Команда Института AIRI и редакция «Компьютерры» продолжают совместную серию материалов о том, как искусственный интеллект меняет нашу жизнь. В новом тексте Александр Коваленко, научный сотрудник группы «ИИ в промышленности» Института AIRI, расскажет про то, как ИИ используется в быту и как технологии прошли путь от простых систем автоматизации до умных устройств, цифровых помощников и игровых миров, научившись понимать контекст, привычки пользователей и даже естественную речь.
400 лет эволюции умных устройств для дома
Желание переложить часть бытовых забот на технику появилось задолго до появления компьютеров и искусственного интеллекта. В XVII веке голландский изобретатель Корнелис Дреббель создал одну из первых известных систем автоматического управления температурой. Его саморегулируемая печь использовала стеклянную трубку со спиртом и ртутью, которая автоматически открывала или закрывала заслонку огня, поддерживая заданный уровень нагрева без участия человека. Это был прообраз современного термостата.
До массового внедрения подобных технологий прошло еще несколько столетий. В 1953 году компания Honeywell представила термостат T-86 Round — пожалуй, самый узнаваемый такой прибор XX века. Благодаря низкой цене и простоте использования он разошелся десятками миллионов экземпляров.
В 1980-х в домах стали устанавливать системы освещения на основе датчиков движения, а в 2002 году на рынок вышел первый массовый робот-пылесос Roomba. Эти устройства работали по заданным правилам — они автоматизировали бытовую рутину, но не умели учиться на опыте, анализировать данные и подстраиваться под привычки владельца. Эти возможности появились позже, вместе с развитием методов машинного обучения.
Настоящий перелом произошел в 2010-х годах. Бытовые устройства получили стабильное подключение к интернету, доступ к облачным вычислениям и возможность хранить большие объемы данных о своей работе. Если раньше техника реагировала только на температуру в комнате или движение в коридоре, то теперь могла анализировать историю взаимодействия с пользователем. Так появились устройства, способные замечать повторяющиеся действия человека и подстраиваться под его образ жизни.
Одним из символов этого перехода стала представленная в середине 2010-х годов умная колонка Amazon Echo с голосовым помощником Alexa. Она понимала голосовые команды, помогала управлять устройствами умного дома, а благодаря облачным обновлениям регулярно получала новые функции.
При этом история взаимодействия с пользователем сохранялась и со временем начала использоваться для персонализации отдельных возможностей. Чуть позже на отечественном рынке появились «Яндекс Станции» с «Алисой», колонка SberBoom с ассистентами «Салют».
Вперед к «умной» жизни
Сегодня подобные технологии используются далеко не только в термостатах. Благодаря машинному обучению и развитию датчиков бытовые устройства начинают учитывать контекст: кто находится дома, какие действия обычно совершают жильцы, как меняется их распорядок дня. Расскажем подробнее о нескольких эффектах.
Экономия энергии
Современные системы управления климатом способны учитывать время суток, присутствие людей дома и их привычки. Например, если система знает, что по будням жильцы возвращаются с работы около семи вечера, она может заранее подготовить комфортную температуру, а в остальное время поддерживать энергосберегающий режим.
Подобные принципы сегодня используются и на уровне всего дома. Например, системы домашнего энергоменеджмента Tesla Powerwall и sonnenBatterie анализируют прогноз погоды, уровень заряда аккумуляторов и выработку солнечных панелей, чтобы определить, когда выгоднее использовать накопленную энергию, а когда — электричество из сети. Решения также способны переносить запуск энергоемких устройств, таких как стиральные и посудомоечные машины, на периоды более низких тарифов или высокой собственной генерации энергии.
В России похожие сценарии реализуются в экосистемах умного дома от «Яндекса» и «Сбера». Пользователи могут задавать сценарии: включать кондиционер или обогреватель перед возвращением домой, закрывать шторы при прямом попадании солнца, чтобы помещение меньше нагревалось, выключать свет при отсутствии людей.
Безопасность
Современные камеры не просто фиксируют движение, а анализируют происходящее в кадре. Например, решения Google Nest и Arlo способны различать людей, животных, автомобили и доставленные посылки, а некоторые модели также поддерживают распознавание знакомых лиц.
Продвинутые системы видеонаблюдения способны выявлять и нетипичные ситуации — длительное присутствие человека у входа или необычную активность на участке ночью.
Подстройка под привычки семьи
Еще одно направление бытового ИИ связано с повторяющимися сценариями повседневной жизни. Умные холодильники используют внутренние камеры для отслеживания содержимого полок, помогают составлять списки покупок и предлагают рецепты на основе имеющихся ингредиентов.
Системы сна анализируют качество отдыха, температуру в помещении и время пробуждения, а после автоматически подстраиваются под потребности человека. В обоих случаях устройство использует накопленные данные для персонализации опыта.
В облако и обратно: как это работает
За этими сценариями скрывается сложная система сбора и обработки данных. Камеры передают изображение, микрофоны — звук, датчики движения фиксируют присутствие людей, а контроллеры собирают информацию о работе бытовой техники, температуре, влажности и других параметрах среды. Чтобы устройство могло понимать контекст, эти данные необходимо объединить и проанализировать.
Долгое время такие вычисления выполнялись в облаке. Это было связано с ограничениями бытовой электроники, ведь процессоры не обладали достаточной вычислительной мощностью для запуска сложных алгоритмов машинного обучения. Поэтому данные отправлялись на удаленные серверы, где происходил анализ, после чего готовое решение возвращалось обратно.
Следующим этапом стали локальные хабы умного дома — специальные устройства, которые начали брать часть вычислений на себя. К таким решениям относятся, например, Samsung SmartThings Hub, Home Assistant Green и Hubitat Elevation. Они позволили объединить десятки датчиков и приборов внутри квартиры или дома, сократить задержки при выполнении команд и уменьшить зависимость от интернета. Часть данных перестала покидать дом, что стало важным шагом с точки зрения конфиденциальности.
Сегодня все больше устройств становятся умными сами по себе. Это стало возможно благодаря появлению нейронных процессоров (NPU), способных выполнять задачи искусственного интеллекта при низком энергопотреблении. Одновременно развиваются методы сжатия моделей, благодаря которым алгоритмы компьютерного зрения, распознавания речи и другие ИИ-системы могут работать непосредственно на камерах, роботах-пылесосах и бытовой технике.
В результате теперь многие решения принимаются устройством, без обращения к облаку и с минимальной задержкой для пользователя.
ИИ в цифровом быту
ИИ помогает человеку и в цифровой среде. Каждый раз, когда «Кинопоиск» предлагает сериал, «Звук» и VK Музыка подбирают плейлист или Ozon предлагает товар, за этим стоят рекомендательные системы, которые анализируют историю действий миллионов человек и выявляют закономерности в предпочтениях.
Упрощенно такие алгоритмы представляют пользователей и контент в виде многомерных векторов. Чем ближе они друг к другу, тем более релевантной считается рекомендация. Так сервис может предложить фильм, который вы никогда раньше не искали, но он оказался популярным среди людей со схожими интересами.
Другой важный сценарий — защита от нежелательного контента и мошенничества. Почтовые сервисы и мобильные операторы автоматически фильтруют спам, банки анализируют транзакции на предмет подозрительной активности, а мессенджеры и соцсети используют алгоритмы для выявления мошеннических сообщений и ботов. Во многих случаях такие системы работают в режиме реального времени и принимают решения быстрее человека.
Например, «Т-Банк» использует ML-модели, которые анализируют звуковую волну звонка, обращая внимание на сотни акустических признаков — тембр, интонации, особенности речи и другие параметры. Если система считает звонок мошенническим, то может предупредить пользователя или прервать разговор.
Отдельным этапом развития стал генеративный ИИ. Сегодня инструменты создания изображений и видео встроены во многие потребительские сервисы и позволяют за минуты подготовить иллюстрацию, презентацию, короткий ролик для соцсетей и отредактировать фотографию без специальных навыков в дизайне.
На «Авито» генеративный ИИ помогает продавцам создавать объявления. Алгоритмы могут автоматически подготовить описание товара на основе фотографий и введенных данных, сокращая время на публикацию и упрощая процесс продажи.
Однако развитие больших языковых моделей повлияло не только на создание контента. Они стали основой нового поколения цифровых помощников, способных понимать сложные запросы на естественном языке. Благодаря этому голосовые интерфейсы постепенно превращаются в связующее звено между цифровой и физической средой: через них пользователь может управлять освещением, климатом, безопасностью и другими системами умного дома, а также создавать новые персонализированные сценарии.
Один из примеров такого подхода — интеграция Gemini в экосистему Google Home. Вместо ручной настройки правил пользователь может описать желаемый результат, например, включать освещение у дома после захода солнца при появлении человека или уведомлять о посылках. Система преобразует запрос в последовательность действий для подключенных устройств. Опыт становится максимально «бесшовным».
Бонус: ИИ в играх
Применение ИИ не ограничивается работой, бытом и повседневными сервисами. Важной площадкой для развития технологий и экспериментов является игровая индустрия.
Читайте нашу статью «Геймдев на промптах: когда ИИ заменит разработчиков?».
Одно из самых заметных изменений последних лет связано с неигровыми персонажами (NPC). В 2023 году NVIDIA анонсировала платформу ACE для их создания на базе генеративного ИИ. Технология уже используется в PUBG: BATTLEGROUNDS, inZOI и NARAKA: BLADEPOINT. Похожие эксперименты проводятся и в других играх, где разработчики стремятся сделать виртуальный мир более живым.
Не менее активно ИИ используется и за пределами геймплея. Алгоритмы помогают модерировать голосовые и текстовые чаты в многопользовательских играх, а также выявлять токсичное поведение. Например, подобные решения применяются в экосистемах Riot Games и Activision.
Одновременно генеративные модели становятся инструментом для самих разработчиков. Они помогают создавать концепт-арты, черновики диалогов, анимации, прототипы игровых локаций. Согласно опросам, 80% российских игровых студий используют ИИ при разработке игр.
Так технология выступает одним из инструментов создания игр и помогает разработчикам быстрее приходить к релизам, а для многих инди-игр с оригинальной концепцией даже просто появляться на свет.
В результате ИИ ежедневно работает рядом с человеком — дом регулирует температуру, банк блокирует подозрительную операцию, сервис предлагает фильм, а игровой персонаж отвечает на реплику пользователя. При этом сейчас все идет в сторону незаметного и персонализированного взаимодействия. Устройства учатся лучше понимать контекст, часть вычислений переносится прямо на них, а человеку все реже приходится вручную настраивать каждый сценарий. Скорее всего, следующим витком развития станет объединение уже существующих систем в единую среду, которая сможет учитывать привычки пользователя, предугадывать его потребности и помогать еще до того, как он сформулирует запрос.