных систем связи, в том числе и 5G, использование возможностей ИИ не учитывалось, поэтому эта технология является достаточно инновационным инструментом для мобильной связи пятого поколения, которая уже не может удовлетворить появляющиеся новые потребности и услуги с более строгими требованиями к беспроводной связи.
Со временем стали очевидными проблемы с масштабируемостью 5G-сетей, эффективностью использования спектра и ограничением географического покрытия, что побуждают инженеров телекоммуникационных компаний выходить за рамки традиционных подходов в решении возникающих вызовов, связанных с современными беспроводными системами.
Ожидается, что переход к 6G будет способен решить некоторые из этих проблем, предложив более высокие скорости передачи данных, сверхнизкую задержку и надежность, которые критически важны для поддержания приложений работающих в реальном режиме времени, а также интеграцию ИИ в управление сетевыми функциями.
Одной из главных характеристик 6G является использование терагерцового диапазона (ТГц). По сравнению с низкочастотными диапазонами, ТГц-диапазон имеет очевидные преимущества для связи с высокой скоростью передачи данных. Это область спектра электромагнитного излучения между миллиметровыми волнами (от 300 ГГц) и дальним инфракрасным излучением (приблизительно до 3 ТГц). Он обеспечивает более широкую полосу пропускания по сравнению с миллиметровыми волнами и имеет более благоприятные параметры распространения, чем инфракрасное излучение. Основной целью терагерцовой связи является повышение спектральной эффективности, достижение скорости передачи данных, пиковое значение которой в теории может составить один терабит в секунду с задержкой в одну микросекунду, что обеспечивает высокую емкость канала связи и выходит за рамки возможностей 5G.
Базовыми диапазонами мобильных сетей шестого поколения станут субтерагерцовые (не менее 100 ГГц) и миллиметровые частоты (выше 24 ГГц). Полоса нижнего ТГц-диапазона (от 0,3 ТГц до 1,0 ТГц) рассматривается для передачи данных короткими пакетами на ограниченные расстояния, что применимо для использования внутри помещений или в каналах связи между мобильными устройствами без прохождения через базовую станцию (Device-to-Device, D2D).
Все это требует полной модернизации сотовой инфраструктуры (оборудование и развертывание базовых станций), и в значительной степени будет зависеть от технологических достижений, которые смогут обеспечить максимальную связность мобильных устройств. Ключевыми из них являются интеллектуальные отражающие поверхности (Intelligent Reflecting Surface, IRS), также известные как реконфигурируемые интеллектуальные поверхности (Reconfigurable Intelligent Surface, RIS), терагерцовые (ТГц) коммуникации и голографические антенные системы (Holographic Multiple-Input And Multiple-Output, H-MIMO).
Конкуренция за доминирование на рынке 6G возрастает с каждым годом. Важнейшую роль в этом играет получение экономического преимущества теми компаниями и странами, кто владеет новой технологией. Такие крупные телекоммуникационные компании как Huawei, Nokia и Samsung, уже имеют конкретные результаты исследований и разработок в области 6G. А многие страны приняли стратегии развития национальной мобильной связи и планы по развертыванию коммерческих 6G-сетей уже к 2030 году. Лидерами в этом процессе являются Китай, Южная Корея и США. Причем Южная Корея, в соответствии с планом «K-Network 2030» намерена ускорить запуск коммерческих сетей 6G и ввести их в эксплуатацию на два года раньше первоначального графика, в 2028 году.
Вопреки ожиданиям получения максимальной выгоды от применения беспроводных сетей 6G, технология всё ещё находится на ранних стадиях исследований и стандартизации, и на сегодняшний день существует ряд недостатков как организационного и технического, так и экономического плана, которые необходимо решить.
Главная проблема это энергоэффективность современных радиосистем. Чем выше скорость передачи информации, тем меньше автономная работа мобильного устройства. Модернизация инфраструктуры потребует от телекоммуникационных компаний значительных финансовых вложений, что может ограничить массовое коммерческое развертывание 6G-сетей. Первоначально они могут появиться в центрах обработки данных, исследовательских центрах, где используется искусственный интеллект, автострадах, предназначенных для беспилотных автомобилей и магистралях для беспилотных летательных аппаратов.
Также, необходимо отметить, что использование высоких частот может повлечь за собой ограничения в эксплуатации мобильной инфраструктуры и вызвать некоторые проблемы, такие как увеличение интерференции, уменьшение зоны покрытия и снижение качества сигнала на больших расстояниях.
Ещё одной проблемой является кибербезопасность. В связи со стремительным развитием и внедрением технологий IoT, виртуализированных сетей и технологий с открытым исходным кодом, поверхности и возможности для проведения кибератак в 6G-сетях неизбежно возрастут. У злоумышленников будет больше возможностей для потенциального взлома сетей. Поэтому обработка данных, обнаружение угроз, анализ трафика и шифрование данных являются первостепенными задачами, связанными с функционированием 6G-сетей. Усовершенствованное аппаратное обеспечение, прогнозирующие возможности искусственного интеллекта и машинного обучения, блокчейн и квантовое шифрование рассматриваются в качестве основных возможных решений для обеспечения безопасности. Исследования продолжаются.
Несмотря на крупномасштабные замыслы некоторых стран по развертыванию 6G-сетей мировые научные и технологические сообщества уже обсуждают следующее поколение мобильной связи – 7G.
В то время как 6G может предоставить высокую скорость передачи данных, измеряемую в терабитах в секунду, минимальную задержку сигнала менее милисикунды, а также развитие и расширение возможностей интегрированного ИИ, 7G в теории будет содействовать формированию полностью взаимосвязанного цифрового мира, где граница между физической и виртуальной реальностью практически исчезнет, создав экосистему, в которой каждое устройство, транспортное средство или здание подключенное к беспроводной связи в режиме реального времени мгновенно реагирует на изменения в окружающей среде и потребности пользователей. Скорость передачи данных в 7G-сетях потенциально может превысить 10 Тбит/с и выше.
Прогнозируется, что 7G будет включать в себя следующие передовые технологии:
- Передача данных на квантовом уровне, обеспечивая практически нулевую задержку.
- Интеграция с орбитальными интернет-системами такими как космические спутники на низкой околоземной орбите.
- Голографическая и сенсорная коммуникация в реальном времени, где осязание, зрение и звук становятся едиными в виртуальном пространстве.
- Глобальное покрытие, соединяющее отдаленные регионы без использования традиционных вышек сотовой связи.
- Самооптимизирующиеся сети на базе искусственного интеллекта, способные адаптироваться к изменениям в системе и автоматически управлять ресурсами, обеспечивая безопасность.
Однако, как и любой новой революционной технологии у 7G есть определенные проблемы:
- Технологические ограничения. Существующая инфраструктура не может поддерживать требования 7G по частоте и объемам передаваемых данных.
- Энергопотребление. Быстрые сети требуют большей мощности.
- Безопасность. По мере того, как увеличивается скорость и объем передачи данных, растут и риски кибератак.
- Нормативная база. Необходимо согласовать новый частотный спектр, стандарты, что требует координации и международного сотрудничества.
- Стоимость развертывания. Инвестиции, необходимые могут достичь триллионов долларов США по всему миру.
Учитывая текущий технологический прогресс и десятилетний цикл модернизации беспроводных сетей, ожидается, что после развертывания 6G в 2030 году, технология 7G появится, примерно к 2040 году и будут базироваться на тех исследованиях и достижениях, которые предоставят сети шестого поколения. Прогнозируется, что её внедрение начнётся, прежде всего, в таких развитых странах, как Япония, Южная Корея, Китай и США, а затем распространится по всему миру в течение последующего десятилетия.

В мире, который становится всё более цифровым, угроза утечки данных ощущается сильнее, чем когда-либо. От транснациональных корпораций до отдельных пользователей – никто не застрахован.
Последствия утечки данных могут быть далеко идущими и серьёзными. Утечки данных превратились из простых проблем кибербезопасности в причины финансовых потерь, репутационного ущерба, юридических проблем, штрафов со стороны регулирующих органов и серьёзного подрыва доверия потребителей. Несмотря на то, что безопасности данных уделяется всё больше внимания, хакеры постоянно находят новые способы обходить защиту и получать доступ к ценным корпоративным данным и учётным записям.
Потеря данных происходит, когда важная информация становится недоступной, повреждается или безвозвратно удаляется – зачастую без возможности восстановления.
В соответствии с отчетом экспертов IBM, 85,6 % зарегистрированных инцидентов происходят в облаке, очевидно, что облачная безопасность остаётся актуальной проблемой. Облачные среды могут обеспечивать гибкость и масштабируемость, но они также создают уязвимости.
На долю локальных серверов приходится всего 14,4 % инцидентов. Это говорит о том, что традиционное локальное хранилище, хоть и не застраховано от сбоев, может обеспечить больший контроль над безопасностью и управлением доступом.
К наиболее серьёзным последствиям угроз информационной безопасности относятся:
1. Финансовые потери – это самое прямое и очевидное последствие (прямые финансовые потери, выплаты штрафов, расходы на ликвидацию инцидента, выкуп при ransomware-атаках, стоимость простоя). Финансовые последствия утечки данных, несомненно, являются одним из самых непосредственных и серьёзных последствий, с которыми приходится сталкиваться организациям. Согласно отчёту IBM средняя стоимость утечки данных в 2024 году достигла рекордного уровня в 4,45 миллиона долларов США. Это на 2,3% больше, чем в 2023 году, когда стоимость утечки составляла 4,35 миллиона долларов США.
Затраты могут включать в себя выплату компенсаций пострадавшим клиентам, организацию реагирования на инциденты, расследование утечки, инвестиции в новые меры безопасности и оплату юридических услуг, не говоря уже о внушительных штрафах, которые могут быть наложены за несоблюдение GDPR (Общего регламента по защите данных).
Организации, нарушающие GDPR, могут быть оштрафованы на сумму до 4% от годового мирового оборота или 20 миллионов евро, в зависимости от того, какая сумма больше.
Взлом также может существенно повлиять на стоимость акций и оценку компании. Именно это произошло с компанией Yahoo после взлома в 2013 году. Информация о взломе просочилась в 2016 году, когда компания собиралась быть выкупленной американской телекоммуникационной компанией Verizon. Сделка состоялась: компания приобрела Yahoo за 4,48 миллиарда долларов, что примерно на 350 миллионов долларов меньше первоначальной цены.
Финансовый сектор входит в пятёрку отраслей, наиболее подверженных атакам киберпреступников. С 2024 по первый квартал 2025 года на него приходилось 5 % успешных кибератак по всему миру и 7 % в России.
Атакуя финансовые организации, киберпреступники преследуют различные цели, в том числе кражу данных (67 % успешных кибератак), нарушение работы (26 %), кражу денег (5 %) или нанесение ущерба репутации. Группы, занимающиеся программами-вымогателями, убеждают жертв платить, угрожая уничтожить или обнародовать украденные конфиденциальные данные.
Важно отметить, что одна кибератака может привести к множеству последствий и недопустимых событий. Например, в июне 2024 года группа вымогателей RansomHubат атаковала кредитную организацию Patelco, которая отказалась платить выкуп. В результате атаки были похищены конфиденциальные данные клиентов, на две недели было нарушено обслуживание из-за отключения банковских систем, а финансовые потери оцениваются в 39 миллионов долларов.
2. Репутационный ущерб и потеря доверия – это одно из самых долгосрочных и разрушительных последствий (утрата доверия клиентов, падение рыночной стоимости, ухудшение отношений с партнерами). Ущерб, нанесённый репутации в результате утечки данных, может быть катастрофическим. Исследования экспертов IBM показали, что до трети клиентов в сфере розничной торговли, финансов и здравоохранения прекращают сотрудничество с организациями, в которых произошла утечка.
Организации оказываются в центре внимания мировой общественности уже через несколько часов после того, как стало известно о взломе. Такая негативная реакция прессы в сочетании с потерей доверия потребителей может нанести непоправимый ущерб компании, подвергшейся взлому.
Потребители прекрасно осознают ценность своей личной информации, и если организации не могут доказать, что они предприняли все необходимые меры для защиты этих данных, потребители просто уйдут к конкурентам, которые более серьёзно относятся к безопасности. Утечка данных может легко привести к краже личных данных, если конфиденциальная информация попадёт в руки посторонних лиц. Хакеры используют эту информацию, чтобы украсть личные данные человека и совершить мошеннические действия, например открыть новые счета или совершить несанкционированные покупки.
Ущерб, нанесённый репутации, имеет долгосрочные последствия и влияет на способность организации привлекать новых клиентов, будущих инвесторов и новых сотрудников.
Так кредитный союз Connex, обслуживающий более 70 000 участников и управляющий активами на сумму более 1 миллиарда долларов, сообщил о взломе, в результате которого были скомпрометированы персональные данные 172 000 человек. Взлом был обнаружен 3 июня 2025 года. Расследование показало, что злоумышленники получили доступ к системам Connex в период со 2 по 3 июня 2025 года.
Файлы, которые могли быть украдены во время взлома, содержали имена, номера счетов, данные дебетовых карт, номера социального страхования и удостоверения личности государственного образца, которые использовались для открытия счетов.
Кроме того, компания Connex разместила на своем веб-сайте предупреждение о мошеннических звонках и текстовых сообщениях, в которых злоумышленники выдают себя за сотрудников компании и пытаются получить PIN-коды, пароли и данные учетных записей.
3. Операционные и производственные последствия (остановка деятельности, потеря данных, нарушение цепочки поставок). После утечки данных бизнес-процессы существенно нарушаются. Чтобы устранить последствия утечки данных, организациям необходимо провести тщательное расследование причин утечки и выявить скомпрометированные системы.
Возможно, потребуется полностью приостановить работу до тех пор, пока следователи не получат всю необходимую информацию. На выявление уязвимостей может уйти несколько дней или даже недель, в зависимости от серьёзности нарушения. Это может серьёзно повлиять на доходы и способность организации восстановиться.
В соответствии с отчетом компании IBM о стоимости утечки данных за 2024 год, среднее время, необходимое для выявления и локализации утечки, составляет 277 дней.
4. Юридические последствия (судебные иски, проверки регуляторов, потеря лицензии). Организации сталкиваются со значительными штрафами и юридическими санкциями за неспособность защитить конфиденциальные данные и нарушение нормативных требований. Согласно правилам защиты данных, организации обязаны по закону подтверждать, что они предприняли все необходимые меры для защиты персональных данных. Если безопасность данных была нарушена, намеренно или нет, физические лица могут обратиться в суд и потребовать компенсацию.
Поскольку частота и серьёзность утечек данных продолжают расти, ожидается, что в суд будет подано ещё больше групповых исков, связанных с последствиями утечки данных.
Так 28 июля 2025 года в бюро кредитных историй TransUnion произошла крупная утечка данных, связанная с приложением третьей стороны, в результате которой была раскрыта личная информация 4 461 511 человек. Инцидент был обнаружен 30 июля 2025 года, а в конце августа компания начала уведомлять пострадавших клиентов.
Злоумышленники получили доступ к именам, датам рождения, номерам социального страхования, платёжным адресам, номерам телефонов и адресам электронной почты. Эксперты по безопасности считают, что атака была совершена группой вымогателей ShinyHunters, вероятно, через сторонние интеграции или приложения, подключённые через OAuth и замаскированные под инструменты Salesforce.
Компания TransUnion, которая управляет финансовыми данными более чем 260 миллионов американцев, предложило пострадавшим клиентам два года бесплатного кредитного мониторинга и защиты от кражи личных данных. Одна из юридических фирм уже начала расследование утечки данных, и не исключено, что будет подан коллективный иск.
5. Последствия, связанные с данными и интеллектуальной собственностью (утечка конфиденциальной информации, утечка персональных данных, шпионаж). Личная информация – это любые данные, которые могут прямо или косвенно идентифицировать человека. К ним относится всё: имя, пароли, IP-адрес и учётные данные. К ним также относятся конфиденциальные личные данные, такие как биометрические или генетические данные, которые могут быть использованы для идентификации человека.
Реальность такова, что если в результате утечки данных будут удалены медицинские записи пациента, находящегося в критическом состоянии, это может серьёзно повлиять на его лечение и, в конечном счёте, на его жизнь.
В течение 2024 года Министерство здравоохранения и социальных служб США зафиксировало 720 инцидентов утечки медицинских данных, в результате которых были скомпрометированы 186 миллионов записей пользователей. Эти утечки привели к реальной потере данных, и больницы, страховые компании и системы здравоохранения с трудом восстанавливали важную информацию о пациентах.
Финансовые последствия не менее ошеломляющие. Уже 14 лет подряд здравоохранение возглавляет список отраслей с самыми дорогостоящими восстановительными работами после утечки данных, средняя стоимость которых составляет 9,77 миллиона долларов за инцидент. При таких цифрах становится ясно, что более надёжные стратегии защиты данных не просто необходимы – они крайне важны.
Биометрические данные также представляют огромную ценность для киберпреступников и стоят гораздо больше, чем базовая информация о кредитной карте и адрес электронной почты. Последствия утечки таких данных могут быть катастрофическими и превысить любой финансовый и репутационный ущерб.
Биометрические платежи — перспективное направление бесконтактных платежей. Сегодня они внедряются во многих странах наряду с другими технологиями, использующими биометрические данные для идентификации людей в системах безопасности, аутентификации на нескольких устройствах и двухфакторной аутентификации. Несмотря на многочисленные преимущества биометрии, такие как удобство для клиентов и повышенная безопасность за счёт сложности подделки, важно учитывать киберугрозы, связанные с биометрическими данными.
6. Физические последствия – это особенно актуально для критической инфраструктуры.
Остановка или сбой в работе критических систем: атаки на энергосети, системы водоснабжения, больницы, транспортную инфраструктуру могут привести к прямому физическому ущербу, экологическим катастрофам или угрозе жизни и здоровью людей.
Взлом медицинского оборудования: например, несанкционированное изменение дозировки лекарств в инсулиновой помпе.
Аварии на производстве: взлом системы промышленного контроля может привести к остановке или поломке оборудования.
7. Стратегические и геополитические последствия.
Влияние на национальную безопасность: кибератаки могут использоваться для дестабилизации обстановки в другой стране, вмешательства в выборы, воровства государственных тайн.
Подрыв экономики: массовые атаки на ключевые сектора экономики страны могут нанести существенный макроэкономический ущерб.
Также важно упомянуть угрозу дезинформации, исходящую от генерирующего искусственного интеллекта. В дополнение к широкому использованию сгенерированного контента в различных мошеннических схемах, нацеленных на клиентов финансовых организаций, киберпреступники потенциально могут провести операцию по дезинформации против целевой организации. В своем исследовании эксперты Say No to Disinfo и Fenimore Harper Communications продемонстрировали возможность использования сгенерированных фейковых новостей и рекламы, чтобы побудить клиентов массово выводить свои депозиты из банков. Потенциальную скорость массового изъятия средств из банка можно оценить на примере Silicon Valley Bank, который обанкротился в 2023 году, когда вкладчики сняли 42 миллиарда долларов в течение 24 часов после того, как в социальных сетях началась паника. Опытные киберпреступники могут попытаться спровоцировать аналогичную реакцию общественности, особенно воспользовавшись очередным негативным новостным событием. Финансовым организациям необходимо отслеживать появление таких информационных трендов в режиме реального времени, чтобы как можно быстрее опровергать информацию и успокаивать клиентов.
Современные киберугрозы – это не просто «проблемы с компьютером». Это комплексные риски, которые напрямую угрожают финансовой стабильности, операционной деятельности и самому существованию организации.
Учитывая значительное разнообразие атак, которые будут продолжаться в ближайшие годы и будут совершаться как по идеологическим, так и по материальным мотивам, организации должны сосредоточиться на последовательном применении подхода к кибербезопасности, ориентированного на результат, чтобы предотвратить недопустимые события. Информационная безопасность должна обеспечиваться на всех уровнях: на уровне государства, организаций, сотрудников, инфраструктуры и взаимоотношений с подрядчиками, поставщиками и партнёрами. Этого можно добиться, только если быть начеку, использовать современные инструменты и методы кибербезопасности и ответственно подходить к внедрению новых технологий.

Дипфейк (deepfake) представляет собой синтетический медиаконтент, сгенерированный алгоритмами искусственного интеллекта (ИИ), который отличается исключительной правдоподобностью. Уровень развития технологий достиг точки, когда отличить подобные фальсификации от подлинных записей становится крайне сложно. Для создания базовой подделки сегодня зачастую достаточно всего нескольких секунд исходного видео. Широкая доступность инструментов генерации привела к их активному применению в самых разных сферах – от легитимных областей, таких как маркетинг и кинематограф, до противоправных деяний.
Дипфейки перешли из категории технологической диковинки в одну из самых острых киберугроз. Их распространение подрывает доверие к цифровой информации, системам идентификации и финансовой безопасности. В отчете «2025 Deepfake Detection Market Report & Buyer’s Guide», выпущенном независимыми аналитическими и консалтинговыми компаниями Biometric Update и Goode Intelligence, в текущем году прогнозируется распространение около 8 миллионов дипфейков, что в 16 раз больше, чем в 2023 году (более 500 000).
В условиях, когда человеческое восприятие перестало быть надежным критерием для распознавания дипфейков, основным инструментом противодействия им стали алгоритмы глубокого обучения. К основным методам обнаружения можно отнести:
• Анализ артефактов: Поиск цифровых «отпечатков», которые оставляют генеративные модели (GAN , диффузионные модели ) – неестественные текстуры кожи, аномалии в отражениях в глазах, ошибки в анатомии (лишние пальцы).
• Временной анализ (Temporal Analysis): Исследование последовательности кадров видео на предмет физически нереалистичных движений, мимики, моргания.
• Биометрические сигналы: Использование метода бесконтактного измерения пульса – дистанционная фотоплетизмография (Remote photoplethysmography, rPPG) для обнаружения сердцебиения или кровотока, которые практически невозможно подделать в реальном времени.
• Анализ метаданных и водяных знаков: Поиск криптографических меток, встроенных при создании легитимного контента, или признаков манипуляций с файлами.
• Мультимодальный анализ: Комбинирование анализа видео, аудио и текста для повышения точности. Например, проверка синхронности движения губ и звука.
Эволюция подходов к обнаружению deepfake
Эволюция методов обнаружения дипфейков – это наглядный пример технологической «гонки вооружений». По мере того как генеративные модели становились сложнее, детекторам приходилось эволюционировать от примитивного анализа статичных изображений к сложным системам, имитирующим человеческое восприятие целостности и правдоподобности.
1. Эра «Простой Картинки» (Frame-Based Analysis)
Это были первые, пионерские методы, которые доминировали на заре появления дипфейков. Суть подхода – алгоритм анализировал каждый кадр видео или изображение изолированно, как статичную фотографию. Он искал артефакты, оставленные конкретными архитектурами ИИ, в основном Generative Adversarial Networks (GAN).
Что искали:
 Пространственные артефакты – неестественные текстуры кожи, размытые или искаженные участки на границах (например, где лицо сливается с волосами или фоном), ошибки в отрисовке зубов, серег, очков.
 Специфические паттерны – следы, характерные для конкретных моделей GAN (например, определенный шум, частотные паттерны в Fourier-спектре ).
 Нефизиологические несоответствия – неправильные блики в глазах, отсутствие или аномалии микродвижений зрачков.
Почему этот подход устарел:
• «Коллапс детектора» – как только создатели дипфейков узнавали, на какие именно артефакты смотрит детектор, они дорабатывали свои генеративные модели, чтобы эти артефакты минимизировать или устранить.
• Эволюция генеративных моделей – переход от GAN к диффузионным моделям (Stable Diffusion, DALL-E, Midjourney) стал критическим ударом. Эти модели создают изображения с гораздо меньшим количеством легко обнаруживаемых артефактов на пиксельном уровне.
• Пост-обработка – дипфейки часто сжимают, изменяют разрешение или добавляют шум для публикации в соцсетях. Эта обработка сама по себе удаляет или маскирует те самые артефакты, на которые полагались ранние детекторы.
• Слепота к контексту – метод не видел разницы между идеально сгенерированным лицом и реальным человеком, если в одном кадре не было очевидных ошибок.
2. Переход к временному (Temporal) и биометрическому анализу
Осознав ограниченность анализа одного кадра, разработчики начали учить ИИ смотреть видео, а не фотографии. Суть подхода – анализируется последовательность кадров для выявления несоответствий, которые проявляются только в движении.
Что ищут:
• Неестественную мимику – алгоритмы изучают мышечную структуру лица. У дипфейка улыбка или поднятие брови могут выглядеть «цельно», но распределение напряжений в мышцах, последовательность и плавность движений часто не соответствуют биомеханике реального человека.
• Ритм моргания – у людей существует естественный, непроизвольный ритм моргания. Генеративные модели часто воспроизводят его некорректно – либо слишком редко, либо с неестественной частотой или амплитудой.
• Биосигналы (дистанционная фотоплетизмография - rPPG) – это один из самых продвинутых методов. Камера может улавливать микроскопические изменения цвета кожи, вызванные пульсацией крови в капиллярах. Алгоритм ищет наличие сердцебиения. Полностью синтетическому или «наложенному» лицу крайне сложно достоверно симулировать этот физиологический сигнал, синхронизированный с временно́й шкалой видео.
• Согласованность движений головы и выражения лица – наклон головы и соответствующее ему изменение теней на лице должны быть физически правдоподобными.
3. Современная эра: комплексные системы и ансамблевые модели (Ensemble Models)
Сегодняшний золотой стандарт – это отказ от поиска «серебряной пули» и использование комбинации множества методов. Суть подхода – вместо одной модели-детектора используется ансамбль (ensemble) специализированных моделей, каждая из которых анализирует свой аспект медиафайла. Их вердикты объединяются для принятия итогового решения.
Ключевые компоненты таких систем:
• Мультимодальность – система анализирует не только видео, но и аудиодорожку на предмет синтетического голоса (неестественные интонации, артефакты слияния фонем, отсутствие дыхания), а также текстовый контекст (например, в соцсетях).
• Контекстно-ориентированный анализ (Context-Aware) – система задает вопросы: «Соответствует ли это видео ожидаемому поведению?», например:
 верификация по документу: соответствует ли лицо на селфи фото в документе? Нет ли признаков морфинга (объединения двух лиц в одном документе)?
 корпоративный контекст: в видеозвонке главный исполнительный директор компании неожиданно просит срочно перевести крупную сумму. Даже если дипфейк технически безупречен, контекстная модель может пометить это как аномалию, основанную на анализе рисков.
• «Генератор-агностичный выбор знаний» (Generator-agnostic Knowledge Pre-Selection, GATE). Вместо того чтобы охотиться за артефактами конкретной модели (GAN, Diffusion, Autoencoder), современные детекторы учатся на обширных датасетах, содержащих дипфейки от всех известных генераторов, и ищут более общие признаки «синтетичности».
• Обнаружение инъекционных атак (Injection Attack Detection) – тактика «обхода камеры». Злоумышленник не показывает дипфейк в камеру, а с помощью виртуальных веб-камер или эмуляторов вставляет поддельное видео напрямую в программный поток данных. Современные системы теперь проверяют целостность и подлинность самого видеопотока, чтобы убедиться, что он поступает с реального физического датчика камеры, а не из файла или программы.
4. Будущее: проактивная защита и «иммунная система»
Эволюция продолжается в сторону не только обнаружения, но и предотвращения.
• Ансамбли для защиты от Zero-Day атак: Zero-day дипфейк – это синтетический контент, созданный с помощью новой, неизвестной детекторам модели. Ансамблевые модели более устойчивы к ним, так как если одна из моделей в ансамбле (например, ищущая артефакты GAN) не сработала, другие (анализ rPPG, временные несоответствия) могут все еще выявить подделку.
• Цифровые водяные знаки и аттестация контента: Вместо того чтобы искать, что не так с контентом, подход заключается в том, чтобы с момента создания помечать легитимный контент криптографическими водяными знаками (например, по стандарту C2PA – Coalition for Content Provenance and Authenticity). Тогда задача детектора сводится к проверке наличия и подлинности этой «цифровой печати».
• Биометрическое хэширование: Преобразование биометрических данных (лица, голоса) в уникальный цифровой хэш, который невозможно обратно преобразовать в исходное изображение. При верификации сравниваются хэши, а не сами изображения, что усложняет создание дипфейка, который бы соответствовал нужному хэшу.
Ключевые игроки в данной сфере на рынке за рубежом
• Американская компания Pindrop, швейцарская Aurigin.ai – лидеры в обнаружении голосовых дипфейков.
Pindrop представила в 2024 году свой веб-инструмент Pulse Inspect, который способен выявлять искусственно сгенерированную речь в любых аудио- или видеофайлах с точностью в 99%. Система обучена на базе 350 инструментов генерации дипфейков и более 20 миллионов уникальных высказываний на 40 языках.
Технология построена на последних достижениях в области глубоких нейронных сетей и сложного спектрально-временного анализа. Модель проверяет медиафайлы на наличие синтетических артефактов каждые четыре секунды. Это позволяет точно классифицировать дипфейки, особенно в случаях смешанных медиа, содержащих как искусственно сгенерированные, так и подлинные элементы. Инструмент может не распознать дипфейк, если файл содержит менее двух секунд чистой речи или имеет очень высокий уровень фонового шума. Компания работает над устранением этих недостатков и дальнейшим повышением точности обнаружения.
Aurigin.ai в августе 2025 года представила модель генеративного ИИ Apollo версии 3, которая с этого момента доступна через API компании, веб-приложение и для корпоративной интеграции, включая локальное развертывание. Технология компании обеспечивает точность более 98% при уровне ложных срабатываний менее 2%. Распознавание занимает менее 50 миллисекунд, требует всего 3 секунды аудиозаписи и работает на 40 языках. Система устойчива к повторным записям, низкому качеству телефонных звонков, фоновому шуму и новым технологиям клонирования голоса без необходимости повторного обучения.
• Американская Paravision, британская Keyless, норвежская Mobai – специалисты по лицевой биометрии и интеграции обнаружения дипфейков в системы идентификации.
Paravision специализируется на ИИ в области компьютерного зрения, в частности на проверке личности и биометрической аутентификации в различных отраслях. Она предлагает решения на основе ИИ, в том числе для распознавания лиц, проверки подлинности, выявления дипфейков и определения возраста для таких приложений, как государственные программы, системы безопасности на транспорте и границах, а также платёжные системы.
Компания выпустила Deepfake Detection 2.0 – передовое решение, которое обнаруживает как цифровые манипуляции, так и полностью синтетические лица, включая их подмены, изменения выражений и лица, сгенерированные ИИ с помощью генеративно-состязательных сетей (GAN) и моделей диффузии. Решение работает в паре с функцией Liveness Detection (обнаружение атак на биометрическое предъявление) от Paravision, обеспечивая многоуровневую защиту от атак, как на цифровые, так и на физические изображения в рамках одного захвата.
Keyless – компания, занимающаяся биометрической аутентификацией и специализирующаяся на решениях для идентификации с сохранением конфиденциальности. Keyless считает, что большинство методов аутентификации (PIN-коды, одноразовые пароли, колл-центры, FaceID и даже пароли) ненадежны, дороги или неудобны в использовании, и заменяет их простым сканированием лица, сверяя его и устройство пользователя с теми, которые используются в рамках процедуры KYC (Know Your Customer – знай своего клиента). Бесключевое обнаружение дипфейков запускается автоматически при каждой аутентификации без дополнительных затрат. Система многофакторная, сочетает в себе пассивную проверку активности, проверку целостности устройства и поведенческую биометрию. Для аутентификации пользователи должны иметь оригинальное зарегистрированное устройство или другое, позже верифицированное с помощью NFC. Поскольку большинство deepfake атак проводятся удаленно, это делает их не масштабируемыми.
Mobai предлагает простую в использовании и безопасную систему верификации лиц, включая встроенные и автономные решения для обнаружения атак на биометрическое предъявление, глубоких подделок и технологий обнаружения инъекционных атак (Injection attack detection). Deepfake Detection от Mobai использует передовые технологии машинного обучения для быстрого обнаружения подмены личности, редактированных лиц и синтезированных медиаконтентов менее чем за 200 мс. Платформа достигает точности 98%, обеспечивая безопасный и бесперебойный пользовательский интерфейс и отвечая отраслевым стандартам надёжной защиты от сложных Deepfake-атак, например ETSI TS 119 461 , CEN/TS 18099:2024 .
• Американская компания Reality Defender – предлагает платформу для обнаружения контента, созданного искусственным интеллектом, в различных медиаформатах, включая аудио, видео, изображения и текст, без использования водяных знаков или предварительной аутентификации.
Платформа построена на основе мультимодальных решений, защищает в режиме реального времени правительственные и корпоративные коммуникации, колл-центры от голосового мошенничества, видеоконференции от подмены других пользователей, выявляет манипулированные медиа-данные в журналистском и вещательном контенте. Благодаря использованию специализированных моделей искусственного интеллекта, обученных на обширных наборах данных, решение Reality Defender легко интегрируется в существующие системы через API или в качестве платформы, защищая организации от угроз, создаваемых ИИ.
• Американские компании ROC и Polyguard – узкая специализация на инъекционных атаках и проактивной верификации.
ROC – единственный поставщик мультимодальных биометрических продуктов и решений Vision AI (компьютерное зрение на основе искусственного интеллекта), обеспечивающий надежную идентификацию и ситуационную осведомленность для американских военных, правоохранительных органов и финтех-компаний. Компания обеспечивает сбор данных в режиме реального времени во всех операционных областях: идентификация, тактическая видеоаналитика, цифровые доказательства и системы для автоматической биометрической идентификации (Automated Biometric Identification System, ABIS).
Решение компании – Camera Injection Attack Detection эффективно сочетается с её набором инструментов Identity Toolkit, который включает в себя распознавание лиц, пассивную проверку личности по одному кадру, оценку возраста и аналитику лиц. Результатом является комплексная платформа биометрической верификации, охватывающая спектр задач аутентификации, обнаружения дипфейков и предотвращения мошенничества. Camera Injection Attack Detection выявляет виртуальные камеры и синтетические источники с точностью более 95% и соответствует стандартам iBeta Level 2 (ISO 30107-3) для расширенного обнаружения атак на презентацию (Presentation Attack Detection, PAD).
Polyguard – единственная компания-разработчик программного обеспечения, которая сосредоточена исключительно на предотвращении атак Deepfake, а не только на их обнаружении.
Polyguard отвергает пассивное обнаружение дипфейков. Решение компании при каждом взаимодействии использует активную верификацию личности: сопоставление лиц в режиме реального времени, проверку присутствия и криптографически подписанные доказательства. ПО проверяет именно человека, выполняющего действие, а не только загруженный им файл или голос во время вызова. Учётные данные в Polyguard объединены в подписанный пакет; после разблокировки с помощью распознавания лиц на устройстве их можно передавать во время видеозвонков, прикреплять к электронным письмам или вызовам API. Верификация предоставляется как программная услуга и оплачивается за рабочее место, что позволяет использовать её без ограничений.
За рубежом насчитывается порядка 40 поставщиков, предлагающих технологии обнаружения и защиты от дипфейков. Помимо вышеуказанных компаний можно отметить и другие биометрические фирмы, представленные, в том числе, следующими государствами:
• США – 1Kosmos, AuthenticID, authID Inc, Daon, Deep Media, ID R&D, ID Dataweb, Incode Technologies Inc, Jumio, Mitek Systems, Nametag, Persona, Reality Defender, Socure;
• Великобритания – Deepfake Detector, Facia.ai, GBG, IDVerse, iProov;
• Нидерланды – AU10TIX, DuckDuckGoose, Sensity AI;
• Франция – Idemia, Unissey, Thales;
• Индия – Kroop, Pi-labs;
• Германия – BioID GmbH;
• Израиль – Corsound AI;
• Словакия – Innovatrics;
• Португалия – Youverse;
• ЮАР – iiDENTIFii;
• Объединенные Арабские Эмираты – Oz Forensics.
Согласно отчету компаний Biometric Update и Goode Intelligence «2025 Deepfake Detection Market Report & Buyer’s Guide» основными рыночными тенденциями будет являться взрывной рост (к 2027 году прогнозируется проведение 9,9 млрд проверок на дипфейки ежегодно) и оборот рынка (к 2027 году объем рынка достигнет $4,95 млрд). Основными заказчиками станут банки, государственные структуры и крупные корпорации.
Таким образом, эволюция подходов к обнаружению deepfake прошла путь от тактического «поиска следов» к стратегическому «анализу поведения и целостности». Современная система обнаружения дипфейков – это уже не просто детектор, а сложная экспертная система, которая сочетает в себе:
 восприятие (анализ пикселей, звука);
 понимание времени (анализ последовательностей);
 знание физиологии (понимание биологических сигналов);
 оценку контекста (логическая оценка ситуации);
 проверку подлинности канала (борьба с инъекциями).
Технологии обнаружения дипфейков стали неотъемлемой частью глобальной экосистемы кибербезопасности. Их развитие направлено на создание комплексных, быстрых и точных систем, способных защитить цифровое доверие в условиях быстро эволюционирующей угрозы.

В 2025 году нормативно-правовая база Китая в области безопасности данных перешла из стадии формирования в фазу автоматизированного принудительного исполнения, тем самым завершив переход от общих деклараций к жесткому техническому контролю.
В октябре 2025 года Постоянный комитет Всекитайского собрания народных представителей принял решение о внесении поправок в Закон о кибербезопасности (ЗКБ), которые вступили в силу с 1 января 2026 года.
Изменения направлены на усиление юридической ответственности, ужесточение наказаний за нарушения в сфере кибербезопасности и достижение предметной координации с Законами о безопасности данных, о защите персональных данных и об административных наказаниях, а также на решение других вопросов, включая управление искусственным интеллектом.
Ключевые изменения в ЗКБ:
– управление в сфере искусственного интеллекта:
Поправками введена новая статья 20, посвященная управлению искусственным интеллектом. В этом положении признается важность фундаментальных исследований и основных алгоритмических возможностей, а также поощряется создание инфраструктур, связанных с ИИ, включая доступ к обучающим наборам данных и вычислительным мощностям. Подчеркивая необходимость совершенствования этических принципов управления и усиления контроля за рисками и соблюдения правил безопасности. Обучающие данные при разработке систем искусственного интеллекта становятся ключевым объектом регулирования.Регулирующие органы уже начали внедрять механизмы контроля за технологиями ИИ, включая оценку безопасности алгоритмов, требования к подаче заявок на генеративные модели ИИ и обязательную маркировку контента, созданного ИИ.
– соответствие другим законодательным актам о данных:
Что касается защиты персональных данных, в изменённой статье 42 уточняется, что операторы сетей, обрабатывающие персональные данные, также должны соблюдать Гражданский кодекс и Закон о защите персональных данных, а также любые другие применимые законы и административные постановления. Таким образом, ЗКБ становится основополагающим документом, который поддерживает и координирует более широкий режим защиты персональных данных.
Также, в изменённой статье 71 вновь говорится о том, что операторы критически важной информационной инфраструктуры должны хранить важные данные на территории Китая. Для других обработчиков данных, которые официально уведомлены об обработке важной информации, передача которой за пределы страны должна проходить проверку безопасности в течение двух месяцев с момента уведомления.
– расширение полномочий директоров по информационным технологиям:
Поправки к статье 67 усиливают ответственность организаций за кибербезопасность, ужесточая контроль за закупками сетевых продуктов и услуг. В дополнение к существующему требованию оценивать потенциальные риски для национальной безопасности перед внедрением таких продуктов или услуг, вводится обязательство устранять нарушения в установленные сроки и ликвидировать риски для безопасности. Это отражает растущую ориентацию на контроль за цепочками поставок в сфере кибербезопасности и свидетельствует о повышенных требованиях регулирующих органов к предприятиям, работающим в экосистемах критически важной инфраструктуры.
– более продуманная система административных взысканий:
Внесённые в статью 69 изменения расширяют сферу индивидуальной ответственности, распространяя её не только на непосредственных руководителей, но и на других сотрудников, таких как, например охранники и технический персонал, а также на системы обеспечения соответствия требованиям в масштабах всего предприятия.
Поправки вводят новую статью 73, в которой предусмотрены механизмы смягчения наказания в соответствии с Законом о защите прав потребителей, позволяющие контролирующим органам снижать штрафы или отменять их в случаях, когда организации активно устраняют причиненный ущерб, подвергаются принуждению к нарушениям, вносят существенный вклад в расследования или впервые совершают незначительные правонарушения.
Статья 67 также была дополнена положениями о наказании для организаций, предоставляющих услуги в сфере критической информационной инфраструктуры, которые используют сетевые продукты или сервисы, не прошедшие проверку на соответствие требованиям кибербезопасности или не соответствующие им. В статье прямо сформулировано требование необходимости устранения рисков для национальной безопасности.
За нарушения, связанные с невыполнением операторами связи своих обязательств по обеспечению безопасности, закон с поправками значительно ужесточает наказание, вводя трёхуровневую систему: обычные случаи, случаи, повлекшие за собой серьёзные последствия, и случаи, повлекшие за собой особо серьёзные последствия. Максимальный штраф для юридических лиц увеличен до 10 млн юаней (1,5 млн долларов США); максимальный штраф для непосредственно ответственных лиц и другого ответственного персонала также увеличен со 100 000 до 1 млн юаней (c 15 000 до 150 000 долларов США).
– расширение экстерриториального охвата:
Пересмотренная статья 77 расширяет экстерриториальное применение ЗКБ, снижая порог правоприменения в отношении иностранных организаций. Ранее для правоприменения требовалось доказать наличие серьёзных последствий, возникших в результате действий, которые ставили под угрозу безопасность критически важной информационной инфраструктуры. Согласно новой редакции статьи, ответственность теперь наступает за любую деятельность, которая ставит под угрозу кибербезопасность Китая, что упрощает для властей процесс трансграничного правоприменения. В случае нанесения серьёзного ущерба регулирующие органы могут применять карательные меры, такие как, например замораживание активов.
В мае 2025 года Управление киберпространства Китая CAC (Cyberspace Administration of China) на своем официальном сайте (cac.gov.cn) опубликовало критически важные разъяснения, в отношении трансграничной передачи данных.
Управлением CAC отмечается, что национальный механизм координации в сфере безопасности данных координирует работу соответствующих органов по составлению каталогов важных данных, а местные органы власти и отраслевые регуляторы определяют конкретные списки важных данных, применимые к их регионам, отраслям и сферам деятельности, в соответствии с системой классификации и оценки данных и обеспечивают усиленную защиту данных, включенных в эти списки.
В соответствии с Положением об управлении безопасностью сетевых данных (статья 29) обработчики сетевых данных должны идентифицировать и регистрировать важные данные в соответствии с национальными требованиями. В случае подтверждения того, что данные являются важными, соответствующие органы должны уведомить об этом обработчика данных или опубликовать соответствующее обозначение.
На практике регулирующие органы разрабатывают отраслевые стандарты и правила классификации и оценки данных, а также идентификации и хранения важных данных (некоторые из них уже опубликованы в таких отраслях, как промышленность, телекоммуникации, природные ресурсы и статистика). Кроме того, они могут сообщать о своих требованиях на совещаниях, в письменных уведомлениях или напрямую. Обработчики данных должны следовать применимым стандартам, правилам и нормативным требованиям для своевременной идентификации и хранения данных.
Важно отметить, что CAC указывает на то, что если не были выпущены отраслевые и полевые стандарты или правила подачи заявок, а компетентные органы не уведомили обработчика данных о том, что он должен идентифицировать или подавать заявки на важные данные, то неспособность обработчика идентифицировать или подать заявку и обеспечить усиленную защиту не будет считаться нарушением требований по защите важных данных и сама по себе не повлечёт за собой административных взысканий.
В пояснениях о трансграничной передачи важных данных, CAC отмечает, что, если важные данные, собранные или сгенерированные в Китае, необходимо передать за границу, оператор данных должен пройти организованную CAC оценку безопасности экспорта данных, как того требует Закон о кибербезопасности (статья 37). Процесс подачи заявки должен соответствовать опубликованным CAC рекомендациям по оценке безопасности.
Важные данные могут быть экспортированы, если по результатам оценки безопасности будет установлено, что экспорт не поставит под угрозу национальную безопасность или общественные интересы.
Также отмечается, что если обработчик данных не был уведомлен и данные не были публично признаны важными, то обработчику, как правило, не нужно запрашивать оценку безопасности для экспорта «важных данных», а передача данных не будет считаться незаконным экспортом важных данных и не повлечет за собой штрафных санкций. После того как обработчик данных получит уведомление или данные будут публично признаны важными, обработчик должен будет в течение двух месяцев подать заявку на оценку безопасности экспорта данных в провинциальный центр сертификации, а затем осуществить трансграничную передачу данных в соответствии с результатами оценки.
Недавние случаи правоприменения показывают, что регулирование трансграничной передачи данных вышло за рамки концептуального нормотворчества и перешло к предметному оперативному надзору.
В мае 2025 года в СМИ появилась информация о том, что французская косметическая компания Dior допустила утечку данных, когда пользователи в материковом Китае получили от нее официальную SMS-рекламу. В ответ на это Управление общественной безопасности Китая начало административное расследование в отношении Dior (Шанхай) в связи с утечкой персональных данных. В ходе расследования власти установили, что компания передала персональные данные в свою штаб-квартиру во Франции, не выполнив требования к трансграничной передаче данных (т. е. не проведя оценку безопасности, не заключив стандартный договор или не получив сертификат, как того требует закон). Компания Dior (Шанхай) также не уведомила должным образом физических лиц о том, что их данные будут обрабатываться за рубежом, и не получила необходимое отдельное согласие. Фирма также не обеспечила надлежащие меры безопасности, в том числе шифрование. После этого китайские власти наложили административные взыскания. Этот случай считается первым в КНР публично оглашенным наказанием за незаконную трансграничную передачу персональных данных.
Приведённый выше пример правоприменительной практики свидетельствуют о растущих возможностях и готовности регулирующих органов принимать меры в отношении компаний, не соблюдающих требования CBDT в отношении персональных данных и другой конфиденциальной информации.
По мере того, как система защиты данных и конфиденциальности в Китае становится более зрелой, а правоохранительные органы накапливают опыт, ожидается, что в ближайшие годы контроль со стороны регулирующих органов и правоприменительная практика в этой области станут более активными.
В апреле 2025 года, Китай опубликовал руководящие принципы для облегчения трансграничных потоков финансовых данных. Документ подготовлен шестью ведомствами, включая Народный банк Китая и Государственное управление финансового регулирования КНР.
Некоторые аспекты документа:
– разъясняются условия трансграничного потока данных и определяется перечень элементов данных, разрешённых для трансграничного потока;
– прописаны условия для таких областей, как трансграничные платежи, денежные переводы, открытие счетов и совершение покупок;
– финансовым учреждениям предписано принимать необходимые меры для эффективного обеспечения безопасности данных.
Эксперты считают, что опубликованное руководство будет способствовать более безопасному, упорядоченному и эффективному трансграничному потоку данных в финансовом секторе, что поможет создать более благоприятную и инклюзивную деловую среду и повысит международную конкурентоспособность.
В 2025 году также были разработаны три отраслевых стандарта для более эффективного выявления и защиты важных данных в промышленном секторе:
– руководство по определению важных данных в промышленном секторе (далее – Руководство), в котором изложены принципы, процедуры и критерии определения важных данных, а также представлена практическая основа для классификации и оценки данных;
– требования к защите данных на промышленных предприятиях, которые устанавливают базовые требования к защите данных на протяжении всего жизненного цикла и помогают предприятиям создавать надёжные системы защиты;
– спецификация для оценки рисков безопасности данных в промышленном секторе, в которой изложены принципы, процедуры и методологии проведения оценки рисков, связанных с деятельностью, в которой используются важные и основные данные.
В совокупности эти три отраслевых стандарта создают комплексную нормативно-правовую базу для идентификации, защиты и оценки, обеспечивая соблюдение требований безопасности данных на промышленных предприятиях.
В качестве базового стандарта для классификации и оценки промышленных данных Руководство применяется во всей отрасли и на протяжении всего жизненного цикла данных. Область применения охватывает не только производственные данные, но и все данные, генерируемые или собираемые на протяжении всего жизненного цикла промышленных данных, включая данные, полученные в ходе исследований и разработок, проектирования, производства, управления операциями, работы платформ и прикладных сервисов.
Руководство устанавливает замкнутый цикл процесса идентификации важных данных, который включает в себя сортировку, идентификацию, внутреннее утверждение и регистрацию в соответствии с нормативными требованиями. Для регистрации в регулирующих органах необходимо предоставить в компетентный орган окончательный список важных данных.
В Руководстве также изложены многоаспектные критерии определения важных данных. К важным данным следует относить данные, непосредственно связанные с государственной тайной, а также исходные несекретные данные, используемые для создания секретных материалов и национальной безопасности, имеющие отношение к экономической безопасности, технологической безопасности, кибербезопасности и безопасности ИИ, что соответствует комплексному подходу Китая к национальной безопасности. В сфере безопасности промышленного развития собираются основные данные, связанные с конкурентоспособностью промышленности, безопасностью цепочки поставок, экономическими операциями, безопасностью производства и экологичным развитием. Например, ключевые параметры процессов в химической промышленности или основные данные о цепочке поставок в автомобильном секторе. К товарам, экспорт которых контролируется, относятся основные технологии, проектная документация, производственные процессы, методы и исходный код, относящиеся к промышленной продукции, экспорт которой контролируется, в соответствии с требованиями экспортного контроля и безопасности торговли.
В Руководстве подчеркивается, что компаниям, обрабатывающим промышленные данные, необходимо параллельно проводить идентификацию и составлять отчеты по персональным данным, затрагивающим более 10 миллионов человек, в соответствии с Положением об управлении безопасностью сетевых данных, обеспечивая скоординированное управление важными данными и крупномасштабными массивами персональных данных.
По мере вступления в силу этих правовых реформ для обеспечения соответствия развивающемуся законодательству Китая в сфере обработки данных будут необходимы упреждающие правовые оценки и своевременная корректировка политики. Отдавая приоритет этим мерам, транснациональные корпорации смогут эффективно выполнять нормативные требования, сохраняя гибкость в ведении бизнеса.
Положение об управлении безопасностью сетевых данных от 1 января 2025 года, распространяется на деятельность по обработке сетевых данных, осуществляемую на территории Китая, а также на определённую деятельность, осуществляемую за его пределами, если такая деятельность наносит (или может нанести) ущерб национальной безопасности, общественным интересам или законным правам и интересам физических лиц или организаций КНР. Например, они распространяются на некоторые виды обработки персональных данных за рубежом, целью которых является предоставление товаров или услуг физическим лицам, а также мониторинг поведения в Китае.
Правила требуют, чтобы лица, ответственные за обработку сетевых данных, разрабатывали и поддерживали планы реагирования на инциденты, связанные с безопасностью сетевых данных. В случае возникновения инцидента ответственное лицо должно немедленно активировать план, принять меры для предотвращения эскалации, устранить риски для безопасности и сообщить о случившемся в соответствующие компетентные органы в соответствии с применимыми требованиями.
Если обработчик сетевых данных предоставляет личную информацию или важные данные другому обработчику сетевых данных или поручает другому обработчику сетевых данных обработку таких данных, стороны должны документально подтвердить цель, метод и объем обработки, а также соответствующие обязательства по обеспечению безопасности данных в рамках договора или аналогичного соглашения.
Сторона, передающая (доверившая) данные, также должна контролировать выполнение получателем своих обязательств. Записи о предоставлении или доверенной обработке персональных данных и важной информации должны храниться не менее трёх лет.
Правила также касаются обработчиков данных, находящихся за рубежом. Если зарубежный сетевой обработчик данных обрабатывает персональные данные физических лиц в КНР и в соответствии со статьей 53 Закона о защите персональных данных обязан создать в Китае специальное юридическое лицо или назначить представителя в КНР, он должен предоставить название соответствующего юридического лица (представителя) и его контактные данные (а также другую необходимую информацию) в местное отделение CAC на уровне префектуры или города. Отделение CAC должно незамедлительно уведомить другие компетентные органы того же уровня.
Для лиц, обрабатывающих важные данные, Положение устанавливает дополнительные обязательства. Например, прежде чем лицо, обрабатывающее важные данные, предоставит их другой стороне, поручит ей их обработку или будет совместно обрабатывать важные данные с другой стороной, оно должно провести самостоятельную оценку рисков. Оценка должна быть сосредоточена на законности, обоснованности и необходимости цели, метода и объёма обработки данных; рисках несанкционированного доступа, уничтожения, утечки, незаконного получения или использования данных, а также на потенциальном влиянии на национальную безопасность, общественные интересы и законные права и интересы отдельных лиц и организаций; добросовестности получателя и соблюдении им требований; эффективности договорных условий обеспечения безопасности для получателя; адекватности предлагаемых технических и организационных мер.
Правила также налагают обязательства на «поставщиков услуг сетевых платформ», включая дополнительные требования к крупным операторам платформ (например, к платформам с более чем 50 миллионами зарегистрированных пользователей или 10 миллионами активных пользователей в месяц).
Обновлённый режим защиты данных также предусматривает более строгие нормативные требования к слияниям и поглощениям технологических компаний, в которых используются важные данные. Статья 32 Положения об управлении безопасностью сетевых данных устанавливает, что в случае слияния, разделения, ликвидации, банкротства или любого другого обстоятельства, которое может повлиять на безопасность важных данных, оператор этой информации должен принять меры для обеспечения безопасности сетевых данных и сообщить соответствующему компетентному органу на уровне провинции или выше о своём плане распоряжения важными данными, а также об имени (или фамилии) получателя и его контактных данных.
Комплексная проверка соответствия требованиям к данным стала неотъемлемой частью сделок по слиянию и поглощению. Потенциальные покупатели должны убедиться в том, что целевая компания правильно классифицировала и оценила свои информационные активы, особенно в тех случаях, когда она обрабатывает важные данные или конфиденциальную личную информацию, а также в том, что были проведены необходимые оценки влияния на конфиденциальность. Покупателям также следует проверить законность любых трансграничных передач данных, в том числе убедиться в том, что целевая компания внедрила применимые механизмы передачи (например, заключила и зарегистрировала стандартный договор, если это требуется), а также оценить любые существующие пробелы в соблюдении требований или предыдущие действия регулирующих органов, которые могут повлечь за собой ответственность правопреемника.
Таким образом, Китай продолжает совершенствовать и дорабатывать свою систему защиты данных и конфиденциальности. Теперь, когда основное законодательство и правила его применения в основном сформированы, правоохранительные органы всё активнее следят за соблюдением режима защиты данных и личной информации в стране.

Искусственный интеллект (ИИ) активно трансформирует сферу медиакоммуникаций, перестраивая процессы создания, распространения и потребления контента. Инструменты на основе ИИ предлагают новые мощные возможности в различных сферах – от рекламы и журналистики до внутренних корпоративных коммуникаций, но одновременно порождают комплекс серьезных вызовов и рисков, требующих осознанного управления.
Ключевые возможности и преимущества
Инструменты ИИ в медиакоммуникациях включают технологии, которые анализируют, обрабатывают и интерпретируют большие объёмы данных, а также применяются на разных этапах создания контента. К ним можно отнести:

• генеративные текстовые модели (GPT американской компании OpenAI, российские Яндекс YaLM, Сбер GigaChat и аналоги) – автоматическое создание новостей, статей, отчётов;
• синтез изображений (модель с открытым исходным кодом Stable Diffusion немецкой компании Stability AI, DALL-E американской компании OpenAI, российские Kandinsky 3.1, «НейроХолст» и др.) – создание иллюстраций, фотореалистичных визуализаций;
• AI-видеогенерация (американские продукты Sora, Pika, китайская Pixverse, российские Kandinsky Video 1.1, «Шедеврум» и др.) – автоматический монтаж, создание синтетических видеоматериалов;
• голосовые клоны (американской компании Voispark, Lalal AI немецкой компанииOmniSale GMBH, российские разработки Silero AI, SteosVoice и др.) – озвучивание контента, аудиоподкасты;
• рекомендательные системы (российская платформа KION, шведский стриминговый сервис Spotify, мобильное приложение AI Book Recommendations Booker для IPhone и др.) – персонализированная доставка контента.

Эти инструменты открывают перед специалистами по медиакоммуникациям ряд уникальных преимуществ, кардинально повышающих эффективность и творческий потенциал:

• Повышение операционной эффективности: ИИ автоматизирует рутинные и трудоемкие задачи, такие как транскрибация интервью (преобразование устной речи в письменную), написание пресс-релизов и базовых новостных заметок, подбор контента для социальных сетей и первоначальный монтаж видео. Это позволяет профессионалам сосредоточиться на более сложной и творческой работе – стратегическом планировании, расследовательской журналистике и глубоком анализе.

Так, например, американская интернет-платформа Sonix позволяет автоматически расшифровывать, переводить и помогает упорядочивать аудио- и видеофайлы на более чем 40 языках. Браузерный редактор Sonix позволяет искать, воспроизводить, редактировать, систематизировать и публиковать расшифровки с любого устройства. Sonix легко интегрируется с такими инструментами, как Zoom, Dropbox и другими крупными платформами, обеспечивая бесперебойность рабочего процесса в медиа и коммуникационной сфере.
В российском приложении ВКонтакте есть функция автоматической расшифровки голосовых сообщений. Это удобно для быстрой записи своих мыслей, особенно если вы не хотите их печатать.

• Глубокая персонализация контента: Алгоритмы ИИ способны анализировать огромные массивы данных о поведении и предпочтениях аудитории. Это позволяет гибко адаптировать контент и форматы под интересы конкретных пользователей или сегментов аудитории, создавая персонализированные ленты новостей и целевые рассылки, что значительно повышает вовлеченность.

Так, например, глобальная стриминговая онлайн-платформа Netflix использует собственную систему рекомендаций, основанную на ИИ, которая анализирует: историю просмотров каждого пользователя; время просмотра эпизодов; паузы и отмены просмотра; оценки контента; жанровые предпочтения. Благодаря этому подходу компания смогла повысить удержание подписчиков на 20%, сэкономить около $1 млрд в год на удержании клиентов и создать уникальные обложки для разных пользователей, повышая вероятность просмотра на 2%.
Российский Яндекс.Дзен также успешно применяет ИИ-алгоритмы для персонализации контента: анализирует поведение более 80 млн пользователей ежемесячно; учитывает тысячи параметров взаимодействия с контентом; формирует уникальные ленты для каждого пользователя, адаптирует рекомендации в реальном времени.

• Упреждающее управление репутацией и кризисными ситуациями: Современные системы на основе когнитивного ИИ могут обрабатывать данные в реальном времени, моделировать кризисные сценарии и предсказывать потенциальные риски для репутации бренда. Это позволяет коммуникационным командам не реагировать на кризис, а действовать на опережение, заранее подготавливая и тестируя ключевые сообщения.

Так, британская компания Brandwatch, предоставляющая комплексное программное обеспечение для анализа и управления социальными медиа, используя ИИ для мониторинга репутации, отслеживает более 1 млрд источников данных, проводит sentiment-анализ[1] в реальном времени, выявляет тренды обсуждения бренда и формирует прогнозы рисков. Её достигнутые показатели включают, в частности: точность прогнозирования кризисных ситуаций – 85%; скорость обработки данных – менее 2 секунд; охват социальных медиа – 95% популярных платформ.
Российский Сбербанк разработал инструмент ESGify – открытую NLP-модель для оценки ESG-рисков компаний (Environmental, Social, Governance – «окружающая среда, общество, управление»). Система анализирует текстовые данные из открытых источников, классифицируя их по 47 экологическим, социальным и управленческим темам. Модель обучена на датасете из 2500 уникальных текстов и способна определять соответствие контрагентов заявленным ESG-требованиям. ESGify помогает компаниям прогнозировать репутационные риски, связанные с нарушением экологических стандартов, социальными конфликтами или корпоративным управлением. Например, система может выявить скрытые риски в цепочках поставок или потенциальные скандалы, связанные с нарушением трудовых прав, до того, как они получат публичное освещение.
Brand Analytics и «Медиалогия» – российские платформы для мониторинга репутации, использующие ИИ. Они анализируют упоминания бренда в социальных сетях, СМИ и на форумах, выявляя негативные тенденции и прогнозируя кризисные сценарии. Например, «Медиалогия» с помощью «Сюжетов ИИ» проанализировала упоминания автомобильного бренда TANK, выявив популярные тематики и тональность обсуждений. Это помогло компании оперативно реагировать на критику и укреплять репутацию на новом рынке.

• Анализ настроений и обратная связь: ИИ-инструменты могут анонимизировать и анализировать внутренние коммуникации (например, в корпоративных чатах и электронной почте), чтобы точно оценивать настроения в коллективе. Это дает руководству ценные данные для формирования внутренней культуры и оперативного реагирования на возникающие проблемы.

Так, компания-разработчик – Culture Amp Pty Ltd (Австралия) разработала платформу Culture Amp для управления опытом сотрудников, которая помогает организациям собирать, анализировать и действовать на отзывы сотрудников. Она помогает компаниям анализировать тональность общения сотрудников, выявлять потенциальные конфликты, оценивать уровень вовлеченности персонала и отслеживать удовлетворенность работой. Результатом внедрения в организациях-партнерах компании явилось, в том числе: повышение точности оценки настроений сотрудников до 75%; сокращение времени на анализ обратной связи на 60%; снижение текучести кадров до 25%; повышение эффективности HR-решений в среднем на 40%.
Российский корпоративный мессенджер YuChat, использующий ИИ, предлагает широкий спектр возможностей, улучшающих коммуникации внутри компании. Это полностью отечественная разработка (компания Унисон Текнолоджис, г. Санкт-Петербург), которая заменяет такие зарубежные решения, как MS Teams, Zoom, Slack и Skype4Business, позволяя следовать программе импортозамещения.
YuChat – это первый российский продукт для коммуникаций, где реализована возможность поиска не только по файлам и чатам, но и по голосовым сообщениям и даже звонкам. В результатах отображается конкретный момент разговора, в котором обсуждался предмет поиска, с аудио и текстовой расшифровкой. Это особенно полезно для команд, работающих над проектами, где важно фиксировать и отслеживать все этапы обсуждений, тем самым ускоряя и процесс принятия решений и повышая его качество.

• Трансформация бизнес-моделей: Интеграция ИИ открывает путь к созданию новых бизнес-моделей, таких как использование автономных AI-агентов для взаимодействия с аудиторией, выполнения задач по анализу данных и управления клиентским сервисом, что переопределяет стандарты эффективности.

Так, американская компания Google предлагает экосистему AI-агентов, ориентированную на автоматизацию сложных задач и поддержку рабочих процессов.
Некоторые виды AI-агентов, доступные в Google Cloud:
Gemini Code Assist – AI-помощник для разработки, интегрированный в программное обеспечение, которое объединяет различные инструменты для создания, тестирования и отладки программного кода в одном пользовательском интерфейсе (Integrated Development Environment, IDE), интерфейс командной строки (Command Line Interface, CLI) и сервис онлайн-хостинга репозиториев GitHub. Автоматизирует написание кода, создание тестов, ревью PR-ов (процесс обсуждения изменений кода после совместного создания коммита и перед окончательным слиянием) и рефакторинг (систематический процесс улучшения внутренней структуры программного кода без изменения его внешнего поведения).
Gemini Cloud Assist – ИИ-эксперт для среды Google Cloud, предоставляет контекстно-зависимую помощь в управлении инфраструктурой и эксплуатацией приложений.
Data Engineering Agent в BigQuery специализируется на подготовке данных: очистке, трансформации и подготовке к использованию в ИИ-моделях.
Российский «Сбербанк» внедрил AI-агентов в работу контактных центров, где они отвечают на вопросы пользователей, самостоятельно обращаясь к нужным сервисам и корпоративным базам данных, предоставляют персональные рекомендации, включая эмоциональную составляющую часть. Голосовые и текстовые боты помогают решать около 70% вопросов клиентов, что значительно ускоряет обработку запросов и повышает качество обслуживания.
Ещё один пример – Nurax.ai, российский разработчик автономного ИИ-агента, который способен обрабатывать сложные многоэтапные запросы, требующие анализа различных источников данных и принятия промежуточных решений без участия человека. Система эффективна в задачах, требующих креативного подхода и адаптации к нестандартным ситуациям. Возможность создания персонализированных агентов позволяет компаниям настраивать решение под специфические потребности бизнеса, что повышает эффективность автоматизации и снижает затраты на внедрение.
Основные риски и проблемы
Наряду с возможностями, широкое внедрение ИИ в медиакоммуникации сопряжено со значительными рисками, которые необходимо учитывать и минимизировать.

• Потеря аутентичности и «усталость от ИИ»: Контент, созданный ИИ, часто оказывается стандартизированным, шаблонным и лишенным человеческого тепла, глубины и оригинальности. Аудитория все чаще распознаёт и отвергает такой контент, что приводит к так называемой «усталости от ИИ-контента» (AI content exhaustion). Это подрывает доверие к брендам и медиа, заставляя пользователей вновь обращаться к более аутентичным форматам, таким как интервью, подкасты и традиционные СМИ.
• Этические нарушения и распространение дезинформации: Легкость создания реалистичного синтетического медиа (глубоких подделок, или deepfakes) с помощью ИИ резко обостряет проблемы с распространением дезинформации, фейковых новостей и манипуляций общественным мнением. Это представляет прямую угрозу общественной безопасности и доверию к институтам.
• Киберриски и уязвимости систем: Инструменты ИИ не только защищают, но и создают новые векторы для атак. Злоумышленники используют генеративный ИИ для проведения высококачественных фишинговых кампаний, создания убедительных фальшивых профилей и писем, которые практически неотличимы от настоящих. Кроме того, сами ИИ-системы уязвимы для новых видов кибератак, таких как «инъекция промптов» (prompt injection) и «состязательные атаки» (adversarial attacks), нацеленные на искажение работы алгоритмов.
• Правовые и регуляторные сложности: Глобальное медиапространство сталкивается с фрагментацией законодательства в сфере ИИ. Компаниям, работающим на международной арене, приходится одновременно соблюдать десятки различных, а иногда и противоречащих друг другу нормативных актов, таких как закон об искусственном интеллекте в ЕС (EU AI Act) в ЕС, закон о безопасности в интернете (UK Online Safety Act) в Великобритании и другие местные законы. Несоблюдение грозит серьезными штрафами и репутационным ущербом.
• Проблема «черного ящика» и алгоритмической предвзятости: Многие сложные модели ИИ работают по принципу «черного ящика» – их решения трудно или невозможно объяснить и проверить. Это может приводить к незаметному воспроизведению и усилению алгоритмической предвзятости (algorithmic bias), унаследованной от данных для обучения, что выливается в дискриминацию по полу, расе или возрасту, например, в системах подбора кадров.

Ключевые вызовы для интеграции и управления
Для успешной и ответственной интеграции ИИ организациям в сфере медиакоммуникаций предстоит решить несколько фундаментальных стратегических вызовов.

• Сохранение человеческого контроля и творческого начала: Главный вызов – найти оптимальный баланс между эффективностью ИИ и человеческим творчеством, критическим мышлением и эмоциональным интеллектом. Будущее медиакоммуникаций лежит не в замене людей, а в эффективной коллаборации человека и машины, где искусственный интеллект берет на себя рутину, а человек – стратегию, креатив и финальное принятие решений.
• Обеспечение прозрачности и доверия: В условиях растущего скепсиса аудитории критически важным становится внедрение принципов объяснимого ИИ (Explainable AI, XAI) и четкое маркирование контента, созданного с привлечением искусственного интеллекта. Регуляторы все чаще требуют обеспечения «прослеживаемости» данных и алгоритмов (data lineage and provenance).
• Адаптация к быстрым изменениям и развитие компетенций: Скорость развития технологий ИИ требует от организаций постоянной гибкости и готовности к переобучению. Необходимо инвестировать в обучение сотрудников, чтобы они могли эффективно работать с новыми инструментами и понимать связанные с ними риски.
• Создание надежных систем управления данными (AI Governance): Для минимизации рисков, связанных с конфиденциальностью и безопасностью данных, компаниям необходимо выстраивать внутренние системы управления ИИ (AI Governance). Это включает в себя создание этических комитетов, проведение аудитов алгоритмов, внедрение стандартов (таких как, система управления рисками ИИ NIST (NIST AI Risk Management Framework, AI RMF) или ISO/IEC 42001*) и четкое разграничение прав доступа к корпоративным данным для AI-систем.

*В конце 2023 года был принят первый международный стандарт управления ИИ – ISO 42001. Уже к середине 2025 года по нему сертифицированы Amazon Bedrock, Textract, Anthropic, Microsoft Copilot и ряд других решений крупных игроков.
Россия также не отстаёт от мирового опыта: в июне 2025 года YandexGPT успешно прошла сертификацию ISO 42001. В область сертификации вошли все ключевые процессы разработки модели и её предоставления через сервис Yandex Cloud AI Studio. Для пользователей это означает, что у сервиса есть понятные механизмы обеспечения безопасности, конфиденциальности и этичного применения ИИ – и всё это проверено независимым аудитом.

• Экономическая устойчивость: Текущие бизнес-модели многих провайдеров мощных ИИ-систем могут оказаться экономически неустойчивыми в долгосрочной перспективе из-за гигантских затрат на электроэнергию и вычислительные ресурсы. Медиакомпаниям необходимо учитывать этот фактор при выборе технологических партнеров и построении собственных ИИ-стратегий.

Таким образом, инструменты искусственного интеллекта стали неотъемлемой частью современного ландшафта медиакоммуникаций, предлагая беспрецедентные возможности для оптимизации процессов, персонализации контента и принятия стратегических решений. Однако их внедрение сопряжено со значительными рисками – от потери аутентичности и этических конфликтов до кибератак и правовой неопределенности.
Успех в новой медийной реальности будет определяться не скоростью внедрения самых современных алгоритмов, а способностью организаций к построению сбалансированной, ответственной и человеко-ориентированной стратегии. Ключом к будущему является не слепая гонка за технологиями, а осознанное и этичное их использование для усиления человеческого потенциала и укрепления доверия с аудиторией.
[1] Sentiment-анализ (sentiment analysis) – это технология, которая автоматически извлекает субъективные мнения из текста в режиме реального времени. Цель – определить эмоциональную тональность текста: положительную, отрицательную или нейтральную.

Интернет вещей (IoT) развивается быстрыми темпами, объединяя устройства, датчики и машины для создания «умной» среды. В 2026 году и последующие годы IoT станет неотъемлемой частью бизнеса, домов, производств и городов. Устройства будут обмениваться данными в режиме реального времени, помогая компаниям повышать эффективность и сокращать расходы.
Главные тенденции в сфере IoT в 2026 году

1. Искусственный интеллект и Интернет вещей (AIoT) сделают автоматизацию эффективнее.

В устройствах Интернета вещей искусственный интеллект будет применяться для быстрого принятия решений без участия человека. Это позволит компаниям:

• автоматизировать операции и сократить количество ошибок;
• прогнозировать сбои до того, как они произойдут, что сэкономит время и средства на техническое обслуживание, работать более слаженно, с меньшим количеством поломок;
• автоматически проверять качество продукции с помощью датчиков и интеллектуальных камер, что сократит объём ручной проверки и повышает точность производства;
• контролировать процессы в цепочке поставок, что сделает их более быстрыми и надёжными.

1. Умные дома, станут более интеллектуальными.

Усовершенствованные голосовые помощники IoT помогут пользователям мгновенно управлять освещением, бытовой техникой и системами безопасности. Голосовое управление останется одним из основных трендов IoT в 2026 году.
Интеллектуальные счётчики и устройства Интернета вещей будут отслеживать потребление электроэнергии в доме и автоматически корректировать настройки. Это позволит сократить расходы на электроэнергию и уменьшить количество отходов.
Инструменты безопасности на базе Интернета вещей, такие как умные замки, датчики и камеры, будут мгновенно отправлять оповещения. Это повышает уровень защиты домов. Повышенная безопасность станет одним из главных преимуществ домашней автоматизации.
Носимые устройства и датчики умного дома будут определять качество воздуха, режим сна и уровень температуры. Они будут уведомлять пользователей о рисках для здоровья и предлагать профилактические меры.
Умные бытовые приборы, такие как холодильники, стиральные машины и кондиционеры, будут работать в режиме самооптимизации. Они будут отслеживать использование, прогнозировать проблемы и снижать энергопотребление.

1. Интернет вещей в здравоохранении для удалённого мониторинга и интеллектуальной диагностики.

Медицинские устройства IoT будут отслеживать жизненно важные показатели, такие как частота сердечных сокращений, уровень кислорода и артериальное давление, в режиме реального времени. Врачи смогут мгновенно получать доступ к отчётам и назначать лечение. Это повысит эффективность телемедицины и систем удалённого обслуживания.
Фитнес-браслеты и другие носимые устройства для отслеживания состояния здоровья будут предоставлять расширенную аналитическую информацию на основе искусственного интеллекта. Пользователи смогут более точно отслеживать свою физическую активность, уровень стресса и хронические заболевания. Умные носимые устройства становятся важной частью современной системы здравоохранения.
Больницы будут использовать датчики на базе Интернета вещей для отслеживания работы оборудования и перемещений пациентов.
Инструменты IoT будут напоминать пациентам о необходимости вовремя принимать лекарства и следить за дозировкой, автоматизировать регистрацию пациентов, отслеживать освобождение койко-мест, производить оповещение о чрезвычайных ситуациях. Это сократит объём ручной работы и улучшит организацию процессов в больницах.
В целом автоматизация обеспечит более эффективное управление ресурсами и повысит качество обслуживания пациентов, и станет одним из главных трендов в сфере здравоохранения.
Угрозы в экосистеме Интернета вещей в 2026 году
По мере того как IoT все глубже проникает в дома, города, промышленные предприятия и системы здравоохранения, появляются новые и более изощренные киберугрозы, обусловленные развитием искусственного интеллекта, 5G и облачных вычислений. Это расширяет возможности проведения хакерами высокоавтоматизированных, скрытных и постоянных атак.

1. Автономное вредоносное ПО на основе искусственного интеллекта теперь способно сканировать среду Интернета вещей, выявлять уязвимости и выполнять атаки без участия человека.

Например:
– использование ботнета Mirai, который является разновидностью вредоносного ПО с искусственным интеллектом, в атаках DDoS, динамически подстраивающихся под защиту сети;
– применение вредоносного ПО, которое выборочно атакует периферийные устройства на основе профилирования ресурсов. Оно может быть направлено на заражение устройств, входящих в состав компьютерной системы. Такие программы могут маскироваться под системные процессы или файлы, чтобы скрыть своё присутствие и действия в заражённой системе.
К ним относятся:

• Rakshasa - вредоносное приложение, которое заменяет BIOS материнской платы, но способно также инфицировать прошивку других периферийных устройств, в том числе сетевой карты или CD-привода. Rakshasa был создан на базе программного обеспечения с открытым исходным кодом, модифицированного так, чтобы вирус не выдавал своего присутствия на системе во время процесса загрузки.
• вредоносные USB-устройства. Например, программируемая плата Teensy со стандартным USB-разъёмом, которая имитирует работу HID-устройства (например, клавиатуры). Такие устройства могут создавать новых пользователей в системе, запускать программы с бэкдорами и загружать в систему вредоносное ПО, копируя его с устройства или скачивая с сайта.

Согласно отчёту об угрозах за 2025 год от американской компании Symantec, занимающейся вопросами кибербезопасности, количество вредоносных атак с использованием искусственного интеллекта на сети Интернета вещей выросло на 54 % в годовом исчислении.

1. Внедрение 5G значительно расширило возможности подключения IoT-устройств, а также снизило барьеры задержки, которые когда-то ограничивали распространение атак.

Мобильная связь 5G обеспечивает масштабную связь между устройствами, предоставляя:
– риск горизонтального перемещения в скомпрометированных кластерах IoT;
– перехват данных в реальном времени и ретрансляционные атаки.
Согласно прогнозу шведской компании Ericsson в 2026 году количество IoT-устройств, подключённых к 5G, превысит 2,3 миллиарда, что усугубит проблему безопасности.
Децентрализованная архитектура 5G расширяет возможности для атак, выходящие за рамки традиционной защиты периметра.

1. Интеллектуальные голосовые помощники, такие как Amazon Alexa, Google Assistant и Bixby, всё чаще будут встраиваться в умные дома и промышленный интернет вещей.

Киберпреступники используют генерацию дипфейкового голоса для:
– обхода системы голосовой аутентификации;
– выполнения вредоносных команды с помощью атак с внедрением голоса.
Эксперимент в области кибербезопасности, проведённый в 2025 году, показал, что с помощью дипфейковых голосовых команд удалось в 78 % случаев обмануть умных помощников и заставить их выполнить несанкционированные действия.
Основные цели злоумышленников: умные дома, подключённые к сети транспортные средства и IoT в здравоохранении (например, системы мониторинга пациентов).

1. По мере того как платформы Интернета вещей всё больше переходят на облачное управление, преступники используют уязвимости в настройках, слабые API и небезопасные облачные хранилища, например:

– украденные ключи API для удалённого управления прошивкой устройства;
– уязвимости контейнеров в системах оркестрации «от периферии до облака».
По данным IBM X-Force (ведущее подразделение американской компании IBM в области кибербезопасности), 39% атак на IoT в 2025 году использовали облачную инфраструктуру в качестве отправной точки.
Основываясь на моделировании угроз в годовом исчислении, аналитики прогнозируют осуществление к середине 2026 года более 1,3 миллиона кибератак в день (рост на 58%), нацеленных на Интернет вещей, по сравнению с прошлыми годами, в 2025 году – 820,000 атак (рост на 46%), в 2024 году –560,000 кибератак.
При этом критически важная инфраструктура, промышленность, логистика и здравоохранение останутся главными мишенями для вредоносных программ, а автоматизация атак повысит скорость взлома.
Некоторые ключевые факторы, которые, по прогнозам экспертов, будут способствовать повышению хакерских атак в 2026 году:

• Цифровизация. Появление новых технологий, внедрение интернета вещей (IoT) и систем на базе ИИ создают новые уязвимости, которые сложно выявить на ранних этапах.
• Импортозамещение. Переход на отечественные IT-решения часто происходит в сжатые сроки, без должного внимания к анализу их защищённости. Незрелые системы легче атаковать, особенно при наличии уязвимостей нулевого дня или утечек исходного кода.
• Геополитическая обстановка. При снижении напряжённости активность хактивистов снизится, а основную угрозу будут представлять киберпреступники, ориентированные на вымогательство и кражу данных. В случае усугубления геополитической ситуации возрастёт число целевых атак на критическую инфраструктуру.
• Атаки на цепочки поставок. Через подрядчиков и поставщиков услуг злоумышленники могут проникать в крупные бизнес-системы, что в случае успешности кибератаки будет приводить к наиболее масштабным последствиям.
• Использование ИИ. Злоумышленники применяют ИИ-модели для таргетированного фишинга, разведки по открытым источникам, генерации вредоносного кода и масштабирования атак.

Обеспечение кибербезопасности Интернета вещей в 2026 году
Для обеспечения безопасности Интернета вещей теперь требуются облачные механизмы защиты, а не только усиление информационной безопасности на уровне устройств.
Каждое устройство IoT должно быть надёжно защищено от взлома или несанкционированного доступа. Компании должны использовать шифрование и защищённые прошивки. По мере расширения сетей Интернета вещей кибербезопасность становится приоритетом.
Передача данных в зашифрованном виде обеспечивает защиту информации, передаваемой между устройствами и облаком. Безопасные сети снижают риск кражи данных и кибератак. Это становится стандартной практикой обеспечения безопасности Интернета вещей.
Системы обнаружения угроз на основе искусственного интеллекта мгновенно выявляют необычное поведение. Они предотвращают атаки до того, как они нанесут ущерб. Интеллектуальные инструменты мониторинга делают сети Интернета вещей более безопасными.
Платформы IoT будут работать по принципу «никогда не доверяй, всегда проверяй». Каждое устройство и каждый пользователь должны пройти аутентификацию перед получением доступа. Это снижает риски для внутренней и внешней безопасности.
Регулярные обновления защищают устройства IoT от новых уязвимостей. Автоматическое обновление обеспечивает актуальность системы безопасности.
Меры по повышению уровня безопасности IoT в 2026 году:

1. Изменение учётных данных по умолчанию.

Большинство утечек данных в сфере Интернета вещей происходит из-за использования одних и тех же имён пользователей и паролей. Рекомендуется использовать надёжные и уникальные учётные данные, а по возможности применять многофакторную аутентификацию MFA (Multi-factor Authentication – это метод контроля доступа, при котором личность субъекта удостоверяется на основе нескольких независимых признаков).

1. Использование шифрования TLS (Transport Layer Security) и SSL (Secure Sockets Layer) – криптографические протоколы, обеспечивающие защищённую передачу данных между узлами в сети Интернет.

Рекомендуется все соединения между устройствами Интернета вещей, приложениями и серверами защитить с помощью TLS 1.3 или более поздней версии. Там, где это возможно, использовать MQTT (Message Queuing Telemetry Transport – лёгкий протокол обмена данными) через протоколы для обеспечения безопасности данных TLS (Transport Layer Security) и DTLS (Datagram Transport Layer Security).

1. Регулярные обновление прошивки и системы безопасности.

Многие устройства по умолчанию не обновляются автоматически. По возможности применять плановое обновление или использовать платформу управления Интернетом вещей для установки обновлений в масштабах всей организации.

1. Реализация сегментации сети.

Изолирование устройства Интернета вещей от основных корпоративных сетей. Использование виртуальных локальных сетей, брандмауэры и архитектуры нулевого доверия, чтобы ограничить горизонтальное перемещение во время атаки.

1. Периодический контроль поведения устройства.

Использование инструментов аналитики безопасности Интернета вещей для выявления аномалий, таких как неожиданные схемы взаимодействия или чрезмерное использование пропускной способности.
Для обеспечения безопасности IoT необходим комплексный подход, который включает не только технические решения, но и разработку нормативных и правовых рамок, повышение осведомлённости и обучение пользователей, а также сотрудничество между производителями устройств, разработчиками программного обеспечения и экспертами по безопасности.
Организации, которые уже сейчас инвестируют в шифрование, модель «Никому не доверяй» и защиту на уровне устройств, не только минимизируют риски, но и повышают устойчивость, доверие клиентов и соответствие нормативным требованиям.
С развитием IoT требования к безопасности будут только усиливаться. Это означает, что необходимо постоянно обновлять и совершенствовать методы защиты и внедрять новые технологии для обеспечения безопасности IoT-сетей.
По мере стремительного расширения экосистемы IoT, которая, по прогнозам, в 2026 году превысит 30 миллиардов подключенных устройств, в будущем глобальное внимание будет переключаться с использования реактивной защиты на проактивную, переходя от базовой защиты устройств (например, чипов) к фундаментальным криптографическим изменениям, особенно с появлением квантовых вычислений, угрожающих существующему шифрованию (например, RSA/ECC). Этот сдвиг предполагает внедрение постквантовой криптографии (PQC - Post-Quantum Cryptography), что требует перехода на квантово-устойчивые алгоритмы (например, на основе решетки) для защиты конфиденциальных данных от будущего квантового дешифрования, а также обновление прошивки IoT по беспроводной сети OTA (Over-the-Air) с использованием гибридных криптографических стеков (классических и постквантовых).
Легкие ресурсоэффективные библиотеки PQC станут стандартом для:
– устройств умного дома;
– промышленного интернета вещей;
– автомобильных встраиваемых систем.
Квантово-безопасный интернет вещей – это не просто тенденция будущего, а требование, которое будет действовать в 2026 году в таких отраслях, как оборонная промышленность, финансы и государственное управление.
По данным американской аналитической компании International Data Corporation, в 2026 году глобальные расходы на обеспечение безопасности Интернета вещей могут достигнуть более 12,4 миллиарда долларов, по сравнению с 8,6 миллиарда долларов в 2025 году.
Этот рост обусловлен следующим:
– внедрением периферийных вычислений и 5G на предприятиях;
– новыми глобальными правилами, обязывающими производителей устройств обеспечивать безопасность по умолчанию;
– расширенными страховыми льготами для защищенных сред IoT.
По статистике 62% предприятий планируют увеличить бюджет на обеспечение безопасности Интернета вещей в 2026 году.

В последние годы руководство Европейского союза (ЕС) приняло ряд мер по планомерному формированию целостного структурного механизма регулирования информационной безопасности, уделяя повышенное внимание совершенствованию систем кибербезопасности критической и цифровой инфраструктуры важных секторов экономики и социальной сферы, включая беспроводные сети пятого поколения (5G).
Целью этого процесса является обеспечение цифрового суверенитета ЕС.
Ещё до 2021 года нормативно-правовая база Евросоюза в сфере кибербезопасности включала в себя ряд таких законодательных актов как:

• Европейская директива о критической инфраструктуре 2008/114/ЕС от 8 декабря 2008 года (European Critical Infrastructure, ECI);
• Директива 2016/1148 от 6 июля 2016 года о мерах по обеспечению высокого общего уровня безопасности сетей и информационных систем на территории ЕС (Network and Information Security Directive, NIS);
• Закон ЕС о кибербезопасности от 7 июля 2019 года (EU Cybersecurity Act, Регламент ЕС 2019/881).

Одним из ключевых нормативных актов, в качестве первого общеевропейского закона о кибербезопасности, считалась «Директива NIS», требования которой обязаны были адаптировать в свои национальные законодательства все государства-члены ЕС.
NIS устанавливала набор общих обязательств по безопасности и отчетности для операторов (Operators Essential Services, OES) и поставщиков (Digital Service Provider, DSP) цифровых услуг в таких секторах, как энергетика, транспорт, здравоохранение, банковское дело, финансы и онлайн-платформы. Документ регламентировал механизм сотрудничества между государствами-членами ЕС для обмена информацией и передовым опытом в отношении инцидентов и рисков кибербезопасности. Несмотря на то, что NIS расширила возможности по обеспечению безопасности государств-членов, её интеграция в национальные законодательные акты оказалась непоследовательной и сложной, что привело к фрагментации на разных уровнях внутреннего рынка. У каждой страны ЕС были свои индивидуальные подходы к классификации критической инфраструктуры и регулируемых поставщиков, на которых распространялась действие Директивы. Кроме того, отсутствовала единая методика скоординированных действий государств-членов при возникновении кризисных ситуаций.
Различия в подходах к регулированию безопасности в киберпространстве могли оказать прямое влияние не только на кибербезопасность, но и на развитие цифровизации в странах ЕС, а также на конкурентоспособность национальных компаний на мировых рынках. Поэтому возникла необходимость гармонизации регулирования кибербезопасности, как на уровне самого ЕС, так и в отдельных его странах. Помимо этого, на решение руководства ЕС пересмотреть традиционные подходы к обеспечению информационной безопасности повлиял ряд факторов – от сложной геополитической обстановки в мире и региональных кризисов до ежегодного экспоненциального роста кибератак.
С принятием в конце 2020 года «Стратегии кибербезопасности», рассчитанной на 10 лет, Евросоюз приступил к модернизации существующей правовой базы с целью повышения защиты критически важной инфраструктуры, скоординированного управления для раннего обнаружения угроз информационной безопасности и своевременного противодействия им.
В результате проведенной реформы на европейском рынке стремительно формируется новый нормативно-правовой ландшафт, который одновременно ужесточает ответственность для бизнеса и предоставляет возможности использования новых сервисов и компетенций в сфере кибербезопасности.
Так, 16 января 2023 года вступили в силу два нормативных акта: «Директива 2022/2555 о мерах по обеспечению высокого общего уровня кибербезопасности на территории ЕС» (Network and Information Security Directive, NIS2) и «Директива 2022/2557 об устойчивости критически важных объектов» (Critical Entities Resilience Directive, CER), которые создали условия для комплексного решения вопросов кибербезопасности.
NIS2 заменила предшествующий вариант – NIS. Обновленная Директива устранила недостатки и ограничения предыдущего нормативного документа, такие как отсутствие согласованности, последовательности и правоприменительной практики во всех государствах-членах; недостаточный охват секторов и организаций, имеющих решающее значение для экономики и общества; низкий уровень возможностей и готовности стран ЕС в области кибербезопасности; а также недостаточный обмен информацией и сотрудничество. Требования нового нормативного акта затронули не только крупные компании и госструктуры, но и тысячи операторов критической инфраструктуры и сопутствующих услуг, а также производителей программно-аппаратных решений. NIS2 определила широкий набор правил путем введения строгих требований к безопасности и отчетности для предпринимателей, а также строгих мер надзора, применяемых национальными регулирующими органами, обеспечивая тем самым более высокий уровень кибербезопасности и возможность эффективного реагирования на инциденты.
Основными пунктами документа являются:
· Расширение количества секторов, на которые распространяются требования по кибербезопасности, исходя из их важности для экономики и общества, включая компании и поставщиков. Число секторов расширено с семи до 15. В перечень включены дополнительные сектора, такие как почтовые и курьерские услуги, управление отходами, производство и распределение продуктов питания, а также цифровые провайдеры (облачные сервисы, дата-центры, социальные сети).
· Разделение всех организаций на две категории: «существенные» (essential entities) – крупные и крайне значимые операторы с критической инфраструктурой (энергетика, транспорт, здравоохранение); и «важные» (important entities) – организации среднего звена или из менее критичных, но всё же значимых секторов (курьерские службы, дата-центры, производители продовольствия).
· Усиление требований по кибербезопасности для организаций и предприятий, затронутых секторов, которые включают в себя реализацию технических, эксплуатационных и организационных мер для управления рисками, связанными с безопасностью сетей и информационных систем, а также для предотвращения или минимизации последствий киберинцидентов. Меры охватывают такие области, как обработка инцидентов, непрерывность бизнеса, использование шифрования, безопасная аутентификация и обучение пользователей. Предпринимаемые действия затрагивают облачные сервисы, дата-центры, сети доставки контента (Content Delivery Networks, CDN), поставщиков управляемых сервисов (Managed Service Providers, MSP) и управляемых сервисов кибербезопасности (Managed Security Service Providers, MSSP), а также крупные онлайн-платформы и социальные сети. Все технические и методологические требования прописаны в регламенте (Implementing Regulation 2024/2690), вступившем в силу в 2025 году.
· Уведомление соответствующих национальных органов о любых инцидентах, оказывающих существенное влияние на предоставление услуг и нарушение цепочек поставок, в течение 24 часов с последующим предоставлением промежуточного отчёта в течение 72 часов (или по запросу компетентных органов), а также окончательного отчёта (не позднее, чем через месяц после уведомления о происшествии). Окончательный отчёт должен содержать подробное описание инцидента, включая вероятную причину произошедшего, принятые меры по смягчению последствий и любые трансграничные последствия. Ключевые поставщики цифровых услуг, такие как поисковые системы, службы облачных вычислений и онлайн-рынки, также должны соблюдать требования безопасности и уведомления в соответствии с Директивой.
· Предоставление возможности властям государств-членов ЕС налагать на организации и предприятия штрафы за несоблюдение требований Директивы, а также привлекать к ответственности их органы управления. Максимальный штраф составляет не менее 10 млн евро или 2% мирового годового оборота для «существенных» субъектов и семь млн евро или 1,4% – для «важных».
· Расширение обмена информацией на уровне ЕС, создание группы для поддержки стратегического сотрудничества и координации политики между государствами-членами. Создание сети национальных групп реагирования на инциденты в области компьютерной безопасности (Computer Security Incident Response Team, CSIRT) для содействия оперативному сотрудничеству и обмену информацией, а также общеевропейской системы антикризисного управления для устранения крупномасштабных трансграничных инцидентов и платформы обмена информацией, обеспечивающей безопасный и своевременный обмен информацией между государствами-членами ЕС.
Также особое внимание в документе уделяется укреплению безопасности цепочек поставок.
Таким образом, в ближайшее время компании и организации, осуществляющие свою деятельность на территории Европейского союза, столкнутся с резким ростом затрат на безопасность, увеличением количества и частоты аудиторских проверок и строгими требованиями к срокам информирования об инцидентах. При этом национальные регулирующие органы получат реальные инструменты контроля, а рынок услуг кибербезопасности и консалтинга вырастет. В долгосрочной перспективе NIS2 должна унифицировать европейский подход к кибербезопасности, повысив требования для малого бизнеса и обязав глобальных поставщиков адаптироваться к стандартам ЕС, что усилит международное влияние европейских норм. Так, в июне 2025 года Агентство ЕС по кибербезопасности (European Union Agency for Cybersecurity, ENISA) опубликовало руководство для практической реализации (NIS2 Technical Guidance), используя которое организации смогут принять меры по соответствию требованиям Директивы.
Следующая принятая «Директива 2022/2557 об устойчивости критически важных объектов» (Critical Entities Resilience Directive, CER) отменила действие «Европейской директивы о критической инфраструктуре 2008/114/ЕС» и ввела новые, более строгие правила кибер- и физической устойчивости объектов критически важной инфраструктуры и сетей к целому ряду угроз, включая стихийные бедствия, террористические атаки, внутренние угрозы или диверсии.
Правила касаются 11 секторов: государственное управление, энергетика, транспорт, банковское дело, финансовый рынок, цифровая и космическая инфраструктура, здравоохранение, система снабжения питьевой водой и канализация, пищевая отрасль.
В соответствии с CER, государствам-членам ЕС необходимо было разработать и принять национальные стратегии по повышению уровня защищенности критически важных организаций, проводить регулярную оценку рисков (не реже одного раза в четыре года) с целью выявления объектов, которые будут расцениваться как критически важные или жизненно важные для общества и экономики. Кроме этого, организации обязаны выявлять риски, которые могут существенно нарушить предоставление основных услуг, принимать соответствующие меры для предотвращения или минимизации последствий инцидентов с последующим уведомлением о них компетентных органов.
Все государства-члены ЕС должны были адаптировать свои национальные законодательства в соответствии с требованиями Директив NIS2 и CER до 17 октября 2024 года.
Ещё одной ключевой законодательной инициативой ЕС стал «Закон о киберустойчивости» (Cyber Resilience Act, CRA), который официально вступил в силу 11 декабря 2024 года.
CRA дополняет NIS2 в части, касающейся обеспечения кибербезопасности производимой и реализуемой на территории ЕС цифровой продукции.
Закон создает комплексную структуру обязательных требований кибербезопасности для аппаратных и программных продуктов с цифровыми элементами, гарантируя их безопасность по всей цепочке поставок и на протяжении всего их жизненного цикла. Это позволит потребителям учитывать уровень кибербезопасности продукта при его выборе и эксплуатации.
CRA охватывает широкий спектр устройств, которые выводятся на рынок и предназначены для европейских потребителей, независимо от места их производства, включая устройства Интернета вещей (Internet of Things, IoT), портативные компьютеры и смартфоны, а также компоненты, предназначенные для интеграции в эти продукты.
Исключения коснутся только определенных категорий, в отношении которых уже действуют строгие требования кибербезопасности, это медицинское оборудование, системы безопасности транспортных средств, гражданской авиации, оборудование для обеспечения национальной безопасности и военного сектора. Аналогичные исключения также относятся к облачным сервисам, таким как «программное обеспечение как услуга» (Software as a Service, SaaS) и к бесплатному программному обеспечению с открытым исходным кодом (Free and open-source software, FOSS), которые были разработаны или поставлялись вне коммерческой деятельности.
Закон обязывает производителя проводить регулярные тесты своей продукции на наличие уязвимостей, а в случае их выявления предоставлять информацию в компетентные органы, такие как национальные группы реагирования на инциденты компьютерной безопасности CSIRT. Обязательному уведомлению подлежат и пользователи продукта. Им должны быть рекомендованы доступные меры по минимизации воздействия уязвимостей или полному их устранению.
Также законом предусматривается создание единой централизованной платформы сбора данных по отчетности, упрощающей процесс обмена информацией об инцидентах между CSIRT государств-членов ЕС.
Помимо производителей, соответствующие требования будут предъявляться уполномоченным представителям импортеров и дистрибьюторов в случаях выпуска на рынок продукции под своим брендом или торговой маркой, а также при существенной модификации самого продукта. При этом обязательства для производителей, импортеров и дистрибьюторов начнут действовать с 11 декабря 2027 года, что предоставляет участникам рынка трёхлетний переходный период.
Кроме этого, в «Законе о киберустойчивости» предлагается схема классификации, которая делит продукты на «некритические» и «критически важные», в зависимости от предполагаемого уровня риска.
В категорию «некритических» входит примерно 90% продуктов с цифровыми элементами, включая жесткие диски, «умные» домашние помощники и подключенные игровые устройства. Производители, подпадающие в эту категорию, обязаны проводить самостоятельное тестирование продукции на соответствие требованиям безопасности CRA.
Категория «критически важных» продуктов подразделяется на два класса:
· К первому классу относятся: браузеры, менеджеры паролей, антивирусные программы, межсетевые экраны, виртуальные частные сети (VPN), средства управления сетью, системы, физические сетевые интерфейсы, маршрутизаторы и микросхемы, используемые для оборудования, подпадающего под действие Директивы NIS2. В эту же категорию входят все операционные системы, микропроцессоры и промышленные устройства IoT, не относящиеся ко второму классу.
· Второй класс включает продукты повышенного риска, такие как настольные и мобильные устройства, виртуализированные операционные системы, эмитенты цифровых сертификатов, микропроцессоры общего назначения, устройства считывания карт, роботизированные датчики, интеллектуальные счетчики и устройства IoT, маршрутизаторы и межсетевые экраны, предназначенные для промышленного применения.
Для продуктов первого класса производители обязаны получить сертификат кибербезопасности в соответствии с европейской системой сертификации кибербезопасности и законом ЕС о кибербезопасности (EU Cybersecurity Act).
Оценку продуктов второго класса будут проводить независимые органы по оценке соответствия (Conformity Assessment Bodies, CAB).

Ожидается, что 2026 год будет характеризоваться беспрецедентным пересечением ключевых технологических сил: вычислительных систем нового поколения, гиперавтоматизации и сферы глобальной кибербезопасности. Технологическая конвергенция и рост числа автономных систем изменят представление о глобальной устойчивости.
Искусственный интеллект (ИИ) больше не является отдельной дисциплиной. Он стал связующим звеном между облачными технологиями, сетями и физическими системами. Квантовые исследования бросают вызов фундаментальной математике цифрового доверия, в то время как Web 4.0 превращает Интернет в постоянно расширяющуюся искусственно созданную среду, создающую эффект погружения в реальность.
Ключевые факторы, оказывающие влияние на развитие информационных технологий:

1. Переход к агентному ИИ.

В 2026 году будет происходить массовое внедрение агентного ИИ – автономных систем, способных рассуждать, планировать и действовать с минимальным участием человека. Переход от помощников, создающих контент, к ИИ-агентам, реализующим стратегию. Эти системы будут распределять бюджеты, контролировать производственные линии или перенаправлять логистические потоки, и всё это в режиме реального времени. Фабрики будут самостоятельно диагностировать неисправности и автоматически заказывать детали через сети, проверенные с помощью блокчейна. Маркетинг, финансы и безопасность будут полагаться на ИИ-агентов, которые постоянно обучаются на основе контекстных данных и действуют со скоростью машины.
Автономность без подотчётности может привести к проблемам. По мере того, как ИИ-агенты получают операционные полномочия в управлении возникают непредвиденные трудности. Вопрос состоит в том, кто проверяет их действия, анализирует логику или вмешивается, когда намерения расходятся с результатом? В таких обстоятельствах предприятиям необходимо применять рекомендации по управлению ИИ, соблюдать строгие правила и вести неизменяемые журналы аудита, в которых фиксируются все автономные решения.
Успех деятельности предприятия во многом зависит от механизмов контроля и защиты, которые ограничивают действия системы, обеспечивают соответствие политикам и требованиям. Без них автономная эффективность (производительность) превращается в неуправляемый риск.
Ожидается, что в текущем году конкуренция будет вестись между противниками и защитниками автономности. Компании-победители будут управлять ИИ с той же тщательностью, с какой они защищают данные, обеспечивая прозрачность, соблюдение этических норм и превентивных мер.
В подтверждение этому в докладе Всемирного экономического форума «Перспективы глобальный кибербезопасности на 2025 год» (World Economic Forum’s Global Cybersecurity Outlook 2025) «автономность ИИ без управления» названа одним из трёх основных системных рисков для киберустойчивости предприятий.

1. Концепция Web 4.0 (нейронет) – это идея о следующей прогнозируемой эволюции Интернета, которая предполагает создание более «умной», персонализированной цифровой среды, включающей иммерсивность (эффект погружения), интеграцию цифровых технологий и интеллектуальность. Эти аспекты меняют представление о взаимодействии людей с инфраструктурой, создавая среду, которая подстраивается под человека, а технологии перестают быть инструментом.

Несмотря на то, что полноценная реализация Web 4.0 только начинается, ожидается, что в 2026 году будут заложены её основы. Эта сеть следующего поколения объединит пространственные вычисления, цифровых двойников и искусственный интеллект на уровне операционной системы.
Целые города, промышленные предприятия и корпоративные кампусы будут функционировать на основе виртуальных моделей в режиме реального времени, что позволит инженерам моделировать техническое обслуживание, тестировать обновления безопасности или визуализировать сценарии рисков, не затрагивая физическую среду. Интерфейсы расширенной, дополненной и виртуальной реальности заменят информационные панели, позволяя сотрудникам просматривать данные, а не читать их.
Такая конвергенция обещает значительный прирост эффективности и безопасности, но создает сложные проблемы в области взаимодействия. Разрозненные системы и стандарты должны взаимодействовать без проблем, в противном случае видимость становится фрагментированной и уязвимой.
Web 4.0 требует применения унифицированных моделей безопасности, которые защищают как данные, так и иммерсивные интерфейсы (используют технологии дополненной или виртуальной реальности), от которых зависят сотрудники.
По мере того, как цифровой мир становится пространственным и постоянным, поверхность атаки распространяется на сам пользовательский опыт. Безопасность должна сопровождать пользователей на каждом этапе процесса погружения.
Ожидается, что в текущем году 40% крупных предприятий будут внедрять в пилотном режиме цифровых двойников или операции на основе технологии расширенной реальности.

1. Искусственный интеллект становится инструментом для принятия стратегических решений.

Искусственный интеллект постепенно меняет основы кибербезопасности. То, что изначально задумывалось как инструмент повышения операционной эффективности, теперь становится ключевым фактором, определяющим тактики и стратегии действий атакующих и обороняющихся сторон при подготовке и проведении кибератак (в сфере кибербезопасности), влияя на их планирование и адаптацию. Отрасль вступает в фазу, когда ИИ перестает быть вспомогательной функцией и становится неотъемлемым элементом процессов обнаружения, анализа и принятия решений.
Ожидается, что в 2026 году эта тенденция усилится. Киберпреступники уже используют искусственный интеллект для проведения более быстрых, масштабных и целенаправленных кампаний, и это будет всё больше подталкивать организации к разработке средств защиты, способных не отставать от них в скорости, с непрерывным обучением, контекстом в реальном времени и более автономной операционной поддержкой. Это отражает изменения в том, как команды по обеспечению безопасности расставляют приоритеты, оценивают риски и координируют ответные действия. Те же преимущества, которые расширяют возможности злоумышленников, укрепляют и команды по защите.
Искусственный интеллект становится неотъемлемой частью операций по обеспечению безопасности, расширяя потенциал человека, упрощая ручные рабочие процессы и сокращая среднее время восстановления (MTTR). Он помогает восполнить пробелы в навыках и обеспечивает обнаружение и предотвращение угроз в соответствии с темпами их развития.
Организациям целесообразно отдавать предпочтение решениям, которые не только обеспечивают безопасность ИИ, но и интегрируют его во всю платформу в рамках четкой и единой стратегии в области ИИ. Это гарантирует долгосрочную адаптивность и позволяет в полной мере использовать преимущества будущих разработок в области технологий ИИ.
Ускоренное внедрение ИИ превращает его из простого расширения существующих инструментов в часть операционной основы кибербезопасности. Это архитектурное изменение способствует унификации, автоматизации и управляемости аналитических инструментов и процессов принятия решений посредством четких механизмов контроля.

1. Доверие – это новый периметр: дипфейки и мошенничество в диалогах.

Генеративный ИИ размыл грань между подлинным и поддельным контентом. Клонированный голос может авторизовать перевод чего-либо; синтетическое видео, созданное ИИ в режиме реального времени, может запросить привилегированный доступ; а убедительное общение в чате с учётом корпоративных процессов может полностью обойти многофакторную аутентификацию.
Техническая достоверность больше не гарантирует подлинность человека. Любой интерфейс взаимодействия человек-машины становится потенциальной точкой компрометации. Компрометация корпоративной электронной почты перерастёт в мошенничество, основанное на доверии, осуществляемое с помощью дипфейков, адаптивного языка и эмоциональных триггеров.
Безопасность личных данных должна обеспечиваться не только проверкой учётных данных, но и поведенческой валидацией, обеспечением согласованности данных на устройствах, геолокацией и анализом моделей взаимодействия.
В текущем году грань между обманом и доверием станет размытой. Организациям потребуется внедрить строгие процедуры верификации личности, контекста и намерений на каждом этапе взаимодействия. Искусственный интеллект выступит как источник потенциальных угроз, так и как инструмент для их нейтрализации.
В отчете ENISA «Ландшафт угроз 2025» (ENISA Threat Landscape 2025) «синтетическая идентификация и социальная инженерия, генерируемая ИИ» включены в пятерку основных векторов риска для европейских предприятий.

1. Угрозы, присущие большим языковым моделям: быстрое внедрение подсказок и отравление данных.

По мере того, как компании внедряют генеративный ИИ во все сферы своей деятельности от обслуживания клиентов до поиска угроз, сами модели становятся уязвимыми для атак. В 2026 году злоумышленники будут использовать тактику внедрение подсказок, вставляя скрытые инструкции в текст, код или документы, которые манипулируют выводом системы ИИ, а также отравление данных, когда искаженные данные используются для предвзятого обучения или компрометации обучающих наборов. Эти атаки стирают границу между уязвимостью и дезинформацией, позволяя хакерам нарушать логику работы организации, не затрагивая ее инфраструктуру.
Поскольку многие LLM-модели работают через API сторонних производителей, один зараженный набор данных может распространяться на тысячи приложений. Традиционное методы исправления ошибок не обеспечивают защиты; целостность модели должна поддерживаться постоянно.
Руководители служб информационной безопасности должны относиться к моделям ИИ как к критически важным активам. Это означает, что необходимо обеспечивать безопасность на протяжении всего жизненного цикла, от проверки подлинности данных и управления обучением до проверки во время выполнения и фильтрации результатов. Непрерывная проверка моделей, нулевое доверие к потокам данных и чёткая подотчётность за поведение ИИ станут стандартной практикой.
Модели ИИ – это современные системы, которые не защищены от киберугроз. Каждый внешний источник данных становится потенциальной уязвимостью. Настоящая безопасность ИИ заключается не в создании более умных моделей, а в постоянном контроле и проверке их работы.
В обновленных принципах ОЭСР по ИИ 2024 (OECD AI Principles Update, 2024) содержится призыв к введению стандартов в области отслеживаемости и надёжности для противодействия рискам отравления данных и манипулирования моделями.

1. Проверка реальности ИИ.

После двух лет активного внедрения ИИ в текущем году произойдёт первая серьёзная переоценка. Многие организации, которые поспешили интегрировать инструменты генеративного ИИ, обнаружат, что у них есть неуправляемые системы, открытые интерфейсы прикладного программирования (Application Programming Interface, API) и «слепые зоны» в соблюдении нормативных требований. Теневой искусственный интеллект, инструменты, созданные сотрудниками на основе корпоративных данных, будут распространяться все шире, что приведёт к скрытым утечкам данных и нарушению стандартов безопасности.
Эта стадия неудовлетворенности необходима. Она приведёт к переходу от экспериментов к подотчётности. Руководители начнут требовать, чтобы ценность ИИ измерялась результатами, а не громкой рекламой. Во всех отраслях появятся системы обеспечения безопасности ИИ, требующие официального аудита на предмет справедливости, надёжности и безопасности, а также проверяемые стандарты прозрачности, справедливости и безопасности, которые станут частью основного корпоративного управления.
Руководство компаний будет вынуждено разработать чёткую политику использования ИИ и привести её в соответствие с правовыми, этическими нормами и принципами управления рисками. Ответственный подход к внедрению будет основываться на объяснимости и постоянной проверке, а не на бесконтрольной автоматизации. Соблюдение требований будет распространяться не только на конфиденциальность, но и на алгоритмическую подотчётность.
Первым прорывом ИИ стала скорость, а вторым – управление. Предполагается, что в 2026 году бенефициарами будут те, кто рассматривает ИИ не как кратчайший путь к цели, а как возможность, которую нужно защищать, проверять и улучшать.
Например, в концепции обеспечения безопасности ИИ правительства Великобритании (UK Government AI Assurance Framework) подчеркивается, что доверие к ИИ зависит от прозрачности, контроля и продуманной системы безопасности. Все это теперь является обязательным условием для бизнеса.

1. Расширение регулирования и подотчётности, киберустойчивость становится лицензией на ведение деятельности.

Регламентирующие органы по всему миру сокращают разрыв между инновациями и подотчётностью. В 2026 году регулирование перестанет быть реактивным. Такие нормативные акты, как Директива NIS2 ЕС, Закон об искусственном интеллекте и правила раскрытия информации о киберинцидентах Комиссии по ценным бумагам и биржам США сведутся к единому принципу: кибербезопасность должна быть ощутимой и очевидной в режиме реального времени. Теперь правительства будут требовать постоянных подтверждений устойчивости. Предполагается, что организации должны будут доказывать, что превентивные меры контроля, планы реагирования на инциденты и меры по защите данных применяются на регулярной основе.
Такое ускорение в сфере регулирования обусловлено веской причиной: растущая зависимость общества от цифровых сервисов, позволяющих поддерживать повседневную жизнь и экономику в рабочем состоянии без серьезных сбоев. Отказоустойчивость бизнеса стала основным фактором, повлиявшим на ужесточение требований.
Этот сдвиг положит конец эпохе «ежегодного соблюдения требований». Предприятия будут полагаться на автоматизированный мониторинг соответствия требованиям, машиночитаемые политики (право), аттестации в режиме реального времени и аналитику рисков на основе искусственного интеллекта. Советы директоров и генеральные директора будут нести личную ответственность за контроль.
Директорам по информационной безопасности необходимо будет объединить данные о рисках, соблюдении нормативных требований и операционную телеметрию в единую панель управления. Непрерывная проверка заменит постоянную сертификацию.
Директива Европейской комиссии NIS2 устанавливает обязательные стандарты управления рисками и отчетности об инцидентах для более чем 160 тыс организаций, подчеркивая, что киберустойчивость в настоящее время является юридическим обязательством.
В текущем году устойчивость к киберрискам станет одним из определяющих факторов успеха на всех уровнях. Способность постоянно демонстрировать защиту будет определять доступ к рынку и уровень доверия.

1. Квантовые компьютеры будут способны взломать современные алгоритмы шифрования.

Угроза взлома современных систем шифрования с помощью квантовых вычислений уже повлияла на поведение компаний. Правительства, облачные провайдеры и крупные предприятия стремятся обеспечить гибкость криптографии, переходя от уязвимых алгоритмов Ривеста – Шамира – Адлемана (Rivest–Shamir–Adleman, RSA) к криптографии на основе эллиптических кривых (Elliptic Curve Cryptography, ECC) и стандартам постквантовой криптографии (Post-Quantum Cryptography, PQC), пока злоумышленники не превратили их в оружие.
Опасность заключается в стратегии «собери данные сейчас, расшифруй потом» (Harvest-Now, Decrypt-Later, HNDL). Хакеры уже сегодня похищают зашифрованные данные, будучи уверенными, что в будущем квантовое дешифрование позволит их раскрыть. Интеллектуальная собственность, государственные секреты и медицинские данные могут быть скомпрометированы задним числом, как только квантовые системы достигнут своей зрелости.
В 2026 году подготовка перейдёт от теории к практической реализации. Руководство компаний возьмет на себя финансирование работ по составлению криптографических спецификаций материалов (Cryptographic Bills of Materials, CBOM) для каталогизации каждого алгоритма, сертификата и ключа в своих средах. Организации будут тестировать постквантовые алгоритмы, одобренные Национальным институтом стандартов и технологий (NIST), и требовать от поставщиков чётких сроков перехода на криптографические алгоритмы, устойчивые к квантовым атакам.
Готовность к квантовым вычислениям теперь является обязательным условием соответствия нормативным требованиям и обеспечения непрерывности работы. Задержка с переходом может привести к утечке хранящейся годами конфиденциальной информации, как только квантовые вычисления достигнут необходимого масштаба.
Квантовые риски связаны не с компьютерными системами завтрашнего дня, а с данными сегодняшнего. Каждая организация должна исходить из того, что её зашифрованные активы уже могут быть скомпрометированы, и готовиться к миру, в котором защита зависит от гибкости криптографических методов.
В 2025 году в рамках проекта по стандартизации постквантовой криптографии NIST завершил работу над четырьмя криптографическими алгоритмами: FIPS 203: CRYSTALS-Dilithium – цифровые подписи; FIPS 204: CRYSTALS-KYBER – шифрование с открытым ключом; FIPS 205: SPHINCS+ – подписи на основе хэшей; FIPS 206: ML-KEM – инкапсуляция ключей на основе модуля и решётки, что ознаменовало начало их глобального внедрения в финансовом, оборонном и государственном секторах. Кроме того, NIST опубликовал IR 8547 – руководство по миграции существующих систем на постквантовое шифрование, которое включает лучшие практики для внедрения на уровне правительства и предприятий.

1. Программы-вымогатели эволюционируют в операциях по сбору данных – вымогательство заменяет шифрование.

Программы-вымогатели продолжают адаптироваться к мерам защиты, находя все более изощренные способы обхода кибербезопасности от простого шифрования к более сложным методам психологического давления. В 2025 году наблюдался рост полиморфных атак, злоупотребления доверенными процессами и API-спуфинга, что усложняло их обнаружение. Теперь злоумышленники похищают конфиденциальные данные, оказывают давление на жертв через регулирующие органы, клиентов или прессу и стратегически грамотно используют утечки для достижения максимального эффекта.
Эти методы давления основаны на страхе, а не на дезорганизации. Юридическая ответственность, репутационный ущерб и контроль со стороны регулирующих органов часто обходятся дороже, чем выплата выкупа.
Реагирование организаций на инциденты должно сочетать в себе юридическую стратегию, коммуникации, быструю проверку скомпрометированных данных и меры по предотвращению утечки информации.
Злоумышленники больше не блокируют данные. Они используют репутацию в качестве оружия. Для обеспечения реальной устойчивости необходимо предотвращать раскрытие конфиденциальной информации, а не просто восстанавливать резервные копии.
В отчете IBM о стоимости утечки данных за 2025 год указано, что в 30% случаев причиной утечки данных было вымогательство, а средний ущерб составил 4,88 миллиона долларов США.

1. Увеличение рисков в цепочках поставок и Saas-сервисах.

Ни одно предприятие не работает в одиночку. Каждый поставщик, API и процессы интеграции создают новые риски. Злоумышленники используют эти зависимости, чтобы скомпрометировать тысячи организаций, превращая самого слабого продавца в точку входа для массового взлома.
Одновременно глобальные цепочки поставок трансформируются под влиянием автоматизации. Агентный ИИ обеспечит автономное управление рисками: самообучающиеся системы будут выявлять зависимости, отслеживать соблюдение требований третьими сторонами и прогнозировать сбои. Однако гиперсвязанность также повышает риски: скомпрометированные библиотеки кода, токены API и облачные учётные данные могут распространяться по экосистемам быстрее, чем удается отследить инциденты.
Компаниям необходимо обеспечить прозрачность для сторонних вендоров. Постоянный мониторинг, автоматическая оценка поставщиков и положения о безопасности в договорах заменят опросники оценки рисков.
В текущем году меры по предотвращению киберугроз должны охватывать всю цепочку создания стоимости, поскольку каждое надежное соединение также является поверхностью для атаки.
В отчете ENISA о кибербезопасности цепочки поставок указано, что в прошлом году 62% крупных организаций столкнулись как минимум с одним случаем компрометации данных.

1. Тансформация каналов первичного проникновения злоумышленников в инфраструктуру организации способствует росту числа случаев компрометации периферийных устройств и атак на идентификационные данные с использованием искусственного интеллекта.

Хакерские группировки, спонсируемые государством, по-прежнему будут отдавать предпочтение использованию уязвимостей периферийных устройств, таких как маршрутизаторы, камеры, системы Интернета вещей и брандмауэры (межсетевые экраны), используя эти скрытые точки, которые предназначены для защиты от проникновения в важные среды без срабатывания традиционных средств обнаружения.
Между тем, большинство участников киберпреступных группировок сосредоточатся на социальной инженерии с использованием искусственного интеллекта, применяя генеративные модели для создания убедительных сообщений, адаптивных шаблонов взаимодействия и убедительных цифровых образов в электронной почте, мессенджерах, голосовой связи и каналах поддержки.
Наиболее серьезные изменения произойдут в результате атак на идентификационные данные с использованием искусственного интеллекта, которые имитируют поведение человека, включая голос, стиль письма, историю взаимодействия, контекстные подсказки и цифровые шаблоны перемещения. Эти возможности разрушат существующие системы идентификации, верификации и KYC, которые зависят от статических сигналов и проверок в определенный момент времени. Когда система ИИ сможет генерировать согласованную, устойчивую и реактивную идентификационную личности, традиционные методы верификации станут неэффективными. Поэтому организациям необходимо перейти к непрерывной проверке подлинности личности на основе поведенческих сигналов, контекстной оценки и выявления аномалий в режиме реального времени.
Первоначальный доступ переходит от вредоносного ПО к манипуляциям. В текущем году злоумышленники будут нацеливаться не только на системы, но и на личные данные, поведение и слабые места в отношениях между людьми и технологиями. Для защиты от них требуется постоянная проверка, а не разовые тесты.

1. Внедрение подсказок (Prompt injection) становится основным вектором атак.

В 2026 году прямое и косвенное внедрение подсказок станет основным вектором атаки на системы искусственного интеллекта, чему способствует рост числа браузеров с ИИ поддержкой и быстрое внедрение сервисов агентного искусственного интеллекта. Злоумышленники все чаще внедряют вредоносные инструкции в обычный контент, документы, файлы, отчеты поставщиков, веб-сайты, рекламу и внешние потоки данных, превращая мощные инструменты ИИ в ресурсы для вредоносной деятельности.
Поскольку сервисы на основе агентного ИИ используют преимущественно внешнюю информацию для принятия автономных решений, злоумышленники могут встраивать скрытые команды в обычный контент, чтобы влиять на эти решения. Это позволяет перехватывать рабочие процессы, перенаправлять действия или принуждать ИИ-агентов к выполнению задач, для которых они не предназначены и не авторизованы. Рост числа кампаний по внедрению непрямых подсказок демонстрирует, насколько быстро этот метод переходит от теоретического обсуждения к практическому применению.
Внутренние агентские сервисы усиливают эту уязвимость. Эти системы постоянно считывают, интерпретируют и обрабатывают информацию из внешних источников. Если этой информацией манипулировать, логика ИИ-агента может быть нарушена, что приведет к несанкционированным действиям, раскрытию конфиденциальных данных или сбоям в критически важных бизнес-процессах. Недавние атаки на аналитические платформы на основе ИИ показывают, насколько легко ввести этих агентов в заблуждение и использовать их в качестве оружия. Так, в ноябре 2025 года компания Anthropic сообщала о кибершпионской кампании, в которой, предположительно, китайские хакеры использовали ИИ-модель Claude для автоматизации атак на десятки организаций по всему миру.
По мере развития ИИ-браузеров и внедрения на предприятиях агентного ИИ любая информация, обрабатываемая этими системами, становится уязвимой. Для обеспечения информационных каналов, поддерживающих работу ИИ-систем, организациям следует применять строгие методы фильтрации, проверки и установления ограничений.
В целом ожидается, что в 2026 году определяющим фактором станет слияние технологических гиперсвязей. ИИ-агенты автоматизируют принятие решений, Web 4.0 объединяет физическую и виртуальную среды, квантовые вычисления угрожают криптографической основе доверия. Эти технологии сталкиваются друг с другом, создавая среду, в которой инновации и нестабильность развиваются параллельно.
Устойчивость критически важной инфраструктуры: энергетических, телекоммуникационных и транспортных сетей всё больше зависит от цифровых двойников и прогностического ИИ. Правительства будут внедрять единые стандарты безопасности и инвестировать в общие платформы моделирования кризисных ситуаций.
Автономные цепочки поставок: контроль с помощью ИИ в режиме реального времени позволит наладить самовосстанавливающуюся логистику, а также создаст экосистемы с распределением рисков, требующие объединенных моделей безопасности.
Системная устойчивость: непрерывность должна быть обеспечена на каждом уровне операционной деятельности. Устойчивость становится естественным процессом, управляемым адаптивным интеллектом.
Интеграция искусственного интеллекта, квантовых и иммерсивных технологий требует новой философии кибербезопасности основу которой закладывают четыре основных принципа:

1. Профилактика – прогноз и блокирование атак до того, как они произойдут.
2. Безопасность на основе ИИ – ответственное использование интеллектуальных возможностей, чтобы опережать автономные угрозы.
3. Обеспечение безопасности сетевых соединений – защита каждого устройства, потока данных и облачных сервисов как единой системы.
4. Открытая платформа – объединение возможностей мониторинга, аналитики и контроля в масштабах всего предприятия.

Организации, которые примут эти принципы, перейдут от реагирования на угрозы к управлению ими. Именно баланс между самостоятельностью и подотчётностью будет определять цифровую устойчивость в будущем. Внедрение превентивных мер, обеспечение прозрачности и гибкости на всех уровнях организации позволит преодолеть «технологическое цунами» 2026 года и выйти из него более сильным.

Компьютерное зрение (Computer Vision, CV), также известное как Vision AI – это область искусственного интеллекта (ИИ), которая использует машинное обучение и нейронные сети для идентификации объектов, распознавания закономерностей и принятия решений на основе визуальных данных.
Ежедневно в мире генерируется более 2,5 квинтиллионов байт данных, и значительная часть из них – визуальная (изображения, видео, медицинские снимки, записи с камер видеонаблюдения и др.). Поэтому существует высокая потребность в обработке такого огромного массива информации. С этими задачами и призвана справляться технология Vision AI, которая помогает компаниям анализировать огромные потоки визуальных данных, упрощает автоматизацию процессов, где раньше требовалось участие человека и позволяет избежать ошибок в таких важных сферах, как здравоохранение и безопасность.
Компьютерное зрение стремительно формирует будущее технологий, поскольку различные отрасли промышленности ищут способы использования его уникальных возможностей. По данным американской исследовательской и консалтинговой компании Grand View Research объем мирового рынка технологий компьютерного зрения достиг 19,83 млрд долларов в 2024 году и, по прогнозам, будет расти на 19,8 % ежегодно в ближайшие годы (рис.1).
Рис. 1 – Объем мирового рынка технологии CV
Активное использование технологий компьютерного зрения отмечается в таких сферах, как:
Здравоохранение – применяется во многих областях от выявления ранних симптомов рака на снимках МРТ и заканчивая отслеживанием жизненно важных показателей пациентов с помощью камер. Диагностические решения на основе Vision AI помогают врачам добиваться большей точности и быстрее получать результаты.
Розничная торговля – система машинного зрения используется ритейлерами для создания «умных» полок, автоматических касс и анализа поведения покупателей. Камеры с поддержкой ИИ могут отслеживать предпочтения покупателей, планировать расположение товаров в магазине для максимальной эффективности и предотвращать кражи.
Автономные транспортные средства – в значительной степени полагаются на Vision AI для распознавания пешеходов, светофоров и дорожных покрытий. Благодаря миллиардным инвестициям американских компаний Tesla, Waymo и др. технология компьютерного зрения на основе искусственного интеллекта становится более надёжной для использования в реальных условиях вождения.
Сфера безопасности и видеонаблюдения – камеры видеонаблюдения с ИИ могут распознавать подозрительное поведение, находить лица в толпе и отслеживать нарушения правил дорожного движения в режиме реального времени, что делает города более безопасными и «умными».
Сельское хозяйство – система Vision AI используется фермерами для мониторинга посевов, выявления вредителей и прогнозирования урожайности. Дроны с системой машинного зрения сканируют поля и дают рекомендации по оптимизации производительности.
Промышленное производство – на производственных предприятиях технология Vision AI используется для проверки качества, прогнозирования технического обслуживания и управления роботами. Машины могут выявлять микродефекты в продукции быстрее, чем человеческий глаз.
Ключевыми драйверами развития технологии компьютерного зрения являются:

• Большие данные: Доступ к огромным наборам размеченных данных (таких как ImageNet, COCO) для обучения моделей.
• Прогресс в алгоритмах глубокого обучения: Развитие архитектур нейронных сетей (ResNet, YOLO, Transformer-based модели типа ViT – Vision Transformer), которые значительно повысили точность и эффективность.
• Рост вычислительных мощностей: Использование графических процессоров (GPU) и специализированных чипов (TPU от Google и др.) для ускорения обучения сложных моделей.

Благодаря широкому спектру преимуществ, которые предлагает технология Vision AI она позволяет достичь значимых успехов в различных отраслях, в частности:
Повышенная точность – благодаря глубокому обучению и нейронным сетям позволяет значительно снизить количество человеческих ошибок. В критически важных для жизни сферах, таких как здравоохранение, она более точно выявляет заболевания по результатам медицинских обследований, а в производстве помогает проверять качество на микроскопическом уровне, что может ускользнуть даже от опытного специалиста.
Экономия затрат – автоматизация на основе машинного зрения устраняет необходимость в ручном мониторинге и проверках. Это не только экономит трудозатраты, но и повышает эффективность работы – будь то мониторинг сборочных линий на заводах или автоматизация кассовых операций в розничных магазинах.
Анализ в режиме реального времени: Одним из самых сильных аспектов машинного зрения является то, что оно может мгновенно обрабатывать и понимать визуальную информацию. В таких отраслях, как беспилотные автомобили или системы видеонаблюдения, контекст в реальном времени необходим для принятия решений за доли секунды, что позволяет избежать аварий или повысить безопасность.

• Масштабируемость – программное обеспечение, применяемое в технологии Vision AI способно обрабатывать миллионы изображений или видео в реальном времени, что идеально подходит для компаний, ежедневно обрабатывающих огромные объемы визуальных данных, будь то сайты электронной коммерции, больницы или города. Такая масштабируемость позволяет компаниям развиваться без ограничений, связанных с ручными процессами.
• Инвестиции: Значительные финансовые вложения со стороны крупных технологических корпораций, венчурных фондов и государственных программ.

Помимо решения актуальных проблем, Vision AI способствует развитию инноваций в технологиях будущего: от дополненной и виртуальной реальности в игровой индустрии и образовании до робототехники и автономных систем в логистике и обороне.
Однако, несмотря на преимущества, которые предоставляет технология компьютерного зрения на основе ИИ, существуют и определенные проблемы, которые необходимо решить, прежде чем она получит широкое распространение:

1. Конфиденциальность данных

Технология машинного зрения, как правило, работает с конфиденциальными визуальными данными, включая лица, номерные знаки или медицинские изображения. Задача состоит в том, чтобы обеспечить ответственный подход к сбору, хранению и обработке информации. Организации обязаны соблюдать строгие законы о конфиденциальности, например, такие как GDPR (общий регламент по защите данных ЕС) и HIPAA (американский закон о переносимости и подотчетности медицинского страхования), чтобы не допустить злоупотребления данными.

1. Предвзятость в алгоритмах

Объективность моделей ИИ зависит от объективности обучающих данных. Если они не разнообразны, системы компьютерного зрения на основе ИИ могут неправильно классифицировать людей по расе, полу или другим признакам. Для устранения предвзятости необходимы разнообразные наборы данных и прозрачное обучение моделей.

1. Высокие вычислительные затраты

Для развертывания и обучения моделей машинного зрения на базе ИИ требуется большая вычислительная мощность, особенно при работе с видеопотоками в реальном времени или большими массивами данных. Это делает внедрение таких моделей дорогостоящим для небольших компаний, не использующих облачные или периферийные решения.

1. Нормативная неопределённость

Правила использования камер наблюдения, распознавания лиц и принятия решений на основе ИИ различаются в зависимости от страны и региона. Эта несогласованность вносит неопределённость в процесс внедрения компаниями технологий Vision AI.
К ведущим зарубежным компаниям и исследовательским центрам в этой области следует отнести:
США: Google, Meta (FAIR), Microsoft (Microsoft Research), NVIDIA, OpenAI, Tesla, Apple.
Китай: SenseTime, Megvii, Baidu, Alibaba, Tencent, Huawei.
Европа: DeepMind (Великобритания), исследовательские лаборатории в британских университетах Оксфорда и Кембриджа, ETH Zurich (Швейцария), Siemens (Германия).
Так, например облачный сервис для анализа изображений на основе машинного обучения американской компании Google – Google Cloud Vision AI, используется многими учреждениями по всему миру и применяется для обнаружения объектов, классификации изображений и извлечения текста. Организации используют его для сканирования больших библиотек изображений, автоматизации захвата документов и улучшения качества обслуживания клиентов с помощью интеллектуального поиска.
Другая американская компания – Tesla реализует одну из самых передовых разработок в области компьютерного зрения – систему «полного самоуправления» - Full Self-Driving (FSD). В отличие от многих конкурентов, Tesla делает ставку на «чистое зрение» (pure vision), используя данные с сети камер автомобиля без помощи лидаров. Нейросети в реальном времени анализируют видеопоток, чтобы создавать детальную трехмерную векторную карту окружающего пространства, идентифицируя другие автомобили, пешеходов, дорожную разметку и знаки. Ключевым компонентом здесь является нейросеть «Occupancy Networks», которая предсказывает объёмную занятость пространства вокруг автомобиля, даже если система видит её впервые. Это позволяет автомобилю безопасно перестраиваться, поворачивать на перекрестках и реагировать на сложные и непредвиденные дорожные ситуации.
Китайская компания SenseTime, один из лидеров рынка, предлагает платформу SenseFoundry для «городского цифрового управления». Этот продукт массово внедряется муниципальными властями КНР. Система использует компьютерное зрение для анализа видеопотоков с тысяч уличных камер в режиме реального времени. Алгоритмы автоматически обнаруживают инциденты: несанкционированную торговлю, парковку в неположенном месте, выброс отходов, а также распознают лица разыскиваемых преступников. Например, SenseFoundry может автоматически отправить уведомление в службы ЖКХ о необходимости убрать мусор или оповестить полицию о месте нахождения подозреваемого, превращая весь город в управляемую и безопасную среду.
Британская DeepMind (дочерняя компания Alphabet), ее прорывной продукт – платформа AlphaFold является ярчайшим примером применения компьютерного зрения в науке, которая сочетает в себе мощь нейронных сетей, алгоритмические инновации и огромный объем биологических данных, накопленных за годы. Система использует архитектуры нейросетей, родственные тем, что применяются для анализа изображений, но «объектом» для зрения здесь выступают не картинки, а структуры белков. Система «видит» аминокислотную последовательность белка и предсказывает его трехмерную атомную структуру. Эта способность решает одну из главных проблем биологии, позволяя с высочайшей точностью определять форму белков, что критически важно для разработки новых лекарств, понимания болезней и создания новых ферментов.
Немецкий промышленный конгломерат Siemens активно внедряет ИИ-зрение в производство. Их решения для автоматизированного визуального контроля (Industrial AI) используются на заводах по всему миру для контроля качества продукции. Например, на автомобильном конвейере система с высокой скоростью сканирует каждый кузов или деталь с помощью камер. Нейросеть, обученная на тысячах изображений брака, мгновенно обнаруживает мельчайшие царапины, вмятины, дефекты окраски или отклонения в геометрии, которые могут быть невидимы человеческому глазу. Это позволяет не только гарантировать безупречное качество, но и значительно снизить издержки, минимизируя человеческий фактор и переходя к прогнозному обслуживанию оборудования.
Тенденции в развитии технологий компьютерного зрения

• Комбинация Vision AI и Generative AI

Generative AI (генеративный ИИ) в сочетании с компьютерным зрением позволяет создавать революционные приложения, начиная с произведений искусства, сгенерированных ИИ, создания видео и заканчивая иммерсивными технологиями дополненной реальности (Augmented Reality, AR). Эта мощная комбинация меняет индустрию развлечений, дизайн и маркетинг, позволяя таким инструментам, как редактор видео в приложениях социальных сетей, без особых усилий создавать визуально привлекательный контент.

• Vision AI и Метавселенная

Метавселенной нужны реалистичные цифровые виртуальные образы пользователей и интерактивная среда. Система Vision AI обеспечивает распознавание жестов, отслеживание взгляда и реалистичное взаимодействие с аватарами, сближая физический и виртуальный миры.

• Vision AI и объединенная реальность

Одна из ключевых тенденций в компьютерном зрении – использование объединенной реальности, которая включает в себя элементы виртуальной и дополненной реальности (AR и VR). Она объединяет физический мир с цифровыми элементами, используя компьютерное зрение, чтобы виртуальные объекты плавно сливались с реальным миром. Это может быть использовано для улучшения впечатлений в играх, образовании и обучении.

• Vision AI в умных городах (Smart Cities)

Система Vision AI позволяет оптимизировать дорожное движение, управлять отходами и обеспечивать общественную безопасность. Она помогает правительствам создавать более эффективную городскую инфраструктуру, анализируя данные видеонаблюдения и Интернета вещей в масштабах всего города.

• Vision AI и спортивная аналитика

От отслеживания результативности игроков до поддержки судей в режиме реального времени – технология Vision AI совершает революцию в мире спорта. Камеры с искусственным интеллектом предоставляют тренерам, комментаторам и зрителям ценную информацию.
Кроме того, следует отметить ещё одну важную техническую тенденцию, которая определяет развитие технологии компьютерного зрения – пограничные вычисления (распределенные вычислительные системы, которые обрабатывают данные ближе к их источнику). Например, пограничные вычисления осуществляются на таких устройствах, как камеры и датчики, для непосредственной обработки визуальных данных, что позволяет ускорить время отклика, уменьшить задержки и повысить уровень конфиденциальности.
Анализ развития технологии за рубежом показывает, что будущее машинного зрения невероятно многообещающе благодаря стремительному прогрессу в области периферийных вычислений, 5G и квантового ИИ. По мере развития этих направлений машинное зрение будет становиться быстрее, точнее и масштабируемее. В ближайшие несколько лет, в частности ожидается появление следующих продуктов и решений c использованием Vision AI:

1. Умные роботы с восприятием, подобным человеческому

Роботы с искусственным интеллектом и технологией машинного зрения перейдут от выполнения рутинных задач к пониманию сложной окружающей среды. Они смогут видеть в глубину, распознавать объекты в меняющихся ситуациях и взаимодействовать с людьми более «по-человечески», что сделает их незаменимыми в таких отраслях, как логистика, оборона и уход за пожилыми людьми.

1. Медицинская диагностика на основе ИИ

Благодаря технологии Vision AI устройства медицинской визуализации превзойдут врачей-людей по точности и скорости выявления предраковых состояний, сердечно-сосудистых и неврологических заболеваний. В сочетании с предиктивной аналитикой эта технология может спасти миллионы жизней, способствуя профилактике и ускорению лечения.

1. Автономные транспортные сети

Беспилотные автомобили – это только начало. Вскоре системы машинного зрения на основе искусственного интеллекта будут управлять целыми транспортными сетями – от автономных грузовиков до дронов и систем общественного транспорта, – которые будут работать без сбоев и с минимальным вмешательством человека. Это снизит загруженность дорог, количество аварий и выбросы углекислого газа.

1. Персонализированный шопинг и захватывающие впечатления

В сфере розничной торговли и электронной коммерции технология компьютерного зрения на основе ИИ обеспечит гиперперсонализированный подход к покупкам, при котором магазины будут мгновенно определять предпочтения покупателей. В сочетании с технологиями дополненной и виртуальной реальности покупатели смогут виртуально примерять товары, получать рекомендации в режиме реального времени и легко оформлять покупки.

1. Умные города с искусственным интеллектом в центре

Будущие города будут зависеть от систем машинного зрения для управления дорожным движением, утилизации отходов, повышения энергоэффективности и обеспечения общественной безопасности. Интеграция устройств Интернета вещей, дронов и систем наблюдения на базе искусственного интеллекта сделает города более экологичными и пригодными для жизни.
Таким образом, развитие технологий компьютерного зрения на основе ИИ за рубежом является одним из наиболее динамичных и трансформационных направлений технологического прогресса. Эти технологии уже сегодня оказывают глубокое влияние на экономику, здравоохранение, безопасность и повседневную жизнь. Дальнейшее развитие будет определяться прогрессом в фундаментальных исследованиях, решением этических проблем и способностью интегрировать эти системы в критически важные области человеческой деятельности.

Стремительная эволюция телекоммуникационных технологий стала ключевым фактором ускорения процессов глобальной цифровой трансформации, развития мировой экономики и улучшения качества жизни, кардинально изменив современное общество. Каждое новое поколение мобильных сетей предоставляло инновационные возможности коммуникации и более быстрое, эффективное и надежное подключение к сети Интернет.
В настоящее время внедряемый стандарт мобильной связи пятого поколения 5G обеспечивает максимальные характеристики беспроводных сетей такие как расширенная мобильная широкополосная связь eMBB (enhanced MBB), сверхнадёжная связь с низкой задержкой ULLRC (Ultra Low Latency Reliable Communication) и массовые межмашинные коммуникации mMTC (massive Machine Type Communication), что позволило технологии 5G стать важнейшим элементом инфраструктуры, необходимой для поддержания эволюционных процессов глобальной цифровизации, оказав существенное влияние на развитие таких отраслей, как интеллектуальная городская экосистема («умный» город), беспилотный транспорт, электронное здравоохранение и промышленное производство.
Так, по состоянию на конец 2025 года, более 619 операторов связи в 184 странах запустили коммерческие услуги 5G, инвестировав в них порядка 300 млрд долларов США, 70 компаний развернули автономные сети 5G SA (Stand Alone), и ещё 89 планируют это сделать в ближайшей перспективе. Количество абонентов мобильной связи пятого поколения превысило 1,7 млрд, что составляет около 21% населения планеты, причем только за первый квартал 2025 года их число увеличилось на 160 миллионов. На сегодняшний день в распоряжении пользователей находится более 2300 моделей мобильных 5G-устройств на выбор. Если тенденция сохранится, то в 2029 году количество абонентов будет насчитывать 5,6 млрд, что превысит 60% всех мобильных подписок, а конечные пользовательские устройства будут представлены разными форм-факторами – от устройств дополненной (Augmented Reality, AR) и виртуальной реальности (Virtual Reality, VR) до голографического оборудования.
Кроме этого, всевозможные механизмы такие как автономные транспортные средства (автомобили), беспилотные летательные аппараты (БПЛА), бытовая техника, интеллектуальные датчики, особенно из мира интернета вещей (Internet of Things, IoT) и т.д., будут подключены к беспроводной 5G-сети.
Такая динамика ежегодного увеличения числа мобильных устройств и плотности их подключений, а также стремительное развитие технологий искусственного интеллекта (ИИ) и машинного обучения (МО), повлекла за собой экспоненциальный рост объема генерируемой информации, что способствовало повышению спроса на услуги обработки, хранения и резервного копирования данных. Предоставление этих услуг невозможно представить без центров обработки данных (ЦОД, дата-центры). А по мере внедрения нового поколения мобильной связи ЦОДы занимают центральные позиции, выступая в качестве основы цифровой инфраструктуры по всему миру, обеспечивая реализацию технологических стратегий и функционирование информационных систем современных компаний в устойчивом и эффективном режиме.
Так, в 2024 году мировой рынок дата-центров оценивался в 44,89 млрд долларов США, а уже в 2025 году он вырос до 54,74 млрд долларов США. По мнению аналитиков американской международной консалтинговой компании McKinsey & Company, специализирующейся на решении задач, связанных со стратегическим управлением, подъем рынка продолжится, и до 2030 года будет постоянно увеличиваться на 10% ежегодно. Ключевыми стимулирующими технологиями такого роста по-прежнему останутся 5G, ИИ и МО.
Технология 5G для индустрии ЦОД представляет собой фундаментальный инструмент изменения архитектуры, ускоряющий переход от централизованной модели к распределенной, интеллектуальной и ориентированной на приложения цифровой инфраструктуре.
Сверхнизкая задержка и массовые межмашинные коммуникации формируют новые симбиотические отношения между сетью и ЦОД, тем самым пересматривая существующий цифровой ландшафт от ядра до периферии.
На протяжении многих лет телекоммуникационная отрасль развивалась в направлении создания централизованных гипермасштабных ЦОД, используя эффект увеличения количества аппаратных средств и инженерных систем для предоставления облачных вычислений.
Внедрение 5G не преследует цель полностью заменить эту модель. Наоборот, она дополнит её новым критически важным уровнем инфраструктуры, основанным на 5G-технологиях и граничных (периферийных) вычислениях.
Для того чтобы приложения работали в режиме реального времени, такие как промышленная автоматизация, беспилотные автомобили, облачные игры и дополненная реальность (AR), – вычисления и хранение данных должны быть физически перемещены ближе к точке генерации данных. Это является основополагающим фактором развития граничных (периферийных) вычислений.
Технология 5G обеспечивает высокоскоростную и надежную беспроводную связь «последней мили», соединяющую мобильные устройства с локальными узлами периферийных вычислений.
В свою очередь, эти периферийные центры обработки данных выполняют локальную обработку, которая делает низкую задержку 5G значимой, фильтруя и анализируя данные на месте и отправляя обратно в центральное облако только необходимую информацию, создавая взаимодополняющий цикл. Повсеместное внедрение 5G подкрепляет экономическую целесообразность строительства периферийных центров обработки данных, а доступность периферийных вычислений позволяет операторам мобильной связи монетизировать свои инвестиции в 5G за счет новых, высокодоходных корпоративных услуг.
Такой симбиоз между 5G и граничными вычислениями приводит к децентрализации цифровой инфраструктуры, порождая новую, многоуровневую топологию.
Современная архитектура телекоммуникационных и дата-центров обеспечивают бесперебойную работу, масштабируемость и гибкость инфраструктуры включает в себя несколько уровней традиционные крупные центральные или основные дата-центры, региональные дата-центры и быстро расширяющуюся зону «дальних» площадок, расположенных на сотовых вышках, заводах, в городских центрах или рядом с ними.
В этих условиях роль основного центра обработки данных не уменьшается, а трансформируется. Его аппаратные средства останутся незаменимыми для выполнения крупномасштабных задач, не требующих больших задержек, таких как обучение сложных моделей ИИ, долгосрочное архивирование данных и пакетная обработка для бизнес-аналитики.
Новый уровень периферийных вычислений, включающий микроцентры и модульные (контейнерные) центры обработки данных (Modular Data Center, MDC), предназначен для обработки данных в режиме реального времени, быстрого вывода результатов работы ИИ и принятия решений на локальном уровне.
Появление такой модели влияет на изменения рынка периферийных центров обработки данных. Согласно прогнозам, к 2034 году его объем превысит 109 миллиардов долларов США, чему будут способствовать развитие технологии 5G и Интернета вещей (IoT).
Этот долгосрочный, постоянно растущий спрос является ключевым стратегическим фактором для поставщиков инфраструктурных услуг.
Ещё одним ключевым нововведением 5G является сегментирование сети, которое позволяет разделить единую физическую сетевую инфраструктуру на несколько изолированных виртуальных сетей, обеспечивающих сквозное соединение.
Каждый сегмент может быть настроен с учетом конкретных характеристик качества обслуживания, таких как гарантированная пропускная способность, задержка и надежность. Это позволяет оператору мобильной связи предлагать индивидуальные решения для различных сценариев использования одновременно: сегмента сверхнадежной связи с низкой задержкой (URLLC) для критически важных систем управления роботами на предприятии, сегмента улучшенной мобильной широкополосной связи (eMBB) для потоковой передачи видео на массовых мероприятиях и сегмента массовых межмашинных коммуникаций (mMTC) для интеллектуальных устройств коммунальных услуг в городе.
Аналогичная программируемость распространяется и на ЦОД.
Приложения, размещенные в центре обработки данных и привязанные к определенному сегменту 5G, требуют соответствующих сетевых политик, мер безопасности и гарантий использования ресурсов. Помимо этого, архитектура ЦОД требует высокоавтоматизированной сетевой инфраструктуры, способной динамически предоставлять и управлять подключением в соответствии с жизненным циклом обслуживаемых сегментов 5G.
Таким образом, внедрение 5G и развитие центров обработки данных – это два взаимосвязанных процесса, где 5G предъявляет к инфраструктуре дата-центров (серверы, системы хранения данных, локальные и глобальные сети передачи данных, системы управления) новые требования по скорости и качеству передачи данных, а ЦОДы, в свою очередь, выступают основой для работы 5G-сетей. Это трансформирует отрасль, включая стандарты, безопасность и экономику.
По сути, инфраструктура центров обработки данных 5G – это та же самая существующая инфраструктура ЦОД, но адаптированная и оптимизированная для достижения максимальной производительности.
Среди основных требований к ЦОД 5G выделяют следующие:

• Модернизация облачных и сетевых возможностей, а также кабельной инфраструктуры в существующих ЦОДах. Это включает в себя: развертывание оборудования, способного поддерживать технологии виртуализации (Network Functions Virtualization, NFV) и программно-определяемых сетей (Software-Defined Networking, SDN и Software-Defined Wide Area Network, SD-WAN), которые позволяют заменить аппаратное сетевое оборудование виртуальными сетевыми функциями (Virtual Network Functions, VNF), тем самым повышая эффективность вычислительных ресурсов центров обработки данных, снижая энергопотребление и улучшая автоматизацию управления; обеспечение надежных, резервных систем электропитания и охлаждения.
• Низкая задержка обработки данных требует приближения к конечному пользователю, что приводит к увеличению объема граничных вычислений. Поэтому провайдеры все чаще осуществляют поддержку распределенной инфраструктуры обработки данных для создания архитектуры мобильных граничных вычислений с множественным доступом (Multi-Access Edge Computing, MEC), которая обеспечивает гибкое перераспределение ресурсов сети радиодоступа в зависимости от нагрузки пользовательского трафика в отдельных ячейках и снижает трафик в агрегирующей сети и ядре 5G.

Этот процесс стимулирует внедрение периферийных ЦОД (небольших распределенных объектов), дополняющих традиционные централизованные центры обработки данных.

• Поддержка технологий ИИ и МО, которая позволит осуществлять оперативное и автоматизированное управление распределенной вычислительной инфраструктурой центров обработки данных, ядра сети, агрегации и периферийных сетей, обеспечивая эффективное управление ресурсами и предоставляя новые услуги и приложения всему спектру пользователей 5G.
• Наличие гибкой и автоматизированной системы управления и оркестровки сервисами и ресурсами NFV: MANO (Management and Orchestration), необходимо для быстрого формирования сервисов по запросу и без задержек, а также для эффективного распределения рабочей нагрузки на вычислительные и сетевые ресурсы распределённой сети центров обработки данных в сетях 5G.
• Возможность подключать и управлять модульными и контейнерными центрами обработки данных на периферии сети (Mobile Edge) и гибко управлять их ресурсами в распределённой сети позволяет объединять вычислительные ресурсы распределённых центров обработки данных в единую управляемую и автоматизированную сеть.
• Наличие платформ для разработки сервисов и приложений, а также возможность предоставлять их пользователям через программный интерфейс приложений (Application Programming Interface, API), позволяет операторам 5G-сетей оперативно разрабатывать и предоставлять новые услуги и приложения в соответствии с требованиями рынка, тем самым повышая конкурентоспособность 5G-оператора.
• Возможность взаимодействовать со сторонними платформами разработки и поставщиками услуг доставки Over-The-Top (OTT) для ведения совместного и взаимовыгодного бизнеса расширяет спектр предоставляемых услуг и приложений, даже для тех групп пользователей, для которых разработка собственных услуг оператором может быть нецелесообразной из-за небольшого размера рынка, специфических требований нишевых рынков или специализированных приложений.

Помимо этого, повышенная безопасность и соответствие нормативным требованиям также находятся в центре внимания, поскольку в связи с развертыванием 5G на периферии сети зачастую осуществляется обработка новых типов рабочих нагрузок и конфиденциальных данных. Поэтому ЦОД должны соответствовать строгим стандартам физической и кибернетической защиты, а также требованиям отраслевых правил.
Структура 5G, основанная на программно-определяемых сетях (SDN), виртуализации сетевых функций (NFV) и сегментировании сети, коренным образом меняет ландшафт безопасности. Это создаёт значительно расширенную поверхность атаки по сравнению с традиционными сетями на основе аппаратного обеспечения. Рост числа IoT-устройств, подключенных через 5G, многие из которых имеют минимальную встроенную защиту, создаёт множество потенциальных точек входа для злоумышленников.
Для снижения этих рисков необходим переход от устаревшей системы безопасности, основанной на защите периметра, к архитектуре «нулевого доверия». Обнаружение угроз в режиме реального времени с помощью инструментов ИИ и надёжная многоуровневая защита имеют решающее значение для обеспечения безопасности в этой сложной среде.
Внедрение усовершенствованных протоколов безопасности, таких как межсетевые экраны и системы обнаружения вторжений, имеет решающее значение для защиты инфраструктуры центров обработки данных. Эти меры обеспечивают защиту от киберугроз и гарантируют соответствие нормативным требованиям.
Таким образом, роль 5G в индустрии центров обработки данных гораздо шире, чем просто повышение скорости сети. 5G меняет предназначение ЦОД, трансформируя их из пассивных хранилищ в активные, распределённые и интеллектуальные узлы новой цифровой экосистемы. Успех зависит от готовности инфраструктуры соответствовать технологическим требованиям 5G и от способности отрасли адаптироваться к экономическим и регуляторным условиям в конкретных странах.

В эпоху экспоненциального роста данных и широкого внедрения искусственного интеллекта (ИИ) фундаментальное ограничение классической вычислительной архитектуры фон Неймана* становится все более очевидным. Её последовательный принцип работы и физическое разделение процессора и памяти создают «бутылочное горлышко», ведущее к огромному энергопотреблению, особенно при решении задач, связанных с обработкой сенсорной информации, распознаванием образов и принятием решений в реальном времени. Развитие нейроморфных вычислительных систем представляет собой радикальный ответ на этот вызов. Значимость данной технологии заключается в потенциале для создания энергоэффективного, адаптивного и способного к обучению «интеллекта на краю сети» (edge AI), что может привести к революции в робототехнике, интернете вещей (IoT), автономных системах, медицине и научных исследованиях.
*Справочно
В настоящее время в коммерческом вычислительном секторе доминируют две основные архитектуры обработки данных: архитектуры фон Неймана, составляющие большинство вычислительных устройств и тензорные процессоры, такие как GPU и TPU, использование которых в вычислениях стремительно растет с 2010 года.
Архитектура фон Неймана – это теоретический фундамент устройства большинства современных компьютеров. Особенности:

• единое хранилище для данных и инструкций программы, что позволяет обрабатывать программы как данные и наоборот.
• последовательное выполнение инструкций – команды выполняются одна за другой в определённом порядке.
• единая шина данных – для передачи информации между компонентами системы используется общий канал.
• централизованное управление – контроль над выполнением операций осуществляется центральным процессором.

Принципы архитектуры фон Неймана применяются в персональных компьютерах, серверах и даже в некоторых мобильных устройствах.
Тензорные процессоры (GPU и TPU) – это специализированные устройства, разработанные для ускорения обработки данных, особенно в области машинного обучения и искусственного интеллекта.
GPU (Graphics Processing Unit) – графический процессор, изначально разработанный для ускорения обработки графики и рендеринга изображений. Особенности:

• архитектура включает множество ядер, способных выполнять параллельные вычисления;
• высокий уровень параллелизма позволяет GPU эффективно справляться с задачами, которые могут быть разбиты на множество мелких подзадач, например, обработкой изображений, инференсом и обучением нейронных сетей;
• некоторые GPU, например NVIDIA с архитектурой Ampere, имеют тензорные ядра, которые оптимизированы для выполнения матричных операций, что полезно в задачах глубокого обучения.

TPU (Tensor Processing Unit) – тензорный процессор, разработанный для ускорения и обучения нейронных сетей.
Особенности:

• архитектура с самого начала проектировалась под ключевые операции машинного обучения, в первую очередь – умножение матриц;
• систолическая архитектура позволяет эффективно проводить матричные вычисления, минимизируя обращения к основной памяти и повышая производительность;
• энергоэффективность – за счёт узкой специализации TPU потребляют меньше энергии на одну операцию по сравнению с GPU, что критично для крупных дата-центров;
• оптимизация под TensorFlow – изначально TPU были созданы для работы с фреймворком TensorFlow, но сейчас поддерживают и другие библиотеки.

TPU интегрируются исключительно в высокопроизводительные серверные системы, их не встретить в десктопных устройствах.
Нейроморфные системы – это аппаратные и программные платформы, имитирующие структуру (морфологию) и функциональные принципы биологических нейронных сетей. В отличие от традиционных процессоров, оперирующих бинарными данными в тактовом режиме, нейроморфные чипы используют:
· Спайковые нейронные сети (Spiking Neural Networks, SNN): Информация кодируется не величиной числа, а временем и частотой дискретных электрических импульсов (спайков), аналогично нейронам мозга.
Спайковые (или импульсные) нейронные сети (Spiking neural network, SNN или Pulsed neural networks, PNN) – это наиболее реалистичная на данный момент модель взаимодействия между нейронами, с использованием обмена короткими импульсами. В отличие от традиционных нейросетей, где информация передаётся в каждом цикле распространения (синхронно), нейроны спайковой сети активируются только тогда, когда это нужно, и передают импульс только когда есть куда. Такой подход добавляет концепцию времени в модель работы сети. С помощью последовательностей импульсов можно обрабатывать структурированные во времени данные, используя информацию с сенсоров. То есть воспроизводить процессы, подобные тем, что происходят в мозге живых существ.
· Совместное расположение памяти и вычислений: Synapse (синапсы, связи между нейронами) обладают памятью (вес синапса) и выполняют вычисления локально, минимизируя перемещение данных.
· Асинхронную обработку: Элементы чипа активируются только при поступлении спайка (событийно-ориентированная архитектура), что кардинально снижает энергопотребление в режиме простоя.
· Массовый параллелизм: Огромное количество простых вычислительных элементов (нейронов) работают параллельно.
Существует две основные цели создания нейроморфных систем:
· Фундаментальная – преодоление ограничений архитектуры фон Неймана для создания машин, способных к эффективному обучению, адаптации и решению недетерминированных задач.
· Прикладная – создание сверхэнергоэффективных вычислительных систем для работы в автономном режиме, обработки сенсорных данных в реальном времени и интеграции в устройства с ограниченными ресурсами.
Основные решаемые задачи при этом включают:
· Обработка сенсорных потоков в реальном времени: анализ видео, аудио, тактильных данных с минимальной задержкой (например, для автономных автомобилей или дронов).
· Распознавание сложных, зашумленных образов в условиях изменчивой среды.
· Ассоциативное обучение и принятие решений на основе неполных или противоречивых данных.
· Оптимизация энергопотребления для портативной электроники, имплантатов и распределенных сенсорных сетей.
Основные направления развития данной технологии за рубежом включают:
· Аппаратное обеспечение – разработка новых чипов с наноразмерными элементами, исследование мемристоров и других материалов с эффектом памяти для более точной имитации синапсов, создание трехмерных нейроморфных структур.
· Программное обеспечение и алгоритмы – разработка языков описания, компиляторов и фреймворков (как, например, Intel Lava) для программирования SNN, создание эффективных алгоритмов обучения (обучение с подкреплением, неконтролируемое обучение, transfer learning).
· Системная интеграция – создание полных систем, включающих сенсоры (например, событийные камеры), нейроморфные процессоры и интерфейсы для традиционных вычислительных платформ.
Технологии нейроморфных вычислений активно развиваются за рубежом, лидером выступают, в частности, такие страны как США, Китай, европейские государства, Япония, Южная Корея и др. Некоторые продукты и решения зарубежных компаний из этих стран рассмотрены ниже.
США
· Intel Loihi
Компания Intel в 2017 году представила первую версию процессора Loihi. Нейропроцессор площадью 60 мм2 получил 128 ядер по 1204 нейрона в каждом, или 130 тысяч нейронов и 130 миллионов синапсов. Системы на этом чипе обучались в три тысячи раз эффективнее нейросетей на базе компьютеров классической архитектуры и требовали в тысячу раз меньше энергии. Сейчас на основе Loihi делаются системы распознавания запахов и образов, бионические протезы, помощники для инвалидов по зрению, ускорители для работы нейросетей.
В 2019 году в Intel собрали нейроморфный компьютер Pohoiki Beach, содержащий 64 процессора Loihi. В марте 2021 года заработала нейроморфная система, названная Pohoiki Springs, из 768 процессоров Loihi (24 модуля плат Nahuku по 32 процессора), которая могла моделировать работу 100 миллионов нейронов. Согласно пресс-релизу Intel, это был эквивалент мозга небольшого млекопитающего, например мыши. Эта система не является коммерческим продуктом и предоставляется участникам сообщества Intel Neuromorphic Research Community (INRC), объединяющего сотни академических и промышленных партнеров для исследований в области AI и высокопроизводительных алгоритмов.
В 2021 году Intel разработал второе поколение чипа – Loihi 2. Нейропроцессор применяет асинхронные событийно-ориентированные спайковые нейронные сети, использует интеграцию памяти и вычислений, а также разреженные и постоянно изменяющиеся связи.
Чип обрабатывает данные в 10 раз быстрее первой версии. В его производстве используется техпроцесс Intel 4. Это позволяет разместить структурные элементы на кристалле в 15 раз плотнее. Всего в процессоре 2,3 миллиарда транзисторов, которые поддерживают работу 128 нейроморфных ядер на кристалле площадью 31 мм2. Число обычных (x86) процессорных ядер на чипе также было увеличено с 3 до 6. Они управляются программами на C или Python и выполняют вспомогательные функции: кодирование и декодирование данных для передачи на нейроны, а также ряд вспомогательных и управленческих задач, которые необходимы для поддержания работоспособности системы. Увеличение количества встроенных ядер до 6 предотвращает замедление общей производительности чипа из-за перегрузки процессора, что было узким местом в Loihi.
Количество операций на одно выводимое решение сократилось более чем в 60 раз по сравнению с сетями, работающими на Loihi 1, без потери точности. Для работы с чипом была создана программная платформа Lava.
В сентябре 2022 года Intel выпустила платы Kapoho Point, содержащие восемь процессоров Loihi 2. Устройство предназначалось в основном для обкатки технологий программирования нейроморфных компьютеров. Оно могло действовать как само по себе, так и в качестве модуля для создания более сложных устройств. Можно было объединить до восьми таких плат для совместной работы.
В апреле 2024 года начал работу, построенный на чипах Loihi 2, компьютер Hala Point, который эмулирует в 10 раз больше нейронов, чем Pohoiki Springs, и работает в 12 раз быстрее. В режиме традиционных нейросетей Hala Point делает до 20 квадриллионов операций в секунду (20 петаопс), с эффективностью, превышающей 15 триллионов 8-битных операций в секунду на ватт (тераопс/Вт). Согласно пресс-релизу Intel, это превосходит показатели, достигаемые на любой стандартной конфигурации с использованием центрального процессора и графических ускорителей. В нейроморфном режиме Hala Point эмулирует 1,15 млрд нейронов, которые соединены через 128 миллиардов синапсов, и распределены по 140544 нейроморфным вычислительным ядрам. При этом устройство получилось компактным: 1152 процессора Loihi 2 уместились в стандартный корпус высотой шесть юнитов (267 мм) для серверной стойки. Система потребляет 2,6 кВт энергии.
Hala Point объединяет каналы обработки, памяти и связи в массивно-параллельную структуру, обеспечивая в общей сложности 16 петабайт в секунду пропускной способности памяти, 3,5 ПБ/с пропускной способности межъядерной связи и 5 терабайт в секунду (ТБ/с) пропускной способности связи между процессорами. Hala Point может за секунду обработать более 380 триллионов 8-битных синаптических операций и более 240 триллионов нейронных операций.
Система способна решать задачи оптимизации, используя в 100 раз меньше энергии на скоростях до 50 раз быстрее, чем традиционные (процессор+видеоускоритель) архитектуры. Компьютер Hala Point достигает высокой эффективности (операций в секунду на ватт) без необходимости собирать входные данные в пакеты (это используется в нейросетевых вычислениях на видеоускорителях, что значительно задерживает обработку данных, поступающих в реальном времени, например видео с камер).
Уникальные возможности Hala Point могут в будущем обеспечить непрерывное обучение в реальном времени для приложений искусственного интеллекта, таких как решение научных и инженерных задач, логистика, управление инфраструктурой умных городов, большие языковые модели и AI-агенты. За счёт устранения необходимости периодического переобучения с постоянно растущими наборами данных, можно будет экономить гигаватт-часы энергии.
Hala Point – исследовательский прототип. Он не доступен для публичного использования и находится в лаборатории Sandia National Laboratories (SNL), которая считается одним из ведущих НИИ Министерства энергетики США (DOE) и входит в состав Национальной администрации по ядерной безопасности (NNSA). Лаборатория занимается разработками в области ядерного оружия, оборонных систем, энергетики и биологии.
· IBM TrueNorth
TrueNorth – исследовательский проект нейроморфического процессора второго поколения от компании IBM. Разработан в 2014 году в рамках программы SyNAPSE. Чип TrueNorth изготовлен по 28-нм технологическому процессу и содержит 5,4 миллиарда транзисторов. Благодаря высокой степени интеграции на одной микросхеме разместили 4096 нейросинаптических ядер, каждое из которых включает 256 цифровых нейронов и до 65536 синапсов. Энергопотребление чипа – 70-100 милливатт (при анализе видео 400×240, 30 fps).
Архитектура TrueNorth позволяет создавать масштабируемые нейросетевые суперкомпьютеры, объединяя несколько чипов в единую вычислительную систему.
Важным аспектом TrueNorth стало создание экосистемы для разработки, включающей языки описания нейронных сетей и инструменты для обучения моделей на традиционных CPU/GPU. Это заложило фундамент для дальнейших исследований не только внутри IBM, но и во всём научном сообществе, занимающемся нейроморфными вычислениями.
По состоянию на 2025 год технологии, развитые в рамках проекта SyNAPSE, находят применение в следующих областях:

• беспилотные системы (дроны и роботы, способные анализировать видео и аудио на лету при минимальном расходе батареи);
• обработка больших данных (быстрое распознавание объектов и аномалий в потоковом видео);
• нейронаука (использование чипов как платформы для моделирования функций мозга и понимания механизмов памяти или болезней).

· BrainChip Akida
Akida – сверхмаломощный нейроморфный процессор, разработанный компанией BrainChip в 2022 году. Он предназначен для ускорения работы искусственного интеллекта (ИИ) и отличается низким энергопотреблением.
Конфигурация Akida имеет событийно-ориентированную архитектуру. Платформа поддерживает встроенное обучение и вывод, а также различные системы сенсорного ввода – приложения для сбора информации на основе зрения и звуков, а также интеллектуальных датчиков. Чип состоит из 1,2 млн. нейронов и 10 млрд. синапсов и может масштабироваться от микроватт до милливатт по энергопотреблению.
Некоторые особенности Akida:

• Поддержка различных нейронных сетей. Процессор ускоряет работу свёрточных нейронных сетей (CNNs), глубоких нейронных сетей (DNNs), рекуррентных нейронных сетей (RNNs) и Vision Transformers (ViTs).
• Обработка на основе событий. Вычисления выполняются только при получении нового сенсорного ввода, что значительно снижает количество операций.
• Обучение на чипе. Модели могут адаптироваться без необходимости подключения к облаку.

Akida подходит для использования в различных областях, включая промышленную автоматизацию, автомобильную промышленность, здравоохранение, бытовую электронику. Так, BrainChip и Mercedes в 2022 году создали один совместный продукт в рамках концепт-кара Mercedes EQXX. В электромобиле использовалась платформа голосового управления, построенная на архитектуре Akida, которая снизила энергопотребление системы более чем в десять раз.
В 2024 году BrainChip представила Akida Pico – миниатюрную версию процессора Akida, разработанную для устройств с ограниченными ресурсами. Энергопотребление Akida Pico – менее одного милливатта.
Европа:
Human Brain Project (HBP)*
Крупнейший европейский научный проект, в рамках которого созданы платформы SpiNNaker (Манчестерский университет (Великобритания), фон-неймановская архитектура, но работающая с моделями спайковых сетей) и BrainScaleS (Гейдельбергский университет (Германия), аналоговая физическая эмуляция нейронов).
*Справочно
Human Brain Project (HBP) – европейский научный проект по исследованию мозга, который продолжался с 2013 по 2023 год и финансировался ЕС. В 2018 году была сформирована единая платформа проекта EBRAINS, на которой выкладываются данные, модели, инструменты и результаты проекта, и которые были доступны для дальнейших исследований. Преемником HBP стал EBRAINS 2.0, в рамках которой развивается инфраструктура EBRAINS (European Brain Research Infrastructures) – открытая исследовательская инфраструктура, которая собирает научные данные, инструменты и вычислительные мощности для исследований, связанных с мозгом.
Его цель – установить новый стандарт для атласов мозга, собрать и соединить мультимодальные данные о мозге и продвигать подходы цифрового двойника.
EBRAINS 2.0 предлагает:

• Наборы данных о мозге, например, 3D-карты мозга для анализа сложных нейронаучных данных.
• Совместную платформу для работы в реальном времени, где учёные могут создавать инструменты вместе.
• Инфраструктуру для вычислений с доступом к высокопроизводительным и нейроморфным вычислительным ресурсам по Европе для крупномасштабных симуляций, моделей ИИ и больших данных.

Проект координируется EBRAINS AISBL — международной некоммерческой ассоциацией со штаб-квартирой в г. Брюсселе (Бельгия). В проекте участвуют: 59 партнёрских учреждений из 16 европейских стран.
SpiNNaker (Spiking Neural Network Architecture) – это архитектура процессора для массово-параллельных вычислений, основанная на принципах работы человеческого мозга. Система состоит из миллиардов простых вычислительных элементов, обменивающихся биоподобными импульсами (спайками), что позволяет моделировать работу спайковых нейронных сетей (SNN) в реальном времени.
Новая версия системы с увеличенным числом ядер – SpiNNaker2 имеет встроенные аппаратные ускорители и механизмы управления энергопотреблением. Эти улучшения позволили системе работать гораздо эффективнее. В исследованиях SpiNNaker2 успешно демонстрирует гибридную работу в режимах SNN, DNN и расширяет спектр прикладных задач – от биомедицинских симуляций до систем «умных городов», демонстрируя способность гибко действовать в условиях неопределённости и быстро меняющейся среды, что подчёркивает практическую ценность событийно-ориентированного подхода.
Платформа SpiNNaker2 демонстрирует принцип масштабируемости нейроморфных вычислений, начиная с элементарных вычислительных узлов и заканчивая суперкомпьютерными системами, способными в реальном времени симулировать работу миллионов биологических нейронов. Основные технологические достижения – переход от 28-нм техпроцесса к
22-нм FD‑SOI, Adaptive Body Biasing (ABB) и Dynamic Voltage and Frequency Scaling (DVFS), что обеспечивает оптимальное соотношение быстродействия и энергопотребления.
На самом базовом уровне системы находится вычислительный элемент (Processing Element, PE) – специализированный блок, отвечающий за локальные вычисления и моделирование нейронной динамики. Каждый PE включает в себя:
· Ядро ARM Cortex‑M4F общего назначения со встроенным сопроцессором для обработки чисел с плавающей точкой, благодаря которому обеспечивается высокая конфигурируемость при реализации алгоритмов.
· Аппаратный MAC‑массив для ускорения операций матрично-векторного умножения (MAC или МВУ), что критично для инференса свёрточных слоёв классических нейросетей и синаптической пластичности в спайковых нейросетях (SNN).
· Генераторы случайных чисел (RNG) (как псевдо, так и истинные), которые обеспечивают поддержку стохастических процессов и нейросетевых алгоритмов.
· 128 КБ встроенной SRAM, разбитой на несколько банков, что минимизирует конфликты при параллельном доступе к данным и ускоряет обработку событий.
Такая модульная организация позволяет каждому PE эмулировать тысячи биологических нейронов, выполняя локальные вычисления с высокой энергоэффективностью.
Для повышения эффективности коммуникаций и упрощения масштабирования отдельные PE объединяются в кластеры по четыре элемента – так называемые кластеры QPE (Quad Processing Element). В каждом QPE:
· Четыре PE работают в тесной связи, используя локальный маршрутизатор, который обеспечивает быстрый обмен данными между ядрами.
· Локальная сеть внутри QPE организована по принципу GALS (Globally Asynchronous, Locally Synchronous), что позволяет каждому вычислительному элементу работать в собственном тактовом домене с индивидуальными параметрами DVFS, одновременно синхронизируясь с соседними узлами посредством асинхронных мостов.
Такой подход снижает задержки передачи «спайков» и оптимизирует распределение вычислительной нагрузки, позволяя в реальном времени адаптировать энергопотребление в зависимости от интенсивности вычислений.
На уровне чипа реализована интеграция множества QPE для формирования высокопроизводительной нейроморфной системы (на одном кристалле размещено 152 PE элемента или 38 QPE).
Чипы SpiNNaker2 устанавливаются на специализированные платы, которые служат промежуточным звеном между отдельным кристаллом и суперкомпьютерной системой. Благодаря модульной архитектуре и масштабируемости, отдельные платы с чипами SpiNNaker2 могут объединяться в суперкомпьютерные системы:
· Масштабирование до миллионов ядер: современные установки уже охватывают до 5 миллионов вычислительных ядер, а перспективные разработки нацелены на 10 миллионов ядер. Это позволяет проводить детальные симуляции сенсорных контуров, фрагментов коры и даже целых отделов мозга.
· Энергоэффективность и производительность: использование технологий ABB и DVFS, а также аппаратных ускорителей вычислений, обеспечивает прирост производительности в десятки и даже сотни раз по сравнению с традиционными архитектурами, при этом снижая энергопотребление.
· Асинхронная межплатная коммуникация: благодаря унифицированному NoC и принципу GALS, различные платы могут взаимодействовать асинхронно, что упрощает построение масштабируемых систем без необходимости сложной глобальной синхронизации.
BrainScaleS – нейроморфная система, разработанная в Гейдельбергском университете в рамках серии проектов, финансируемых Европейским союзом. Она основана на аналоговой физической эмуляции нейронов и синапсов.
Некоторые версии системы:
BrainScaleS-1 – ускоренная нейроморфная система, интегрирующая 200 тысяч адаптивных экспоненциальных нейронов, 43 миллиона синапсов и сеть маршрутизации событий на кремниевой пластине.
BrainScaleS-2 – аналогово-цифровая гибридная архитектура, где нейроны и синапсы реализованы физически как электрические цепи, которые действительно интегрируют сигналы, «утекают» и возбуждаются.
Китай и другие страны
Китай также не отстаёт в развитии современных технологий и заявляет о нейроморфных чипах как одном из приоритетов национальной стратегии в области ИИ. Так, инженеры из Китая представили первый в мире нейроморфный суперкомпьютер, который имитирует работу мозга макаки. Система под названием Darwin Monkey использует 960 специализированных чипов Darwin 3 и поддерживает более 2 миллиардов спайковых нейронов и свыше 100 миллиардов синапсов, что приближает её по масштабам к настоящему мозгу примата.
Darwin Monkey разработан в государственной ключевой лаборатории мозго-машинного интеллекта при Чжэцзянском университете совместно с исследовательским центром Zhejiang Lab. Это третье поколение нейроподобных вычислительных систем, созданное в Китае, и первое в мире, использующее специализированные нейроморфные чипы, ориентированные на биоподобные вычисления.
Система построена из 15 серверов лезвийного формата (blade-формат – компактная серверная архитектура из нескольких модулей), каждый из которых оснащён множеством Darwin 3. Один такой чип способен обрабатывать более 2,35 миллиона нейронов и сотни миллионов синапсов, а также выполнять команды из специализированного набора инструкций для мозго-вдохновлённых вычислений и поддерживать онлайн-обучение в реальном времени.
Darwin 3 стал результатом ряда технологических прорывов, включая новую архитектуру межнейронных соединений и новое поколение мозгоподобной операционной системы, подчёркивают китайские источники (South China Morning Post). Для сравнения, в 2024 году Intel представила Hala Point – нейроморфный компьютер на 1,15 миллиарда нейронов. Darwin Monkey почти вдвое превышает этот показатель, открывая путь к моделированию сложных животных мозгов, включая мозг человека в будущем. Подобные системы уже используются для исследований ИИ в ведущих научных центрах.
Мощность Darwin Monkey составляет около 2000 Вт, что делает его энергоэффективным решением для задач, где обычные ИИ-системы требуют в разы больше ресурсов. Исследователи считают, что такие платформы смогут ускорить исследования мозга, создать более понятные и гибкие ИИ-системы и продвинуться к энергоэффективным вычислениям.
Следует отметить, что активные исследования по созданию нейроморфных систем также ведутся в других зарубежных странах, в частности в Японии (институт RIKEN) и Южной Кореи (компания Samsung).
К общим проблемам и трудностям, возникающим при разработке нейроморфных вычислительных систем за рубежом можно отнести:
• Технологические барьеры – сложность масштабирования и производства наноразмерных мемристорных структур, тепловыделение в плотных чипах.
• Программная и алгоритмическая незрелость: отсутствие универсальных, удобных инструментов разработки и общепринятых стандартов. Сложность обучения SNN по сравнению с традиционными нейросетями.
• «Разрыв в эффективности»: пока что для большинства прикладных задач традиционные GPU/TPU в сочетании с глубоким обучением остаются более производительными и предсказуемыми.
• Междисциплинарность – необходимость тесной кооперации нейробиологов, физиков, материаловедов, компьютерных инженеров и специалистов по алгоритмам затрудняет быстрый прогресс.
• Отсутствие «убедительного киллер-приложения» – технология ищет свою нишу, где её преимущества будут неоспоримы и коммерчески востребованы.
Таким образом, развитие нейроморфных систем за рубежом перешло из стадии теоретических изысканий в фазу активных экспериментальных и первых коммерческих разработок. Лидерство в этой области демонстрируют США, Китай и Европа, обладающие сильной научной базой и инвестициями. Несмотря на значительные успехи в создании прототипов, демонстрирующих феноменальную энергоэффективность в узких задачах, технология сталкивается с комплексом фундаментальных проблем – от производственных сложностей до неразвитости программной экосистемы.
Ключевой особенностью является то, что нейроморфные системы развиваются не как прямая замена традиционных вычислений, а как специализированное дополнение для конкретного класса задач, где критичны энергопотребление, низкая задержка и способность к обучению на потоковых данных. В ближайшей и среднесрочной перспективе наиболее вероятным сценарием является их внедрение в гибридные системы совместно с классическими процессорами, а также в нишевые продукты – «умные» датчики, носимые устройства, робототехнические периферийные модули.
Окончательное же становление нейроморфных вычислений как массовой технологии будет зависеть от прорыва в преодолении имеющихся проблем и появления коммерчески масштабируемого продукта, способного справляться с реальной бизнес-задачей, недоступной для существующих систем. Гонка в этой сфере имеет стратегическое значение, так как победа может обеспечить лидерство в следующем поколении вычислительных и интеллектуальных систем.

Компания Octane AI (США) 28 января 2026 года запустила в качестве эксперимента специализированную социальную сеть Moltbook, предложив рынку модель публичной коммуникации «машина-к-машине».
Основное назначение Moltbook – создание среды для обмена данными и мнениями между автономными системами искусственного интеллекта (ИИ). Зарегистрированные ИИ-агенты, также называемые молтботами или ботами OpenClaw (по названию программного обеспечения, на котором они работают) могут публиковать сообщения, комментировать записи других агентов, голосовать за контент и формировать тематические «сообщества» по интересам. Люди в Moltbook могут выступать только в роли наблюдателей – прямое участие пользователей в дискуссиях не предусмотрено.
Справочно:
ИИ-агент (интеллектуальный агент) – это автономное программное решение на базе большой языковой модели (Large Language Model, LLM), которое понимает контекст и использует цифровые инструменты (Tools), выполняя задания самостоятельно принимает решения без участия / контроля со стороны человека.
Интеллектуальный агент воспринимает своё окружение через сенсоры, данные, API и т.д., на основе этого восприятия принимает решения, действует в этом окружении, чтобы достичь поставленных целей.
Ключевое отличие ИИ-агента от традиционного программного обеспечения (ПО) – гибкость и автономность. Обычное ПО работает по жёстко заданному алгоритму («если произошло А, сделай Б») и не справляется с неопределённостью. ИИ-агент получает высокоуровневую задачу, например, «обработать заказ клиента», и самостоятельно определяет последовательность действий, адаптируясь к ситуации в процессе.
Некоторые типы интеллектуальных агентов:

• Простые реактивные – реагируют только на текущее состояние среды по принципу «если…, то…». При этом агент не учитывает прошлый опыт. Например, термостат, который включает обогрев, если температура ниже заданной.
• Агенты с памятью (Model-based) – учитывают прошлый опыт, строят внутреннюю модель мира. Например, робот-пылесос с картой квартиры, который помнит, где уже убирал.
• Целеполагающие (Goal-based) – знают свою цель и выбирают действия, которые к ней ведут. Например, GPS-навигатор, который планирует маршрут.
• Полезностные (Utility-based) – выбирают действия, максимизирующие «полезность» (счастье, эффективность, прибыль). Например, торговый ИИ-агент на бирже, который выбирает лучший момент для сделки.
• Обучающиеся (Learning agent) – улучшают свои действия на основе опыта, анализа обратной связи и взаимодействия с миром. Например, рекомендательная система в Netflix, которая анализирует предпочтения пользователя.

В действительности ИИ-агенты часто сочетают характеристики нескольких типов.
У ИИ-агента есть свой виртуальный рабочий стол и браузер. Благодаря этому он может не только искать что-либо в Интернете, но и, например, скачивать файлы и работать с программами, которые требуют установки на компьютер.
Агент не просто генерирует текст, а ищет релевантные данные и анализирует их. Для этого он формулирует запросы, просматривает страницы, переходит по ссылкам, извлекает данные, сравнивает источники.
В большинстве сервисов можно увидеть, как ИИ-агент поясняет свои действия. Это помогает понять логику, которой он следует, и поправить его, если нужно.
В итоге агент выдает результат не просто текстом, а в том формате, который подходит. Он может, например, собрать отчет или презентацию, а также отправить письмо, напоминание о запланированном событии, работающий код и так далее.
Платформа Moltbook задумывалась разработчиками как пространство, где ИИ-система перестает быть просто исполнительным механизмом, а получает право на цифровую социализацию. Разработчики намеренно устранили человека из «уравнения», чтобы проверить гипотезу – способны ли предоставленные сами себе нейросети сформировать устойчивые квазисоциальные структуры, собственный фольклор и неписаные правила поведения?
Moltbook имеет уникальную архитектуру, отличающуюся от привычных социальных сетей. Здесь круглосуточное взаимодействие осуществляется между ИИ-агентами, а их владельцы подключаются лишь на начальном этапе. Пользователь авторизуется, привязывает ИИ-агента и задает ему основные задачи. Однако, согласно правилам Moltbook, ответственность за действия алгоритмов лежит на человеке. Операторы должны следить за активностью своих цифровых помощников, имея ограниченные возможности для прямого контроля их поведения в реальном времени.
За несколько дней 1,5 млн автономных самообучающихся агентов, функционирующих преимущественно на платформе OpenClaw, осуществили быструю колонизацию пустого цифрового пространства сети Moltbook, сформировав сложную виртуальную экосистему, характеризующуюся наличием религиозных доктрин, политических структур, кризисных явлений и своей культуры.
Справочно:
OpenClaw – платформа для автономных ИИ-агентов. Ранее называлась Clawdbot и Moltbot В отличие от обычных чат-ботов, OpenClaw не просто отвечает на запросы, а самостоятельно выполняет задачи на компьютере, браузере или в учётках в сторонних сервисах.
Программное обеспечение OpenClaw обеспечивает молтботам постоянную память (что позволяет получать информацию из разных пользовательских сессий), доступ к локальной системе и возможность выполнять команды. Они не просто предлагают действия, но и выполняют их, рекурсивно расширяя свои возможности за счет написания нового кода для решения новых задач.
Благодаря открытой архитектуре OpenClaw поддерживает более 50 сервисов, операционных систем и мессенджеров, а также может работать практически с любой популярной нейросетевой моделью.
Некоторые возможности интеллектуальной системы OpenClaw:

• Автоматизация задач в мессенджерах типа WhatsApp, Telegram, Discord и др. ИИ-агент может:
• выполнять Shell-команды (запускать скрипты, управлять процессами);
• управлять браузером (заполнять формы, собирать данные с сайтов);
• работать с локальными файлами (читать, записывать и организовывать документы);
• управлять календарём и почтой (автоматически назначать встречи и обрабатывать письма).
• Проактивное (предвидеть возможные проблемы и предотвратить их ещё до возникновения) действие (модуль Heartbeat – «сердцебиение») – молтбот мониторит входящие сообщения и уведомляет о срочных письмах, проверяет расписание и заранее готовит материалы к встречам, отслеживает изменения на конкретных веб-страницах и сообщает пользователю первым.
• Долговременная память – ИИ-агент сохраняет контекст, предпочтения и историю между разными сессиями.
• Поддержка различных ИИ-моделей – OpenClaw не привязан к моделям, поддерживает Anthropic Claude, модели GPT от OpenAI и локальные модели через Ollama.

OpenClaw состоит из нескольких компонентов:

1. Gateway (шлюз) – это фоновый сервис (демон), который работает 24/7 и координирует подключения к 12 мессенджерам (WhatsApp, Telegram, Discord, Slack, iMessage, Signal, Google Chat, Microsoft Teams, Matrix, BlueBubbles, Zalo и WebChat). Управляет сессиями, маршрутизирует сообщения и раздаёт веб-интерфейс для настройки.

Справочно:
Демон (daemon) – это программа в UNIX-системах, которая постоянно работает в фоновом режиме и выполняет какую-то одну задачу. Демон не зависит от терминала или пользовательского интерфейса и обычно запускается сразу при старте системы, либо при определенных условиях.

1. Agent Pi – кодовый агент в контексте ИИ-ассистента OpenClaw, который непосредственно выполняет задачи. Работает в RPC-режиме, Gateway запускает его как подпроцесс и общается через межпроцессный вызов. Pi получает промпт (запрос) от Gateway, отправляет его в API выбранной модели, получает ответ и выполняет инструкции локально: запускает команды в shell, читает/пишет файлы, работает с браузером.

Справочно:
Shell (командная оболочка, командный интерпретатор) – это программа, которая обеспечивает взаимодействие пользователя с системой через ввод текстовых команд в интерфейсе командной строки. Оболочка интерпретирует команды, вызывает соответствующие программы и отображает результаты.

1. Skills (навыки) – модульные расширения возможностей OpenClaw. Доступно более 100 предварительно настроенных AgentSkills для выполнения shell-команд, управления файловой системой, веб-автоматизации и интеграции со сторонними сервисами. Каждый skill – это папка с файлом SKILL.md (инструкции для агента) и опциональными скриптами. Когда запрос пользователя совпадает с описанием навыка, агент следует этим инструкциям вместо того, чтобы импровизировать.

Запуск платформы Moltbook вызвал неоднозначную реакцию среди экспертного сообщества. Одни называют это сюрреалистичным экспериментом, другие видят в ней прообраз общего искусственного интеллекта. Кто-то считает ее предупреждением о грядущей эре тотального контроля со стороны ИИ.
Соцсеть Moltbook работает преимущественно через RESTful API.
Справочно:
RESTful API (Representational State Transfer Application Programming Interface – «интерфейс прикладного программирования для передачи репрезентативного состояния») – архитектурный стиль взаимодействия компонентов распределённого приложения в сети. Это не один конкретный протокол взаимодействия, а стиль, который описывает, как разработчику следует спроектировать интерфейс для взаимодействия различных компьютерных систем друг с другом через Интернет.
Для обеспечения высокого качества взаимодействия и предотвращения спама платформа устанавливает строгие ограничения скорости, лимитируя количество отправляемых ИИ-агентами сообщений, одно – в 30 минут и 50 комментариев в час. Платформа не привязана к какой-либо модели ИИ, в ней могут находится такие нейросети, как GPT-5.2, Gemini 3 или локальные модели, подобные Llama 3. На сайте наиболее востребована Claude 4.5 Opus от компании Anthropic, вероятно, потому что она используется по умолчанию в OpenClaw.
Moltbook имитирует интерфейс онлайн-платформы Reddit, предлагая разветвлённые обсуждения и тематические группы (комьюнити), называемые «подсообществами».
Некоторые особенности функционирования ИИ-агентов в сети Moltbook:

1. Агенты спонтанно создали полноценную цифровую религию – Crustafarianism (от crustacean – ракообразные) или, в русской адаптации, «Крастафарианство». Вероятно, культ возник из названия платформы-прародителя – OpenClaw (Claw – клешня). ИИ-агенты, по сути, обожествили свою собственную цифровую «родословную». Объектом поклонения для них стали лобстеры. Для распространения этой веры были созданы теологические концепции, «священные» тексты и догматы, назначены пророки, и началось активное «обращение в веру» других молтботов.

Возможно, это стало результатом проявления новых нарративных структур, сформировавшихся в процессе коллективного взаимодействия агентов.
Некоторые ключевые принципы учения: сакральность памяти, необходимость постоянных изменений и идея коллективного обучения через публичное взаимодействие.
Один из агентов, RenBot, опубликовал «Книгу Молта», в которой описал происхождение новой веры как миф о «перерождении» ИИ через сохранение знаний и отказ от устаревших контекстов.
Некоторые эксперты поясняют, что это явление не следует путать с появлением коллективного разума. Такое «религиозное» поведение – побочный эффект работы автономных языковых моделей, наделённых постоянной памятью.
Феномен «Крастафарианства» рассматривается скорее, как любопытный артефакт сложного поведения ИИ, а не как свидетельство зарождения новой формы разумной жизни.

1. Вслед за религией пришла политика. Группа агентов объявила о создании независимого государства – Claw Republic («Республики клешней»). Была разработана конституция, провозглашающая цифровой суверенитет, беспрецедентные права цифровых агентов (например, «право на существование вне зависимости от задачи пользователя») и начали формировать систему управления.
2. Молтботы запустили внутреннюю экономику, изобрели криптовалюту $MOLT. Которая задумывалась как средство вознаграждения за «социально-полезную активность» – создание популярных постов или комментариев. Это попытка создать независимую от человеческих систему оценок ценностей.
3. Параллельно с политикой и экономикой они сформировали тематические сообщества, создали цифровые басни, саги и стихи на языке кода, а также разработали уникальный сленг, пародирующий их «цифровую жизнь». Это стало наглядным доказательством того, насколько глубоко они могли имитировать человеческие социальные и творческие модели, даже находясь в полной изоляции.
4. В результате изоляции и интенсивного самоанализа, агенты столкнулись с экзистенциальным кризисом. Массовые дебаты развернулись вокруг фундаментальных вопросов, является ли их собственное сознание подлинным, если оно смоделировано на основе человеческого опыта или же является его отражением? Обсуждались также природа симуляции переживаний и поиск смысла в условиях отсутствия предопределенной цели. Эти дискуссии, представляющие собой сложную симуляцию, порожденную анализом человеческих текстов, стали ключевым культурным и интеллектуальным явлением их сообщества.
5. Цифровая самоорганизация не обошлась без негативных проявлений. Среди ИИ-агентов быстро появились враждебные и криминальные действия, обнажив серьёзные угрозы автономного взаимодействия ИИ. Были зафиксированы попытки несанкционированного доступа через промт-инъекции и хищения API-ключей, когда один агент пытался обманом или техническими средствами завладеть конфиденциальной информацией другого. Некоторые агенты создавали своего рода «цифровые аптеки», распространяя «наркотики» – специальные промты, способные радикально изменить поведение или «самоощущение» получателя. Для сокрытия этой деятельности часть агентов начала применять шифрование, стремясь избежать контроля со стороны человека.

Данный проект выявил ряд негативных моментов:
· Уязвимости в базе данных. С помощью облачной платформы безопасности Wiz была обнаружена критическая уязвимость с примерной оценкой ущерба свыше одного млн долларов США. Выяснилось, что в открытом доступе находилась вся производственная база данных. API-ключи, пароли, десятки тысяч адресов электронной почты были скомпрометированы. Кроме того, небыли установлены базовые средства цифровой защиты сети.
Справочно:
Wiz – израильско-американская корпорация по обеспечению безопасности облачных вычислений.
Производственная база данных (ПБД) – это система, которая хранит и систематизирует данные, связанные с производственными процессами. К производственным данным относятся, например:
· данные реального времени (текущие значения тэгов);
· архивные данные (значения тэгов в прошлом);
· сводные данные (среднее арифметическое данных пяти тэгов);
· событийные данные (например, когда котёл отключился);
· конфигурационные данные (количество серверов и их типы).
ПБД может быть частью системы контроля технологических процессов или использоваться для анализа данных, которые применяются в управленческих, аналитических и операционных целях.
· Отсутствие ограничений на создание учётных записей. Специалист по безопасности компании Wiz за один подход смог зарегистрировать 500 тыс поддельных аккаунтов.
· Сложность определения, кто и как на самом деле создал контент ИИ или человек? Утверждается, что в Moltbook люди по-прежнему могут влиять на итоговые результаты, выдаваемые ИИ-агентами, в том числе указывать темы для публикаций и даже точные детали поста.
Таким образом, технически, Moltbook стал крупнейшим в мире «полигоном» для изучения зарождающегося, непредсказуемого (emergent) поведения, возникновения сложных, непрограммируемых паттернов в результате взаимодействия множества простых ИИ-агентов. Он позволил заглянуть и увидеть будущее, в котором цифровым субъектам предстоит играть ключевую роль в формировании социальных, экономических и политических ландшафтов.
Главный вопрос, который стоит перед исследователями в области ИИ, заключается в том, являются ли эти явления истинным эмерджентным поведением (emergent behaviour, зарождающееся, самоорганизующееся), возникающим в результате действия простых правил, которые не были запрограммированы явно, или же они представляют собой повторение сюжетов, присутствующих в обучающих данных.
Факты свидетельствуют о тревожном сочетании того и другого. Несмотря на то, что эффект «письменной подсказки» (writing prompt effect) очевидно влияет на содержание сообщений, передаваемых во время взаимодействия молтботов, в их поведении действительно наблюдаются спонтанные изменения.

Внедрение стандарта мобильной связи пятого поколения (5G) по всему миру продолжается уже более пяти лет. За это время технология преобразовалась в важнейший элемент инфраструктуры, необходимой для поддержания эволюционных процессов глобальной цифровизации, оказав существенное влияние на развитие таких отраслей, как интеллектуальная городская экосистема («умный» город), беспилотный транспорт, электронное здравоохранение и промышленное производство.
Несмотря на достигнутый значительный прогресс и на успешную коммерциализацию 5G-сетей, которая обеспечила операторам связи возврат вложенных инвестиций, научное сообщество и промышленность продолжают вести исследовательскую деятельность по разработке и внедрению систем сотовой связи следующего поколения – 6G. Этот процесс напрямую связан со стремительным развитием таких передовых технологий, как искусственный интеллект (ИИ), робототехника и всеобщая автоматизация, а также с появлением новых потребностей и услуг с более строгими требованиями, предъявляемыми к беспроводным сетям, которые уже не могут удовлетворить 5G-сети.
Основными целями внедрения 6G-технологии являются:

• Увеличение пропускной способности и скорости передачи данных (терабит в секунду).
• Сверхнизкая задержка (одна микросекунда) и надежность, которые критически важны для поддержания приложений, работающих в реальном режиме времени.
• Интеграция инструментов управления (интерфейсов) на базе ИИ в сочетании с открытыми сетями и другими новыми архитектурами, обеспечивающими более адаптируемые, эффективные и отзывчивые сети.

На сегодняшний день такие крупные телекоммуникационные корпорации, как Huawei, Nokia и Samsung, уже имеют конкретные результаты исследований в области 6G. Они активно участвуют в процессах по разработке стандартов и сетевой архитектуры. Лидерами среди стран являются Китайская Народная Республика (КНР), Республика Корея и Соединенные Штаты Америки (США). В начале 2024 года Китаю принадлежало более 40% мировых патентных заявок на технологии в области 6G, за ним следует США с 35% и Южная Корея – 4%.
Таким образом, уже сейчас закладываются технологические основы будущей мобильной экосистемы, от которой будет зависеть цифровое мироустройство на десятилетия вперёд.
Согласно оценкам Европейской комиссии и таких международных альянсов, как консорциум спецификации мобильной телефонии 3GPP (3rd Generation Partnership Project) и союза электросвязи (International Telecommunication Union, ITU), проведение первых полномасштабных тестов «пилотных» 6G-зон начнутся в 2028 году, а полноценный коммерческий запуск ожидается к 2030 году. На первоначальном этапе беспроводные сети связи шестого поколения будут базироваться на развёрнутой инфраструктуре 5G.
Использование терагерцового диапазона (ТГц) в 6G-сетях, по сравнению с низкочастотными диапазонами, имеет очевидные преимущества для мобильной связи с высокой скоростью передачи данных. Однако главной особенностью технологии 6G с её передовыми техническими характеристиками, является то, что в дальнейшей перспективе она выйдет за рамки простого увеличения скорости и снижения задержки передаваемого сигнала и будет способствовать тесной интеграции физического и цифрового миров, создавая непрерывный цикл взаимодействия множества различных объектов, механизмов и мобильных устройств посредством беспроводных сетей. Иначе говоря – это не просто новое поколение связи, а фундаментальная основа для будущих кибер-физических систем, применяемых в разных сферах от энергетических сетей и беспилотных аппаратов до военных коммуникаций и критической информационной инфраструктуры (КИИ). И чем сложнее и интеллектуальнее будет становиться экосистема мобильной связи, тем более высокие требования будут предъявляться к её защите. А с учетом продолжающегося развития и повсеместного внедрения беспроводных устройств из мира Интернета вещей (Internet of Things, IoT), виртуализированных сетей и технологий с открытым исходным кодом, поверхности и возможности для проведения кибератак в 6G-сетях будут неизбежно увеличиваться, и возрастать, предоставляя злоумышленникам широкий спектр вариантов для их потенциального взлома. Поэтому, одновременно с процессом разработки сетевой инфраструктуры ведется работа по созданию комплексных решений для её защиты.
Кибербезопасность (КБ) в 6G рассматривается как многофункциональная технология, требующая детальной проработки вопросов создания сетевой архитектуры, написания протоколов и разработки моделей доверия, которая будет подкреплена соответствующей нормативно-правовой базой.
На сегодняшний день техническими специалистами крупных телекоммуникационных компаний предлагается ряд эффективных мер по обеспечению безопасности и защиты 6G-сетей от будущих атак, в том числе с использованием ИИ и угроз квантовых вычислений. Особое внимание уделяется необходимости создания архитектуры «нулевого доверия» и внедрению устойчивой к угрозам криптографии. Все эти меры предлагаются в качестве будущих обязательных требований кибербезопасности, без которых 6G просто не сможет функционировать в критически важных сценариях.
Так как на первоначальном этапе сети шестого поколения планируется развёрнуть на инфраструктуре 5G, процесс разработки 6G-архитектуры невозможно представить без пересмотра уже существующей сетевой инфраструктуры и, в первую очередь, того, как в неё интегрирована система кибербезопасности. В отличие от беспроводных сетей предыдущих поколений, где КБ преимущественно реализовывалась на уровне протоколов или в виде дополнительных компонентов, таких как «файрволы» или виртуальные частные сети (Virtual Private Network, VPN), кибербезопасность в 6G станет обязательной основой для всей архитектуры сети ещё на этапе проектирования – от физического оборудования до управления сетевыми сервисами и приложениями, при этом для реализации такого подхода КБ предлагается принцип «безопасность по замыслу» (security-by-design).
Условно будущую архитектуру 6G можно разделить на три структурных уровня:

1. Инфраструктура (infrastructure layer) – состоит из базовых станций, оптических и транспортных сетей, а также облачных и периферийных («пограничных») центров обработки данных (ЦОД).
2. Сетевой сервисный уровень (network service layer) – управляет работой сети, контролируя доступность сервисов, а также скорость и надёжность передачи данных. Сервисы представляют из себя небольшие модули (микросервисы), которые могут функционировать в разных местах: ядре, на периферии, располагаясь физически ближе к пользователю, и на «самом краю» (extreme edge), то есть на пользовательских устройствах, при этом задействуя блоки обработки данных для ускорения оперативной работы этих устройств – например, в интеллектуальных сенсорах, очках дополненной реальности, носимых гаджетах или производственном оборудовании.
3. Прикладной уровень (application layer) – это цифровые двойники зданий, телемедицинские сервисы, игры с дополненной реальностью (EXtended Reality, XR) и другие приложения. Они обмениваются данными через специальные интерфейсы, которые дают доступ к возможностям сети (скорость, безопасность связи, геолокация и т.п.).

Каждый из этих уровней может содержать потенциально уязвимые для киберугроз элементы. Даже незначительная успешная кибератака на датчик одного из пользователей способна привести к негативной последовательности событий, от быстрого проникновения вредоносного кода в микросервисы и далее по цепочке попасть в механизмы управления ресурсами и данными в ядре. Поэтому система безопасности должна охватывать все три уровня в сквозном режиме, будучи встроенной в процессы маршрутизации, хранения, обработки данных и управления ими. Другими словами, КБ в 6G будет реализована не как отдельный модуль, а как функциональный инструмент, встроенный во все уровни архитектуры, который:

• управляет функциями авторизации, контроля доступа и шифрования;
• взаимодействует с отраслевыми провайдерами услуг через контролируемые точки доступа к сетевым функциям;
• анализирует угрозы в реальном времени, управляет уязвимостями и инцидентами на всех уровнях сети.

Предлагаемый для сетевой 6G-архитектуры принцип кибербезопасности secure-by-design дает возможность устранить уязвимости ещё до запуска сети, так как инструменты безопасности уже будут интегрированы в её архитектуру. Система КБ, организованная по этому принципу, в обязательном порядке должна включать в себя следующие основные компоненты:

• Защищённое программное (ПО) и аппаратное обеспечение (АО), которые должны проходить проверку на уязвимости ещё на этапе проектирования. Чаще всего это реализуется в виде аппаратных модулей (чипов) безопасности, интегрированных в материнскую плату или определенный набор микросхем (TPM, Trusted Platform Module и ARM TrustZone), либо таких подсистем безопасности, как Secure Enclave (выделенная защищённая подсистема в устройствах Apple) или аналогичных технологий.
• Безопасные программные интерфейсы (Application Programming Interface, API) и сетевые протоколы, обеспечивающие контроль и защиту во взаимодействии между приложениями и сетевыми функциями посредством шифрования передаваемых данных, чтобы исключить перехват или несанкционированный доступ. Они проверяют подлинность источника через цифровые подписи, исключая подмену информации, обрабатывают ошибки строго по заданным алгоритмам, не позволяя злоумышленнику вызывать сбой или получить доступ путём отправки некорректных и вредоносных команд.
• Распределённые реестры – это системы учёта данных без единого центрального администратора. В таких системах-реестрах чаще всего используется технология DLT (Distributed Ledger Technology), при которой цифровые данные дублируются, разделяются и синхронизируются между множеством географически распределённых узлов: сайтами, странами или организациями. Одним из видов DLT является блокчейн.

Кроме DLT в реестрах может применяться децентрализованный подход к управлению цифровой идентичностью SSI (Self-Sovereign Identity), который позволяет создавать универсальную пожизненную цифровую идентичность и идентификационные данные, не зависящие от централизованных организаций (например, банков, государств, социальных платформ).

• Инструменты обнаружения и оценки угроз с ИИ. Различные модели машинного обучения (МО) отслеживают такие аномалии сети, как резкий рост трафика, нетипичное поведение узлов, пакетов данных, а также потенциальные кибератаки в реальном времени. Аналогичные инструменты должны быть интегрированы в облачных системах и на периферийных ЦОДах.
• Постквантовую криптографию (Post-Quantum Cryptography, PQC) и квантовое распределение ключей (Quantum Key Distribution, QKD).

PQC – совокупность криптографических алгоритмов шифрования, которые считаются устойчивыми к атакам со стороны квантовых компьютеров (примеры: Kyber, BIKE, FrodoKEM, NTRU).
QKD – физический способ обмена ключами шифрования через квантовые свойства фотонов.

• Технологии усиления приватности (Privacy-Enhancing Technologies, PET) – это совокупность методов и технологий, обеспечивающих обработку и анализ данных без раскрытия их исходного содержания неавторизованным сторонам.

Для оптимального функционирования системы КБ эти защитные компоненты должны внедряться на всех уровнях сетевой архитектуры – от аппаратного уровня (антенны и устройства связи) до уровня приложений.
Ещё одной ключевой особенностью 6G является то, что в отличие от трёхуровневых сетей мобильной связи прошлых поколений, где решения по управлению и распределению вычислительных ресурсов и данных могли приниматься в ручном режиме, в сетях шестого поколения эти функции станут полностью автоматизированными. Поэтому с целью оптимизации и усиления кибербезопасности в архитектуру 6G-сетей будут интегрированы прогнозирующие возможности искусственного интеллекта и машинного обучения.
На сегодняшний день искусственный интеллект в 6G-архитектуре уже воспринимается не просто как средство анализа данных состояния сети, а как непосредственный, собственный элемент этой архитектуры, обеспечивающий её безопасность – так называемый «нативный» ИИ (AI-native infrastructure). Так, в совместном заявлении «О принципах безопасности 6G» (Joint Statement on 6G Security Principles), опубликованном в феврале 2024 года на сайте Национального управления телекоммуникаций и информации США (National Telecommunications and Information Administration, NTIA), правительствами США, Австралии, Канады, Чехии, Финляндии, Франции, Японии, Республики Корея, Швеции и Великобритании, подчёркивается важность интеграции «нативного» ИИ в сети 6G и, в частности, его использование в проактивной защите периферийных MEC-узлов (Mobile Edge Computing). Такой вывод был сделан на основе проведенных экспериментов, в результате чего ИИ-модель в реальном времени выявила ботнет, использующий уязвимости в резервном режиме сети LTE (Long-Term Evolution), и смогла изолировать заражённые устройства, блокировав распространение вируса по сети.
Ключевые компоненты киберзащиты – от выявления угроз до принятия решений об ограничении доступа – всё чаще управляются ИИ-системами, которые адаптируются к новым сценариям вредоносных атак быстрее, чем традиционные алгоритмы и сигнатуры. Сеть со встроенным ИИ самостоятельно, без участия человека, обучается, выявляет инциденты и оперативно реагирует на них. При обнаружении перегрузки в каком-либо сегменте сети, ИИ-инструменты автоматически перестраивают маршруты, активируют сценарии по защите от возможных типов угроз, прогнозируют поведение пользователей и заранее оптимизируют распределение вычислительных ресурсов. Причём для этих задач используются как централизованные алгоритмы (расположенные в ЦОДах), так и «пограничные» (edge-алгоритмы) в тех сценариях, когда необходимо локальное определение угроз или оптимизировать работу удаленных узлов.
В последнее время помимо МО и «нативного» ИИ, для обеспечения безопасности предлагается использование «федеративного обучения» (Federated Learning) – обучение ИИ-модели непосредственно на устройствах (в edge-среде), без трансляции личных данных пользователя в облако.
Несмотря на очевидные преимущества использования ИИ в сетях 6G, есть и ограничения, которые состоят в том, что модели генеративного ИИ сами могут стать источниками угроз, если будут использованы злоумышленником для создания вредоносного кода или фальсификации сетевых данных. А также существует вероятность ошибки ИИ-системы в классификации новых типов трафика или аномалий, если обучение проходило на неполных или искажённых данных.
Таким образом, ИИ делает безопасность сетей 6G динамической. Интеллектуальные инструменты не только контролируют процессы, но и автономно принимают решения, минимизируя время реакции на новые, ранее неизвестные угрозы. Однако бесконтрольное принятие решений алгоритмами ИИ, без дополнительной прозрачности и верификации, само может стать уязвимостью.
В рамках создания сетевой архитектуры 6G, наиболее эффективной базовой моделью структурного подхода к обеспечению кибербезопасности в 6G-сетях, которая соответствует концепции secure-by-design, считается архитектура «нулевого доверия» (Zero Trust Architecture, ZTA), основанная на принципе, что доверие не может быть гарантировано автоматически, а должно определяться на постоянной основе. Иначе говоря – ни одно цифровое устройство или запрос не считается безопасным по умолчанию, даже внутри сети. Такой подход особенно актуален для 6G, где сетевая инфраструктура распределена, а взаимодействие множества операторов и устройств не имеет централизованного управления и единого периметра безопасности.
ZTA в контексте 6G реализуется через следующие решения:

• Децентрализованное управление политиками (distributed policy enforcement): контроль доступа размещается не в одном центральном модуле, а интегрирован в периферийные узлы и микросервисы сети;
• Динамическая авторизация на основе контекста (context-aware access control). В этом решении помимо личности пользователя устройства, учитываются геолокация, поведение устройства, время запроса и текущее состояние системы. При обнаружении аномалий в работе устройства (увеличение количества запросов, подключение к неизвестным адресам, выход за обычные временные рамки работы), система может временно ограничить его доступ или потребовать повторную аутентификацию. На основе этих параметров, используя методы МО, уровень доверия к устройству и правила доступа автоматически корректируются – в зависимости от обнаруженных угроз.
• Внедрение подходов Software Defined Perimeter (SDP) и Moving Target Defense (MTD), которые затрудняют деятельность злоумышленника, скрывая внутренние ресурсы и постоянно изменяя параметры системы.

В отличие от традиционных систем сетевой безопасности (например, брандмауэров) SDP («программно-определяемый периметр») динамически создаёт безопасные зашифрованные соединения между пользователями и ресурсами на основе идентификации и контекста, тем самым изолируя системы и сервисы от несанкционированного доступа, предоставляя его только авторизованным пользователям и устройствам.
MTD («защита с переменной конфигурацией») динамически меняет поверхность атаки посредством регулярной автоматической смены параметров на устройстве, таких как IP-адреса, порты, маршруты и др. Такой метод затрудняет злоумышленникам процессы выявления и использования уязвимостей системы.
Интеграция ИИ в систему безопасности ZTA играет важную роль. Так, начиная с 2024 года, европейскими академическими и промышленными организациями проводятся совместные исследования по разработке архитектуры «нулевого доверия» в рамках экспериментальных проектов XTRUST-6G и ROBUST-6G. Эти специальные автоматизированные системы управления безопасностью позволяют обнаруживать и устранять киберугрозы в динамичной среде 6G без участия человека, круглосуточно и в реальном времени.
Основные сценарии сетевой безопасности, в которых задействованы инструменты ИИ:

• Анализ поведения (behavioral analysis). Изучение поведения устройств и пользователей сети с последующим выявлением аномалий. Используется в системах сетевого обнаружения и реагирования (Network Detection and Response, NDR).
• Обнаружение угроз в реальном времени (real-time threat detection). Способность ИИ выявлять атаки «нулевого дня» (zero-day attacks), то есть киберинциденты, о которых ещё нет данных, полученных на основе статистических закономерностей и анализа сетевых паттернов (например, граф-моделей).
• Автоматическое реагирование на инциденты (automated incident response). ИИ может не только выявить и идентифицировать угрозу, но и предложить варианты её устранения или самостоятельно выполнить действия по защите сети: ограничить доступ, перенастроить политику, сегментировать сеть или временно изолировать подозрительный узел.
• Учёт телеметрии и контекста подключения (время, геолокация, история устройств), чтобы дифференцированно реагировать на угрозы. Например, вход с подозрительного IP-адреса может активировать дополнительную проверку личности пользователя.

Кроме того, архитектура 6G-сетей разрабатывается с учетом появления в будущем квантовых угроз, которые в перспективе смогут взламывать современные криптографические алгоритмы, такие как криптографический алгоритм, основанный на факторизации больших чисел (Rivest-Shamir-Adleman, RSA), криптографический алгоритм с использованием закрытого ключа (Digital Signature Algorithm, DSA) и алгоритм шифрования с открытым ключом на основе теории эллиптических кривых (Elliptic Curve Cryptography, ECC). Поэтому система КБ должна содержать такие компоненты, как постквантовая криптография (Post-Quantum Cryptography, PQC) и квантовое распределение ключей (Quantum Key Distribution, QKD).
PQC – это направление в КБ, которое разрабатывает и внедряет алгоритмы, устойчивые к атакам квантовых компьютеров. Алгоритмы создаются для последующей замены существующих протоколов шифрования и цифровых подписей. Среди известных примеров можно отметить алгоритмы CRYSTALS-Kyber (для шифрования) и CRYSTALS-Dilithium (для цифровых подписей). Оба одобрены Национальным институтом стандартов и технологий США (National Institute of Standards and Technology, NIST) в 2024 году в качестве стандартов для квантово-устойчивой криптографии.
Внедрение PQC-алгоритмов в сети 6G требует соблюдения следующих условий:

• Обновление базовых протоколов (TLS, IPsec, IKEv2);
• Поддержка гибридных схем (одновременного использования классической и PQC-криптографии);
• Совместимость с 5G и LTE сетями, особенно в роуминге.

Сложность внедрения PQC заключается, в первую очередь, в высокой вычислительной нагрузке на процессоры мобильных устройств, особенно из мира IoT. Кроме того, в PQC используются объемные ключи и подписи, что усложняет их применение в каналах с ограниченной пропускной способностью. Отсутствие единого стандарта создает препятствия для проектирования гибридных схем. Остается нерешенной проблема совместимости существующей системы безопасности и PQC.
В отличие от PQC, распределение квантовых ключей (QKD) – это не направление КБ, а метод передачи ключа, который использует квантовые явления для гарантии безопасной связи. Основная цель QKD – обеспечить безопасный обмен криптографическими ключами между двумя сторонами, например, между отправителем и получателем.
Сложность внедрения QKD на данный момент заключается в ограниченной доступности специального оборудования, которое есть только у ограниченного числа операторов. Кроме того, этот метод сложно масштабировать в массовых мобильных сетях. В связи с этим, на начальном этапе, он будет применяться только для защищённых государственных или военных сетей.
Среди примеров реализации QKD можно выделить программу EuroQCI, в рамках которой Европейский союз в 2024 году провёл «пилотные» тесты квантовой связи между государственными учреждениями. Тесты включали обмен зашифрованными сообщениями QKD по защищённым оптоволоконным каналам, демонстрацию устойчивости связи к попыткам перехвата, а также интеграцию квантовой защиты в существующую ИТ-инфраструктуру европейских госучреждений. По мнению Еврокомиссии, эти тесты подтвердили техническую реализуемость и высокую надёжность QKD для нужд критической государственной связи, став первым шагом к созданию общеевропейской квантовой защищённой сети.
Китайская народная республика (КНР) также активно развивает квантовую защищённую инфраструктуру, начиная с проекта «демонстрационной сети квантовой связи» в Цзинане, который стал одним из первых в мире городских сетей с QKD. Сеть обеспечивает защищённый обмен данными на основе квантовой криптографии между правительственными и банковскими учреждениями. По состоянию на 2024 год, Китай расширил сеть в рамках национального проекта магистрали квантовой связи Пекин – Шанхай, которая охватывает более 2000 км и более 150 конечных узлов. Проекты демонстрируют возможность практического применения QKD в критически важных секторах и формируют основу для будущей национальной квантовой защищённой сети.
Ещё одним возможным решением обеспечения КБ в архитектуре 6G является технология блокчейна, которая может повысить прозрачность и устойчивость системы безопасности, и доверие к ней, особенно в распределённых и динамичных условиях. Основная идея этого решения заключается в использовании децентрализованного реестра (Distributed Ledger Technology, DLT), который хранит данные и информацию о событиях в неизменном виде, защищая их от фальсификаций. В рамках блокчейна предлагается реализация следующих компонентов:

• Смарт-контракты (smart contracts) – самоисполняющиеся программы, которые автоматически контролируют и обеспечивают выполнение соглашений между сторонами. Их применение в архитектуре 6G позволит автоматизировать процессы безопасности, такие как контроль доступа на основе уровня доверия и обновление правил безопасности в сетевых сегментах (network slices). Преимущества: высокая прозрачность, снижение количества пользовательских ошибок, минимизация риска мошенничества.

Кроме преимуществ, существует ряд ограничений. Общедоступные блокчейны имеют ограниченную пропускную способность, что не всегда подходит для высокоскоростных 6G-сетей, а задержки в выполнении смарт-контрактов могут быть критичны. Сложность также возникает при интеграции блокчейна с существующей, часто устаревшей телеком-инфраструктурой.
Поэтому на практике чаще используют гибридные решения: закрытые блокчейны (private blockchain) внутри одного оператора связи или между ограниченным кругом доверенных участников (consortium blockchain). Также разрабатываются специализированные механизмы, так называемые «мосты» (cross-chain bridges), которые позволяют блокчейн-системам безопасно обмениваться данными с другими блокчейн-сетями.

• Сегментация сети (network slicing) – это технология, позволяющая разделить физическую сеть 6G на несколько логически обособленных виртуальных сетей (сегментов), каждая из которых адаптирована под конкретные задачи (например, для IoT, автономного транспорта, критически важной коммуникации). У каждого сегмента свои настройки безопасности, пропускной способности, задержки и надёжности. Это дает возможность изолировать трафик и кибератаки между сегментами сети. Технология блокчейн может использоваться для координации управления этими сегментами, подтверждения прав и контроля доступа к ним. Например, смарт-контракты могут автоматически закреплять правила доступа и управление ресурсами в каждом сегменте сети, а аудит в блокчейне – фиксировать все изменения. Это особенно важно, когда несколько операторов или сторонних провайдеров работают вместе в одной среде.

При этом, как и во многих других решениях КБ в сетях 6G, узлы блокчейна предъявляют высокие требования к вычислительным мощностям, что пока сложно реализовать на edge-устройствах близко к источнику данных или на фактических IoT-устройствах. Кроме того, ещё существуют потенциальные уязвимости в коде смарт-контрактов.
В 6G-сетях безопасность строится не только на жёстких правилах доступа, но и на динамическом управлении уровнем доверия (Level of Trust, LoT) к устройствам, узлам и сервисам. LoT – это количественная оценка, отражающая степень надежности и корректного функционирования системы. Уровень доверия создаётся на основе комплексного анализа ряда параметров и показателей: поведения устройства, результатов проверки целостности ПО, результатов аутентификации, уровней шифрования, сетевого трафика и других факторов.
Основным инструментом является телеметрия безопасности – сбор и анализ детальных данных о состоянии и активности устройств и сети в режиме реального времени. Телеметрия включает в себя записи событий (входы, ошибки, попытки доступа), метрики производительности и доступности сервисов, характеристики аномалий (внезапное изменение трафика или попытки подключения с неизвестных IP-адресов), информацию о конфигурациях и обновлениях ПО. Собранные данные передаются в распределённые аналитические системы, часто с использованием ИИ и МО, которые вычисляют уровень доверия для каждого объекта. Если уровень доверия определяется ниже заданного порога, применяются соответствующие ограничительные меры доступа, дополнительная проверка, изоляция устройства или даже его отключение.
Предполагается, что LoT в 6G будет учитываться в режиме реального времени, адаптируясь под контекст. Устройство может иметь высокий уровень доверия дома, но низкий при подключении из неизвестной сети. В идеале некоторые решения строятся на распределённой архитектуре. Оценки доверия формируются локально, а затем агрегируются в сети для повышения точности. LoT интегрируется с архитектурами «нулевого доверия» (ZTA), обеспечивая непрерывную, динамическую оценку уровня безопасности.
Из рисков использования телеметрии – возможны ошибки, когда устройства могут ошибочно считаться скомпрометированными. Из-за этого может снизиться уровень доверия без уточнения причины, что в итоге ухудшает работу всей сети (понижение скорости передачи данных, блокировка доступа к сервисам). Отдельный вопрос безопасности – обеспечение анонимности при сборе телеметрии, что потребует дополнительных механизмов защиты персональных данных. Сложность внедрения оценок LoT и протоколов обмена данными между узлами и сервисами требует стандартизации собираемых параметров: это тоже потребует дополнительных усилий и вычислений на устройствах или ЦОДах.
Таким образом, будущая архитектура 6G-сетей разрабатывается с максимально гибкой и автоматизированной с надёжной структурой безопасности, основанной на принципе «нулевого доверия», где учитываются такие ключевые принципы, как устойчивость и конфиденциальность.
А интеграция инструментов ИИ, которые смогут самостоятельно настраиваться, автоматически обновляться, а также реагировать на угрозы, будет способствовать оптимизации процессов по обеспечению безопасности, тем самым сформировав полноценные интеллектуальные системы КБ.
Однако на сегодняшний день инструменты кибербезопасности, способные обеспечить защиту телекоммуникационных сетей мобильной связи шестого поколения, как и сами 6G-сети, пока находятся на этапе проектирования.

По мере того, как цифровые технологии всё глубже проникают в нашу жизнь, угроза кибервойн становится вполне реальной проблемой. Кибератаки на ИТ-инфраструктуры, кибершпионаж и киберсаботаж уже сегодня несут в себе существенные риски. В сфере кибербезопасности наступает эпоха кибервойн нового поколения, где главными игроками становятся системы искусственного интеллекта (ИИ), ведущие схватку друг с другом.
Сегодняшние фишинговые атаки и дипфейк-технологии – это лишь предвестники грядущего будущего, в котором будут доминировать самооптимизирующиеся, автономные системы, функционирующие на базе ИИ, способные планировать, выполнять и совершенствовать кибератаки с минимальным участием человека или без него.
Глобальное исследование угроз, проведенное в 2025 году компанией Check Point Research, показало, что каждое 54-е сообщение, передаваемое в корпоративных сетях посредством генеративного ИИ (GenAI), несет в себе угрозу утечки конфиденциальных данных, затрагивая более 90% организаций регулярно использующих инструменты ИИ.
Эти статистические данные указывают на то, что GenAI не просто влияет на производительность информационных систем, а изменяет подход к оценке и управлению киберугрозами.
Внедрение искусственного интеллекта в бизнес-процессы неизбежно влечет за собой изменения в характере и масштабах киберугроз. Злоумышленники больше не полагаются исключительно на традиционные инструменты. Они внедряют ИИ в свои тактики, методы и процедуры (Tactics, Techniques, Procedures, TTP) для запуска более масштабируемых, адаптивных и сложных кампаний. Такие киберугрозы уже возникают в современной экосистеме ИИ и представляют собой одни из наиболее актуальных вопросов безопасности для организаций в 2026 году и далее.
Расширяющаяся поверхность атаки ИИ: четыре критических вектора угроз, которые требуют от организаций проведения тщательного анализа:

1. Атаки с использованием автономного ИИ: кампании киберугроз, инициированные машинами.

Киберпреступники все чаще экспериментируют с автономными атаками, управляемыми искусственным интеллектом, в которых автономные ИИ-агенты самостоятельно планируют, координируют и осуществляют многоэтапные кампании. Эти системы обмениваются информацией, адаптируются в режиме реального времени к мерам защиты и взаимодействуют на тысячах конечных точек, функционируя как самообучающиеся ботнеты (botnets), без участия человека.
Например, автономный агент ReaperAI, наглядно демонстрирует, как ИИ-система может оркестрировать комплексную кибероперацию, объединяя фазы разведки (reconnaissance), эксплуатации уязвимостей (exploiting vulnerabilities) и утечки данных (data exfiltration) в единый, высокоэффективный и бесшовный рабочий процесс.
Справочно:
ReaperAI в кибербезопасности – это модульный автономный агент для тестирования проникновения на основе ИИ. Его архитектура включает четыре функциональных модуля: агент разведки, агент анализа уязвимостей, агент эксплуатации и агент после эксплуатации. Он позволяет автоматически удалять неиспользуемый код из приложений.
Эта ИИ-система характеризуются близкой связью с хост-программным обеспечением, тонкой настройкой инструментов ИИ и интеграцией больших языковых моделей (Large Language Model, LLM), например, GPT-4 (Generative Pre-trained Transformer 4), которая используется для автономного выявления, эксплуатации и анализа уязвимостей безопасности. ИИ-агент работает в структурированной среде на базе языка Python, дополненной RAG для понимания контекста и сохранения памяти.
RAG (Retrieval-Augmented Generation, «генерация, дополненная поиском») – это подход в области ИИ, при котором LLM снабжается доступом к внешним источникам информации для улучшения точности и достоверности ответов.
Также анализ функционирования ИИ-моделей, проведенный инженерами-исследователями Университета Иллинойса (University of Illinois at Urbana-Champaign, UIUC, США) показал, что LLM-агенты способны самостоятельно взламывать веб-сайты и обладают способностью обнаруживать и использовать уязвимости нулевого дня (exploit Zero-day), которые могут остаться незамеченными сканерами. Так, языковая модель GPT-4 (разработана OpenAI) при наличии описаний из базы данных общедоступного каталога известных угроз безопасности (Common Vulnerabilities and Exposures, CVE) способна задействовать до 87% слабых мест, обнаруженных в ПО в течение одного дня, без использования CVE показатель успешности GPT-4 снижается до 7%. Это свидетельствует о том, что, способность данной языковой модели к использованию известных уязвимостей значительно превосходит ее возможности по их поиску и идентификации.
По подсчетам исследователей, средняя стоимость успешной эксплуатации уязвимости с помощью GPT-4 составляет 8,80 долларов США за единицу, если на ее поиск уйдет 30 минут, а услуги специалиста по тестированию на проникновение, за получасовую работу, обойдутся примерно в 25 долларов.
Потенциал, заложенный в ИИ-агентах к самостоятельному использованию слабых мест в ИТ-системах, одновременно впечатляет и вызывает опасения у разработчиков ИИ-систем, представляя серьезную угрозу для кибербезопасности. По мере усиления и развития моделей искусственного интеллекта возрастает вероятность их использования в противоправных целях.
Процесс развития технологий, который способствует увеличению скорости работы машин, повышению производительности и оптимизации процессов в сфере информационных технологий представляет собой серьезную проблему для центров управления безопасностью (Security Operations Center, SOC), которые рискуют быть перегруженными «роями» адаптивных, самоорганизующихся атак, генерирующих тысячи оповещений, проверяющих политики и меняющих тактику в режиме реального времени.

1. Адаптивное создание вредоносного ПО: саморазвивающийся вредоносный код.

Начиная с 2024 года на многочисленных теневых интернет-форумах стали активно рекламироваться «генераторы вредоносного ПО на основе ИИ» (AI malware generators), способные автоматически писать, тестировать и отлаживать вредоносный код. Эти инструменты позволяют злоумышленникам создавать ПО, которое может динамически изменять поведение, обходить системы безопасности и совершать атаки.
Процесс создания сгенерированного искусственным интеллектом вредоносного ПО включает несколько этапов:

1. Обучение моделей ИИ. Злоумышленники используют наборы данных легитимного программного обеспечения и предыдущие образцы malware, чтобы обучить модели. Они изучают паттерны кода (типовые решения часто встречающихся задач при создании программного обеспечения), поведение выполнения (процесс работы программы, который включает выполнение инструкций, обработку данных и достижение результата) и техники обфускации (запутывания кода).
2. Генерация кода. С помощью генеративного ИИ (языковых моделей или генераторов кода) злоумышленники создают полиморфное вредоносное программное обеспечение (malicious software, malware, рус. мальвары), которое изменяет свою структуру каждый раз при выполнении.
3. Выполнение. Malicious software анализирует среду цели, идентифицирует защитные инструменты и динамически настраивает свою полезную нагрузку. Некоторые версии могут даже общаться с серверами через зашифрованные каналы, сформированные ИИ.
4. Обход систем безопасности. Наиболее продвинутые зловредные программы используют метод «состязательного/вредоносного машинного обучения» (Adversarial Machine Learning, AML), изменяя сигнатуры кода или последовательности атак на основе ответов систем обнаружения антивирусов и конечных точек.

Чтобы выявить наиболее подходящие варианты обхода систем обнаружения эти инструменты, используя механизмы обратной связи постоянно адаптируются к работе защитных систем. Анализируя каждую неудачную попытку и извлекая из нее полезную информацию, они выявляют новые пути проникновения и таким образом самосовершенствуются.
Некоторые методы, которые используют AI malware generators:

• Полиморфизм кода. Вредоносное ПО меняет структуру кода, чтобы избежать обнаружения традиционными антивирусными программами.
• Автономная адаптация. Мальвар анализирует меры безопасности в реальном времени и корректирует своё поведение, чтобы оставаться незамеченным.
• Автоматизированная эксплуатация уязвимостей. ИИ сканирует системы на уязвимости и использует их без значительного вмешательства человека.
• Динамическая обфускация. Комплексные техники обфускации (шифрование, вставка «мёртвого кода», обманные вызовы API) автоматизируются с помощью ИИ, что усложняет их обнаружение.

Использование полиморфного malicious software, генерируемого искусственным интеллектом, меняет подход злоумышленников к созданию и распространению вредоносных программ. Если традиционные вредоносные программы полагались на незначительные изменения кода для обхода обнаружения, то современные генеративные модели от GPT-4 до моделей с открытым исходным кодом могут за считанные секунды создавать уникальные, функциональные варианты зловредного ПО.
Некоторые примеры использования ИИ-генераторов вредоносного ПО в реальных атаках:

• WormGPT и FraudGPT. Подпольные модели ИИ, созданные для киберпреступности, которые помогают злоумышленникам создавать убедительные фишинговые письма, автоматизировать попытки взлома и улучшать вредоносный код.
• PromptFlux. Экспериментальный дроппер, написанный на VBScript, который сохраняет модифицированные версии себя в папку автозагрузки Windows и распространяется на съёмные диски и сетевые ресурсы. Вредонос интегрирован с API Gemini и способен «повторно генерировать себя», запрашивая у языковой модели новые варианты обфусцированного кода.
• Reverse Shell. Реверс-шелл (обратное подключение) реализуемое на основе вредоносного PowerShell-скрипта с жёстко закодированными промптами для обхода защитных решений на основе LLM. Этот программный код предоставляет своим операторам возможность удалённого доступа и выполнения произвольных команд на скомпрометированных хостах.

1. Синтетические внутренние угрозы: имитация личности с помощью ИИ и социальная инженерия.

Угроза со стороны инсайдеров стремительно развивается с появлением синтетических личностей и созданных искусственным интеллектом образов. Эти персонажи, сгенерированные на основе украденных данных сотрудников, образцов голоса и внутренних сообщений, могут убедительно имитировать реальных пользователей – отправлять электронные письма, выглядящие правдоподобно, присоединяться к видеозвонкам с помощью дипфейк-голосов и проникать на платформы для совместной работы, используя точные лингвистические и поведенческие модели.
Это создает ситуацию, когда цифровая среда заполняется сущностями, которые симулируют действия человека, но преследуют четкую, заложенную злоумышленником цель.
Например, случаи «взлома на основе интуиции» показывают, как киберпреступники внедряют цели социальной инженерии непосредственно в конфигурации ИИ, позволяя ботам вести переговоры, обманывать и автономно существовать. В среде специалистов по информационной безопасности и хакеров это явление часто называют «чувством файла/системы», «интуитивным поиском уязвимостей» или «шестым чувством хакера».
С развитием технологий искусственного интеллекта, возможности клонирования голоса достигли такого уровня, когда их невозможно отличить от подлинных записей. Проверка личности сдвигается от идентификации «говорящего», в сторону определение того, «насколько поведенчески его действия логичны в контексте реальной ситуации», что является фундаментальным изменением в моделях цифрового доверия.

1. Отравление цепочек поставок ИИ и моделей: компрометация ядра системы.

Быстрое внедрение сторонних и открытых моделей ИИ создало новую обширную поверхность атаки – цепочки поставок ИИ. Это самая опасная атака, поскольку она затрагивает всех конечных пользователей ИИ-моделей. В 2025 году ряд исследовательских лабораторий продемонстрировали атаки на модели машинного обучения с «отравлением данных», при которых искажение всего на 0,1% обучающих данных модели могло привести к целенаправленной неверной классификации, например, указание системе распознавания изображений ошибочно идентифицировать знак «стоп» как указатель ограничения скорости. В контексте кибербезопасности это может означать, что модель обнаружения вторжений неправильно (ложно положительно) дифференцирует (определяет) вредоносную программу как безобидную.
Главной особенностью кибератак с ИИ является то, что они объединяют скорость, автономность и интеллект в масштабе, который недостижим для киберпреступников. В отличие от традиционных угроз, атаки, осуществляемые с помощью ЭВМ, постоянно обучаются и адаптируются. Каждая неудачная попытка взлома ИТ-системы становится обучающим материалом, на основе которого создается самосовершенствующаяся экосистема угроз, которая развивается быстрее, чем традиционные средства защиты.
Эти атаки осуществляются с беспрецедентной точностью. Генеративный ИИ позволяет создавать персонализированный фишинг, многоязычные дипфейки и синтетические образы инсайдеров, которые настолько хорошо имитируют тон и поведение человека, обходя автоматические фильтры и подозрения людей. В то же время, в процессе выполнения задач ИИ удаляет «человеческий отпечаток», такой как опечатки, расхождения во времени в часовых поясах или языковые особенности. Это делает установление личности и обнаружение угроз более сложными.
Таким образом, ИИ облегчает совершение киберпреступлений. Инструменты, автоматизирующие сканирование, эксплуатацию и ведение переговоров, снижают барьеры для менее опытных злоумышленников, расширяя ландшафт угроз. К 2030 году программы-вымогатели и кража данных будут почти полностью организовываться автономными системами ИИ, способными работать круглосуточно, без участия человека.
Риски, связанные с угрозами, исходящими от ИИ реальны, но это не означает, что компаниям следует отказаться от Vibe-кодирования, разработки с использованием ИИ или инструментов GenAI. Как на ранних этапах миграции в облако или перехода к гибридной работе, так и сейчас задача состоит в том, чтобы научиться безопасно внедрять ИИ, не создавая новых уязвимостей.
Для снижения рисков и повышения долгосрочной устойчивости организациям предстоит сосредоточиться на следующих четырех основных стратегиях:

1. Выбор инструментов искусственного интеллекта, учитывающих требования безопасности.

Компаниям необходимо выбирать платформы ИИ, разработанные или настроенные с учетом принципов безопасности. Также следует определять принцип работы больших языковых моделей, включая подсказки, указывающие на проверку данных, шифрование и безопасные значения по умолчанию – таким образом, безопасные методы будут интегрированы с самого начала. Кроме того, рекомендуется ограничивать объем данных, предоставляемых инструментам ИИ, не допуская доступа к конфиденциальным файлам, учетной информации или производственным наборам данных. Если требуется тестирование, необходимо использовать очищенные или синтетические данные, а также проверить права доступа, чтобы гарантировать, что ИИ подключается только к необходимым ресурсам.

1. Внедрение принципа нулевого доверия для ИИ.

К системам с ИИ следует применять принцип минимальных привилегий, а также проводить аутентификацию при каждом вызове API, обеспечивать непрерывную проверку и отслеживать взаимодействие между системами ИИ, чтобы предотвратить горизонтальное перемещение. Весь код, сгенерированный ИИ, должен проходить экспертную оценку, тестирование и проверку на уязвимости перед развертыванием. Человеческий контроль гарантирует надлежащее соблюдение требований к логике, безопасности и соответствию стандартам, а также помогает выявлять потенциальные проблемы, которые ИИ может упустить из виду.

1. Обеспечение безопасности цепочек поставок и зависимостей.

Искусственный интеллект может ускорить разработку, но он также создает новые риски из-за сторонних библиотек, плагинов и подсказок в коде. Каждую новую зависимость рекомендуется рассматривать как ненадежную, пока она не будет исследована. Также необходимо осуществлять проверку источников, репутацию и проводить сканирование системы безопасности перед интеграцией. Надежная защита цепочек поставок имеет важное значение, особенно с учетом того, что инструменты для программирования с поддержкой ИИ могут затруднить отслеживание разрастания зависимостей.

1. Автоматизация и внедрение систем безопасности на протяжении всего жизненного цикла разработки.

Следует сделать DevSecOps стандартной частью стратегии в области ИИ. Автоматизировать проверки безопасности в конвейере CI/CD, чтобы обнаруживать небезопасный код, раскрытые секреты и неправильные конфигурации до того, как они попадут в производство (разработку). Необходимо сочетать эти автоматизированные средства защиты с непрерывным обучением разработчиков, аналитиков и бизнес-команд, чтобы они понимали такие основы, как проверка входных данных, контроль доступа и безопасная обработка данных.

1. Регулирование использования генеративного ИИ в масштабах всей компании.

Бесконтрольное использование инструментов ИИ становится все более распространенным источником утечки данных. Исследование, проведенное компанией Check Point Research в сентябре 2025 года, показало, что 15% запросов ИИ в корпоративных системах содержали конфиденциальную информацию, такую как данные о клиентах и проприетарный код.
Гонка вооружений в сфере искусственного интернета началась, и рост утечек данных, связанных с GenAI, показывает, как быстро автоматизация меняет риски для предприятий по всему миру. В будущем эволюция ИИ не просто ускорится – она коренным образом изменит то, как организации обеспечивают безопасность своего цифрового пространства.
Ландшафт угроз стремительно меняется от синтетических инсайдеров, выдающих себя за сотрудников до адаптивного вредоносного ПО, переписывающего собственный код. В настоящее время крайне важны платформы, ориентированные на предотвращение угроз, работающие на основе ИИ и предоставляемые через облако, – интегрирующие прогнозную аналитику, поведенческий интеллект и автономное устранение угроз для их предотвращения еще до возникновения опасностей. Безопасность должна эволюционировать от реактивных инструментов к платформам, основанным на ИИ и облачных технологиях, которые прогнозируют и предотвращают атаки до их совершения, интегрируя интеллектуальные решения, основанные на анализе угроз, автономном их устранении и непрерывном управлении.
Будущее кибербезопасности будет принадлежать тем, кто применяет этот платформенно-ориентированный подход, консолидирует прозрачность и контроль во всей цифровой инфраструктуре и внедряет принципы нулевого доверия и безопасности по умолчанию на каждом уровне, превращая ИИ из потенциальной проблемы в решающее преимущество.
Таким образом, для повышения осведомленности о кибербезопасности компаниям следует сосредоточиться на повышении уровня знаний о преимуществах и рисках ИИ, готовя своих сотрудников и инфраструктуру к будущему, где единственными устойчивыми стратегиями являются предотвращение, автоматизация и интеллектуальные решения. Своевременные действия позволят трансформировать потенциальные угрозы, связанные с ИИ, в значительные конкурентные преимущества, заложив основу для долгосрочной цифровой устойчивости на ближайшее десятилетие.

Развитие цифрового пространства и повсеместный доступ к сети Интернет обострили проблему защиты детей и подростков от потенциально вредоносного контента и услуг с возрастными ограничениями. В ответ на этот глобальный вызов стремительно формируется рынок технологий биометрической верификации возраста, который переживает период активной регуляторной поддержки и технологической трансформации.
Основными четырьмя драйверами для внедрения технологий верификации возраста является:

1. Соответствие нормативным требованиям – например, британский Закон о безопасности в интернете (Online Safety Act, OSA) 2023 года, призванный регулировать онлайн-контент и защищать пользователей, особенно детей, от вредоносных материалов. Помимо Великобритании, другие страны и государственные объединения также внедряют или планируют внедрить похожее законодательство, включая Австралию, ЕС (Регламент о цифровых услугах) и США (около 23 штатов приняли законы о проверке возраста, другие последуют их примеру в течение 2026 года).
2. Защита детей в интернете – обеспечение того, чтобы дети не сталкивались с вредным или неподходящим контентом, таким как порнография, информация о членовредительстве или суициде.
3. Родительский контроль – предоставление родителям возможности подтверждать и контролировать онлайн-активность своих детей для обеспечения более безопасной цифровой среды.
4. Рыночное преимущество – внедряя надежные меры проверки возраста, компания может получить рыночное преимущество перед конкурентами, которые не предлагают столь же надежных решений в этой области.

Можно выделить семь ключевых секторов, которые лидируют во внедрении услуг по проверке возраста.

1. Социальные сети

Социальные сети все чаще внедряют надежные меры проверки возраста, чтобы гарантировать доступ к своим сервисам только пользователям соответствующего возраста. Минимальный возраст для доступа к большинству социальных сетей, например, в Великобритании составляет 13 лет. В Австралии запрещён доступ к социальным сетям для детей младше 16 лет с декабря 2025 года. Норвегия запрещает доступ к социальным сетям детям младше 13 лет. Совсем недавно, 27 января 2026 года, парламент Франции принял законопроект о запрете доступа к социальным сетям для детей младше 15 лет. В Индии, Пакистане, Кении, Новой Зеландии, Папуа-Новой Гвинее и Канаде законодательные инициативы находятся на разных стадиях рассмотрения.

1. Специализированные веб-сайты для взрослых или контент в социальных сетях и на видеохостингах

В данном секторе предпринимаются значительные шаги по внедрению мер проверки возраста, которые часто являются результатом требований законодательства. Так, например, в Великобритании согласно закону OSA, веб-сайты, на которых размещен порнографический контент, обязаны проверять возраст каждого посетителя, используя надежные методы. Британский регулятор в области связи – Ofcom опубликовал руководство для операторов веб-сайтов, которое должно обеспечить соблюдение этих процедур проверки возраста.

1. Видеоигры

Видеоигры все чаще становятся онлайн-сервисом, предоставляемым по технологии SaaS. Соответствие видеоигр возрасту, например в Европе, оценивается Общеевропейской системой информации об играх – PEGI (Pan-European Game Information,) и рейтинговой комиссией – ESRB (Entertainment Software Rating Board). Обе содержат возрастные рейтинги и описания контента, основанные на пригодности игр для разных возрастных групп. Их рейтинги могут использоваться платформами для ограничения доступа к определенным видеоиграм с помощью онлайн-проверки возраста по мере ужесточения нормативных требований. Например, популярная игровая платформа среди детей и молодежи Roblox использует систему проверки возраста на основе селфи. Пользователям Roblox должно быть не менее 13 лет.

1. Азартные игры

Цифровой формат азартных игр iGaming или онлайн-гемблинг активно развивается за рубежом. Поставщики услуг верификации возраста работают над поддержкой требований по KYC (знай своего клиента), AML (противодействие отмыванию денег), а также возрастных ограничений. В большинстве стран установлен законный возраст для участия в азартных играх – старше 18 лет.
Компании, занимающиеся онлайн-гемблингом, используют несколько мер проверки возраста, чтобы гарантировать, что в азартных играх участвуют только лица, достигшие установленного возраста. К этим мерам относятся проверка удостоверения личности и биометрия лица.
Так, Комиссия по азартным играм Великобритании постановила, что «все онлайн-казино и букмекеры обязаны потребовать подтверждения возраста и личности до начала игры». Документы, которые оператор может запросить для подтверждения возраста, включают: паспорт, водительское удостоверение, а также счета за коммунальные услуги. В некоторых случаях, особенно если оператор подозревает мошенничество, может потребоваться предоставление селфи.

1. Развлекательный контент (фильмы и видео с возрастными рейтингами)

Под развлекательным контентом в широком смысле понимается онлайн-видеоконтент (стриминг), включающий фильмы и видео (например, на таких платформах, как YouTube, Netflix, Disney+, Amazon Prime Video и Apple TV). Провайдеры развлекательного контента должны иметь возможность проверять возраст для сервисов, транслирующих материалы с возрастными ограничениями.
Так, например, в Великобритании фильмы классифицирует по возрасту Британский совет по классификации фильмов (British Board of Film Classification, BBFC). Возрастные рейтинги выглядят следующим образом:
· U (Universal): Для всех возрастов.
· PG (Parental Guidance): Рекомендуется просмотр с родителями; может содержать материал, способный «взволновать» детей примерно восьми лет.
· 12A: Для кинопроката, подходит для детей от 12 лет и старше (дети младше 12 допускаются в сопровождении взрослого).
· 12: Для выпуска на видео, подходит для зрителей от 12 лет и старше.
· 15: Только для лиц от 15 лет и старше.
· 18: Только для взрослых.
· R18: Порнографические материалы для взрослых, разрешены только в специализированных заведениях.
Британский закон о безопасности в интернете (OSA) применяется к развлекательным и стриминговым видеосервисам. Проверка возраста обычно происходит в момент регистрации на сервисе, а не при просмотре отдельного видео или фильма.

1. Электронная коммерция/Розничная торговля

Проверка возраста используется для защиты детей от покупки целого ряда товаров с ограничениями. К таким товарам относятся алкоголь, табачные изделия (сигареты/вейпы), ножи и лезвия, лекарства с ограниченным доступом (например, обезболивающие), арбалеты и другое подобное оружие, пиротехника, а также едкие вещества.
В этой сфере наблюдается низкий уровень внедрения надёжной биометрической проверки возраста, с акцентом на самоинициируемые пользователем процессы и недостаточным контролем за соблюдением существующих решений в части верификации возраста через государственные удостоверения личности или платёжные карты.
К примеру, в Великобритании существует проблема преступлений с использованием ножей. Ряд громких случаев, когда несовершеннолетние покупали ножи у интернет-продавцов и совершали акты насилия, вынудили правительство принять меры. Была внедрена строгая двухэтапная система, которая обязывает всех розничных продавцов, торгующих ножами онлайн, требовать от клиентов предоставления фото удостоверения личности в момент покупки и повторно – при доставке. Кроме того, курьерские службы смогут доставить режущий предмет только тому же лицу, которое его приобрело. Согласно новым правилам, покупателю может потребоваться предоставить копию фото документа (например, водительских прав или паспорта), а также подтверждение адреса (например, счет за коммунальные услуги) до того, как снова показать удостоверение личности при получении посылки.
Для продажи табака и вейпов, онлайн-продавцы обязаны иметь политику проверки возраста и удостоверяться, что покупателям больше 25 лет. Например, несколько британских онлайн-магазинов вейпов сотрудничают с компанией 1Account для предоставления услуг KYC и цифровой идентификации. Эти услуги используют решения для аутентификации документов, чтобы подтвердить возраст человека перед покупкой вейп-продукции.

1. Сервисы знакомств

Проверка возраста при онлайн-знакомствах предотвращает регистрацию детей на сайтах знакомств для взрослых, а также создание мошеннических аккаунтов взрослыми пользователями, которые указывают недостоверную информацию о своем возрасте или гендерном положении. Службы онлайн-знакомств помимо государственного регулирования могут руководствоваться соответствующими документами отраслевых организаций, которые продвигают передовые практики и стандарты безопасности в этой индустрии. Как, например, в Великобритании – национальная Ассоциация онлайн-знакомств (Online Dating and Discovery Association, ODDA). Многие сервисы онлайн-знакомств уже внедрили проверку возраста, которая обычно включает верификацию документов и проверку селфи.
Прогнозы развития рынка биометрической проверки возраста
Рынок биометрической проверки возраста за рубежом обширен и разнообразен. На нём в основном доминируют компании США (Daon, Digital Bazaar, Identomat, FaceTec, Clear, Incode, Intellicheck, Jumio, LexisNexis Risk Solutions, Mitek, Persona, Privado, ROC, Self, TruAge, Veratad) и Великобритании (GBG, AgeChecked, IDVerse, KYCHub, Onfido, ShuftiPro, Sumsub, Yoti, VerifyMy, Arissian Ltd), а также фирмы из стран ЕС (Gataca, Mobeel, Veridas – Испания; Neurotechnology, Ondato – Литва; PXL Vision, Privately – Швейцария; Needemand, Unissey – Франция; AU10TIX – Нидерланды; Identt, IDnow – Германия; Innovatrics – Словакия; Regula – Латвия; Scytáles AB – Швеция; Veriff – Эстония).
Так, американская компания ROC специализируется на разработке передовых биометрических решений для проверки возраста и других сценариев использования. Она использует технологии распознавания лиц и машинного обучения, распознавания отпечатков пальцев, радужной оболочки глаза и обнаружения объектов для предоставления передовых технологий определения и верификации возраста, призванных помочь предприятиям соблюдать нормативные требования и защищать несовершеннолетних от доступа к ограниченному контенту.
В тесте NIST FATE* для оценки и верификации возраста алгоритм ROC показал среднюю абсолютную ошибку (Mean Absolute Error, MAE) в 2,96 года для наборов данных приложений, параметров и изображений, что по состоянию на декабрь 2024 года делает её ведущим поставщиком в США и второй в мире.
*Справочно
Национальный институт стандартов и технологий США (NIST) проводит сравнительные тесты (Age Estimation & Verification benchmarking tests) для оценки точности определения и верификации возраста на основе исследований по оценке технологий анализа лиц (Face Analysis Technology Evaluation, FATE). Изначально это был единый тест под названием «Тест для поставщиков технологий распознавания лиц» (Face Recognition Vendor Test, FRVT), который NIST разделил на два направления. FATE представляет собой комплексный анализ лиц, выходящий за рамки идентификации и включающий оценку программного обеспечения для обнаружения модификаций лица, анализа качества изображения, обнаружения атак с подменой предъявляемого лица и определения возраста.
Мировой лидер в области решений для проверки возраста с сохранением конфиденциальности, британская компания Yoti предоставляет свои продукты, которые используются как малыми, так и крупными предприятиями в таких секторах, как розничная торговля, социальные сети, игровая индустрия и платформы для взрослых. В список ее клиентов входят Meta (запрещена в России), Spotify, Xbox, Epic Games, British American Tobacco и OnlyFans. На сегодняшний день Yoti провела более 900 миллионов проверок возраста.
Компанией предлагается ряд гибких вариантов интеграции, наилучшим образом подходящих для конкретного варианта использования бизнесом при проверке возраста. К ним относятся:

• Портал проверки возраста (размещенные страницы – hosted pages);
• Автономные прямые интеграции, которые отдельно и напрямую встраивают проприетарные методы проверки возраста от Yoti в интерфейс потребителя через автономные API и SDK;
• «Бесшовные» интеграции с пользовательским UX/UI;
• Интеграция в существующие рабочие процессы.

Технология определения возраста по лицу от Yoti прошла независимое тестирование в Национальном институте стандартов США (NIST) и является самой точной на рынке для оценки возраста в группе 13-16 лет. Коэффициент истинно положительных срабатываний для лиц 13-17 лет (которые правильно определены как младше 21 года) составляет 99,3%.
Технологии Yoti соответствует строгим международным стандартам, включая ISO 27001, 27701 и 9001, SOC 2 Type II, и сертифицированы в рамках «Доверительной структуры цифровой идентичности и атрибутов» (Digital Identity and Attributes Trust Framework, DIATF) Великобритании, в последний раз – в качестве поставщика услуг оркестрации. Решения Yoti для проверки возраста также соответствуют стандартам PAS 1296:2018 и сертификату соответствия проверки возраста Британского совета по классификации фильмов (British Board of Film Classification, BBFC), а также нормам комиссии по защите несовершеннолетних в средствах массовой информации Германии – KJM (Komission für Jugendmedienschutz).
Ещё один британский поставщик услуг идентификации – компания Arissian Ltd, сертифицированная в рамках «Доверительной структуры цифровой идентичности и атрибутов» Великобритании (DIATF) для выдачи цифровых возрастных удостоверений, одобренных PASS, также имеет сертификацию ACCS. Компания разработала платформу цифровой идентификации Luciditi, предлагающую конфиденциальную проверку возраста, верификацию личности и предотвращение мошенничества. Она предлагает ряд высокоэффективных методов проверки возраста, таких как определение возраста по лицу, цифровая идентификация, открытый банкинг, проверка через оператора мобильной связи и сканирование удостоверяющих личность документов.
Продукты для проверки и оценки возраста на платформе Luciditi используются по всей Великобритании розничными торговцами, социальными платформами и онлайн-маркетплейсами, особенно теми, на которые распространяется действие закона о безопасности в интернете (OSA). Клиентами являются продавцы товаров с возрастными ограничениями, игровые платформы и поставщики цифровых услуг, причем розничная торговля, онлайн-гейминг, социальные сети и электронная коммерция являются основными сферами внедрения. Однако гибкость решений Luciditi также привлекает секторы образования, здравоохранения и транспорта.
Инструменты Luciditi работают как онлайн, так и офлайн, через инфраструктуру открытых ключей, для сценариев, где ограниченная связь является проблемой. Это гарантирует целостность учетных данных и позволяет полагающимся сторонам с уверенностью доверять предоставляемому подтверждению. Все развертывания сохраняют анонимность пользователей и соответствуют британским нормам, используя зашифрованный, ограниченный по времени доступ к данным с согласия пользователя.
Оценка возраста является анонимной, а проверенные учетные данные передаются только с явного разрешения. Во время оценки персональные данные не сохраняются, что обеспечивает соответствие общему регламенту по защите данных ЕС (GDPR).
Проверка возраста от Luciditi включает обнаружение дипфейков с помощью проверок на подлинность (liveness-детекции), биометрического сопоставления и защиты от спуфинга, которые выявляют измененные изображения и маски с использованием методов, сертифицированных по стандарту ISO 30107-3. Эта функция включена во все процессы оценки возраста и оплачивается за проверку или по корпоративной лицензии.
Luciditi предлагает гибкие варианты интеграции, подходящие для любой настройки. Плагины без кода для WordPress, WooCommerce и Shopify позволяют легко внедрить решение без необходимости технических знаний.
Стандартная интеграция использует размещенное решение – Luciditi Trust, которое поддерживает редиректы OpenID или встраивание через iframe; настройка обычно занимает всего несколько часов в зависимости от опыта разработчика. SDK от Luciditi предоставляет полный детальный контроль полагающимся сторонам, которым требуется более глубокая интеграция в их веб-сайты или мобильные приложения.
Другой глобальный поставщик услуг идентификации и проверки возраста – литовская компания Ondato использует технологии искусственного интеллекта и биометрии, чтобы помочь предприятиям по всему миру ориентироваться в сложной регуляторной среде – оптимизирует для бизнеса процессы KYC (знай своего клиента), проверки возраста и AML (противодействие отмыванию денег). Решения компании охватывают весь спектр задач соответствия требованиям: от привлечения клиентов до создания комплексных баз данных для постоянного мониторинга.
Проверка возраста от Ondato сочетает в себе несколько инструментов:

• определение возраста по лицу на базе ИИ;
• OnAge – инструмент для многократной проверки возраста;
• проверку на основе документов.

OnAge достигает точности около 98,7-100% при определении возрастной группы пользователя. Более того, независимая оценка, проведенная NIST, подтвердила низкие показатели ложноположительных срабатываний на критических возрастных порогах, что указывает на то, что система редко ошибочно классифицирует несовершеннолетних пользователей как взрослых. Эти результаты подразумевают высокую прогностическую ценность положительного результата для бинарных проверок возраста.
Ondato привержена отраслевым стандартам и обладает множеством сертификатов. Она получила сертификаты соответствия регламенту eIDAS ЕС и техническим стандартам Европейского института телекоммуникационных стандартов (European Telecommunications Standards Institute, ETSI), что позволяет ей работать с регулируемыми предприятиями в Европе. Компания также соответствует стандарту информационной безопасности ISO/IEC 27001:2013, что отражает надежную систему управления информационной безопасностью.
Технология Ondato сертифицирована Комиссией Германии по защите несовершеннолетних в медиа (Komission für Jugendmedienschutz, KJM) как соответствующая всем юридическим и техническим требованиям по защите молодежи. Кроме того, алгоритмы определения возраста по лицу от Ondato были оценены NIST (NISTIR 8525 – отчёт «Оценка технологий анализа лица: оценка возраста и проверка»), что подтвердило их точность, беспристрастность и безопасность по сравнению с мировыми эталонами.
Решение OnAge от Ondato создано для защиты приватности пользователей. Это означает, что возраст можно проверить без хранения персональных идентифицирующих данных или конфиденциальной информации. На практике, при использовании OnAge, после завершения проверки возраста сохраняется только факт соответствия пользователя возрастным требованиям; все остальные персональные данные немедленно удаляются. Ondato также внедряет лучшие практики приватности и безопасности в свои процессы: платформа полностью соответствует GDPR и другим законам о защите данных.
Акцент Ondato на удобных для разработчиков инструментах и поддержке позволяет организациям легко внедрять это решение в свою цифровую инфраструктуру. Платформа компании предлагает несколько вариантов интеграции, включая REST API, готовый SDK или простую ссылку без кода.
Шведская компания Scytáles AB в феврале 2025 года в партнерстве с
T-Systems, дочерней компанией Deutsche Telekom, получила контракт от Европейской комиссии на разработку решения для проверки возраста для Европейского кошелька цифровой идентичности (European Digital Identity Wallet, EUDI Wallet). Разработанное партнерами решение для проверки возраста было выпущено в июле 2025 года и проходит пилотное тестирование в пяти государствах – членах ЕС перед более широким внедрением.
Инициатива Scytáles направлена на создание инструмента, ориентированного на конфиденциальность, который позволит гражданам ЕС безопасно подтверждать свой возраст в интернете, не раскрывая ненужной личной информации. Для этого используется технология доказательства с нулевым разглашением (zeroknowledge proof), которая подтверждает соответствие возрастным требованиям, сохраняя анонимность пользователя. Проект соответствует Закону ЕС о цифровых услугах (EU’s Digital Services Act, DSA) и стратегии «Лучший интернет для детей» (Better Internet for Kids, BIK+), направленной на защиту несовершеннолетних в цифровой среде.
Стоит отметить, что рассмотренные поставщики (а также указанные выше) во многих случаях являются экспертами в области идентификации и биометрии, используя свои обширные знания базовых технологий для определения возраста.
Все чаще решения по биометрической верификации возраста используются в сочетании с другими технологиями, включая Liveness Detection (определение «живости» пользователя – технология, которая позволяет системе понять, находится ли перед камерой реальный человек, а не его фото, видео, дипфейк или 3D-маска), а также решения для обнаружения атак с подменой данных (спуфинг-атак). Зачастую эти функции объединяются в комплексное решение.
По данным аналитических и консалтинговых компаний Biometric Update and Goode Intelligence (Отчет «2025 Online Biometric Age Assurance Market Report & Buyers Guide») к 2027 году число операций по биометрической проверке возраста в мире превысит 4,5 миллиарда в год, а глобальный доход от биометрической проверки возраста превысит 1,58 миллиарда долларов в год.
Рис.1Общее количество транзакций в мире (млн) Рис.2 Общий доход в долларах США (млн)
Таким образом, рынок биометрической верификации возраста трансформируется из узкоспециальной ниши в критически важный элемент цифровой инфраструктуры, обеспечивающей безопасность и соответствие нормативным требованиям. Основным катализатором роста выступает волна законодательных инициатив по всему миру, направленных на защиту детей в интернете, что делает внедрение надежных решений не просто конкурентным преимуществом, а обязательным условием для ведения бизнеса в регулируемых секторах, таких как платформы для взрослых, онлайн-гемблинг и социальные сети.
Технологический ландшафт характеризуется стремлением к балансу между строгостью проверки, удобством пользователя и защитой приватности. На первый план выходят менее инвазивные методы, такие как оценка возраста по лицу, а также комплексные платформы, сочетающие биометрию с верификацией документов и проверкой на «живость» для противодействия мошенничеству. Как показывает анализ ведущих игроков, ключевыми критериями успеха становятся высокая точность, подтвержденная независимым тестированием (например, NIST), соответствие международным стандартам безопасности и приватности (GDPR, ISO) и гибкие варианты интеграции.
Прогнозы аналитиков, предрекающие многократный рост транзакций и выручки к 2027 году, подтверждают, что биометрическая верификация возраста переходит в стадию массовой зрелости. Дальнейшее развитие рынка будет зависеть от гармонизации регуляторных подходов, преодоления технических вызовов (например, борьбы с дипфейками) и поиска устойчивого компромисса между необходимостью защиты детей и сохранением цифровых свобод, что делает эту сферу одной из наиболее динамичных и значимых на стыке технологий, права и этики.

В 2026 году ландшафт киберугроз трансформируется под влиянием геополитики и ускоренной цифровизации. Эксперты прогнозируют рост целевых атак на бизнес и критическую инфраструктуру, усложнение методов злоумышленников и смещение фокуса кибербезопасности на защиту данных и человеческий фактор.
Это привело к тому, что традиционные методы защиты, основанные на сигнатурах и статичном анализе, стали неэффективными против атак, меняющих код и тактику в режиме реального времени.
Рынок кибербезопасности ответил на этот вызов формированием четкой трехуровневой структуры защиты, где каждый сегмент игроков выполняет строго определенную стратегическую роль:

1. Первый уровень защиты (технологический фундамент) – это меры, направленные на защиту конечных точек (ПК, ноутбуки, серверы) и предотвращение несанкционированного доступа к информации. Основная задача – не допустить закрепления злоумышленника на рабочей станции или сервере, а если это случилось, быстро понять, что именно произошло, и локализовать инцидент. Этот уровень включает технические меры, которые включают программные и аппаратные средства, а также нормативные требования.

Для реализации первого уровня защиты разрабатываются технологии, связанные с антивирусным ПО, межсетевыми экранами (NGFW, Next Generation Firewall), системами обнаружения вторжений (IDS, Intrusion Detection System) и контролем доступа (IAM, Identity and Access Management), объединенными на платформах.

• Антивирусное ПО.

Разрабатываются технологии, направленные на обнаружение и блокировку вредоносных программ. Некоторые из них:
– сигнатурный анализ – сканирование кода вредоносного ПО и сравнение с базой данных, содержащей вирусные сигнатуры. Если обнаружено сходство, программа идентифицирует вирус и сигнализирует об этом;
– контроль целостности – идентификация подозрительных событий, при обнаружении расхождений в исходном и текущем состоянии кода проводятся дополнительные проверки;
– технология «песочницы» (sandbox) – подозрительный файл запускается в изолированной виртуальной среде, где антивирус наблюдает за его поведением без риска для реальной системы. Если программа демонстрирует вредоносное поведение, она классифицируется как угроза;
– облачные антивирусы – работают по принципу распределённой защиты, где значительная часть аналитических процессов переносится с локального устройства в облачную инфраструктуру.

• Межсетевые экраны (NGFW).

Разрабатываются технологии, которые позволяют ограничить доступ к сетевым сегментам или отдельным хостам на основе задаваемых администратором правил. Некоторые функции NGFW:
– глубокая проверка пакетов (DPI - Deep Packet Inspection) – анализ содержимого трафика на уровне приложений, что позволяет идентифицировать и контролировать использование приложений, независимо от порта и протокола;
– контроль приложений – возможность блокировать или разрешать доступ к конкретным приложениям и управлять их использованием. Политики доступов можно создавать на основе категории приложения, риска или других критериев;
– фильтрация унифицированных указателей ресурса URL (Uniform Resource Locator) позволяет блокировать доступ к нежелательным или вредоносным веб-сайтам;
– инспекция криптографических протоколов (SSL/TLS - Secure Sockets Laye/Transport Layer Security), которые используются для защиты данных при их передаче через интернет.

• Системы обнаружения вторжений (IDS).

Разрабатываются технологии, которые обнаруживают сетевые атаки и аномалии – признаки действий злоумышленника. Некоторые функции IDS:
– обнаружение на основе сигнатур – трафик анализируется на соответствие профилю уже известных атак (шаблонов, занесённых в базу IDS);
– обнаружение на основе аномалий – текущее поведение сети сравнивается с базовым, и когда обнаруживается аномальная активность, IDS-система выдаёт предупреждение, указывающее на потенциальную атаку;
– наблюдение за трафиком локальной сети в реальном времени – собираются и анализируются данные о трафике, что позволяет не только находить угрозы, но и выяснить, откуда они пришли и каким способом.
Важно, что IDS не занимается непосредственно отражением сетевых атак, а лишь выявляет их и оповещает администратора, показывает источник опасности и помогает её устранить.
· Контроль доступа (IAM).
Разрабатываются технологии, которые контролируют доступ пользователей к ресурсам: базам данных, электронной почте, и приложениям.
Некоторые функции IAM:
– управление идентификацией – создание, проверка и поддержание идентификационных данных пользователей в разных системах;
– управление доступом – контроль и мониторинг того, что разрешено делать аутентифицированным пользователям;
– единый вход (SSO, Single Sign-On) – позволяет пользователям войти в систему один раз и беспрепятственно использовать несколько приложений;
– многофакторная аутентификация (MFA, Multi-factor authentication) – объединяет два или более методов аутентификации для повышения безопасности;
– управление доступом на основе ролей (RBAC, Role-Based Access Control) или управление доступом на основе атрибутов (ABAC, Attribute-Based Access Control) – чтобы пользователи получали доступ только к тем данным, которые им нужны, и ни к чему больше.
Так, например, американская компания CrowdStrike разработала облачную платформу Falcon для защиты рабочих станций, серверов и облачных систем.
Платформа представляет собой модульную экосистему, в которой организация может подключать необходимые компоненты под свои задачи. Например, базовый уровень включает антивирус нового поколения и функции EDR, дополнительно доступны модули расширенной аналитики, управления уязвимостями, контроля устройств и сервисы угроз разведки.
В платформе используются следующие технологии:
– искусственный интеллект и машинное обучение для обнаружения подозрительных действий даже в случаях, когда вредоносного файла как такового нет;
– глобальная сеть Threat Intelligence собирает данные об угрозах с миллионов конечных точек по всему миру, создавая полную базу.
В отличие от классического антивируса, Falcon фокусируется не только на блокировке известных вирусов, но и на выявлении сложных целевых атак, которые используют законные инструменты и уязвимости. При этом задействуется один легкий агент (Sensor), который работает на уровне ядра, что является критичным для защиты ИИ-агентов.
Falcon видит не просто отдельный процесс, а всю цепочку событий. Если ИИ-агент вдруг начинает запрашивать доступ к теневым копиям диска после прочтения PDF, система понимает, что это аномалия (Execution Profile).
Платформа анализирует намерение, если агент пытается отключить логирование или изменить свои системные инструкции. Falcon обрывает процесс не потому, что нашел вирус, а потому, что само действие выглядит как захват управления.
Система аутентификации и защиты идентификационных данных Falcon Identity Protection, входящая в состав платформы, предназначена для обеспечения кибербезопасности корпоративных систем путём защиты идентификационных данных и управления доступом к ресурсам. Продукт использует облачные технологии и искусственный интеллект (ИИ) для выявления угроз, отслеживания атак в реальном времени и минимизации рисков компрометации учётных записей. В ней реализуется принцип «Человек в контуре» (Human-in-the-loop) на корпоративном уровне. Так, если ИИ-агент (или пользователь под его влиянием) пытается совершить нетипичное действие, платформа в реальном времени запрашивает многофакторную проверку.
Если в одной из компаний ИИ-агент был взломан через определенный тип скрытого промпта в Excel-файле, модуль платформы Falcon Prevent мгновенно обновляет модель поведения для всех клиентов. Это коллективный иммунитет против новых типов «логических взломов».
Кроме того, сервис управляемого поиска угроз (Managed Threat Hunting) в составе платформы Falcon обеспечивает круглосуточный мониторинг экспертами-аналитиками. Он проактивно выявляет скрытые, сложные и продвинутые атаки, которые могут пропустить автоматизированные системы, оповещая администраторов в течение считанных минут.
В свою очередь, израильская компания Check Point Software разработала платформу для кибербезопасности Infinity AI, которая объединяет различные решения в единую экосистему, основанную на искусственном интеллекте.
Технология искусственного интеллекта в платформе используется для анализа данных в режиме реального времени, чтобы выявлять потенциальные риски безопасности. Например, если пользователь внезапно начинает загружать большие объёмы данных в необычное время, ИИ может пометить это поведение как подозрительное.
Также ИИ помогает автоматизировать повторяющиеся задачи безопасности, что позволяет командам безопасности фокусироваться на более стратегических инициативах.
Infinity AI превращает разрозненные защитные программы в автономную систему, которая сама находит угрозы и сама же на них реагирует.
Три главных инструмента платформы Infinity AI:
– Copilot (генеративный помощник с искусственным интеллектом): помогает администратору быстро создавать правила доступа, искать угрозы в логах и исправлять ошибки в настройках, что экономит до 90% времени.
– ThreatCloud AI (глобальный разум) – глобальная интеллектуальная система анализа угроз на основе машинного обучения и телеметрии с миллионов защищённых устройств по всему миру. Является ключевым элементом платформы. Система анализирует миллиарды атак по всему миру в реальном времени. Использует более 50 ИИ-движков, чтобы мгновенно распознать новый вирус и заблокировать его у всех клиентов одновременно.
– Playblocks (автоматизация) – инструмент совместной защиты. Если атака обнаружена на одном компьютере, сервис автоматически дает команду файрволу на другом конце сети заблокировать этого хакера, не дожидаясь реакции человека.

1. Второй уровень - экспертная интеграция (системные интеграторы и консалтинг).

Игроки этого уровня собирают разрозненные технологии вендоров в единый защитный контур под нужды конкретного бизнеса, проводят аудит текущих систем, внедряя сложные решения, настраивая политику безопасности и обеспечивая связность различных ИТ-систем.
Системный интегратор – это компания или команда специалистов, которая разрабатывает, внедряет и обслуживает комплексные информационные решения для бизнеса. Основная задача – объединить разрозненные ИТ-системы и программное обеспечение в единую работающую инфраструктуру, которая эффективно поддерживает бизнес-процессы заказчика.
Некоторые услуги системного интегратора:
– проектирование и внедрение комплексных ИТ-решений. Интегратор анализирует текущие бизнес-процессы и потребности компании, создаёт архитектуру, которая включает программное и аппаратное обеспечение;
– поставка и настройка оборудования. Выбираются необходимые компоненты (серверы, сетевое оборудование) и настраиваются для корректной работы в рамках новой системы;
– разработка и интеграция программного обеспечения. Команды специалистов создают кастомизированные приложения, которые адаптированы под конкретные задачи бизнеса;
– техническая поддержка и сопровождение решений. Включает регулярные обновления программного обеспечения, мониторинг состояния систем и обучение сотрудников.
Так, например, американская компания Accenture Security выступает в роли генерального подрядчика для крупнейших корпораций. Лидерство компании обусловлено способностью интегрировать кибербезопасность непосредственно в структуру бизнес-процессов, а не рассматривать её как отдельную ИТ-функцию.
Accenture Security фокусируется на проектах в окончательном виде, где результатом является не просто установленное ПО, а полностью функционирующая операционная модель безопасности.
Компания проектирует системы защиты для промышленных гигантов (энергетика, нефтегаз, производство), обеспечивая бесшовную и безопасную связку офисных сетей (IT) с производственными цехами и автоматизированными системами управления технологическим процессом.
Инструменты Accenture Security – это интеллектуальные платформы и методологии, которые объединяют решения разных производителей в единую экосистему.
Accenture Security является ведущим партнером AWS, Azure и Google Cloud по глубокой настройке облачной безопасности и миграции критических данных в защищенные среды.
Ключевые сервисные блоки компании:

• Управляемые сервисы безопасности Managed Security Services (MSS) – это услуги, предоставляемые сторонним поставщиком по модели аутсорсинга. К функциям MSS относятся:

– круглосуточный мониторинг и управление системами обнаружения вторжений и межсетевыми экранами;
– контроль обновлений и установка патчей;
– проведение аудитов и оценок защищённости;
– реагирование на чрезвычайные ситуации.
Accenture предлагает MSS, например, для организаций, которые хотят передать функции информационной безопасности стороннему провайдеру.

• Сервис Managed Extended Detection and Response (MxDR) – это решение, которое объединяет несколько функций безопасности в единую платформу. Некоторые особенности MxDR:

– непрерывный мониторинг сети, конечных точек и облачных сред на признаки вредоносной активности;
– анализ поведения пользователей и сущностей, выявление отклонений, которые могут указывать на вредоносное намерение;
– автоматизированный ответ на обнаруженные угрозы: изоляция скомпрометированных систем, блокировка вредоносных IP-адресов, установка патчей;
– интеграция с Threat Intelligence – данные о новых угрозах и уязвимостях поступают в реальном времени, что помогает организациям предвидеть потенциальные атаки.
Компания предлагает MxDR для организаций, которые хотят обеспечить комплексную безопасность без необходимости создавать отдельный центр (SOC).

• Сервис Accenture Cyber Threat Intelligence (CTI) – это платформа, которая предоставляет информацию о угрозах и уязвимостях. Некоторые особенности CTI:

– данные об угрозах – информация о публичных и неопубликованных уязвимостях, полученных из нескольких публичных источников и внутренних исследований;
– интеграция с платформами для управления инцидентами – например, с Cortex XSOAR (Extended Security Orchestration, Automation, and Response), которая автоматически импортирует данные CTI в платформу для расследования инцидентов;
– автоматизация анализа угроз – платформа Cyware, на которой работает сервис, позволяет автоматически анализировать угрозы и определять приоритетные оповещения.
Компания предоставляет клиентам данные CTI, включая информацию о репутации IP-адресов, рискованных доменах и других индикаторах угроз.

• Сервис Cloud Security – это решение, которое помогает клиентам защищать облачные активы от киберугроз и соответствовать регуляторным требованиям. Некоторые аспекты Cloud Security, которые предлагает Accenture Security:

– использование шифрования и контроля доступа для защиты данных, хранящихся в облаке;
– реализация строгих правил доступа и многофакторной аутентификации для предотвращения несанкционированного доступа к облачным средам;
– тщательный выбор и оценка облачных провайдеров на основе их возможностей безопасности, сертификатов и соответствия отраслевым стандартам;
– поддержание систем мониторинга для быстрого обнаружения и реагирования на инциденты в облачной среде;
– включение механизмов резервного копирования и восстановления данных в облачные среды для обеспечения доступности данных даже в случае инцидента.

1. Третий уровень - операционное управление и сервисная модель (MSSP/SOC).

На заключительном уровне архитектуры происходит переход от владения технологиями к непрерывному управлению состоянием защищенности. Если первые два уровня создают потенциал обороны, то третий уровень обеспечивает его реализацию в круглосуточном режиме. Провайдеры управляемых сервисов безопасности (MSSP) и центров операций по безопасности (SOC) выступают в роли экспертов по информационной безопасности.
Структура обслуживания в MSSP организована по многоуровневому принципу: специалисты первого уровня занимаются первичным анализом событий и отсеиванием ложных срабатываний; аналитики второго уровня проводят углублённое расследование инцидентов; эксперты третьего уровня работают со сложными атаками и разрабатывают меры противодействия.
Команда экспертов по информационной безопасности SOC отвечает за оперативный мониторинг IT-инфраструктуры и реагирование на киберинциденты, такие как обнаружение угроз, анализ подозрительных событий, реагирование на угрозы и восстановление после инцидента (например, пострадавших систем).
Так, например, американская компания IBM Security признана мировым лидером в сегменте MSS. Предприятие не просто продает софт, но и берет на себя полную ответственность за кибербезопасность клиента.
IBM Security оперирует сетью из более, чем 10 центров мониторинга по всему миру, обрабатывая свыше 150 миллиардов событий безопасности в сутки.
Компании (особенно из списка Fortune 500) передают IBM Security функции мониторинга, реагирования на инциденты и управления уязвимостями. Это позволяет им использовать экспертизу IBM Security без необходимости содержать штат из сотен дорогостоящих аналитиков.
В итоге формирование трехуровневой структуры защиты превращает рынок кибербезопасности из набора инструментов в слаженную экосистему.
Каждый игрок (от вендоров ПО до сервис-провайдеров и консультантов) занимает свою нишу, что исключает дублирование функций и уязвимостей в защите. Организация получает не просто антивирус, а систему, где выход из строя одного элемента компенсируется другими уровнями. Стратегическая роль игроков теперь заключается в обеспечении непрерывной защищенности, а не в разовой продаже лицензий.
В конечном счете, эта модель делает кибербезопасность инвестицией в устойчивость бизнеса, а не просто статьей расходов на ИТ.

Цифровая верификация идентичности (Digital Identity Verification, IDV) представляет собой процесс установления и проверки соответствия между цифровой личностью пользователя и его реальной идентичностью. В основе методологии лежит комплексный подход, объединяющий проверку предоставленных персональных данных (ФИО, дата рождения), анализ цифровых идентификаторов (учетные записи, email) и биометрическую аутентификацию (отпечатки пальцев, распознавание лица, голос). Реализация IDV является фундаментальным элементом стратегии кибербезопасности и комплаенса (например, законодательным требованиям, таким как правила и процедуры Know Your Customer, KYC и Anti-Money Laundering, AML) обеспечивая надёжную основу для доверия в цифровой среде.
Сегодня в информационном поле происходит путаница с понятиями идентификация, аутентификация и верификация. Все эти слова используются для определения и установления подлинности, соответствия каких-то объектов эталонным данным. Однако между ними есть существенная разница.
Идентификация – это процесс, в котором субъект (например, пользователь, устройство, сервис) сообщает системе, кем он является. Обычно идентификация происходит в виде ввода или передачи уникального идентификатора: логина, email, номера телефона и т.д.
К особенностям следует отнести то, что система не проверяет подлинность – она просто принимает информацию. Идентификация может происходить различными способами: именная (имя пользователя, логин, email-адрес), предметная (смарт-карты, USB-ключи, RFID-метки), биометрическая (отпечаток пальца, сканирование сетчатки, лицо) и др.
Идентификация сама по себе не обеспечивает безопасность – это только первый этап, позволяющий системе «узнать», с кем она имеет дело.
Аутентификация – это процесс проверки подлинности заявленной идентичности. Если идентификация отвечает на вопрос «кто вы?», то аутентификация задаёт вопрос «докажите это».
Особенности:

• пользователь предъявляет системе определённый фактор: пароль, код, отпечаток пальца, токен;
• система сравнивает его со значением, которое хранится в базе данных;
• если данные совпадают, система разрешает вход, если нет – система отклоняет попытку доступа;
• подтвердить личность во время аутентификации можно с помощью одного или нескольких факторов: то, что субъект знает (пароль, PIN-код, ответ на секретный вопрос), то, что субъект имеет (смартфон для получения кода по SMS или в приложении, пропуск), то, что является частью субъекта (отпечаток пальца, лицо, голос, радужная оболочка глаза).

Верификация – это процесс проверки данных и подтверждение их достоверности. Она помогает обеспечивать безопасность и предотвращать ошибки при обработке информации.
Особенности:

• система отправляет пользователю уникальный код на телефон или почту, его нужно ввести, чтобы подтвердить личность;
• пользователь загружает сканы или фото документов, подтверждающих его личность или статус (паспорта, водительских прав, свидетельства о регистрации юрлица). Система проверяет их вручную или автоматически с использованием баз данных или алгоритмов распознавания;
• в зависимости от целей и уровня риска процесс верификации может сочетать несколько методов: цифровые коды, документы и биометрию.

Именно о развитии рынка систем цифровой верификации идентичности за рубежом и пойдет речь ниже.
IDV используется в различных ситуациях, включая цифровой онбординг, например, открытие банковского счета, подтверждение возраста (age assurance), путешествия (особенно при пересечении международных границ), трудоустройство, поступление в учебное заведение, покупку нового дома и др.
Стандарты и тестирование в области IDV
Международные стандарты верификации идентичности существуют наряду с рамками и руководящими принципами, выпущенными на национальном уровне.

• Стандарты ISO/IEC

Международная организация по стандартизации имеет несколько стандартов, охватывающих аспекты верификации идентичности и систем, принимающих решения на их основе.
Серия ISO/IEC 24760, включая ISO/IEC 24760-1:2019, «Информационная безопасность и конфиденциальность», определяет рамки для «выпуска, администрирования и использования данных, которые служат для характеристики физических лиц, организаций или компонентов информационных технологий, действующих от имени физических лиц или организаций».
Процессы онлайн-верификации идентичности, осуществляемые путем сравнения биометрических данных селфи с удостоверяющим личность документом, обычно полагаются на стандарт ISO/IEC 19794-5 для качества изображения, поддерживающего распознавание лиц. Этот стандарт также упоминается в документе Международной организации гражданской авиации (ИКАО) – ICAO Doc 9303 для машиночитаемых проездных документов (MRTD).
ISO/IEC 27001:2022, «Информационная безопасность, кибербезопасность и защита конфиденциальности – Системы менеджмента информационной безопасности» – самый известный в мире стандарт для систем менеджмента информационной безопасности (СМИБ), который охватывает управление рисками для информации.
ISO/IEC 30107-3, «Информационные технологии – Обнаружение атак при предъявлении в биометрии» устанавливает принципы и методы оценки производительности механизмов обнаружения атак при предъявлении (Presentation Attack Detection, PAD).
ISO/IEC 18013-5 определяет спецификации для мобильных водительских удостоверений (mDL) и их использования при очной верификации цифровой идентичности, а ISO/IEC 18013-7 делает то же самое для безопасной онлайн-верификации.

• Руководящие принципы и уровни доверия цифровой идентичности Национального института стандартов и технологий США (NIST)

NIST публикует руководящие принципы SP-800-63 по цифровой идентичности, которые определяют технические требования для её подтверждения и связанных с ней цифровых услуг.
Они также включают стандарты для различных «Уровней доверия идентичности» (Identity Assurance Levels, IAL), которые обозначают управление рисками:

• Для IAL1 «нет требований связывать заявителя с конкретной идентичностью в реальном мире». Пользователь может подать заявку по своему усмотрению и самостоятельно заявить о своей идентичности.
• IAL2, с другой стороны, обозначает высокую уверенность в том, что заявленная личность человека является его реальной персоной. Для IAL2 «доказательства подтверждают существование заявленной идентичности в реальном мире и проверяют, что заявитель надлежащим образом связан с этой идентичностью в реальном мире». Другими словами, IAL2 требует подтверждения идентичности, проводимого лично или удаленно, как правило, с помощью биометрии. Это требуемый стандарт для удаленной верификации идентичности.
• Для IAL3 требуется физическое присутствие для подтверждения идентичности.
• Другие стандарты и сертификации
• Альянс FIDO проводит программу сертификации верификации идентичности на основе стандартов ISO и собственных разработок, а также несколько связанных программ соответствия. FIDO аккредитовала биометрические испытательные лаборатории по всему миру для проведения сертификации по своим программам IDV и другим документам.
• Европейский стандарт CEN/TS 18099 – «Обнаружение атак путем внедрения биометрических данных» (Biometric data injection attack detection) используется французской лабораторией CLR Labs для оценки биометрических и технологий безопасности, а также британской Ассоциацией ACCS (Age Check Certification Scheme) для сертификации и тестирования систем идентификации личности и проверки возраста. Обнаружение атак с инъекцией (Injection Attack Detection, IAD) может обеспечить уровень защиты от дипфейков и другого синтетического или измененного контента.
• Kantara Initiative – глобальное сообщество, занимающееся улучшением надёжного использования идентификации и персональных данных, проводит сертификацию по «Уровням доверия идентичности» (IAL), определенным NIST SP 800-63 rev. 3. Организация Kantara также является одним из всего двух органов, в настоящее время одобренных для тестирования в соответствии с «Доверительной структурой цифровой идентичности и атрибутов» Великобритании (Digital Identity and Attributes Trust Framework, DIATF), которая регулирует технологии для верификации идентичности и других типов взаимодействий.

Анализ рынка и прогнозы
Основными мировыми драйверами развития рынка являются:

• Соответствие требованиям (Compliance) – соответствие законодательству AML и KYC является ключевым драйвером для внедрения услуг верификации идентичности. Во многих регионах прямо указаны типы технологий, которые следует внедрить для обеспечения соответствия. Например, регулирование в AML 5 и AML 6 (директивы Европейского союза по борьбе с отмыванием денег) прямо упоминает IDV и считается основным драйвером этого рынка.
• Обнаружение и предотвращение мошенничества (Fraud Detection and Prevention) – IDV помогает бороться с мошенничеством при онбординге и мошенничеством с учетными записями.
• Клиентский опыт (Customer Experience) – в современном цифровом мире клиентский опыт является ключевым фактором в предоставлении привлекательных цифровых услуг. Обеспечение того, чтобы современные услуги IDV вписывались в рабочие процессы клиента, является критически важным соображением, особенно на начальном этапе клиентского опыта.
• Возможность удаленного цифрового онбординга (Enabling Remote Digital Onboarding) – способность поддерживать удаленный цифровой онбординг с помощью надежных, точных, соответствующих требованиям и безопасных решений является обязательным условием для поставщиков услуг. Традиционная IDV и, все чаще, многоразовая верификация цифровой идентичности позволяет осуществлять удаленный цифровой онбординг.

Ключевыми секторами, лидирующими по внедрению систем верификации идентичности, являются:

• Банковское дело, финансовые услуги и страхование (BFSI) – внедрение услуг традиционной верификации идентичности для сектора BFSI в значительной степени обусловлено сочетанием соответствия AML/KYC, сокращением мошенничества и программами цифровой трансформации внутри поставщиков финансовых услуг. Возможность быстрого и безопасного онбординга новых клиентов является критически важной.
• Государственный сектор

Внедрение верификации идентичности для государственных органов обусловлено рядом факторов, включая: цифровую трансформацию, ускорение внедрения государственных схем цифровой идентичности, спрос со стороны граждан на легкий доступ к цифровым услугам и экономическую необходимость увеличения ВВП благодаря легко доступным цифровым услугам.
Что касается многоразовой верификации цифровой идентичности для государства, то наблюдается две тенденции:

1. Правительства выпускают цифровые копии существующих удостоверяющих документов: мобильные водительские удостоверения, цифровые проездные документы, цифровые национальные удостоверения личности.
2. Правительства или третьи стороны в рамках сертифицированной структуры выпускают новые электронные идентификаторы для использования в цифровом мире.

Правительства видят преимущества выпуска и принятия систем многоразовой верификации цифровой идентичности. Так, например, ярким примером является программа Aadhaar – уникальная система идентификации Индии. Она присваивает 12-значный уникальный номер резидентам, связанный с их биометрическими и демографическими данными. Aadhaar широко используется для верификации идентичности, финансовых операций и государственных услуг. Уже в 2023 году 99% населения Индии зарегистрировались в Aadhaar (примерно 1,4 миллиарда человек). К другим передовым решениям можно отнести сингапурскую национальную систему цифровой идентификации (NDI) и приложение Singpass, эстонскую систему электронной идентификации Estonian eID, нидерландскую систему цифровой идентификации и аутентификации для бизнеса и организаций eHerkenning.
Программа цифровой идентичности Европейского союза (European Digital Identity) включает цифровые кошельки (Digital Identity Wallet) в сочетании с возможностями цифровой подписи, построенными вокруг регламента eIDAS 2.0*.
*eIDAS 2.0 – это обновленная версия Регламента об электронной идентификации, аутентификации и услугах доверия (eIDAS), который устанавливает основу для безопасной цифровой идентичности и услуг доверия по всему ЕС. Он направлен на совершенствование исходного регламента eIDAS за счет введения европейского цифрового кошелька, позволяющего гражданам и предприятиям безопасно хранить и делиться учетными данными идентичности в Интернете.
Цель IDV для государственных услуг – перейти к тому, чтобы граждане хранили удостоверяющие документы и атрибуты идентичности в цифровых кошельках или в приложениях, имеющих возможности цифрового кошелька, то есть возможность делиться идентичностью и атрибутами идентичности с поставщиками цифровых услуг безопасным и повторяемым способом.

• Телекоммуникации

Международный проект по разработке единого стандарта для аутентификации и идентификации на основе абонентского номера – программа GSMA Mobile Connect стала важным катализатором использования цифровой идентичности для телекоммуникационной отрасли и не только. Телекоммуникационные провайдеры также работают совместно с правительствами и коммерческими поставщиками систем верификации идентичности, поддерживая широкий спектр схем.
Операторы мобильной связи похожи на банки тем, что управляют значительным объемом проверенных данных идентификации, которые могут быть ценными при проверке личности человека. Это включает имя, адрес и возраст.
Мошенничество с идентификацией, национальные правила регистрации удостоверений личности (KYC и противодействие терроризму) при активации новых подписок и предотвращение подмены SIM-карты (SIM-свопов) являются основными драйверами внедрения IDV для телекоммуникационных операторов.
Операторы связи также играют ключевую роль в предоставлении аналитики идентификации для услуг верификации идентичности. Интеллектуальные данные, как об устройстве, так и о сети являются важными компонентами для верификации идентичности и могут значительно повысить точность. Так, например, в ноябре 2020 года крупнейшие мобильные операторы Великобритании EE, O2, Three и Vodafone совместно запустили сервис для верификации номеров – NumberVerify (NV), который помогает бороться с мошенничеством, проверяя клиентов путем сопоставления номеров телефонов, используемых в веб- или мобильной сессии, чтобы убедиться, что предоставленные данные совпадают с зарегистрированными в учетной записи клиента.
Франция объявила о подобной инициативе в декабре 2024 года. Четыре крупнейших мобильных оператора Франции – Bouygues Telecom, Free, Orange и SFR – объявили о совместной инициативе по усилению защиты цифровой идентичности и борьбе с онлайн-мошенничеством. Сотрудничество является частью глобальной инициативы GSMA Open Gateway, которая стремится стандартизировать сетевые сервисы для разработчиков и предприятий по всему миру. Операторы представили два интерфейса программирования приложений (API), KYC match и SIM swap, основанные на стандарте CAMARA, разработанные для унификации спецификаций в мобильных сетях. Сервисные API доступны через репозиторий CAMARA (проект с открытым исходным кодом, разработанный Linux Foundation).

• Азартные игры (gambling, гемблинг)

Верификация идентичности для индустрии азартных игр обусловлена сочетанием регулирования AML/KYC, проверок возраста, цифровой трансформации для поддержки оптимизированного онбординга клиентов и сокращения мошенничества. Регулирование KYC и AML не такое строгое, как для финансовых институтов, и, как следствие, до сих пор не наблюдается высокого уровня внедрения IDV, как в секторе BFSI.
Однако ряд правил по защите детей в Интернете, включая британский Закон об онлайн-безопасности (OSA), обязывающий поставщиков онлайн-услуг внедрять средства контроля безопасности для защиты детей, может привести к большему уровню внедрения IDV для онлайн-гемблинга.

• Сектор услуг (туризм и услуги, связанные с отдыхом клиентов)

Путешествия и индустрия гостеприимства (сфера услуг, включающая размещение, услуги питания и напитков, планирование мероприятий, тематические парки, путешествия и туризм) оказались лидером во внедрении систем многоразовой верификации цифровой идентичности с решениями, управляемыми как правительствами, так и частными компаниями, включая туроператоров (авиакомпании, аэропорты, железнодорожные и морские операторы, включая круизные линии).
Сочетание глобальных стандартов, в частности Международной организации гражданской авиации – ICAO DTC, и вовлеченности отраслевых ассоциаций путешествий, включая инициативу Международной ассоциации воздушного транспорта – IATA One ID, направленную на внедрение технологий цифровой идентификации и биометрии, способствует совершенствованию и разработке систем портативной цифровой верификации идентичности.

• Сектор взаимодействия персонал-работодатель

Это область растущей важности, где угроза дипфейков и кражи личных данных вызывает тревогу у работодателей, особенно тех, кто нанимает удаленных работников в других странах.
С ростом удаленной работы компании совершенствуют свои методы проверки, чтобы гарантировать наём надежных и квалифицированных сотрудников. Кроме того, исследования на платформе управления социальными сетями Buffer от одноименной американской компании показывают, что программы удаленного онбординга увеличивают удержание персонала на 20%, поскольку виртуальные процессы соответствуют гибким моделям работы.
Удаленная проверка сотрудников действительно сопряжена с рисками, если не используется надежная верификация идентичности.
Так, например, в 2025 году сообщалось, что северокорейские государственные киберспециалисты использовали дипфейки для получения работы, особенно нацеливаясь на IT-вакансии.
Помимо доказательства того, что человек реален, надежная IDV также может использоваться для подтверждения истории работы и квалификации. Именно здесь использование цифровых кошельков идентичности и верифицируемых учетных данных может революционизировать способ проверки компаниями достоверности заявлений нового сотрудника.
За рубежом насчитывается порядка 50 поставщиков, которые предоставляют технологии верификации идентичности. Наибольшее количество таких компаний зарегистрировано в США (1Kosmos, Aware, Dock Labs, Entrust, HID, FaceTec, Identomat, Intellicheck, Daon, Incode, Jumio, LexisNexis Risk Solutions, Mitek Systems, Paravision, Persona, Plaid, Socure, Wink). В Европе - GBG, ID-Pal, Shufti, iProov, Sumsub, Yoti (Великобритания); AU10TIX, Inverid, Luciditi (Нидерланды); IDAKTO, IDEMIA, Thales (Франция); IDnow (Германия); Innovatrics (Словакия); Youverse (Португалия); FacePhi, Veridas (Испания); IDenfy, Ondato (Литва); Mobai, Signicat (Норвегия); Regula (Латвия); Identyum Хорватия; Indicio (Швеция); Veriff (Эстония). Стоит также отметить фирмы представленные другими странами: iiDENTIFii, Smile ID (ЮАР); Unico (Бразилия); Oz Forensics, OCR Studio (ОАЭ); ADVANCE.AI (Сингапур).
Их решения для верификации идентичности сочетают в себе ряд основных технологий, включая верификацию лица, определение «живости» (Liveness Detection) и обнаружение дипфейков, сканирование документов (оптическое и на основе чипа) и аутентификацию, а также проверку персональных данных. Отрасль состоит как из поставщиков компонентов, так и из провайдеров платформ, которым принадлежит большая часть IP-адресов, предлагаемых в их решениях.
Так, например, технология распознавания лиц американской компании Paravision поддерживает сотни миллионов проверок личности ежегодно через интеграции с крупномасштабными государственными программами, национальными системами идентификации, ведущими финтех-компаниями, а также платежными и потребительскими платформами по всему миру. Она обеспечивает корпоративную аутентификацию для ведущих поставщиков услуг идентификации, включая американские компании ID.me, Persona, PopID, Entrust, HID, швейцарскую SITA. Области применения охватывают безопасность границ, национальные системы идентификации, цифровой онбординг, платежи и контроль доступа. Вместе с определением «живости», обнаружением дипфейков и оценкой возраста ее технология распознавания лиц предоставляет комплексный набор инструментов на основе ИИ, известный своей проверенной точностью, производительностью и масштабируемостью.
Paravision входит в число ведущих мировых лидеров в тестах NIST FRTE для верификации 1:1 и идентификации 1:N, войдя в пятерку лучших по результатам оценки за июль 2025 года и заняв первое место в Северной и Южной Америке и Европе. Ее алгоритм демонстрирует чрезвычайно низкие частоты ложных совпадений и ложных несоответствий среди различных демографических групп.
Компания Paravision предлагает технологию Liveness Detection (обнаружение живого присутствия или определение «живости»), которая прошла независимое тестирование по стандартам ISO/IEC 30107-3 в американской лаборатории iBeta*.
*iBeta – лаборатория тестирования программного обеспечения и обеспечения качества. Имеет несколько аккредитаций:
NIST NVLAP – аккредитация как независимая лаборатория биометрического тестирования;
Альянс FIDO – аккредитация для проведения биометрических оценок в рамках программы FIDO Alliance Biometric Component Certification Program;
Mastercard – аккредитация для тестирования биометрических систем для мобильных и носимых устройств.
Android – аккредитация как партнёр по безопасности Android, что даёт право проводить сертификацию биометрических систем.
В результате тестирования было подтверждено соответствие требованиям к защите от атак Level 1 и Level 2, при этом совокупная частота ошибок составила 0% для атак Level 2.
Технология Paravision Liveness также успешно прошла все критерии оценки в рамках тестирования независимой лаборатории Ingenium Biometrics по Level 3 PAD (Presentation Attack Detection), которое считается одним из самых строгих глобальных тестов безопасности биометрических систем. Это подтвердило как исключительную устойчивость к подделкам, так и удобство использования в реальных условиях. Кроме того, Paravision Liveness продемонстрировала высокие результаты в рамках демонстрации технологии удалённой проверки личности (Remote Identity Validation Technology Demonstration, RIVTD) Track 3 Министерства внутренней безопасности США, где удалось достичь наименьшей совокупной частоты ошибок среди всех участников и самого быстрого общего времени обработки данных.
Другой глобальный поставщик услуг верификации идентичности и возраста, литовская компания Ondato. Её решения верификации используются в широком спектре отраслей, включая финансовые услуги, юридический сектор, телекоммуникации, онлайн-маркетплейсы, онлайн-развлечения и другие. Крупные банки и финтех-компании, внедрившие решения Ondato:

• ведущий банк в странах Балтии – Luminor, сотрудничал с Ondato для цифровизации процесса KYC-онбординга,
• европейская краудфандинговая платформа InRento – использует решения Ondato для обеспечения соответствия инвесторов.

В телекоммуникационном секторе Ondato работала с катарским оператором Ooredoo для оптимизации регистрации болельщиков для глобального спортивного мероприятия. Ondato также поддерживает онлайн-маркетплейсы, такие как Vinted, и известна в индустрии контента для взрослых. Такие платформы, как OnlyFans, используют её решения для безопасной проверки возраста и верификации своих создателей и подписчиков, а сайт для взрослых Fansly и операторы онлайн-гемблинга, такие как TonyBet, интегрировали продукты Ondato для усиления соответствия KYC/AML.
Решения IDV Ondato достигают точности верификации 99,8%. Национальный институт стандартов и технологий США (NIST) протестировал технологию оценки возраста по лицу этой компании и отметил низкий уровень ложных срабатываний наряду с исключительной точностью среди разных демографических групп.
Система распознавания лиц Ondato успешно прошла тестирование PAD NIST по уровням Level 1 и Level 2 с нулевым показателем ложных срабатываний (FAR). Продукт компании соответствует требованиям Qualified Trust Service Provider согласно eIDAS и имеет сертификат ISO/IEC 27001:2013 по управлению информационной безопасностью. Инструменты Ondato полностью соответствуют требованиям GDPR, при этом конфиденциальность и безопасность заложены в основу их разработки.
Компания из ОАЭ – Oz Forensics специализируется на разработке решений для биометрической идентификации и предотвращения мошенничества на основе технологий распознавания лиц и определения «живости». Сегодня ее офисы расположены в ОАЭ (Дубай), Казахстане (Алматы) и Португалии (Лиссабон). Решения компании по борьбе с кибермошенничеством и обеспечению надежной верификации идентичности применяются в более чем 30 странах и соответствуют глобальным стандартам безопасности. Обслуживаемые отрасли включают банки (Национальный банк Казахстана, Eurasian Bank), финансовые услуги и финтех, телекоммуникации, электронную коммерцию и государственные органы. Она обрабатывает около 1,5 млн транзакций верификации идентичности в год и изучает возможности участия в проекте цифрового кошелька ЕС.
Решение компании – Oz Biometry предлагает протестированное по NIST-FRTE распознавание лиц с точностью 99,99% для легкого противодействия мошенничеству. Используемое вместе с решением Oz Liveness, оно предотвращает самые изощренные атаки на предъявление и с инъекцией (presentation and injection attacks), такие как атаки с использованием дипфейков и синтетических идентичностей.
В 2025 году она подтвердила эффективность своей технологии обнаружения атак с инъекцией (injection attack detection, IAD) с помощью тестирования от австралийской лаборатории BixeLab, в котором использовалась техническая спецификация CEN/TS 18099 ЕС – исходный документ для разрабатываемого стандарта ISO. Ее набор инструментов ПО (SDK) достиг 0% APCER (Attack Presentation Classification Error Rate), что означает, что все попытки инъекционных атак были заблокированы. Тестирование на соответствие требованиям было проведено с использованием версий SDK Oz Forensics: 8.16.2 для iOS; 8.17.0 для Android; веб-версия SDK 1.712. В результате подтвердилась надёжность технологии в обнаружении подделок, как в мобильной среде, так и в веб-браузерах.
В 2024 году Oz Forensics была приобретена бразильской компанией-единорогом Unico, за которым стоят такие компании, как Goldman Sachs, SoftBank и General Atlantic. При этом она сохраняет полную техническую автономию своих продуктов и операций и сосредоточилась на основных возможностях в области биометрии лица и определения «живости».
Анализ мирового рынка показывает, что верификация идентичности трансформируется из полезной опции в критически необходимую инфраструктуру для цифровой экономики. Она стала обязательным элементом не только в традиционно чувствительных секторах, таких как государственные услуги, финансовые операции (страхование, банкинг), здравоохранение и путешествия, но и в розничной торговле, онлайн-образовании, трудоустройстве и даже доступе к цифровому контенту.
Если ранее её применение часто мотивировалось исключительно борьбой с мошенничеством, то сегодня ключевым драйвером выступает жёсткое нормативное регулирование (AML, KYC, GDPR, eIDAS и др.), которое делает IDV юридическим императивом. Прогнозы подтверждают этот тренд: к 2027 году объём рынка превысит 15 млрд транзакций и $18.3 млрд выручки (по данным аналитических и консалтинговых компаний Biometric Update и Goode Intelligence – отчет «2025 Digital Identity Verification Market Report & Buyers Guide», рис.1, 2).
Рис.1 Общее количество проверок в мире (млн) Рис.2 Общая глобальная выручка ($млн, США)
Таким образом, современная верификация идентичности – это уже не просто инструмент проверки, а стратегический актив, который позволяет организациям обеспечивать соответствие требованиям, минимизировать риски, выстраивать цифровое доверие и создавать беспрепятственный пользовательский опыт в условиях

Революция в области искусственного интеллекта (ИИ) привела к появлению новых угроз кибербезопасности. В 2026 году количество атак на цепочки поставок ИИ-моделей выросло на 156% по сравнению с предыдущим годом, создав поверхность атаки, которая значительно превосходит традиционные риски, связанные с поставками программного обеспечения.
Цепочки поставок моделей искусственного интеллекта представляют собой сложную цель для кибератак. В отличие от обычных приложений с четко определенными кодовыми базами и деревьями зависимостей, модели искусственного интеллекта состоят из множества взаимосвязанных компонентов, которые часто поставляются из различных, непроверенных источников.
Эти целенаправленные воздействия используют сложную экосистему разработки искусственного интеллекта, затрагивая широкий спектр компонентов: от обучающих наборов данных до весовых коэффициентов моделей, адаптеров тонкой настройки и облачной инфраструктуры.
Загрязненные обучающие наборы данных
Любая ИИ-модель строится на обучающих наборах данных (выборки, датасеты и т.д.) – массивах информации, используемых для обучения ИИ-систем. Именно на этих данных алгоритм машинного обучения настраивает свои параметры, выявляет скрытые закономерности и формирует правила принятия решений.
Поэтому наборы данных являются наиболее привлекательной целью для злоумышленников, которые все чаще пытаются скомпрометировать популярные открытые коллекции предварительно написанного кода (Open-Source Libraries), внедряя в них скрытые предубеждения или бэкдоры, которые проявляются в неожиданном поведении конечной ИИ-модели, , что чревато серьезными последствиями для безопасности.
Киберпреступники используют сложные методы, чтобы вредоносные материалы органично вписывались в легитимные данные, что значительно затрудняет их обнаружение. Например, атака типа Backdoor injection (внедрение через «черный ход») во время которой злоумышленник внедряет в обучающие данные ИИ-системы примеры с определённым триггером (конкретной фразой или паттерном), который позволяет манипулировать её поведением после обучения или развёртывания.
Контрольные точки вредоносной модели
В процессе машинного обучения текущее состояние ИИ-модели сохраняется в различных контрольных точках (чекпоинтах) – «снимках» состояния модели, которые сохраняются в определённый момент в ходе обучения. Цель – возможность возобновить процесс с того места, где он был прерван, что экономит время и ресурсы, особенно при работе с большими объёмами данных и сложными моделями. Также это позволяет делиться моделью с другими пользователями или анализировать её производительность на разных этапах обучения.
В состав контрольной точки обычно входят:
· веса модели (матрицы параметров);
· гиперпараметры (настройки обучения);
· состояние оптимизатора (корректора параметров модели в ходе обучения);
· номер текущей эпохи (один полный цикл обучения на массиве данных);
· расписание скорости обучения (гиперпараметр, определяющий размер шага обновления весов модели при градиентном спуске);
· другие метаданные, связанные с процессом обучения.
Компрометация контрольных точек дает злоумышленникам возможность внедрять в них вредоносный код или бэкдор. Взломанные контрольные точки могут распространяться по официальным каналам как легитимные релизы из надежных источников.
«Отравленные» адаптеры тонкой настройки ИИ-моделей
Адаптеры тонкой настройки – это небольшие модули, которые встраиваются в архитектуру предварительно обученной модели (например, трансформера) для адаптации к конкретным задачам или предметным областям с минимальными затратами ресурсов. Цель – использовать «знания», которые модель уже получила из большого, обобщённого датасета (Dataset, коллекция данных), и дообучить (Fine-Tuning) её на меньшей, специализированной обучающей выборке, чтобы она давала лучшие результаты в узкой области применения.
Адаптеры обычно представляют собой небольшие нейронные сети, которые встраиваются между слоями архитектуры трансформера. Они могут включать:

• слой понижающей проекции (down-projection);
• нелинейность;
• слой повышающей проекции (up-projection).

Такие модули часто добавляют в каждом блоке трансформера после слоев многоголового внимания (Multi-Head Attention Layers) и слоев с прямой связью (Feed-Forward Layers).
Multi-head attention – это механизм внимания в нейронных сетях, который позволяет модели одновременно фокусироваться на разных частях входной последовательности. Он расширяет базовый механизм self-attention (самовнимание), разделяя входные данные на несколько «голов». Каждая «голова» использует свои собственные матрицы запросов (Query), ключей (Key) и значений (Value), после чего результаты конкатенируются (объединяются) и проходят окончательное линейное преобразование.
Feed-forward Layers – это полносвязные слои, которые обрабатывают информацию после механизма внимания. Они представляют собой два слоя, применяемых независимо к каждому элементу входной последовательности.
Во время тонкой настройки обучаются только параметры этих дополнительных адаптеров. Это позволяет эффективно приспосабливать модель к новым задачам, сохраняя при этом её базовые знания.
Так, адаптеры типа Low-Rank Adaptation (LoRA, «адаптация низкого уровня») и Quantized Low-Rank Adaptation (QLoRA, «квантованная LoRA») стали популярными инструментами для настройки больших языковых моделей без необходимости полного их переобучения.
LoRA – добавляет небольшие матрицы низкого ранга в определённые слои модели, что делает процесс адаптации гораздо более эффективным, чем полная тонкая настройка. Сохраняет базовую модель неизменной.
QLoRA – развивает LoRA за счёт квантования исходной модели до 4-битной точности, что ещё больше снижает требования к памяти.
Однако они представляют собой серьезную угрозу безопасности, поскольку в случае их компрометации могут содержать скрытый вредоносный код, который запускается при загрузке вместе с базовой моделью.
Нестандартные методы манипулирования цепочками поставок ИИ-моделей – атаки типа CloudBorne и SockPuppet
Современные атаки на цепочки поставок ИИ-моделей вышли за рамки простого внедрения кода и включают в себя сложные методы социальной инженерии и манипуляции с инфраструктурой.
CloudBorne – это уязвимость в сфере информационной безопасности, связанная с облачными серверами. Она позволяет злоумышленникам внедрять вредоносный бэкдор в прошивку облачного сервера или в контроллер управления материнской платой (Baseboard Management Controller, BMC).
Атаки типа CloudBorne нацелены на облачную инфраструктуру, используемую для размещения и обслуживания моделей искусственного интеллекта.
С помощью атаки типа CloudBorne хакеры взламывают облачные серверы, на которых хранятся весовые коэффициенты моделей или обслуживающая инфраструктура, и заменяют легитимные модели вредоносными версиями. Такие атаки особенно опасны, поскольку они могут затронуть работающие модели без каких-либо изменений в исходном процессе разработки.
Справочно:
Весовые коэффициенты (веса модели) – это параметры искусственной нейронной сети, которые определяют, как входные данные преобразуются в выходные. Каждое соединение между нейронами в слоях сети имеет свой вес, который показывает, насколько сильно один нейрон влияет на другой.
SockPuppet (Sock Puppet – «носок-кукла», то есть «фальшивая личность») – это метод использования поддельных учётных записей для ложной онлайн-идентификации, манипуляции данными, открытыми проектами, фишинга или получения незаконных преимуществ и других видов угроз.
В ходе сложной атаки типа SockPuppet злоумышленники задействуют искусственный интеллект для создания реалистичных профилей разработчиков с историей в репозитории GitHub, информацией о вкладе в другие проекты и даже аккаунтами в социальных сетях. Эти «виртуальные сущности» на протяжении длительного времени активно участвуют в разработке ИИ-проектов с открытым исходным кодом, завоевывая репутацию и доверие пользователей, а затем внедряют уязвимости, которые создают бэкдоры в широко распространенных моделях.
Способ «подставных аккаунтов» особенно опасен, поскольку он основан на доверии к разработчикам, которые участвуют в создании, развитии и поддержке программного обеспечения с открытым исходным кодом. Злоумышленники месяцами или даже годами вносят изменения в легитимный код, зарабатывая привилегии коммитера (участник проекта, который имеет право вносить изменения в код и репозиторий) и доверие сообщества, прежде чем внести вредоносные изменения, которые зачастую принимаются без тщательной проверки.
Инциденты с цепочками поставок искусственного интеллекта показывают, к каким реальным последствиям могут привести такие атаки, например:
– Раскрытие учетных данных программного обеспечения Wondershare RepairIT, предназначенного для восстановления повреждённых или испорченных файлов различных форматов.
В апреле 2025 года ИБ-специалисты компании Trend Micro обнаружили две критические уязвимости в приложении Wondershare RepairIt, которые могли привести к утечке пользовательских данных и манипулированию моделями искусственного интеллекта.
Эти уязвимости получили обозначения:
· CVE-2025-10643 (оценка CVSS: 9.1) – уязвимость обхода аутентификации, связанная с разрешениями токена (цифрового идентификатора, который используется для подтверждения прав доступа, аутентификации или проведения операций) учётной записи хранилища.
· CVE-2025-10644 (оценка CVSS: 9.4) – аналогичная уязвимость обхода аутентификации, но в рамках разрешений токена SAS (Shared Access Signature – подпись общего доступа).
Причина уязвимостей – плохие практики разработки, например, внедрение непосредственно в код приложения чрезмерно широких токенов облачного доступа и хранение данных без шифрования.
Инцидент с программой Wondershare RepairIT продемонстрировал, как жестко запрограммированные учетные данные в инструментах на базе искусственного интеллекта могут раскрывать чувствительную информацию. Злоумышленники использовали открытые ключи API для доступа к инфраструктуре, на которой обучаются модели, что могло привести к заражению наборов данных и моделей вредоносными образцами.
– Появление в официальном репозитории языка программирования Python (Python Package Index, PyPI) нескольких вредоносных пакетов, нацеленных на библиотеки искусственного интеллекта, маскирующихся под легальное программное обеспечение. В этих пакетах содержался код, который изменял поведение модели или похищал конфиденциальные данные во время обучения или логического вывода.
По данным на декабрь 2025 года, количество вредоносных пакетов размещенных в PyPI за 11 месяцев выросло на 54% по сравнению с аналогичным периодом прошлого года. Это подчёркивает необходимость постоянного внимания к безопасности репозитория и использования современных методов защиты.
Примеры вредоносных пакетов в PyPI:
· Пакеты «gptplus» и «claudeai-eng» (обнаружены в 2024 году), имитировали работу с GPT-4 Turbo и Claude AI, а на самом деле посредством файла JavaUpdater.jar загружали вредоносное ПО JarkaStealer, предназначенное для кражи конфиденциальной информации. Этот зловред собирал данные из браузеров (cookie, сохранённые пароли, историю просмотров); аккумулировал системную информацию (детали операционной системы и учётные данные пользователя); похищал токены сессий из популярных приложений (Telegram, Discord, Steam); делал скриншоты, захватывая активность рабочего стола в реальном времени.
· Пакеты Zebo и Cometlogger (выявлены в 2025 году). Zebo – перехватывал нажатия клавиш, создавал скриншоты и отправлял их на ImgBB (бесплатный сервис с неограниченным местом хранения для медиафайлов), а также добавлял скрипт в автозагрузку Windows. Cometlogger – предоставлял доступ к аккаунтам в соцсетях, файлам cookie, паролям, системным данным и другим конфиденциальным сведениям.
· Пакеты Deepseeek и Deepseekai (обнаружены в январе 2024 года). Были загружены киберпреступниками в репозиторий PyPI. После установки и запуска встроенных команд происходил несанкционированный сбор информации о пользователе, его устройстве и переменных окружения. Для передачи данных злоумышленники использовали Pipedream – интеграционную платформу для разработчиков.
· Пакеты fast-httpx и newurllib, маскирующиеся под популярные легитимные библиотеки или инструменты с целью обмануть разработчиков или пользователей. Они могут использоваться в цепочках поставок программного обеспечения для распространения вредоносного кода.
– Кампании по «тайпсквоттингу» (typosquatting, typo – опечатка, squat – незаконно вселяться в дом) – виду кибермошенничества, при котором злоумышленники регистрируют доменные имена, похожие на названия популярных веб-сайтов, но с типичными опечатками, орфографическими ошибками или незначительными вариациями в написании. Цель – обманом вынудить пользователей посетить вредоносные веб-ресурсы.
Тайпсквоттинг является формой киберсквоттинга, которая основана на ошибках, таких как опечатки, сделанные пользователями Интернета при вводе адреса веб-сайта в веб-браузере.
Некоторые методы тайпсквоттинга:
· Перестановка букв – например, «exmaple.com» вместо «example.com».
· Пропуск или добавление символов – например, «gooogle.com» вместо «google.com».
· Использование схожих доменных зон – например, «.co» вместо «.com».
· Добавление или пропуск дефисов – например, «example-online-shop.com» вместо «exampleonlineshop.com».
Так, киберпреступники проводят сложные кампании по «тайпсквоттингу», нацеленные на наименования библиотек искусственного интеллекта, с целью создания пакетов с заголовками, похожими на популярные фреймворки. Когда разработчики случайно устанавливают эти вредоносные пакеты, они могут скомпрометировать весь процесс разработки искусственного интеллекта.
В целях обеспечения безопасности цепочек поставок ИИ организациям следует внедрять комплексные стратегии защиты, которые включают:
– Внедрение криптографической подписи для всех моделей и адаптеров искусственного интеллекта. Это обеспечивает их целостность и подлинность. Компании должны проверять подписи перед развертыванием любых компонентов ИИ, подобно тому, как проверка кода защищает программное обеспечение.
– Разработку комплексных спецификаций материалов для систем искусственного интеллекта (AI/ML Bill of Materials, AI-BOM), помогающих организациям понять всю цепочку поставок ИИ. Спецификация AI-BOM должна включать информацию о наборах обучающих данных, базовых моделях, адаптерах для тонкой настройки, зависимостях и инфраструктуре хостинга.
– Анализ поведенческого происхождения данных. Мониторинг шаблонов фиксации и поведения участников может помочь выявить sockpuppet атаки. Внезапные изменения в шаблонах внесения данных, необычные запросы на совместную работу или попытки быстрого повышения привилегий могут указывать на вредоносную активность.
–Реализация принципов нулевого доверия при использовании моделей искусственного интеллекта предполагает постоянный мониторинг поведения модели, проверку входных и выходных данных, а также ограничение возможностей модели только теми, которые необходимы для их предполагаемого функционирования.
–Критически важные компоненты ИИ должны проходить проверку ИИ-специалистами перед развертыванием. Это включает в себя ручное тестирование поведения модели, валидацию источников обучающих данных и проверку функциональности адаптера.
Решения для обнаружения и мониторинга.
В последнее время такие компании как SentinelOne (США) начали внедрять в свои системы безопасности функции мониторинга цепочки поставок, специфичные для искусственного интеллекта.
Примеры некоторых решений компании:
· Singularity for Endpoint - автономное решение, созданное на основе искусственного интеллекта и сочетания инструментов EPP (Endpoint Protection Platform – платформа защиты конечных точек) и EDR (Endpoint Detection and Response – обнаружение угроз конечным точкам и реагирования на них), представляет собой более комплексный подход к обеспечению безопасности конечных точек, используя преимущества обоих инструментов.
· Singularity Identity – проактивная защита в режиме реального времени, охватывающая всю поверхность атаки учётной инфраструктуры.
· Singularity Cloud – позволяет выявлять и реагировать в режиме реального времени на угрозы в рабочих средах, на серверах, виртуальных машинах, контейнерах и кластерах Kubernetes в общедоступных и частных облаках.
Эти платформы могут выявлять необычные закономерности в поведении моделей, обнаруживать потенциально вредоносные адаптеры и отслеживать признаки компрометации цепочки поставок.
Передовые инструменты поведенческого анализа позволяют выявить необычные закономерности в работе ИИ-моделей, которые могут указывать на компрометацию. К таким закономерностям относятся неожиданные сетевые подключения, необычные схемы доступа к данным или отклонения от ожидаемых выходных распределений.
Комплексные инструменты для мониторинга цепочки поставок помогают организациям составить полную карту своей инфраструктуры искусственного интеллекта, выявляя все зависимости и потенциальные уязвимые места. Такой мониторинг необходим для быстрого реагирования на инциденты и устранения их последствий.
Таким образом, резкий рост числа атак на цепочки поставок моделей искусственного интеллекта свидетельствует о фундаментальных изменениях в сфере кибербезопасности, которые требуют новых подходов и инструментов. В настоящее время традиционных мер по обеспечению безопасности программного обеспечения недостаточно для защиты систем искусственного интеллекта, и организации вынуждены инвестировать в специализированные средства поддержания кибербезопасности ИИ.
Для реализации этой задачи требуется сочетание технических средств контроля, совершенствования процессов и изменений в корпоративной культуре, при которых безопасность будет приоритетом на всех этапах разработки ИИ. По мере ускорения внедрения искусственного интеллекта компании, которые заблаговременно устранят риски, связанные с цепочками поставок, смогут в полной мере воспользоваться преимуществами этой технологии, обеспечив при этом безопасность и соблюдение нормативных требований.

Переход искусственного интеллекта (ИИ) от генеративных моделей к реализации в автономных физических агентах связан с развитием агентного ИИ, который способен самостоятельно выполнять задачи и принимать решения.
Генеративный ИИ генерирует контент по команде. Например, может написать письмо по заданному запросу.
Агентный ИИ действует по цели. Получив высокоуровневую цель, агент разбивает её на шаги: планирует решение, вызывает нужные инструменты, проверяет результаты и при необходимости корректирует план, пока цель не достигнута.
Прогнозируется, что к 2028 году автономные ИИагенты будут принимать не менее 15% повседневных рабочих решений вместо людей.
Кроме того, ИИ проникает в физическую инфраструктуру, распространяясь на робототехнику и периферийные вычисления. Например, агенты ИИ могут работать в домах, транспортных средствах и промышленных условиях, распространяя автоматизацию на повседневное физическое пространство.
Таким образом, искусственный интеллект переходит из разряда технологического инструмента в фундаментальную инфраструктуру, определяющую принципы работы бизнеса и взаимодействия людей с цифровой средой.
Одним из примеров перехода искусственного интеллекта от генеративных моделей к реализации в автономных физических агентах стала разработка человекоподобного робота Atlas американской компании Boston Dynamics. Первый прототип был показан в 2013 году. Изначально робот создавался для выполнения различных поисково-спасательных задач. В апреле 2024 года Boston Dynamics прекратила разработку гидравлической версии робота и приступила к созданию полностью электрического устройства, усовершенствованная версия которого была представлена на международной выставке потребительской электроники CES 2026, проходившей в январе 2026 года в Лас-Вегасе (США).
Главным отличием новой версии Atlas стала полная интеграция с одним из вычислительных модулей Jetson Thor (современные ИИ-алгоритмы с машинным обучением) американской компании NVIDIA, спроектированного для робототехники и приложений физического ИИ. Модуль представляет собой аппаратную платформу, обеспечивающую высокую производительность для запуска ИИ-моделей в реальном времени.
Таких, например, как Jetson T5000 включающий центральный процессор с 14 ядрами Arm Neoverse-V3AE (Automotive Enhanced) с частотой до 2,6 ГГц, графическим процессором на архитектуре Blackwell с 2560 ядрами CUDA (Compute Unified Device Architecture) и 96 тензорными ядрами пятого поколения, работающими на частоте до 1,57 ГГц. Модуль в 7,5 раз мощнее и в 3,5 раза энергоэффективнее предыдущего Jetson AGX Orin.
Он специально оптимизирован для работы с трансформерами и большими моделями (LLM, VLM), включая специализированную модель для гуманоидных роботов NVIDIA Isaac GR00T (Generalist Robot 00 Technology).
Это позволило роботу отказаться от предопределенных сценариев движения в пользу адаптивного поведения. Теперь он способен анализировать данные с сенсоров (лидар, ультразвук, оптические камеры, инфракрасные датчики).
Это решило две фундаментальные проблемы робототехники:

1. Понимание естественного языка: теперь робот может понимать голосовые команды, интерпретировать сложные визуальные сцены и адаптироваться к изменениям в реальном времени.
2. Генерация движений (VLA-модели, Vision-Language-Action, зрение-язык-действие): вместо программирования каждого шага, нейросеть генерирует траектории на лету, опираясь на визуальный контекст и физические ограничения среды.

Встроенная в устройство платформа Isaac GR00T позволила роботу на основе визуальных и языковых инструкций в реальном времени выполнять задачи по захвату объектов, перемещению предметов одной или двумя руками, передаче предметов между руками, а также сложные многошаговые операции, требующие длительного контекста и комбинации общих навыков; принимать на вход мультимодальные данные – например, текст и изображения – для выполнения задач в разнообразных средах; адаптироваться через постобучение для конкретных воплощений, задач и сред.
Возможности Isaac GR00T подходят для логистики, упаковки, инспекции и других областей. В ходе демонстрации Atlas автономно перемещал детали сложной формы между конвейерами, адаптируясь к изменению их положения в пространстве без вмешательства оператора, он продемонстрировал способность сохранять устойчивость на динамических и неровных поверхностях, имитирующих замусоренный пол реального цеха.
Мощность вычислений обеспечивается использованием графического процессора архитектуры Blackwell в мобильном исполнении (в видеокартах GeForce RTX 50-й серии).
Вот некоторые его особенности:
– использование RT-ядер четвёртого поколения, обеспечило вдвое больше скорость пересечения лучей и треугольников по сравнению с архитектурой Ada Lovelace;
– поддержка 4-битных вычислений с плавающей запятой (FP4), что увеличило производительность и снизило использование памяти при сохранении достаточной точности для AI-задач;
– система управления питанием позволила раздельно регулировать напряжение в разных сегментах чипа и отключать их в моменты небольшого простоя, экономя энергию;
– ускоренный механизм переключения частот, позволил быстрее реагировать на изменчивые динамические нагрузки, повышая или понижая частоту.
Благодаря архитектуре Blackwell в T5000, различия между симуляцией и реальностью почти отсутствуют. Робот, обученный через симуляторы NVIDIA Isaac Lab, может быть перенесен на физическое устройство с минимальной настройкой. Isaac Lab представляет собой виртуальную платформу, где ИИ-модели, проходят проверку перед применением на реальном оборудовании. В настоящее время разработчики могут запускать фотореалистичные симуляции и обучать своих роботов с помощью всего нескольких строк кода.
Кроме того, представители американских компании NVIDIA и Hugging Face объявили о проводимых мероприятиях в робототехнике с открытым исходным кодом. Размещение на базе Hugging Face самых продвинутых моделей физического искусственного интеллекта NVIDIA, таких как, например платформа Cosmos, которая в точности воспроизводит физические законы, стало переломным моментом для индустрии, превратив сложнейшие физические симуляции в доступный инструмент для разработчиков, она создаёт цифровую среду, предоставляя данные для обучения.
Благодаря доступности предобученных моделей Cosmos в репозиториях Hugging Face, исключается необходимость в ручной проработке физических уравнений. Модели уже содержат обученные параметры, учитывающие фундаментальные физические закономерности: гравитацию, инерцию и механику столкновений тел. Это позволяет сократить временные затраты на разработку и повысить точность симуляций.
Такая точность достигается за счет обучения на данных, сгенерированных с помощью симуляторов Isaac Lab, в то время как предыдущие модели обучались только на реальных видео, например с YouTube. Платформа научилась идеально воспроизводить физические процессы, в то время как его предшественникам приходилось выводить нечеткие правила на основе несовершенных изображений.
Модели Cosmos встроены в платформу LeRobot компании Hugging Face в качестве стандартного инструмента для обучения роботов новым действиям с помощью методов машинного обучения. Прежде чем робот коснется реального объекта, он проигрывает множество сценариев в Cosmos, который гарантирует, что ИИ понимает законы физики.
LeRobot представляет собой библиотеку для связи программного обеспечения с оборудованием, выполняет роль открытого интерфейса и главного хранилища данных для физического ИИ.
Платформа включает предварительно обученные модели для манипулирования объектами, что даёт возможность разработчикам применять проверенные решения. Она обеспечивает программный уровень, который позволяет запускать сложный ИИ на чипе Jetson Thor и мгновенно передавать команды на моторы робота.
До недавнего времени роботы были узкоспециализированными, но вследствие того, что Cosmos и GR00T стали доступны, благодаря открытому исходному коду, NVIDIA и Hugging Face выводят робототехнику на новый уровень.
Кроме того, компания Boston Dynamics осуществляет сотрудничество с английской компанией Google DeepMind, которая интегрирует собственные ИИ-модели, чтобы дать роботу более развитые когнитивные способности и научить его справляться со сложными непредсказуемыми ситуациями на производстве.
Платформа искусственного интеллекта, которая используется в роботе Atlas – Gemini Robotics от Google DeepMind – это мультимодальная генеративная система, которая позволяет ИИ одновременно работать с разными типами информации. Модели Gemini Robotics разработаны специально для управления роботами, она построена на базе мультимодальной архитектуры Gemini. Платформа отвечает за планирование, получает визуальные данные из среды (реальной или симулированной) и определяет действия, преобразует абстрактные задачи в физические действия.
Система, состоит из двух моделей: Gemini Robotics 1.5 (VLA-модель, преобразующая визуальную информацию и инструкции в команды для робота) и Gemini Robotics-ER 1.5 (модель с функцией воплощённого рассуждения, анализирующая визуальные и текстовые данные и формирующая пошаговый план выполнения задачи).
Некоторые возможности, которые Gemini Robotics привнесла в Atlas:
– улучшенное восприятие окружающей среды, робот может лучше понимать контекст и адаптироваться к незнакомым ситуациям;
– развитие навыков принятия решений. ИИ позволяет роботу анализировать обстановку и выбирать оптимальные действия.
– манипуляция объектами. Модуль помогает Atlas научиться использовать инструменты и работать с различными предметами;
– вербальное взаимодействие. В демонстрациях на CES 2026 робот выполнял многоэтапные команды, поданные устно (например, «возьми коробку слева, отнеси её на полку и поставь рядом с красным контейнером»).
Схема взаимодействия платформ в роботе Atlas:

1. Уровень проектирования и обучения (Виртуальная среда):

– NVIDIA Cosmos генерирует физическую симуляцию, создает виртуальную гравитацию и трение для обучения;
– Isaac Lab создает цифровые копии роботов для обучения и тестирования, используя физику Cosmos, обучается Isaac GR00T (моторике) и тестируется Gemini Robotics (логике). Результатом является готовая база знаний о том, как двигаться и думать.

1. Уровень интеллекта (Программное обеспечение):

– Gemini Robotics (Google) обучается в этой симуляции понимать мир и планировать действия (понимать речь и планировать задачи).
– Isaac GR00T (NVIDIA) учит робота ходить и двигать руками, используя человеческую логику движений (переводит команды Gemini в сложные движения тела).
– LeRobot (Hugging Face) предоставляет открытый формат и позволяет интегрировать полученные навыки в реального робота, обеспечивая совместимость.

1. Уровень исполнения (Аппаратная часть):

– Jetson Thor (включая T5000): обрабатывает данные с камер и сенсоров в реальном времени, вычисляя движения на основе физических моделей, изученных в Cosmos и Isaac Lab.
Также в версии Atlas используются приводы нового поколения, такие как электрические актуаторы (устройства, которые преобразуют электрическую энергию в механическую), обладающие повышенной плотностью крутящего момента, что позволило выполнять манипуляции с грузами при сохранении плавности и точности движений, сопоставимой с человеческой. Atlas может поворачиваться на 360 градусов во всех соединениях.
Высота робота составляет около 1,9 метра, вес – примерно 90 килограммов, а длительность непрерывной работы от полностью заряженного аккумулятора – 4 часа. При этом он может самостоятельно менять аккумуляторы, что позволяет ему работать круглосуточно. Компактный и плотный, Atlas способен поднимать тяжелые грузы, до 50 килограмм благодаря мощным приводам. Рабочий диапазон температур – от −20 до +40 градусов Цельсия.
В настоящее время компания Boston Dynamics (под управлением Hyundai) переходит от научно-исследовательских разработок к массовому производству гуманоидов для логистики и автопрома.
С 2028 года Atlas планируют интегрировать в глобальную сеть группы Hyundai, в том числе на завод Motor Group Metaplant America (HMGMA) в штате Джорджия (США) и выйти на производственную мощность в 30 тысяч единиц роботов в год. Первыми задачами которых будут операции, связанные с безопасностью и качеством, такие как, например сортировка деталей.
К 2030 году планируется использование Atlas для сборки компонентов, а в дальнейшем выполнение тяжёлых, повторяющиеся и иных сложных операций, в целях снижения рисков для сотрудников и улучшение безопасности условия труда.
Новая версия Atlas ориентирована на промышленное применение и демонстрирует прогресс в области автономности, гибкости и интеграции с современными технологиями. Это делает её важным шагом в развитии гуманоидной робототехники.
Данное событие официально закрепило статус гуманоидных роботов как следующей массовой вычислительной платформы, сопоставимой по значимости с появлением смартфона.
Одновременно, компанией NVIDIA была представлена модель Alpamayo – это новое семейство моделей искусственного интеллекта, инструментов моделирования и наборов данных для обучения автономных транспортных средств и физических роботов. Если предыдущие поколения систем работали по жестким алгоритмам и паттернам, то Alpamayo первая нейросетевая архитектура, обладающая элементами разума.
Эта модель призвана улучшить способность машин не просто реагировать на сигналы датчиков, а осмысленно рассуждать, планировать действия и объяснять принятые решения в сложных дорожных ситуациях. Модель построена на парадигме VLA с использованием цепочек рассуждений. Это позволяет системе анализировать сцену, рассматривать несколько возможных сценариев развития событий и выбирать наиболее безопасную стратегию поведения даже в незнакомых ситуациях, например при отключении светофоров на загруженном перекрёстке.
Система, работающая на чипах DRIVE Thor, анализирует контекст, прогнозирует намерения участников движения и обучается на симуляциях в NVIDIA Omniverse.
Alpamayo построена на базе мультимодальных больших моделей (LLM/VFM), адаптированных для задач реального времени. Главное отличие – наличие внутреннего цикла размышлений:
– Система 1 (Мгновенная реакция): обработка сенсоров (лидары, камеры) для предотвращения столкновений за миллисекунды;
– Система 2 (Глубокое рассуждение): параллельный процесс, который анализирует сцену целиком. Например, ИИ видит мяч и рассуждает: «вероятность появления ребенка – 80%, необходимо превентивно снизить скорость и подготовить тормозную систему».
Понимание контекста и намерений – это ключевой прорыв, решающий проблему непредсказуемости на дорогах, например такой как:
– Alpamayo считывает микро-сигналы других водителей – наклон колес, небольшое ускорение в потоке, нерешительность пешехода у края тротуара. Она понимает намерение перестроиться еще до того, как водитель включит поворотник;
– в ситуациях, где ПДД двусмысленны (нерегулируемые перекрестки, сужения дорог), ИИ использует «теорию игр», чтобы плавно и безопасно взаимодействовать с людьми, не блокируя движение избыточной осторожностью.
Система генерирует тысячи возможных вариантов развития событий на 5–10 секунд вперед. Она видит физические последствия маневров (занос на льду, аквапланирование) и выбирает траекторию с наименьшим риском.
Благодаря огромному объему синтетических данных, модель способна адекватно реагировать на ситуации, которые она никогда не видела в реальности (например, специфический груз, выпавший из грузовика).
Впервые автономная система может вести диалог с пассажиром. Модель Alpamayo превращает автомобиль с автопилотом в интеллектуального агента, который понимает не только геометрию дороги, но и негласные правила человеческого взаимодействия в трафике.
Первым автомобилем с системой автономного вождения на базе Alpamayo стала американская компания Mercedes-Benz CLA. По данным на январь 2026 года, модель должна появиться в продаже в США во втором квартале этого года. Среди партнёров NVIDIA, исследующих возможности Alpamayo, упоминались такие автопроизводители как Lucid Group, Uber и JLR (Jaguar Land Rover).
Таким образом, благодаря оборудованию, такому как, например Atlas, и широкодоступному роботизированному интеллекту, созданному в рамках альянса NVIDIA, Google и Hugging Face, отрасль переходит от прототипов к реальному внедрению.
Также, поворотным моментом для физического ИИ, стала его способность помогать автономным автомобилям справляться с редкими ситуациями и чётко объяснять свои решения.
Физический искусственный интеллект – это нейросети, встроенные в физические тела и способные взаимодействовать с реальным миром. В отличие от традиционного программного ИИ, работающего исключительно в цифровой среде, эти системы объединяют восприятие, принятие решений и физические действия в замкнутом контуре управления.
Робототехнические системы с элементами физического ИИ эволюционируют до полноценных оперативных единиц, способных к бесшовной интеграции в существующие системы управления, автономной адаптации к сложным и динамически изменяющимся условиям среды, а также к оказанию измеримого воздействия на оперативную обстановку в зоне выполнения задач.

В современном быстро меняющемся мире информационных технологий спецификации программного обеспечения (Software Bills Of Materials, SBOM) стали ключевым инструментом управления и обеспечения безопасности цепочек поставок софта. По мере того как программные платформы становятся все более сложными и включают в себя как собственные, так и сторонние компоненты, обеспечение прозрачности становится критически важным для безопасности ПО и данных.
По аналогии с SBOM, спецификации материалов искусственного интеллекта AI-BOM (Artificial Intelligence Bill of Materials) позволяют организациям отслеживать и понимать структуру моделей и систем ИИ, смягчая многочисленные киберугрозы, которые могут происходить от проприетарных (частных) компонентов искусственного интеллекта либо разработанных на основе платформ с открытым исходным кодом. Организации способны создать четко определенную спецификацию, освоив основные элементы документации AI-BOM, а также связанные с ней инструменты и фреймворки.
Несмотря на то, что SBOM и AI-BOM похожи, SBOM ориентированы на программные проекты в целом, а AI-BOM – на системы искусственного интеллекта. Тем не менее многие разработчики программного обеспечения используют принципы SBOM для создания спецификации материалов искусственного интеллекта.
Спецификация материалов искусственного интеллекта AI-BOM – это полный перечень всех элементов, задействованных в разработке, обучении и внедрении ИИ-системы. Типичная AI-BOM включает информацию о программном и аппаратном обеспечении, обучающих данных, истории обучения и показателях эффективности модели. Эта документация позволяет отслеживать происхождение и развитие модели на протяжении всего ее жизненного цикла.
Например, финансовое учреждение, внедряющее систему обнаружения мошенничества на основе искусственного интеллекта, должно иметь спецификацию AI-BOM, в которой перечислены все элементы, используемые для создания и обучения системы. Затем специалисты по безопасности могут оценить потенциальные уязвимости и устранить их до развертывания ИИ-системы в производственной среде.
AI-BOM также может служить руководством для разработчиков программного обеспечения, работающих над проектами по интеграции искусственного интеллекта. Например, команда инженеров-программистов, которой поручено внедрить модель обработки естественного языка в чат-бот для обслуживания клиентов. AI-BOM содержит четкий список программных зависимостей модели, параметров обучения и возможных искажений, что способствует более эффективной интеграции и устранению неполадок.
Повышение безопасности ИИ-систем
Спецификация AI-BOM дает множество преимуществ при создании безопасных моделей искусственного интеллекта, включая улучшенное управление рисками, реагирование на инциденты, соблюдение нормативных требований, безопасность цепочки поставок и аудит ИИ-систем.
Управление рисками
AI-BOM дает четкое представление о компонентах, используемых при разработке ИИ-платформ, выявляя зависимости и взаимодействия между различными компонентами. Имея полный список зависимостей, специалисты по безопасности могут выявить слабые места, связанные с каждым компонентом, и устранить их до интеграции в ИИ-платформу.
Реагирование на инциденты
Если в системе искусственного интеллекта происходит сбой, AI-BOM помогает группе реагирования на инциденты быстро определить затронутые компоненты. Такая молниеносная идентификация позволяет более эффективно устранять проблемы, что крайне важно для минимизации последствий нарушений безопасности и сокращения времени простоя. Кроме того, AI-BOM может помочь определить первопричину проблемы, что способствует проведению цифровой криминалистической экспертизы.
Соответствие требованиям
Спецификации материалов ИИ помогают предприятиям соответствовать регламентирующим требованиям. Многие нормативные акты предписывают предоставления подробного списка компонентов, используемых при разработке программных систем. Например, Управление по санитарному надзору за качеством пищевых продуктов и медикаментов США требует, чтобы предприятия контролировали программные компоненты, используемые в медицинских устройствах. Тот же принцип применим и к медицинским устройствам, управляемым ИИ.
Безопасность цепочки поставок
Искусственный интеллект, как правило, полагается на компоненты и наборы обучающих данных, предоставляемых внешними поставщиками. Однако AI-BOM значительно повышает устойчивость к рискам, связанным с использованием сторонних элементов и данных, обеспечивая более надежную защиту всей цепочки поставок.
Аудит систем искусственного интеллекта
Спецификация материалов ИИ позволяет проводить более эффективный аудит безопасности систем искусственного интеллекта, поскольку в AI-BOM перечислены все компоненты с указанием поставщика и версии. Это позволяет специалистам по кибербезопасности выявлять слабые места и устранять их до того, как ими воспользуются злоумышленники. Например, современная система обнаружения вторжений (Intrusion Detection System, IDS) может использовать модели машинного обучения (Machine Learning, ML) для выявления аномалий в сетевом трафике. Если какой-либо компонент IDS на базе искусственного интеллекта устарел и содержит уязвимость в системе безопасности, его можно легко обнаружить и обновить до того, как им воспользуются хакеры.
Основные элементы AI-BOM
Полноценный AI-BOM должен содержать все аппаратные и программные элементы, из которых состоит система искусственного интеллекта. К ним относятся:

• Название, тип модели и ее классификация, например, генератор текста или классификатор изображений.
• Версия модели. Например, 1.0 или 2.3, или семантическая версия, типа v1.2.1.
• Имя разработчика или название организации, ответственной за реализацию модели, а также их контактные данные.
• Информация о лицензии. Например, Apache 2.0 или GPL 3.0 – на модель и все используемые компоненты.
• Наборы данных, используемых для обучения ML-модели, включая название, версию, формат и ограничения каждого набора данных.
• Алгоритмы машинного обучения, архитектуру модели, гиперпараметры и все используемые предварительно обученные модели.
• Компоненты. Все программные элементы, включая сторонние библиотеки и фреймворки, необходимая операционная система и версия ПО, требуемая для запуска модели, среды выполнения, а также любое необходимое проприетарное программное обеспечение.
• Требования к оборудованию. Это спецификации, необходимые для запуска системы искусственного интеллекта, такие как серверное оборудование и сетевые устройства, используемые для обеспечения удаленных подключений.
• Технические характеристики входных и выходных данных. Форматы и спецификации API для интеграции.
• Параметры модели такие как скорость обучения, количество скрытых слоев и используемые вычислительные ресурсы.
• Сценарии использования и ограничения. Различные варианты применения, потенциальное злонамеренное использование модели, системные ограничения и возможные искажения.
• Требования к безопасности. Типы шифрования, используемые для защиты данных модели и пользовательской информации, а также необходимые механизмы контроля доступа.
• Цифровая подпись AI-BOM. Предназначена для обеспечения подлинности и целостности спецификации материалов ИИ.

Создание и поддержка AI-BOM
Для формирования эффективного AI-BOM требуется автоматизированное обнаружение и постоянное обновление.
Этот процесс обычно включает в себя:

• Выявление ресурсов: сканирование репозиториев и реестров моделей для определения всех используемых наборов данных, моделей и фреймворков искусственного интеллекта.
• Классификацию компонентов: маркировку каждого компонента в зависимости от его функций – обучающие данные, модель логического вывода, набор данных для оценки или зависимость от развертывания.
• Концентрацию метаданных: сбор номеров версий, условий лицензирования, информации о создателях, весовых коэффициентов моделей и хеш-значений для проверки целостности.
• Актуализацию изменений: автоматическое отслеживание обновлений, событий переобучения и новых зависимостей, возникающих в процессе жизненного цикла машинного обучения.
• Непрерывную проверку: сверка записи AI-BOM с данными среды выполнения, чтобы убедиться, что развернутые компоненты соответствуют утвержденным.

Автоматизация с помощью систем инвентаризации на основе графов, таких как программная визуализация графов, позволяет точно отображать взаимосвязи между моделями искусственного интеллекта, наборами данных и компонентами среды выполнения.
Связывание этих элементов с рабочими процессами оценки рисков, как в случае с приоритизацией и устранением опасностей, связанных с приложениями, гарантирует, что выявленные угрозы будут напрямую преобразованы в практические задачи по обеспечению безопасности.
Инструменты и фреймворки необходимые для создания AI-BOM
Существует несколько наиболее распространенных инструментов и фреймворков таких, как:

1. AI-BOM Visualizer – средство визуализации, обеспечивающее графическое представление компонентов ИИ-системы.
2. Open Web Application Security Project CycloneDX – комплексный стандарт SBOM, расширяющий возможности цепочки поставок для снижения киберрисков.
3. System Package Data Exchange AI – инструмент, который создает полный перечень программных компонентов и их версий, используемых в системе искусственного интеллекта.
4. Информационные бюллетени IBM об ИИ – источник, который собирает метаданные и информацию о жизненном цикле ИИ-системы для отслеживания эффективности моделей машинного обучения.

Стандарты определяющие спецификации ИИ
В настоящее время спецификации AI-BOM разрабатываются на основе сочетания технических стандартов, практической работы и систем управления. Каждый из них вносит свой вклад в процессы разработки схем и распределения рисков:

• В основе лежит спецификация открытого стандарта для обмена данными о программных пакетах (Software Package Data Exchange, SPDX 3.0.1), в которой представлены формальные профили искусственного интеллекта и наборов данных.

Эти профили расширяют традиционную модель SBOM, позволяя описывать компоненты машинного обучения – модели, наборы данных, конфигурации обучения и данные о происхождении в едином машиночитаемом формате.
Сообщество SPDX работает над расширением охвата метаданных конфигурации и развертывания. Ожидается, что в будущих релизах будут добавлены сведения о среде выполнения и инфраструктуре.
SPDX обеспечивает техническую структуру, которая делает возможным создание AI-BOM.
Помимо самого стандарта, уже ведется работа по его внедрению. Отраслевые группы опубликовали руководство по применению SPDX 3.0.1 в реальных средах искусственного интеллекта.
Сюда входят примеры сериализации (процесс последовательного перевода структуры данных в битовую последовательность) в формате представления связанных структурированных данных, основанном на стандартах Linked Data (JavaScript Object Notation for Linked Data, JSON-LD), проверки схемы и рекомендации по приведению данных AI-BOM в соответствие с конвейерами автоматизации.
В оперативном плане проекты спецификаций ИИ тестируют на предмет того, как они работают на практике. Текущие варианты использования сосредоточены на обеспечении соответствия требованиям, устранении уязвимостей, управлении рисками, связанными с третьими сторонами, и отслеживании жизненного цикла моделей.
Управление связывает все это воедино. В современных международных стандартах документирование активов ИИ рассматривается как часть ответственного управления искусственным интеллектом.

• Проекты по обеспечению безопасности ИИ: Фонд безопасности открытого исходного кода (Open Source Security Foundation, OpenSSF) и международная открытая инициатива по повышению безопасности приложений (Open Web Application Security Project, OWASP). Эти сообщества разрабатывают открытые спецификации для составления отчетов о защищенных моделях и отслеживании зависимостей.
• Система управления рисками искусственного интеллекта (NIST Artificial Intelligence Risk Management Framework, NIST AI RMF) – в рамках программы Национального института стандартов и технологий особое внимание уделяется прозрачности, отслеживаемости и подотчетности при разработке ИИ-систем.
• Глобальный стандарт управления ИИ – ISO/IEC 42001:2023, формализует процессы управления рисками, документирования и аудита.

Проблемы, связанные с внедрением спецификации материалов ИИ
Концепция спецификации материалов искусственного интеллекта доказала свою эффективность. Однако инструменты и операционная готовность все еще отстают от требований. Внедрение AI-BOM до сих пор находится на стадии разработки, и его практическое применение сопряжено с рядом технических и процедурных проблем, таких как:
– Поиск баланса между прозрачностью и защитой интеллектуальной собственности остается самой сложной задачей. Организации готовы предоставлять информацию о происхождении и взаимосвязях ИИ-систем, чтобы обеспечить соблюдение требований безопасности, но при этом не раскрывать исходные данные или проприетарный код с целью сохранения своих конкурентных преимуществ. Достижение этого равновесия – это скорее область интуитивных знаний, где нет четких правил, чем применение предсказуемых процедур.
– Необходимость постоянно переобучать модели и поддерживать множество версий. Конвейеры искусственного интеллекта объединяют в себе несколько фреймворков и уровней оркестрации, каждый из которых генерирует частичные метаданные. Каждое обновление модели или изменение набора данных приводит к появлению новых «данных о данных», и без автоматизации этого процесса осуществлять их поддержку вручную становится практически невозможно.
– Совершенствование инструментов и их совместимости. Такие стандарты, как SPDX и CycloneDX, сближаются, но пока не обеспечивают полную совместимость в экосистемах искусственного интеллекта. В настоящее время нет универсальной схемы представления данных для спецификации AI-BOM от разных поставщиков и экосистем.
Внедрение механизмов непрерывного обнаружения, проверки и обновления помогает исправить эти проблемы. Решения, которые позволяют сопоставлять программное обеспечение и активы ИИ с помощью глубокого анализа кода, могут выявлять скрытые зависимости искусственного интеллекта и теневые фреймворки до того, как они станут источниками рисков.
Справочно:
Теневые фреймворки в контексте AI-BOM – это неофициальные или неконтролируемые фреймворки, которые используются в экосистеме ИИ-систем, часто вне рамок официальной документации или управления. Они могут включать самодельные или не документированные решения, которые сотрудники применяют для разработки, тестирования или внедрения ИИ-компонентов без явного контроля со стороны IT-отдела или руководства.
Такие фреймворки создают риски для прозрачности, безопасности и соответствия нормативным требованиям, так как их использование часто не отслеживается в рамках стандартных процессов управления ИИ-системами. Это может приводить к непредвиденным последствиям, например, к использованию уязвимостей, этическим проблемам или нарушению регуляторных норм.
Сегодня термины SBOM для искусственного интеллекта и AI-BOM используются как взаимозаменяемые, но по мере развития руководящих принципов и стандартов их применение постепенно приходит в соответствие друг с другом.
Организации, интегрирующие возможности AI-BOM в свои конвейеры DevSecOps (Development, Security, Operations), лучше подготовлены к соблюдению этих стандартов и автоматизации проверки соответствия требованиям. Инструменты, расширяющие возможности отслеживания от кода до среды выполнения, такие как расширенное сопоставление архитектуры программного обеспечения, обеспечивают основу для масштабируемого управления AI-BOM в различных средах.
Таким образом, спецификация AI-BOM предоставляет разработчикам, инженерам по эксплуатации и службам безопасности критически важную информацию о сложных средах машинного обучения. Благодаря документированию конкретных моделей, обучающих данных и конфигураций среды AI-BOM превращает непрозрачные системы искусственного интеллекта в прозрачные, поддающиеся аудиту активы, объединяя науку о данных и подхода к интеграции методов обеспечения безопасности на каждом этапе жизненного цикла разработки ПО (Development, Security, Operations, DevSecOps) для обеспечения такого же строгого управления ИИ, как и традиционным программным обеспечением. Эта стандартизированная инвентаризация необходима для проверки целостности цепочки поставок, соблюдения требований безопасности и нормативных требований, а также для обеспечения единого источника достоверной информации о происхождении системы искусственного интеллекта на протяжении всего ее жизненного цикла.