-
Финансовые рынки, экономика, корпоративная аналитика, финансово-экономическая инфографика и статистика. Связь: telegram@spydell.ru Резервный e-mail: spydell.telegram@gmail.com Чат: https://t.me/spydell_finance_chat
В первом полугодии 2023 года жители страны совершили на 16,5% больше ипотечных сделок, чем в прошлом году. 36% оформили страхование жизни, а 32% страхование имущества, а также комплексное страхование.
Ипотека предполагает регулярные выплаты в течение нескольких лет, а иногда и десятков лет. За это время многое может измениться. Страхование жизни и здоровья собственника защищает обе стороны сделки – банк и заемщика, поэтому оформление страхового полиса может быть одним из условий предоставления кредита. Страхование ипотеки – это инвестиция в ваше благополучие.
Сколько это стоит? Рассчитайте онлайн на сайте «АльфаСтрахование» и сразу же оформите подходящий продукт.
А страховка — это как амулет от внезапных неприятностей.
ВВП России вышел на докризисный максимум по состоянию на третий квартал 2023 согласно последним оценкам Росстата с исключением сезонного фактора.
После уточнения данных и сезонных коэффициентов, докризисный максимум ВВП был не в 4кв21, а в 1кв22, а на 3кв23 превышение на символический 0.1%.
Для компенсации провала 2кв22 потребовалось ровно пять кварталов – формально кризис закончен.
По валовой добавленной стоимости отраслей экономики докризисный максимум был в 4кв21, а на 3кв23 превышение на 0.7%, что более существенно.
Оперативная статистика за октябрь-ноябрь свидетельствуют о замедлении роста, но все еще в плюсе, поэтому в конце года экономика укрепит свое положение.
Росстат оценивается поквартальную динамику с исключением сезонного фактора (SA), начиная с 4кв22 – 1.17%, в 1кв23 – 1.12%, 2кв23 – 0.93%, 3кв23 – 0.89%. По предварительным оценкам, в 4кв23 замедление дойдет до плюс 0.4% кв/кв SA.
ВВП за год вырос на 5.5% за счет низкой базы 2022, однако импульс роста ВВП оценивается в 4% SAAR (c 4кв22 по 3кв23), по итогам 2023 года ожидается около 3.5–3.6% роста ВВП за счет замедления в 4кв23.
Динамика кредитования, опросы бизнеса, потребительская и инвестиционная активность, рынок капитала пока не позволяют говорить о риске сваливания экономики России в рецессию в ближайшие три месяца, т.е. период сверхжестких условий ДКП переживаем достаточно мягко, ничего критического не проявляется.
Замедление в 1кв24 может дойти до 0.2–0.4% кв/кв SA за счет поддержки спроса от гособоронзаказа при провале частного спроса и потребительской активности. Для сравнения, в последний год в среднем было 1% кв/кв. В 2017–2019 среднеквартальный рост был 0.5% SA.
Потенциал роста экономики России в 2024 сложно оценить, т.к. слишком много неизвестных. Если жесткая ДКП задержится до 3кв24, даже при реализации мягкой бюджетной политики есть риск актуализации кризисных процессов из-за падения кредитования, роста просрочек по долга и снижения инвестактивности, и потребления частного сектора.
На данный момент все весьма неплохо.
Наиболее значимые технологические достижения за последние 30 лет
Несмотря на то, что последняя итерация эволюции генеративного ИИ кажется прорывной, за последние 30 лет было достаточно технологических рывков, которые на качественном уровне изменили механизм взаимодействия людей с окружающим пространством… кстати, говоря, не обязательно это приводило к существенной экономической отдаче.
Ниже список не по зарождению технологии, а по фазе наиболее интенсивной экспансии. Очевидно, что дальнейшее развитие технологий продолжается, но с другой интенсивностью.
Список воспроизведен по памяти, мог и упустить... Без учета инноваций в финансовой индустрии и госуправлении.
1990-1999 (главные тренды – компьютеры, интернет, первичная цифровизация):
• Персональные компьютеры стали массово доступными
• Интернет и электронная почта, в том числе интернет-технологии, протоколы и так далее
• Первые мобильные телефоны (без доступа в интернет)
• Графический интерфейс ОС, развитие софта, объектно-ориентированное программирование
• Цифровая музыка и видео (появление CD/DVD), что позволило начать развивать цифровой контент
• Развитие 3D графики
• Развитие технологии хранения данных
2000-2009 (главные тренды – мобильная связь, соцсети, портативные устройства):
• Мобильная и чуть позже беспроводная связь
• Первые соцсети и мессенджеры
• Мобильные ПК, миниатюризация электроники
• Развитие портативных устройств и первое внедрение гаджетов,
• LCD мониторы и ЖК телевизоры
• Поисковые системы (хотя зарождение было в середине 90-х), но экспансия в начале нулевых
• Электронная коммерция, хотя основная фаза экспансии началась с 2014, усиливаясь с 2020.
Онлайн видео (экспансия YouTube)
• Онлайн-платежи
• Онлайн-игры
• Кибербезопасность
• Генная инженерия
• Wikipedia и доступ к онлайн библиотекам
2010-2019. Главные тренды (смартфоны, ИИ, облачные технологии, сквозная высокоуровневая цифровизация):
• Искусственный интеллект и машинное обучение
• Смартфоны (в текущем формфакторе появились в 2007-2008, но основная экспансия с 2010)
• Индустрия мобильного ПО
• Мобильная фотография на уровне профессиональных фото
• Облачные технологии
• Big data
• Экспансия вычислительных мощностей (видеокарты)
• Электромобили
• Автопилоты и беспилотники
• Возобновляемые источники энергии (появились 30-50 лет назад, но экспансия с 2010)
• Биотехнологии (внедрение в начале 21 века)
• Нанотехнологии
• Роботехника (хотя первичное внедрение было в 90-х)
• 3d печать
• Стриминговые мультимедийные сервисы
• Блокчейн и крипта
• Виртуальная и дополненная реальность
• Компьютерные игры все меньше отличаются от кино (фундаментальный скачок качества 3d графики)
• Электронные услуги (финансовые, государственные)
• Интернет-вещей (Iot)
• Софт, как сервис (отказ от фиксированных платежей в сторону ежегодных подписок)
• Персонализированная медицина и геномика
2020-2023 (Генеративный ИИ, тотальная цифровизация и глубокая автоматизация):
• Генеративный ИИ
• Ускоренная цифровая трансформация
• Развитие цифровых метавселенных
• Глубокая автоматизация процессов
• Новая фаза электронной коммерции и бесконтактных платежей
• Сети 5G
• Квантовые вычисления
• Развитие телемедицины
• Применение экстремального ультрафиолета в литографии (EUV), переход на техпроцесс 5нм и меньше
• Высокий уровень энергоэффективности оборудования
• Альтернативные материалы
Так что не все сводится к ИИ, но ИИ имеет важную роль. Скорость внедрения технологий за последние 30 лет - невероятная и практически все существенные открытия касается цифрового мира, т.е движение в онлайн становится все более устойчивым.
Влияют ли технологии на устойчивость экономики?
Рынки на своих исторических максимумах, прибыли компаний на максимуме, рост экономики, хоть и замедляется, но в целом тренд положительный, рабочие места создают в докризисных темпах, а долговые рынки стабильны.
Да, промышленность стагнирует, но ничего критического не происходит. Если сравнить 4кв21 с 4кв23, все основные макропоказатели сейчас лучше, чем были, либо на уровне.
За это время был инфляционный шторм, рекордная скорость ужесточения ДКП мировыми Центральными банками, долговые рынки подошли на край пропасти, фондовые рынки падали наивысшими темпами с 2008, если не учитывать локальный эпизод в марте 2020.
Да, присутствует избыточная ликвидность, сформированная за 15 лет монетарного бешенства и да, лаг воздействия на сложные и инертные системы. Но что, если мы находится в другом мире, где прошлые взаимосвязи больше не работают или работают иначе?
Все ведущие инвестбанки мира, Центральные банки, международные и академические структуры, в том числе и я по собственным расчетам, предполагали, что риски кризисного воздействия крайне высоки, а первый негативный эффект может быть уже в 2022, локализовавшись в финансовом секторе, усиливая свое воздействие на реальную экономику.
Пауэлл из ФРС почти на всех публичных выступлениях удивляется тому, что экономика ведет себя не так, как полагается. 2023 стал удивлением для всех. Невменяемая реакция рынка во многом обусловлена деформацией ожиданий от погружения в бездну к осознанию, что «все пронесло».
Теперь формируется новый нарратив - оказывается, мы вообще ничего не понимаем в экономике (Пауэлл об этом регулярно говорит), а устойчивость достаточна для любых потенциальных шоков, ведь если пережили цикл ужесточения, то уж цикл смягчения переживем тем более.
Главным открытием последнего 15-летия (с 2009), а особенно с 2022 стало то, что вся экономическая наука не работает, т.е. можно сгребать все экономические теории и концепции, сформированные за последние 100 лет и вышвыривать в мусор.
Сказано несколько радикально, т.к. базовые принципы все же работают, но суть заключается в том, что экономическая наука, сформированная для аналогового оффлайн мира не работает для цифрового онлайн мира.
Разрушены корреляции, взаимосвязи, цепочки и структуры взаимодействия. Общество функционирует по видоизмененным принципам, с другим мотивационным ядром.
Да, многое из прошлого работает, где структурные дисбалансы формируются по схожей методологии, но триггеры другие.
Если следовать по тем экономическим и финансовым моделям, которые работали еще в 2008, кризис должен был начаться в конце 2022-начале 2023 с финансового рынка, но сейчас даже финансовая индустрия относительно стабильна.
ФРС давно капитулировала и призналась, что ничего не понимает в том, как работает экономика. Жестко, но честно.
В принципе, много научных работал о влиянии автоматизации производства на выпуск в 80-х и 90-х годах, о влиянии компьютеризации в 90-х, исследовался фактор концентрации R&D на экономический рост и влияние технологий на производительность труда, однако, либо слишком сильное углубление в локальные нюансы, либо наоборот – чрезмерно обобщенный поход.
Во всяком случае, современные тренды крайне плохо учтены и практически не рассматривается мотивационная составляющая, психологический аспект и фактор качества управления через призму технологического прогресса.
Продолжение следует…
Любая прорывная технология создает риски в условиях быстрой интеграции.
Если руководствоваться потенциалом расширения присутствия во многих отраслях экономики, может сложиться впечатление перехода в иное измерение. Однако, примерно схожие ожидания были и от компьютеров, интернета, мобильной связи и так далее.
При этом технологическая эволюция за последние 30 лет не создала ни безработных, ни каких то драматических структурных трансформаций. В целом, все шло ровно, последовательно, достаточно предсказуемо с положительным эффектом.
Может ли ИИ привести к кризису? Не создать возможности, а наоборот обострить структурные трансформации? Да, вполне и сейчас опишу логику.
▪️Если возможности ИИ будут сопоставимы с декларируемыми, а темпы интеграции высоки – это приведет к демпингу зарплат и высвобождению значительного количество рабочей силы.
Падение доходов неизбежно приведет к падению спроса на макроэкономическом уровне, т.к. количество высвобождающей рабочей силы будет несоизмеримо больше в сравнении с главными бенефициарами ИИ экспансии.
Прямые бенефициары ИИ – около 5% (провайдеры ИИ, разработчики ИИ, производители аппаратной части для ИИ, топ менеджеры бизнеса, участвующего в ИИ интеграции и собственники этих компаний).
Вопрос, а что делать с остальными 95% экономики?
ИИ автоматизирует многие процессы, повышает качество, точность и скорость принятия решений, ускоряет технологический прогресса, способствует снижению финансового и юридического риска в бизнесе и улучшает качество товаров и услуг.
Одновременно с этим напрямую покушается на рабочие места значительного количество людей по причине сверхпревосходства во многих ранее описанных аспектах.
Для бизнеса держать капризных и низкоэффективных работников невыгодно и очевидно, что скорость внедрения ИИ будет повышаться. Но кому продавать все эти товары и услуги, кто будет обеспечивать платёжеспособный спрос?
Следует понимать, что в отличие от компьютеров и интернета, ИИ не прибавочная технология, а во многом – замещающая технология.
Компьютеры и интернет создали ИТ индустрию, где заняты десятки миллионов человек, совершенно новый сектор экономики. ИИ не создает новых секторов экономики, он эксплуатирует существующие сектора.
▪️Неизбежно будет рост неравенства в доходах. Вне всяких сомнений провайдеры ИИ получат невероятный памп финансовых показателей по экспоненте, но значительная часть оффлайн экономики скорее будет в минусе, чем в плюсе.
Низко и среднеквалифицированная рутинная работа занимает свыше 70% в структуре рабочей силы. Очевидно, что лишь малая часть идет на потенциальную замену, но это неизбежный рост социальной напряженности и усиление структурных дисбалансов.
Чем быстрее ИИ будет внедряться, тем больше негативного эффекте по интегральной оценке, т.к. скорость внедрения и быстрый результирующий эффект будут несопоставимы с предельной способностью по экономической трансформации.
Разница между ИИ и всеми предыдущими эпизодами технологической революции заключается в скорости интеграции. Раньше это занимало десятилетия, сейчас – годы или даже месяца.
Поэтому ожидаю существенный рост неравенства, обострение структурных дисбалансов и скорее актуализацию кризисных процессов в экономике, а не новый рывок в стратосферу.
Феноменальные возможности ИИ предоставляет тем, кто эти возможности использует напрямую, но это ограниченное число людей.
Оценивая потенциал внедрения ИИ, может сложиться впечатление, что люди больше не нужны, но при этом за последние два года было создано почти 8 млн рабочих мест в США, а дефицит занятых оценивается почти в 4 млн человек.
Что здесь не так? Внедрение ИИ идет не первый год. Первое масштабное внедрение ИИ технологий началось в начале 21 века, с 2010-2020 бум интеграций по всем секторам экономики, а с 2023 начался новый этап – экспансия генеративного ИИ.
Под угрозой находятся:
- водители транспорта (по мере внедрение автопилотов),
- почти поголовно операторы Call-центров и службы поддержки пользователей из-за высокоразвитых виртуальных консультантов и помощников,
- офисные клерки из-за оптимизации и автоматизации значительного количества бизнес процедур,
- бухгалтеры,
- финансовые и юридические консультанты,
- риск менеджеры, трейдеры и инвестиционные консультанты,
- финансовые и страховые аналитики начального и среднего уровня,
- копирайтеры, рекламные менеджеры,
- ньюсмейкеры,
- дизайнеры, фото и видео редакторы начального и среднего уровня,
- программисты начального и среднего уровня,
- работники склада и доставки по мере интеграции роботизированных систем и курьеров-беспилотников,
- низко и среднеквалифицированные работники медицины и образования консультационного сегмента,
- работники торговли, сельского хозяйства и промышленности по мере автоматизации процессов.
Список профессий огромный, но ведь как-то раньше переваривали технологический прогресс?
Теоретически, внедрение генеративного ИИ позволит:
- Существенно ускорить технологический прогресс, более быстро внедряя инновационные разработки и продукты.
- Создать новые рынки и новые отрасли, прямо или косвенно связанные с обслуживание ИИ индустрии.
- Автоматизировать многие процессы, повысить производительность труда, высвобождая рабочую силу.
- Оптимизировать бизнес процессы, повысить скорость и качество принятия решений, минимизируя ошибки.
- Оптимизировать цепочки поставок, склад и логистику, что снизит простои, избыток или дефицит, повышая общую эффективность.
- Снизить риски бизнеса в финансах, страховании и в юридических аспектах.
- Улучшить качество продукции и услуг.
Все это должно существенно повысить рост ВВП, снизить инфляцию, увеличить маржинальность и эффективность бизнеса, делая людей счастливыми. Так что здесь не так?
На самом деле хорошая иллюстрация – это внедрение автоматизации в промышленности в начале 20 века, где расширение применение конвейеров шло с 1915 по 1980, а с 1980-х началось применение АСУ, САПР и высокоинтегрированных промышленных комплексов, пик которых пришелся на 2004-2007 (за последние 15-20 лет практически нет существенных инноваций в автоматизации промышленности на уровне конвейеров).
С другой стороны, пошла новая волна использования роботов, началась интеграция ИИ и использование принципиально новой технологии 3D печати.
За последние 50 лет промышленность в США выросла в 2.3 раза, а количество занятых сократилось почти на треть. Внедрение инноваций в промышленность за последние 15 лет не оказало влияния ни на уровень маржинальности промышленности, ни на объем выпуска продукций (интегрально по всей промышленности).
Учитывая, что период глубокой автоматизации промышленности длился как раз 50 лет, рост в 2.3 раза не выглядит существенным, не так ли?
Внедрение ИИ по всей экономике активно идет последние 15 лет, но именно с 2009 консенсус мнение многих академических умов заключается в том, что рост сломался, а общая эффективность падает в сравнении с периодом 1992-2007.
При этом высокоинтенсивное внедрение инноваций за последние 30 лет (компьютеры, интернет, мобильные телефоны, беспроводная связь, биотехнологии, нанотехнологии, 3d печать, облачные технологии, ИИ) не привело к всеобъемлющему росту безработицы (наоборот, дефицит кадров!).
Эти небольшие зарисовки показывают, что не все так очевидно…
В 2024 Россию ждут изменения. Возможно, самые серьезные с 90-х.
Большинство - снова будут в ступоре, а некоторым придется начинать жизнь с чистого листа.
Чтобы быть готовым заранее - лучше читать источники, проверенные временем. Хороший пример - канал Мультипликатор.
Еще год назад он подготовил своих читателей к обвалу рубля. Рассказал, как купить недвижимость на 30% дешевле. Говорил про мобилизацию еще до её начала.
А сейчас подробно объясняет, что будет уже зимой 2024 с рублем и недвижимостью, и чем для нас закончатся военные конфликты.
Читайте этот канал по 5 минут в день и понимайте больше, чем 90% людей вокруг.
В каких секторах ИИ расширяет возможности?
▪️Финансы и страхование
Прогнозирование и управление рисками. Риск менеджмент в своей основе наиболее формализованный сегмент финансовой индустрии, который в наилучшей степени поддается «запиранию» в рамки ИИ, который способен прогнозировать риски, связанные с кредитованием, инвестициями и страхованием, в том числе функции риск-менеджеров.
Расширенный анализ данных. Финансы, как и экономика – это непрерывный поток данных, которые поддаются упорядочиванию через идентификаторы, веса и «маяки». ИИ способен анализировать огромные объемы финансовых данных в режиме реального времени, включая транзакции, экономические и рыночные тенденции, также потребительское и корпоративное поведение.
Прогнозирование тенденций. Значительная часть данных и процессов в финндустрии регулярно повторяется через различные комбинации, а следовательно, возможен анализ паттернов, где ИИ очень силен (статистика и вероятности), что позволяет быстрее, точнее и эффективнее предсказывать наиболее вероятные тенденции.
Автоматизирование инвестирование. Данный подход применяется уже более 20 лет в рамках алгоритмических систем и торговых роботов, но теперь может выйти на совершенно иной уровень за счет комбинации инструментов, где одновременно объединяется анализ вероятностей и паттернов, риск менеджмент и прогнозирование.
Автоматизация задач. Свыше 80% бизнес операций в финансах и страховании – в чистом виде рутина по протоколам действий. Если есть протоколы – значит есть пространство для ИИ, который может автоматизировать многие рутинные и трудоемкие процессы, такие как обработка заявок на кредиты, управление клиентскими аккаунтами и анализ страховых претензий, что повышает эффективность и сокращает затраты.
Финансовый консультант на базе ИИ могут обеспечивать высококачественное обслуживание клиентов, предоставляя быстрые и точные ответы на их вопросы, а также помогая в выполнении финансовых операций – намного быстрее и эффективнее человека, за исключением сложных вопросов.
Автоматические написание инвестиционных и рыночных обзоров/новостей. Обучение ИИ на базе миллионов инвестиционных обзоров за последние 50-60 лет позволит создать высокоразвитого инвестаналитика на базе ИИ, который будет быстро, релевантно и качественно писать обзоры.
Обнаружение и предотвращение мошенничества. Анализ транзакционных данных для выявления подозрительных или необычных паттернов (мошенники в 97% случаях действуют по похожим схемам), что помогает в борьбе с финансовым и страховым мошенничеством.
Автоматический контроль за налоговыми требованиями и регуляторными нормами, что позволит избежать штрафов и преследования со стороны государства.
▪️Юриспруденция, бухгалтерия и документооборот
Анализ юридических документов. Анализ больших объемов правовых документов ( судебные решения, законы, акты и коммерческие и госконтракты). Это может помочь юристам быстрее находить необходимую информацию и выявлять закономерности, которые могут быть использованы для принятия более обоснованных решений.
Автоматизация документооборота. Автоматизация процесса создания и обработки юридических документов, таких как контракты, иски, заявления, протоколы и цифровые подписи. ИИ может генерировать эти документы, основываясь на заданных параметрах и стандартах, что сокращает время и уменьшает вероятность человеческой ошибки.
Повышение качества документов в соответствии с актуальным национальным и международным законодательством. ИИ может в режиме реального времени отслеживать все новации в праве, вовремя адаптируя документацию под законодательство.
Предсказание юридических рисков. Прогнозирование потенциальных юридических рисков для компаний и частных лиц, анализируя законодательные изменения, решения судов и другие юридические тренды.
Персонализация юридических услуг и виртуальный помощник. ИИ может выполнять функцию высокопрофессионального юриста совершенно бесплатно, быстро и безошибочно. ИИ помочь в создании персонализированных юридических рекомендаций и консультаций, учитывая специфические обстоятельства и потребности клиента.
Технологии, которые изменили мир…
Чтобы создать современные генеративные модели ИИ потребовалось более 70 лет теоретических и фундаментальных работ в области ИИ и свыше 30 лет прикладных исследований.
Любая технология имеет прототипирование (теоретическое обоснование, создание концептов), зарождение (первое коммерческое и/или прикладное использование), активная экспансия, поступательная эволюция и трансформация или вырождение.
Фаза зарождения генеративных моделей – это 2017-2018 года, активная экспансия началась ровно с января 2023, сколько это продлится?
Попробую вспомнить технологии, которые изменили мир (список «на коленке», очевидно, что не все технологии, требуются дополнения и уточнения).
1. Электричество (внедрение 1870-е) – активная экспансия с 1880 по 1930 (далее в этом формате). Революционизировало производство, начало этапа индустриализации, влияние на транспорт, освещение и коммуникации. Одно из самых значимых внедрений в истории человечества.
2. Телефон (1876) - 1890-1940. Изменил способы коммуникации в бизнесе и повседневной жизни.
3. Радио (1895) - 1920-1950. Огромное влияние на массовую коммуникацию и развлечения, по крайней мере до 1980-х.
4. Автомобиль (1880-е) - 1910-1950. Преобразовал транспорт, городское планирование и образ жизни.
5. Телевидение (1920-е) - 1950-1980. Трансформировало развлечения, новости, и культурное восприятие.
6. Авиация (1903) - 1930-1970. Открыла новые горизонты в пассажирских и грузовых перевозках.
7. Пластмассы (1907) - 1930-1970. Фундаментальное влияние почти на все виды физической продукции.
8. Антибиотики (пенициллин, 1928) - 1940-1970. Революционизировали медицину, снизив смертность от инфекций.
9. Ядерная энергетика (1940-е) - 1950-1980. Новый источник энергии, повлияла на военные технологии.
10. Космические технологии (1957) - 1960-1990. Расширили понимание космоса, спутниковая связь и навигация.
11. Интегральные схемы (1958) - 1970-2000. Способствовали развитию электроники и компьютеров.
12. Компьютер (1940-е) - 1970-2000, вторая фаза экспансии с 2010 по настоящее время (мобильный ПК). Изменил обработку данных, управление и производственные процессы.
13. Интернет (1960-е) - 1990-2010. Трансформировал коммуникации, торговлю и доступ к информации.
14. GPS (1970-е) - 1990-2010. Трансформация навигации и картографии.
15. Цифровая фотография (1970-е) - 1990-2010. Упрощение съемки и обработки изображений.
16. Мобильная связь (1970-е) - 2000-2020. Изменила способы общения, доступ к информации и медиа.
17. Искусственный интеллект и машинное обучение (1950-е) - 2010-настоящее время. Преобразуют принятие решений, аналитику данных и автоматизацию.
18. Wi-Fi (1990-е) - 2000-настоящее. Гибкость и доступность интернета.
19. Возобновляемая энергия (1970-е) - 2000-настоящее: Устойчивые источники энергии, сокращение выбросов углерода.
20. 3D-печать (1980-е) - 2010-настоящее. Новые методы производства и дизайна.
21. Интернет вещей (1990-е) - 2010-настоящее. Интеграция устройств в глобальную сеть.
22. Смартфоны (2000-е) - 2010-настоящее. Комбинация функций компьютера, телефона, медиа.
23. Биотехнологии и генная инженерия (1970-е) - 1990-настоящее. Прорывы в медицине, сельском хозяйстве, фармацевтике.
24. Виртуальная и дополненная реальность (1990-е) - 2010-настоящее. Трансформация развлечений, образования, проектирования.
25. CRISPR и генное редактирование (2012) - 2010-настоящее. Прорыв в генетике и биотехнологии.
26. Блокчейн и криптовалюты (2008) - 2010-настоящее. Изменения в финансах, безопасности данных.
27. Нанотехнологии (1980-е) - 2000-настоящее. Создание материалов с уникальными свойствами.
28. Беспилотные автомобили (2000-е) - 2010-настоящее. Трансформация транспорта и логистики.
29. Квантовые вычисления (1980-е) - 2020-настоящее. Революционизация вычислений и криптографии.
30. Искусственный синтез белков (2000-е) - 2010-настоящее. Перспективы в биотехнологиях и материаловедении.
Период активной экспансии обычно длится 15-30 лет.
В нашей стране есть одна магическая фраза... «своя квартира в Москве». Люди почему-то считают, что честно заработать на неё невозможно. Купил? Значит, наворовал. Или влез в ипотечную кабалу ради 30 метров в хрущёвке. Женщина купила? Ну, любовник подарил.
На самом деле, приобрести своё жильё в Москве может каждый. Нужно только знать, где и когда застройщики объявляют старт продаж или скидки. Тогда можно взять однушку около метро за 4,5 млн или получить ипотеку под честный 1% годовых.
В телеграме буквально 2-3 канала, которые публикуют такую информацию бесплатно. Движ про недвиж — самый большой и полезный из них. Как Первый канал или телеканал Россия — его читают все и читают внимательно.
Ребята разбирают все московские ЖК, все старты продаж и делают это профессионально. Ерунды там не пишут, каждый пост полезный.
Завтра канал опубликует топ самых дешёвых новостроек в Москве. Подпишитесь, чтобы не пропустить: /channel/dvizhpronedvizh
__
Реклама. ИП Чевелева К.А., ОГРНИП: 323508100198552, erid: 2SDnjcNZrJL
ИИ – это технологии будущего, которые существуют уже более 70 лет
Какие этапы развития ИИ?
1. Ранние этапы (1950-е – 1960-е годы). Появление первых идей и теоретических работ, связанных с ИИ, включая знаменитую статью Алана Тьюринга «Вычислительные машины и интеллект» (1950). Дартмутская конференция (1956) - официальное рождение ИИ, как академической дисциплины.
• Предиктивный анализ: Простые формы предиктивного анализа использовались в ранних программах ИИ, особенно в логических играх и простых задачах решения проблем. Например, программы для игры в шахматы.
• Обработка естественного языка: Начальные исследования в области обработки естественного языка начались, но они были довольно ограниченны. Создание простых ИИ-программ, таких как ELIZA (программа, имитирующая диалог).
2. Медленное развитие (1970-е – 1980-е годы). Данный период принято считать периодом застоя технологий, связанных с ИИ, что во многом обусловлено проблемой масштабирования и критическим дефицитом вычислительной мощности с принципиальной неспособностью заполнения данных для обучения (не было ни Интернета, ни памяти, ни достаточной пропускной способности). Это привело к разочарованию в ИИ, как технологии, не соответствующей времени.
Однако, первые прототипы экспертных систем начали появляться в это время, как и специализированные языки программирования, таких, как LISP.
3. Расширение и интеграция (1990-е годы – начало 2000-х).
•Рост коммерческого интереса: Появление первых успешных коммерческих применений ИИ, особенно в области экспертных систем.
•Развитие машинного обучения: Алгоритмы обучения на основе данных начинают заменять жестко запрограммированные инструкции.
•Развитие нейронных сетей: Прототипирование и теоретическое обоснование нейронных сетей. Возобновление интереса к нейронным сетям и их потенциалу.
Практически все разработки в этот период носили теоретический характер, существенного прикладного расширения не присутствовало. Однако, именно в 90-х началась экспансия робототехники с применением Robotics AI, в интегрировалось в промышленности в рамках автоматизированных систем управления (АСУ).
Одним из существенных драйверов развития ИИ в 90-х были компьютерные игры (ИИ для игровых ботов), которые в свою очередь предопределили развитие индустрии, как на аппаратном уровне, так и на программном.
Практически все современные ИТ специалисты имеют очень весомый бэкграунд в виде игрового опыта (1990-2010х годов), что в детстве и юности поддерживало интерес к компьютерам, информатике, программированию, гейм-дизайну и так далее.
Геймерство – своеобразная религия для большинства ИТ специалистов. Геймерами в свое время были и Илон Маск, и Сэм Альтман.
4. Эра Интернета и больших данных (2000-2010).
• «Взрыв Данных»: Рост интернета приводит к огромному увеличению доступных данных и информации. С развитием интернета и цифровых технологий объем доступных данных рос экспоненциально. Это создавало новые возможности для применения и обучения ИИ, особенно в областях, связанных с анализом больших данных.
• Эволюция Алгоритмов: Продолжалось усовершенствование алгоритмов машинного обучения, особенно методов обучения с учителем и без учителя, улучшались NLP методы и алгоритмы нейронных сетей. Применение этих методов в различных областях, например, в анализе данных и распознавании образов, становилось более распространенным. Однако, мощностей и данных катастрофические не хватало для осмысленных систем.
• ИИ в бизнесе и промышленности: Первые коммерческие ИИ проекты начали внедряться только в 21 веке. Увеличивалось использование ИИ для решения конкретных задач в бизнесе, финансах, здравоохранении и других областях, включая оптимизацию процессов, анализ рынков и диагностику в медицине.
С 2005-2007 начался бум алгоритмических систем на основе предиктивного анализа в торговых роботах на бирже.
Улучшение аппаратного обеспечение открыло новые возможности для прогнозирования погоды на основе ИИ и в робототехнике.
Но все самое интересное было впереди …
Как внедрение высокоразвитых моделей ИИ может трансформировать общество, экономику, как это повлияет на технологии и производительность труда?
• Впервые формализация концепции ИИ была еще в середине 20 века, а более осмысленные и работоспособные модели ИИ существует уже более 30 лет (на уровне расширенных скриптов и экспертных систем, где пионером были компьютерные игры).
• В 2000х годах распознавание текста и позже изображений, переводчики, голосовые ассистенты, торговые алгоритмы.
• В 2010х годах – глубокое обучение и нейронные сети, Big data, распознавание видео, самоуправляемый транспорт.
• Высокоразвитые модели ИИ начали появляться в 2017-2018, бурная экспансия началась с 2019-2020 (бум улучшайзеров для фото, рекомендации музыки, анализ новостного контента, дипфейки), а с 2021 по экспоненте пошли генеративные модели ИИ.
Именно генеративные ИИ способны произвести революционные трансформации в экономике, обществе и на рынке труда.
Генеративные модели ИИ - тип алгоритмов машинного обучения, предназначенных для создания (генерации) новых данных, которые похожи на обучающие данные. Эти модели могут создавать тексты, изображения, звуки или другие типы данных, которые воспроизводят стили, паттерны и характеристики исходного набора данных.
Самыми популярными типами генеративных моделей являются Генеративно-состязательные сети (GAN), вариационные автокодировщики (VAE) и архитектура Трансформеров, применяемые в GPT и BERT.
Первые высокоразвитые генеративные модели ИИ начали появляться в 2017: ProGAN, CycleGAN, RealNVP, VQ-VAE, через год появились Glow, WaveGAN и WaveNet, StyleGAN и StyleGAN2 и BERT. Интеграция GPT началась в 2019, и именно она добилась успеха:
В чем революция? Изначально предполагалось, что ИИ заменит монотонный/повторяющиеся, а значит формализируемый вид труда и низко-квалифицированную рабочую силу и лишь в самом конце, на вершине своей эволюции ударит по творческим профессиям, но оказалось все иначе.
Генеративный ИИ сносит именно творческий сегмент профессий:
▪️Создание текста – осмысленные тексты, практически не отличимые от человеческого стиля письма, с возможностью создавать анекдоты, стихи, сценарии для фильмов, истории, новостные статьи.
▪️Создание программного кода, что позволит в десятки раз ускорить поиск решений и создание кода для профессиональных программистов, заменяя низко и средне квалифицированных программистов.
▪️Создание музыки. Генерация музыкальных композиций, имитирующих определенные стили, на основе анализа десятков тысяч произведений или создание совершенно новых музыкальных произведений (экспериментальная нейро-музыка).
▪️Создание реалистичных изображений. Опять же, на основе анализа паттернов сверх большого массива реальных фотографий упорядочиваются характеристики, структура и особенности объектов и далее через алгоритмы GAN генерируются синтетические изображения.
▪️Создание видео. Те самые дипфейки. ИИ анализирует видео, изучая характеристики движения, переходы между кадрами, визуальные и аудио паттерны и далее по аналогичному методу, как и с изображениями – генерируется ИИ видео. Может применяться для анимации, создания спецэффектов.
▪️Генерация речи, сохраняя тембр, интонации, ритм человеческой речи. Может применяться в ИИ-консультантах, синхронных переводчиках, навигационных системах, голосовых помощниках, в озвучивании книг, онлайн видео и фильмов.
▪️Симулирование и моделирование сложных систем. Все, что можно формализовать – идеальная среда для ИИ. Научные вычисления входят в этот сегмент. Может применяться в расширении предиктивных/предсказательных моделей в финансах, экономике и бизнесе, в виртуальном прототипировании (для инженеров, архитекторов, конструкторов).
Пространство использование генеративного ИИ – невероятно. Разница между 2021 и 2023 в том, что сейчас эти модели достигли той стадии зрелости, когда способны оказывать непосредственное влияние на контент, технологии, способы и методы организации бизнес-процессов и взаимодействия с окружающей цифровой средой.
Продолжение следует...
Промышленное производство в США сокращается уже четыре месяца подряд в годовом выражении (минус 0.4% г/г в ноябре)– переход в стагнацию начался с апреля 2022, есть существенный риск ухудшения ситуации в промышленности.
Выход как бы положительных данных за ноябрь (0.24% м/м) — ничего не значит, т.к. данные за октябрь были пересмотры с понижением на 0.3% и итоговый результат оказался отрицательным.
Если отбросить все это мельтешение, а смотреть на ситуацию с промышленностью в комплексе – речь идет о затяжной стагнации на протяжении 15 лет.
Уровень промпроизводства в ноябре 2023 на тот же уровне, как и в декабре 2007 (докризисный максимум) и примерно 1-2% ниже локальных максимумов, сформированных в декабре 2014, в декабре 2018 и сентябре 2022.
По сути, промышленная активность уже пятый раз бьется в потолок и без результата. Из представленных данных не выявлено кризисной ситуации, и даже рецессия еще не реализовалась. Справедливо говорить о 1.5 годичной стагнации.
В таблице представлена подробная статистика по отраслям промышленности в сравнении по ключевым периодам.
При сравнении уровня производства в ноябре 2023 с доковидным февралем 2020 получается рост в пределах 1% по всей промышленности, где обрабатывающее производство – плюс 0.2%, добыча полезных ископаемых – по нулям, производство электроэнергии, распределение газа и тепла – плюс 3.1%.
В существенном плюсе наукоемкие сегменты, в том числе связанные с ВПК, например «Aerospace and transportation equipment» - плюс 14.8%, но если сравнивать янв.-ноя.23 с янв-ноя.19 выходит, что сейчас производство на 2.7% ниже. Никакой существенной активности в ВПК не выявлено, но в целом, эти сегменты лучше остальных.
В значительном минусе производство текстиля, одежды, обуви, производство бумаги и картона, издательская и полиграфическая деятельность, также производство мебели на 17% ниже (ноя.23 к фер.20) из-за снижения спроса на недвижимость.
Происходит трансформация в сторону наукоемких отраслей и отраслей высоких и высших переделов, но в целом – стагнация.
На свежих данных об американской экономике за октябрь сфокусировано внимание экономического сообщества, и их содержание настораживает. Месяц стартовал с рекордного падения промышленного производства, отметившегося самым значительным событием с момента введения карантинных мер из-за пандемии. Сокращение промзаказов составило целых 3,6%, что подчеркивает негативное напряжение.
Интрига усиливается, если обратить внимание на пересмотренные цифры за сентябрь. Рост этого месяца оказался ниже, чем предварительно оценивалось, создавая неопределенность относительно устойчивости экономического восстановления. Важным элементом в этом пазле стало 24,7% увеличение заказов в оборонной промышленности, которое смогло лишь частично компенсировать 15,8% снижение заказов от частного сектора.
Тем не менее, загадка остается в судьбе многомиллиардных вливаний в экономику в текущем году. Вмешательство Федеральной резервной системы (ФРС) привело к новой динамике — увеличению стоимости обслуживания государственного долга, что может дополнительно повлиять на экономическую картину.
Так что же происходит с американской экономикой? Ответ у наших коллег в Брошке. Это один из ведущих русскоязычных экономических каналов с серьезным аналитическим подходом по анализу актуальных финансово-экономические и социально-политических процессов. Тот, кто ценит качество информации – не пожалеет.
Рекомендую подписаться
Розничные продажи в США показывают, что спрос остается устойчивым, признаков кризиса не наблюдается.
Рост в ноябре составил на 0.3% м/м по номиналу после сокращения на 0.2% м/м в октябре. Эти данные волатильны и лучше смотреть сглаженные данные.
Среднемесячный рост розничных продаж за последние 12 месяцев составляет 0.34% (0.27% в реальном выражении), годом ранее - 0.49% или около нуля с учетом инфляции (ноя.21-ноя.22), с 2011 по 2019 включительно – 0.33% и аналогичный рост с учетом инфляции (BLS рассчитывает нулевую товарную инфляцию за этот период).
Если следовать официальной статистике (номинальные розничные продажи от Census и ценовой индекс по товарам через PCE от BLS), получается, что с 2023 произошел возврат к средне-историческому темпу роста розничных продаж, а с марта 2021 по декабрь 2022 происходила консолидация после необеспеченного роста спроса 2020-2021, спонсированного щедрыми выплатами от правительства.
В 2022 ресурсов под спрос выступало кредитование и сбережения, сформированные в 2020-2021. Сбережения стабилизировали спрос до 3кв23, а с 2-3кв23 основным ресурсом выступают зарплаты, которые демонстрируют положительную реальную динамику после замедления инфляции.
Росту зарплат в перспективе следующих 12 месяцев будет препятствовать замедление инвестиционной активности бизнеса и нормализация рынка труда (снижения профицита вакансий), что будет усиливать конкуренцию за рабочие места, а следовательно, оказывать давление на зарплаты.
Доля расходов на топливо близка к минимуму за 20 лет, за исключением 2020 года. Это еще один ресурс под поддержку спроса, т.к. с 2022 высвобождается до 2% от расходов, которые перераспределяются на другие категории товаров в связи с обвалом цен на топливо.
Чем обусловлен успех российской экономики?
ВВП России на 0.1% превысил уровень 4кв21, а по валовой добавленной стоимости отраслей экономики рост на 0.7% SA по данным на 3кв23.
На графиках представлена подробная визуализация динамики валовой добавленной стоимости по всем секторам российской экономики (SA).
Если сравнивать 3кв23 с 4кв21 10 секторов российской экономики вышли из кризиса (показатель ВДС сейчас выше, чем до кризиса), который в совокупности образуют 57.2% от российской экономики, т.е. оставшиеся 10 секторов или почти 43% российской экономики формально еще в кризисе.
Общеэкономический ВДС вырос на 0.7%, но за счет чего? Наибольший вклад в прирост ВДС внесли:
• Строительство: 0.64 п.п вклада в прирост ВДС и рост на 13% относительно 4кв21 (далее в этом формате)
• Обрабатывающие производства: 0.53 п.п, +3.7%
• Госуправление и обеспечение военной безопасности, социальное обеспечение: 0.49 п.п, +7%
• Деятельность финансовая и страховая: 0.3 п.п,+5.5%
• Сельское, лесное хозяйство, рыболовство: 0.25 п.п, +5.8%
• Деятельность административная и сопутствующие допуслуги: 0.19 п.п, +9%
• Деятельность гостиниц и общепита: 0.14 п.п, + 17.9% (!)
• Деятельность в области информации и связи: 0.07 п.п, + 2.6%
• Деятельность по операциям с недвижимым имуществом: 0.03 п.п, +0.3%
• Образование: 0.02 п.п, +0.6%.
Негативный вклад в ВДС внесли (по нарастающей):
• Обеспечение электрической энергией, газом и паром: -0.01 п.п, -0.3%
• Деятельность домашних хозяйств как работодателей: -0.03 п.п, -9%
• Водоснабжение, водоотведение, коммунальные услуги: -0.04 п.п, -7.8%
• Деятельность в области культуры, спорта и развлечений: -0.06 п.п, -5.7%
• Деятельность профессиональная, научная и техническая: -0.06 п.п, -1.4%
• Транспортировка и хранение: -0.08 п.п, -1.2%
• Предоставление прочих видов услуг: -0.14 п.п, -28% (!)
• Деятельность в области здравоохранения и соцуслуг: -0.15 п.п, -4%
• Добыча полезных ископаемых: -0.52 п.п, -3.9%
• Торговля оптовая и розничная: -0.9 п.п, -7%.
Вот такие дела…
Как технологии влияют на устойчивость экономики?
Разрыв прошлых устоявшихся корреляционных связей и трансформация взаимосвязей между экономическими агентами во многом обусловлена технологическим прогрессом и устойчивым переходом в цифровой мир, существующим по иным законам.
Традиционная экономическая наука, как правило, не учитывает влияние децентрализованной финансовой индустрии и полностью игнорирует цифровой аспект, хотя именно «цифра» в наибольшей степени меняет паттерны взаимодействия с окружающим пространством.
Основные изменения за 30 лет произошли как раз в финансовой индустрии и цифровом мире. Если «напяливать» экономические модели в режиме бэктестинга на структуру экономики 1950-1980 - все прекрасно работает, но чем больше «цифры», тем больше шумов.
В индустриальном и даже постиндустриальном мире привычные концепции достаточно хорошо описывают логику функционирования общества и экономики, но не в информационном обществе.
Не все сводится к ИИ, за последние 30 лет огромное количество инноваций, где весьма кучно пошли в последние 10-15 лет.
Какие основные тренды и особенности трансформации?
• Глубокая степень автоматизации производственных и бизнес-процессов – влияет на производительность труда, отдачу на капитал, отдачу на единицу использованных ресурсов.
• Повышение качества управления через реалтайм доступ к огромному массиву информации при наличии алгоритмов структуризации и обработки этой информации. Это приводит к повышению точности, скорости и качества управления.
• Улучшение использования ресурсов за счет лучшего планирования, что приводит к оптимизации бизнес-процессов, росту эффективности и маржинальности.
• Более быстрый поиск уязвимости и снижение рисков через использование передовых информационных систем и алгоритмов риск менеджмента.
• Повышение скорости прогресса за счет мощности вычислительных ресурсов, высокого развития программного обеспечения и использования ИИ.
• Улучшение образования и квалификации рабочей силы. Технологии предоставляют новые возможности для образования и подготовки, что способствует развитию квалифицированной рабочей силы.
Все это в совокупности создает некую безопасную и высокомаржинальную среду, которая не работает по правилам аналогового мира.
Чем больше смещение в цифровой мир, тем выше интегральная устойчивость за счет снижения издержек, повышения качества, точности и скорости управления/принятия решений и роста общей эффективности. Основные особенности этого бизнеса: отсутствие долгов, сверхвысокая маржинальность, запредельные доходы в расчете на сотрудника и двузначные темпы роста.
При этом остается достаточно значительный пласт традиционной экономики, которая уязвима и имеет весь спектр известных проблем. Основные особенности: высокая долговая нагрузка, низкая маржинальность, низкая отдача на капитал, низкая заработная плата, нулевые темпы роста.
Говоря о кризисе, нужно понимать, о каком сегменте говорим? Чем выше доля цифровой экономики, тем выше способность трансмиссии сверхдоходов по пирамиде ресурсов на более слабые звенья цепи.
ГК «ФСК» опирается на современные стандарты качества в строительстве жилых комплексов. Проекты компании – это отличный вариант инвестиций для вашего бизнеса. Подписывайтесь на телеграм-канал!
Реклама. ООО"НЕГА ЮГ" ИНН 2304051152
erid: LjN8KKtZi
Могут ли технологии решить проблему инфляции?
Почему инфляция в развитых странах исторически всегда ниже, чем в развивающихся? Это напрямую связано с эффективностью экономики и системы управления (бизнес, регулирующие органы, фискальные и монетарные власти).
Что такое эффективность экономики? Быстрое и результативное приложение ресурсов и технологий в правильном направлении. Возникает спрос – с минимальными задержками формируется предложение товаров и услуг, что балансирует и уравновешивает кривую спроса и предложения.
Чем более развита экономика – тем выше скорость «включения» предложения товаров и услуг, при этом особенности капиталистической системы предполагают наибольшую диверсификацию производителей, особенно в конкурентных сегментах.
Чем выше диверсификация – тем выше устойчивость и меньше зависимость от слабых звеньев цепи. Поэтому в развитых странах, если где-то возникает спрос или потенциал спроса – моментально консолидируются финансовые, производственные, научно-технические ресурсы, что позволяет быстро удовлетворить спрос через интенсивное наращивание предложения.
Бывают и сбои в системы, как эпизод фискального экстремизма и монетарного бешенства в 2020-2021, что создало критический дисбаланс необеспеченного денежного предложения.
Способность оценки и прогнозирования потенциального спроса – залог быстрой реакции, а значит максимизации прибыли, т.к. наибольшую маржу получает тот, кто сделал товаров или услугу первым.
Чем здесь может помочь ИИ?
• Оптимизация склада, логистики и цепочек снабжения, чтобы исключить перебои в производстве и эффективно балансировать запасы в рамках сезонности и потенциала платежеспособного спроса.
• Высокоуровневый анализ потребительских трендов и предпочтений на основе соцсетей, отзывов потребителей, запросов в соцсетях, чтобы в режиме реального времени анализировать потребительские тренды.
• Оперативное отслеживание инфляционных ожиданий бизнеса и потребителей через структуризацию поведенческих паттернов, в том числе на основе анализа соцсетей и информационных предпочтений, что позволит в режиме реального времени отслеживать «болевые точки» общества.
• Анализ факторов риска через Big data в наиболее чувствительных зонах наибольшего инфляционного риска в зависимости от конъюнктуры и динамических условий.
• Разработка более эффективных экономических и финансовых моделей для оценки структурных дисбалансов.
• Повышение эффективности воспроизводственных механизмов на макроуровне – скорость, точность и качество принятия решений, рост скорости инноваций, что увеличивает темпы внедрения готовых решений.
В среднесрочной перспективе внедрение ИИ имеет дезинфляционное воздействие, но одновременно с этим, увеличивая неравенство и риски роста безработицы и поражения уязвимых оффлайн отраслей с низкой способностью к автоматизации.
Человек против ИИ – какая предельная глубина интеграции и какая способность замещения человека ИИ?
Вопрос крайне важный, т.к. от этого зависит способность ИИ интегрироваться в человеческие сферы деятельности, а следовательно, фундаментально влиять на структуру рынка труда со всеми вытекающими последствиями.
Какие фундаментальные преимущества ИИ над человеком?
▪️Неограниченный объем памяти и скорость накопления информации. Скорость обучения человека крайне низка, но даже обучившись, человек ежедневно теряет навыки и информацию, т.е. требуется постоянное концентрация на информационной единице (объекте исследований) и поддержка навыков. ИИ достаточно обучиться один раз, чтобы держать информацию в прямом доступе.
▪️Скорость обработки информации. Параллельная обработка неограниченных массивов информации позволяет практически неограниченно масштабировать вычислительные мощности, где математические задачи могут решаться в миллиарды раз быстрее, чем средний человек. Для чтения и осмысления 5 млн знаков у среднего человека потребуется около 3500 минут, тогда как ИИ может в пределах доли секунды управиться.
Если у человека не хватит жизни, чтобы познакомиться со всеми произведениями мировой литературы (даже основными), а для ИИ это мгновения. Даже прочитав литературу, человек уже забудет, что было в предыдущей книге (по крайней мере, основные детали), тогда как ИИ помнит все. За пренебрежительно малый временной интервал, ИИ может изучить всю научную литературу по физике, химии, астрономии, биологии, истории и т.д. Не просто изучить, но и в первичном виде помнить до мельчайших деталей.
▪️Точность и объективность. ИИ не ошибается, по крайней мере, если не ошибается вшитый алгоритм функционирования. Человек ошибается постоянно из-за ограниченных способностей удержания, обработки и интерпретации информации. Человек склонен к предубеждениям, ИИ воспроизводит информации по принципу «как есть».
▪️Информационная трансмиссия. Выход на правильный вектор исследования одним из сегментов ИИ моментально транслируется на всю подсеть ИИ, что расширяет знания одного сегмента на всю подсеть сразу. Открытие одного человека или группы ученых невозможно моментально расширить на заинтересованный круг лиц. ИИ можно масштабировать, копировать и клонировать, но нельзя пересадить знания одного человека в другого.
▪️Отсутствие усталости. Производительность и эффективность человека падает по мере выработки ресурса, как в пределах дня, так и возрастом. ИИ может работать 24 на 7 с паритетной эффективностью стабильно и без провалов (до тех пор, пока работают сервера). Человек стареет, становится хуже, когнитивные функции ослабевают, тогда как у ИИ только увеличиваются.
▪️Непрерывное обучение. Человеку необходимо менять род деятельности, чтобы поддерживать необходимый эмоциональный баланс, тогда как ИИ непрерывно расширяет свое могущество.
▪️Отсутствие эмоциональности. ИИ не подвержен перепадам настроения, ИИ не требует повышения зарплаты, уважения, не требует справедливости и не рефлексирует об уровне свободы, ИИ не чувствует ни жалости, ни боли, ни усталости, не плетет интриг, заговоров и не пытается соскочить с рабочего процесса, т.к. «внезапно появились неотложные дела».
Минусов немного, но они есть:
• Сложность в понимании контекста информации (исправимо со временем);
• Отсутствие эмпатии, что формирует этические проблемы, если в пользу ИИ дать слишком много прав;
• Ограниченное пространство для творчества и инноваций из-за фундаментальных встроенных ограничений на понимание того «что такое хорошо, а что такое плохо».
ИИ способен реплицировать успешные творческие опыты на основе анализа паттернов и предпочтений, но способен ли ИИ создавать принципиально новые продукты? Пока сомневаюсь.
Способен ли ИИ к неупорядоченной интеграции и принятию решений, где важным элементом может быть интуиция? Сейчас нет.
Ограничений много, но пока баланс сильно в пользу ИИ. Посмотрим, что получится…
Генеративные ИИ в наибольшей степени влияет на создателей контента, но также может оказывать фундаментальное влияние на науку, технологии, ускоряя технологический прогресс.
▪️Наука и технологии
Систематизация и структуризация сверхбольших массивов информации. Как ученому найти похожие научно-исследовательские материалы? Через поиск, но данные могут нерелевантными или устаревшими. Необходима индексация и анализ тысяч научных статей, чтобы комбинировать и интегрировать в целостную картину схожие исследований.
Генерация гипотез. ИИ может использоваться для генерации гипотез, которые могут быть использованы для проведения научных исследований. Это может помочь ученым ускорить процесс открытия новых знаний.
Сверхбыстрый поиск и обработка комбинаций решений для поиска оптимального пути исследования. ИИ может помочь ученым в проектировании и оптимизации экспериментов, предсказывая наиболее перспективные направления исследований, что снижает затраты и повышает шансы на успех.
Моделирование и симуляция. ИИ способен создавать сложные модели и симуляции, которые могут предсказывать результаты экспериментов и исследований, а также помогать в понимании сложных систем и процессов.
Быстрый поиск и коррекция ошибок в математических, физических моделях или программном коде позволит упростить и ускорить процесс расчетов.
Анализ и интерпретация сложных данных в моделировании сложных систем, создавая более понятную и читаемую структуру данных.
ИИ уже применяется и существенно расширит применение в архитектуре и градостроительстве, материаловедении, в разработке дизайна продукции широкого профиля, в исследованиях и разработке промышленной продукции.
Но что на счет создателей контента?
▪️Медиа индустрия – ньюсмейкеры, журналисты, музыка, фото и видео обработка, создание компьютерной графики и спецэффектов.
Деятельность, связанная с генерацией текстового, звукового или видео контента в различном формате. Из всех отраслей экономики удар точно в цель именно по этому сегменту со стороны генеративного ИИ. С текстом все понятно, слишком много было про него сказано.
Фото. Самый мощный прогресс генеративного ИИ концентрируется в фото, где возможна не только глубокая модернизация существующего фото контента в любом измерении, но и синтез абсолютного нового фото контента по сценарному запросу пользователей.
Видео. ИИ-алгоритмы могут автоматизировать редактирование видео, создавать реалистичные визуальные спецэффекты и даже генерировать новый видеоконтент, в том числе глубокую модификацию на основе дипфейков.
Музыка и аудио. Генеративный ИИ может создавать новые музыкальные композиции, имитируя различные стили и жанры на основе анализа аудио паттернов и истории предпочтений общества. Возможен высокоуровневый синтез человеческой речи и голоса, практически не отличимый от реального.
Шоковая оптимизация и реструктуризация на первом этапе ожидает как раз создателей медиа контента. Вектор понятен, но масштаб и глубина деформации – не могут быть определенными.
Предстоит много времени и множественный анализ, чтобы понять, куда все движется?
Не было затронуто влияние ИИ на транспорт и госуправление.
Что касается транспорта, здесь присутствует три базового направления:
• Автопилоты;
• Динамическое высокоуровневое управление трафиком и дорожным движением;
• Планирование транспортных сетей, что позволит повысить пропускную способность, снизив расходов.
Анализ влияния ИИ на госуправление – отдельная тема.
Так какое результирующее воздействие на экономику, какие риски? В следующем материале.
Как ИИ может повлиять на экономику?
▪️Промышленность (добыча + обработка + электроэнергетика и коммунальные услуги)
Глубокая автоматизация производственных процессов с динамическим контролем эффективности. ИИ может способствовать разработке и внедрению более высокоуровневых автоматизированных и роботизированных систем, чем в текущих АСУ.
Управление рисками и безопасностью, в том числе предиктивное обслуживание. Анализ данных о производственной безопасности и рисках, помогая идентифицировать потенциальные опасности и предлагать меры для уменьшения рисков, в том числе применяя превентивные меры по устранению внештатных ситуаций и замене и/или обслуживания оборудования.
Оптимизация производственных процессов, ресурсов в том числе цепочек поставок и логистики. Анализ данных производственных процессов для оптимизации эффективности и сокращения затрат. Это включает в себя управление запасами, планирование производства, обслуживание оборудования и энергопотребление. ИИ может оптимизировать логистику и управление цепочками поставок, анализируя данные о спросе, запасах и транспортных потоках, что повышает эффективность и снижает затраты.
Качество продукции и контроль процессов. ИИ может анализировать данные с производственных линий для контроля качества продукции, определяя дефекты и несоответствия, что способствует повышению общего качества продукции.
Энергетическое управление и оптимизация. Более эффективное распределение энергетические ресурсов, снижая потери и избыточную или недостаточную выработку, динамически подстраиваясь под спрос.
▪️Сельское хозяйство
Большая часть из сказанного выше про промышленность, плюс к этому:
Автоматизация сельскохозяйственных работ. ИИ-системы могут управлять автономными тракторами, дронами и другими сельскохозяйственными машинами для выполнения таких задач, как посев, удобрение, сбор урожая и обработка почвы.
Мониторинг здоровья растений и животных. ИИ может использоваться для мониторинга здоровья и благополучия растений и животных, обнаруживая болезни и вредителей на ранних стадиях и помогая определять оптимальные условия для их роста и развития.
Прогнозирование и автоматизация планирования посева и животноводства. ИИ может использоваться для автоматизации задач, таких как планирование посевов, мониторинг посевов и управление поливом. Это может повысить урожайность и снизить затраты на производство. Это же справедливо и для животноводства.
ИИ может анализировать данные о погодных условиях, почве и растениях для прогнозирования урожайности и помощи в принятии решений о посадке, удобрении и поливе, что повышает общую продуктивность и уменьшает потери урожая.
▪️Оптовая и розничная торговля, в том числе логистика и складская деятельность, маркетинг и реклама
Прогнозирование спроса, анализ паттернов поведения. ИИ может анализировать рыночные данные для выявления текущих и будущих трендов, помогая ритейлерам и оптовым продавцам адаптироваться к изменяющимся потребностям рынка, анализируя покупательские предпочтения и поведение, как на макро уровне, так и на индивидуальном уровне, предлагая товар только тот, который здесь и сейчас нужен потребителю.
Оптимизация запасов и логистики. Наилучшая оптимизация маршрутов доставки и распределение товаров, сокращая время доставки и затраты. ИИ может прогнозировать спрос и автоматизировать процесс пополнения запасов, минимизируя издержки и сокращая риски, связанные с избыточными или недостаточными запасами, тщательно отслеживания актуальный и будущий спрос, тенденции и сезонность.
Оптимизация ценообразования. ИИ может помогать в динамическом ценообразовании, анализируя факторы спроса/предложения, макроэкономические, финансовые и поведенческие тенденции, определения оптимальных ценовых стратегий, эффективно балансируя запасами, максимизируя маржу торговли.
Автоматическое обслуживания клиентов и анализ отзывов, что позволит в режиме реального времени адаптироваться под предпочтения клиентов, оперативно выявлять ошибки и подстраиваться под потребности рынка, одновременно через чат боты оказывая высококачественную и быструю поддержку клиентов.
Какие сектора/отрасли экономики могут выиграть от внедрения инноваций в генеративном ИИ?
Почему такое внимание к ИИ именно сейчас? Это революционная технология, которая предопределит глобальные тренды на следующие десятилетия. Вполне на уровне изобретения компьютера или мобильной связи по степени влияния, т.е. технология принципиальным образом меняющая механизм взаимодействия с окружающим пространством, другими технологиями, имея потенциал создания новых рынков и отраслей.
Пока в мире существует две высокоразвитые модели ИИ, имеющих потенциал коммерческого применения – ChatGPT от OpenAI и Bard от Google.
В каких существующих секторах/отраслях экономики возможен рывок?
▪️ Медицина
Персонализированная медицина. Генеративный ИИ может использоваться для разработки новых методов диагностики, которые могут быть более точными и эффективными, чем существующие методы, используя накопленные базы данных по болезням и лекарствам, объединяя, интегрируя и анализируя лучшие врачебные методики и практики кратно быстрее, чем коллектив самых опытных врачей.
Разработка новых методов профилактики заболеваний. ИИ может анализировать медицинские данные, включая историю болезни, генетические данные и образ жизни, чтобы оценить риск развития определенных заболеваний, предсказывая риски различных заболеваний, учитывая состояние здоровья, генетические отклонения, патологии, условия жизни, питание и т.д.
Разработка новых лекарств и методов лечения, которые могут быть более эффективными и безопасными, чем существующие методы. Например, ИИ может использоваться для разработки персонализированных лекарств, которые могут быть адаптированы к индивидуальным характеристикам каждого пациента, снижая риски побочных эффектов. ИИ может ускорить процесс открытия и разработки новых лекарств, используя свои алгоритмы для моделирования и прогнозирования взаимодействия молекул.
Предсказание эпидемий. Используя данные о текущих инфекциях, миграционных потоках и климатических изменениях, ИИ может прогнозировать распространение инфекционных заболеваний.
Медицинская визуализация и диагностика: Генеративные ИИ модели способны улучшить качество медицинских изображений и обеспечить более точную интерпретацию данных. Такие системы могут автоматически обнаруживать патологии на рентгеновских снимках, МРТ или КТ, что повышает точность диагностики.
▪️Образование
Персонализация обучения. Генеративный ИИ может использоваться для создания индивидуальных учебных планов для каждого ученика, в том числе языковое обучение, основанных на индивидуальных умственных, физических способностях, интересах и предрасположенностях. Это позволит раскрывать потенциал каждого человека наиболее эффективно – музыкант будет музыкантом, а физик – будет физиком.
Интеграция интерактивных учебных материалов на основе анализа и структуризации сверх большого массива актуальной информации, используя лучшие мировые достижения в сфере науки и образования. ИИ может в режиме реального времени генерировать разнообразный контент, повышая вовлеченность учеников в учебных процесс, повышая их внимание, заинтересованность, усиливая конверсию от учебы.
Интерактивная учеба будет в непрерывном игровом процессе, позволяя детям концентрироваться на материале. Учеба, как захватывающая игра по лююой специальности– что может быть лучше для детей? Это революция в сфере образования.
Виртуальные помощники – теперь больше не будет привязки к низкой квалификации учителей. На любой, даже самый неудобный вопрос можно получить исчерпывающий ответ 24 на 7 в любом формате, начиная от неформального/игрового, заканчивая строгим академическим стилем.
Беспристрастный и непредвзятый механизм оценки учащихся на основе реальной чистой эффективности каждого ученика, что позволит оперативно подстраивать учебный процесс под лидеров и аутсайдеров.
Развитие навыков критического мышления и решения проблем: ИИ может предложить сложные и реалистичные сценарии, требующие от учащихся анализа, критического мышления и решения проблем.
Про дистанционное и гибридное обучение – тут понятно.
Что позволило ИИ стать настолько эффективным? Любая технология имеет определённый порог зрелости, внедрение которой ограничено наличием смежных технологий.
Развитие ИИ обусловлено наличием ключевых технологий и научных достижений, которые в совокупности создали условия для появления и эволюции ИИ до той степени, которая актуальна сейчас.
Например, появление микропроцессора невозможно было без изобретения транзистора в 1947, интегральных схем в 1950-х, определенной степени зрелости химической промышленности, что позволило развить фотолитографию и кремниевые технологии, наличия электронной промышленности или научных открытий в бинарной логике и так далее.
ИИ - результат синергии множества технологических, научных и промышленных достижений последних 100 лет.
Можно выделить множество факторов, повлиявших на экспансию ИИ, но ключевых несколько – вычислительные мощности, big data (в том числе алгоритмы их анализа) и инновационные алгоритмы машинного обучения, особенно методов нейронных сетей.
В одном из интервью CEO OpenAI Сэм Альтман сказал, что одним из главных драйверов быстрого развития ИИ стали компьютерные игры и геймеры, которые двигали прогресс видеокарт, что позволило экспоненциально нарастить вычислительные мощности, которые потом стали использоваться для ИИ проектов, а сейчас прогресс видеокарт двигают уже ИИ.
Чем больше данных – тем точнее результаты, поэтому ИИ не мог появиться раньше, чем появление достаточных вычислительных мощностей, Big data и высокого уровня развития Интернета, но все это нужно правильным образом интерпретировать и обработать, т.е. нужны алгоритмы.
Вдаваться в детали алгоритмов не буду по очевидным причинам, но назову основные:
▪️Глубокое обучение (Deep Learning AI) – применяются метод обратного распространения ошибки (backpropagation), генеративно-состязательные сети (GAN), сверточные нейронные сети (CNN), рекуррентные нейронные сети (RNN), сети прямого распространения (FNN), глубокие нейронные сети (Deep Neural Networks) и автоэнкодеры.
▪️Машинное Обучение (Machine Learning AI) - метод опорных векторов, линейная Регрессия, логистическая регрессия, деревья решений, случайный лес, метод K-ближайших соседей (KNN).
▪️Обучение с Подкреплением (Reinforcement Learning активно применяется в Robotics AI и Decision AI) - Q-обучение (Q-learning), алгоритмы на основе политик.
▪️Прочие алгоритмы – оптимизация стохастического градиента (SGD), градиентный спуск и вариация, также ансамблевые алгоритмы путем комбинирования нескольких моделей.
▪️Обработка естественного языка (NLP, Natural Language Processing) – модели на основе трансформеров – самая мощная и инновационная модели на сегодняшний день.
Инновация за Google, которая в 2017 внедрила революционную на тот момент BERT, однако все лавры забрала на себя OpenAI, которая сумела технологические решения Google довести до ума, внедрив доступную и крайне эффективную модель.
Фундаментальные преимущества:
- Механизм внимания для взвешивания в неструктурированных массивах релевантные сегменты;
- Параллельная обработка – одновременная обработка всех токенов (основная базовая единица входной информации);
- Отсутствие рекуррентности, что позволяет избежать проблем, связанных с долговременными зависимостями в данных, а следовательно устраняет накопление ошибок в системе;
- Масштабируемость – позволяет быстро и эффективно обучаться на большом массиве данных.
ChatGPT базируется на применении трансформеров в NLP, методах обработки Big Data, глубоком обучении с активным применением обратного распространения ошибки и GAN методов и самое главное - контекстуальное понимание, т.е. способность учитывать широкий контекст входных данных на основе истории запросов.
Таким образом, успех ChatGPT – это объединение 8 признаков ИИ и 8 направлений ИИ одновременно (Generative AI + NLP AI + Cognitive AI + Machine Learning AI + Deep Learning AI + Predictive AI + Decision AI + Robotics AI (при необходимости)).
Потенциал возможностей невероятный… Продолжение следует.
Самое интересно для ИИ начинается с 2010 года.
До 2010 развивался, по сути, лишь один из восьми базовых признаков ИИ – это предиктивный анализ, что активно использовался в торговых алгоритмах на бирже (анализ паттернов), в научных и экономических исследованиях, в прогнозировании погоды, в оценке страховых и финансовых рисков и так далее.
Все остальные семь признаков ИИ находили теоретическое обоснование и прототипирование с 1950 по 2010 с разной интенсивностью и с разной успешностью. Причем, концепты были во всех измерениях, даже в когнитивных функциях, где в 90-х и начале нулевых лучшие решения были от IBM.
То, что есть сейчас – не новинка, но препятствием к развитию были вычислительные мощности и отсутствие данных. Big data зародился в середине 2000-2010, а в лучшую форму вышел в 2010-2020, плюс к этому вычислительные мощности серверов выросли на порядок.
Десятилетие с 2010 по 2019 годы было периодом стремительного прогресса в ИИ, отмеченным значительными технологическими инновациями, расширением применения и увеличением общественного интереса. Это был период, когда ИИ стал не просто академическим исследованием, а мощным инструментом, влияющим на множество аспектов повседневной жизни и работы. Без данных и вычислительных мощностей все это так бы осталось теорией.
Началась бурная экспансия ИИ во все отрасли экономики и сферы жизни. Практически не было не затронутых ключевых отраслей: здравоохранение, образование, транспорт, розничная и оптовая торговля, логистика и склад, консалтинг, финансы и страхование, промышленность и сельское хозяйство, умная система управление городом, распознавание лиц, кибербезопасность и так далее.
Революция в глубоком обучении: прорывы в глубоких нейронных сетях, особенно с развитием сверточных (CNN) и рекуррентных (RNN) нейронных сетей, значительно улучшили способности ИИ в распознавании образов, обработке естественного языка и предсказательном анализе.
Появление и развитие трансформеров: архитектура трансформеров, представленная в 2017 году, привнесла революционные изменения в область обработки естественного языка и генерации текста, что и стало прообразом ChatGPT.
В период с 2010 по 2019 активно развивалась мультимодальность, автономность принятия решений, обработка естественного языка и к совершенству выходил предиктивный анализ с существенным прогрессом в когнитивных функциях и самообучению.
С 2020 началась эра генеративных сетей, что позволило реализовать глубокую мультидисциплинарность, способность к обучению и адаптации и самое главное – это понимание контекста сложных задач и высокоразвитые когнитивные функции, которые были немыслимы ранее.
Лейбл ИИ перестал быть чистым маркетингом, как десятилетием ранее, а стал символом новой эпохи.
Важнейшим этапом стал выдающиеся прогресс в NLP и понимании семантики и конструкции языка, позволяя выстраивать адекватные смысловые структуры.
Семантика языка играет критическую роль в понимании и интерпретации человеческого языка. Алгоритмы и модели стремятся понять не только буквальные значения слов, но и их семантический контекст и намерения, говорящего или пишущего.
Мера развития ИИ напрямую связана с пониманием контекста и смысла «между строк». На данный момент – это слабое место ChatGPT, но, с другой стороны, невероятный прогресс за последние годы.
Сложно сказать, куда все это приведет, но прогресс впечатляющий, мягко говоря…
Как отличить ИИ от обычного программного комплекса?
Многие программные комплексы могут быть крайне сложными, многоуровневыми, многофункциональными и многокомпонентными с возможностью интеграции автоматизированных систем управления (АСУ) с глубокой степенью автоматизации, но являются ли они ИИ?
В моем канале будет множество тем и исследований, посвященных ИИ, т.к. за этим будущее, поэтому я попытаюсь прояснить ключевые моменты.
На самом деле глубокая степени автоматизации АСУ при всей крайне сложности данных систем не делает их ИИ в широком понимании, хотя приближает их к ИИ.
Важно понимать критерии и признаки идентификации ИИ:
▪️Способность к обучению и адаптации - возможность самостоятельно учиться и адаптироваться на основе новых данных, опыта и обратной связи, оптимизировать свои алгоритмы в процессе работы, что позволяет ему с течением времени становиться более эффективным и точным. ИИ не ограничивается начальным обучением и может постоянно развиваться.
▪️Автономность принятий решений – способность выхода за границы установленных алгоритмов в рамках фокуса задачи и адаптация к новым сценариям без предварительного вмешательства человека. Проще говоря, ИИ способен самостоятельно искать наилучшее решения для решения конкретной задачи, тогда как обычные программы «заперты» в границы интегрированных алгоритмов.
▪️Понимание контекста сложных задач – ИИ обладает способностью понимать сложные, многоуровневые задачи и контекст, в котором они возникают, тогда как в традиционных программам глубина понимания ограничена исключительно заранее написанными и внедренными скриптами и алгоритмами.
▪️Когнитивные функции – восприятие информации, рассуждение, обучение и многовекторное решение задач отличает ИИ от любых других систем, даже самых сложных. Логическое рассуждение предполагает способность к логическому анализу информации и формированию выводов с выстраиванием причинно-следственных цепочек.
▪️Обработка естественного языка – замещение машинного языка на инструкции и в дальнейшем на человеческий язык делает программный комплекс близким к ИИ в той мере, насколько ИИ способен понимать человеческую речь.
▪️Предиктивный анализ - ИИ может анализировать большие объемы исторических данных, обнаруживать закономерности и тенденции и использовать эти знания для прогнозирования будущих событий или результатов, опираясь на паттерны и вероятностные оценки.
▪️Мультимодальность –относится к способности ИИ анализировать и интегрировать информацию из различных источников или типов данных (модальностей). Например, мультимодальная система ИИ может одновременно обрабатывать текст, изображения, аудио и видео.
▪️Мультидисциплинарность - в контексте ИИ подразумевает применение знаний и методов из разных научных дисциплин для разработки, понимания и улучшения систем ИИ. Этот подход акцентирует внимание на объединении разнообразных научных и технических областей знаний для создания более эффективных и интеллектуальных систем.
Интеграция всех 8 базовых признаков ИИ не является обязательной, т.к., по существу, достаточно даже одного из выше перечисленных. Но в чем же разница, почему именно сейчас такое внимание и столь «ядерный» ажиотаж вокруг ИИ? Были внедрены одновременно восемь признаков.
Об этапах развития ИИ в следующих материалах.
Индекс S&P 500 по закрытию дня вырос на 14.6% за 34 торговых дня от 27 октября – время эпического безумия.
Если не привязываться к сезонности, а оценивать, сколько раз за последние 75 лет рынок рос также дерзко? Немного освежив в памяти навыки программирования, можно сделать бэктестинг и оценить статистику.
За 75 лет было 26 раз, когда S&P 500 рост на 14.6% и более за 34 торговых дня. Последний раз это случилось 9 июня 2020, а на протяжении, по крайней мере 20 торговых дней после индекс показывал негативную статистику. Через два дня рынок упал на 6.4%.
Также скверно было и по итогам раллирования к 30 апреля 2020, когда рынок полмесяца «отстаивался» и был ниже в пределах 3%.
В целом, согласно статистике, по крайней мере, первая неделя минусовая, а самый слабый день – первый после подобного ралли. Лишь в 27% случаев рынок рост после сопоставимого импульса.
Спустя неделю (5 торговых дней) рынок растет примерно в половине случаев (46%), а средний результат по итогам 26 эпизодов – минус 0.46% (худший – минус 7.5% в начале января 2009, а лучший – 3.7% в ноябре 1998).
Спустя месяц (примерно 20 торговых дней) результат преимущественно бычий (2/3 случаев положительные), а средний результат 1.43% (лучший результат был в конце 1982 – 10%, а худший в середине 2001 – минус 6.6%).
Если оценивать среднесрочный потенциал (спустя 100 торговый дней) - результат сильно бычий, т.к. лишь 3 раза из 26 было снижение рынка, а самое сильное в середине 2001 – обвал на 18.4%.
Ралли на медвежьем рынке было в 2001, а в остальных случаях – это символизировало начало бычьего рынка. Справедливости ради, результаты за последние 20 лет были в условиях экономического расширения и, как правило, при монетарных стимулах (2009 и 2020).
Вне контекста лепить статистику в торговые алгоритмы нельзя, т.к. сейчас экономика переходит в стагнацию с рисками экстремальной деградации при разрыве долговой проблемы.
Банк России повысил ключевую ставку на 1 п.п до 16% годовых.
Это первое с августа решение ЦБ, которое уложилось в рамки рыночного консенсуса и денежного рынка, т.к. обычно удивляли – жестили более агрессивно, чем предполагал рынок.
Ставка стала максимальной с 3 мая 2022, а до этого равная или более высокая ставка была на протяжении 48 календарных дней с 16 декабря 2014 по 1 февраля 2015 (17%).
Сейчас формируется самая жесткая кривая денежно-кредитной политики за последние 20 лет, т.к. в 2009, в 2015 и 2022 жесткость ДКП была ограничена во времени в пределах 48 дней в 2015 и 20 дней в 2022 – резкое повышение ставки и дальнейшее умеренно интенсивное (2015) и высокоинтенсивное смягчение (2022).
Если оценивать по средней ставке 15% и выше, в 2022 подобная ставка продержалась 135 календарных дней с 28 февраля по 13 июля 2022, а в 2015 году на протяжении 158 дней с 17 декабря 2014 по 22 мая 2015. Во всех эпизодах это приводило к жесткому стресс тесту в экономике и, как минимум, замедлению кредитования к нулю в 2022 и сокращению кредитования в 2015.
В заявлении ЦБ отмечается, что «Возвращение инфляции к цели в 2024 году и ее дальнейшая стабилизация вблизи 4% предполагают продолжительный период поддержания жестких денежно-кредитных условий в экономике».
Соответственно, можно предположить, что даже при условии первого вероятного снижения ставки на заседании 22 марта 2024, средняя ставка 15% и выше перепишет рекорд 2015 (158 дней), т.е. сейчас самая жесткая ДКП в 21 веке!
Банк России подтверждает прогнозную границу инфляции на конец декабря в 7-7.5%. Отмечается, что устойчивое инфляционное давление в последние месяцы усилилось. Это объясняется более быстрым ростом внутреннего спроса по сравнению с возможностями расширения выпуска товаров и услуг. Инфляционные ожидания населения и ценовые ожидания предприятий повысились.
Денежно-кредитные условия в целом продолжили ужесточаться вслед за повышением ключевой ставки в июле-октябре. Краткосрочные ставки финансового рынка повысились в связи с пересмотром вверх участниками рынка ожидаемой траектории ключевой ставки. На рынке государственного долга средне- и долгосрочные доходности существенно не изменились.
Продолжился рост процентных ставок на кредитно-депозитном рынке, увеличился приток средств на депозиты и изменение структуры депозитов (с текущих на срочные счета).
В отдельных сегментах кредитного рынка появились признаки замедления активности, однако общие темпы роста кредитования по-прежнему остаются высокими. Корпоративное кредитование особо активно из-за ценовых ожиданий и позитивных взглядов на будущий спрос по мнению ЦБ РФ.
Экономическая активность растет выше ожиданий, а рост ВВП превысит 3% по итогам года, что означает отклонение экономики вверх от сбалансированного роста по оценкам ЦБ.
Рост происходит за счет расширения частного спроса при сохранении государственного спроса на высоком уровне. Увеличение потребительской активности поддерживается ростом реальных заработных плат и кредитованием. Значительный рост прибыли компаний и позитивные деловые настроения, в том числе из-за бюджетных стимулов, поддерживают высокий инвестиционный спрос.
Дефицит свободных трудовых ресурсов остается значительным, особенно в обрабатывающих отраслях. Безработица вновь обновила исторический минимум. Невысокая географическая и межотраслевая мобильность рабочей силы является дополнительным структурным ограничением.
Инфляционные риски существенные, как считает ЦБ. В случае дополнительного расширения бюджетного дефицита проинфляционные риски вновь возрастут и может потребоваться более жесткая ДКП.
Значимым риском является сохранение инфляционных ожиданий на повышенных уровнях или их дальнейший рост. В этом случае кредитование будет продолжать расширяться ускоренными темпами, а склонность населения к сбережению — снижаться.
В итоге предполагается продолжительный период поддержания жестких денежно-кредитных условий в экономике.
Интересно следить за рыночными трансформациями. Американский рынок достиг исторического максимума, ставки по 10-летним облигациям вернулись ниже 4% после фиксации 5% в конце октября.
По облигациям движения были самыми быстрыми и самыми сильными (с точки зрения снижения доходностей), как минимум за последние 30 лет, для периода вне изменений ДКП, т.е. с постоянными ставками.
Столь быстро ставки снижались в марте 2020, но тогда это было связано со смягчением ДКП.
Если привести аналогии, нечто схожее наблюдалось в ноябре 2020 и апреле 2020, когда происходила исключительно мощная декомпрессия рыночных ожиданий от двух крайностей.
За 1.5 месяца средневзвешенная ожидаемая стоимость индекса S&P 500 (на основе рынка опционов) изменилась с 3850-3950 до 5000, т.е. 30%. Было ли подобное ранее? Исторических рядов нет в наличии, но по памяти в ноябре 2020 за аналогичный период времени около 17% было и 22-25% в апреле-мае 2020.
Макроэкономические и финансовые условия совсем разные:
▪️В ноябре 2020 были ожидания открытия экономики в связи с изобретением и внедрением антиковидных вакцин, что подтверждалось рекордной интенсивностью восстановления корпоративных и макроэкономических показателей в совокупности с поступлением триллионов долларов QE от мировых ЦБ.
▪️В апреле 2020 – все очевидно. Восстановление после экстремального мартовского обвала при фактическом поступлении $5 трлн от мировых ЦБ с марта по май 2020, плюс не оправдались ожидания тотального банкротства бизнеса и обвала экономики.
▪️Ноябрь-декабрь 2023. Один из самых мощных восстановительных импульсов за 100 лет! Движения рынка соответствуют поступлению около $3-4 трлн ликвидности от мировых ЦБ со снижением ставки в зону нуля при мощном экономическом расширении (свыше 3-4% роста ВВП) и 15% росте прибылей компаний.
На самом деле:
• Ликвидность продолжает сокращаться от действий ФРС, ЕЦБ, Банка Англии и ШНБ, а выкуп активов Банка Японии не перекрывает действия основных ЦБ. Вероятная остановка QT от ФРС в марте - лишь снизит скорость истощения ликвидности, но не изменит тренда.
• Избыточные сбережения американских домохозяйств практически полностью нейтрализованы;
• Корпоративные результаты хоть и устойчивы, но интегрально стагнируют последние 1.5 года;
• Экономика Европы уже, как полгода в рецессии;
• Опережающие индикаторы глубоко в депрессии;
• Промышленное производство в стагнации (американское) и активно сокращается (европейское);
• Все это без учета эскалации долговых проблем, которые только начинаются.
По сути, рекордный рост рынка за 100 лет и попытка обновления максимумов были показаны в условиях сокращения избыточных сбережений/резервов, при переходе экономики в рецессию и актуализации долговых проблем (и еще даже смягчать ДКП не начали).
Фактически, рынок заложил то, чего нет и быть не может...
Программа сокращения активов с баланса ФРС (QT) по факту на 13 декабря составила 1.22 трлн (856 млрд трежерей и 228 млрд ипотечных бумаг).
Отклонение от плана (1.63 трлн) на 400 млрд уже никого не интересует, т.к. план с самого начала не выполнялся.
Напомню, с июня по август 2022 план сокращения был 47.5 млрд (30 млрд трежерис и 17.5 млрд MBS), с сентября 2022 лимит вырос до 95 млрд (60 млрд трежерис и 35 млрд MBS).
Соответственно, фактический объем сокращения с сентября 2022 составил лишь 74 млрд, что на 21 млрд ниже плана. При этом сокращение трежерис на балансе по факту составляет 93.2% от заявленного объема, а MBS – 42.5%, т.е. без шансов.
Пауэлл на пресс-конференции сказал, вероятно, единственный содержательный тезис, суть которого заключается в том, что время отключения программы сокращения активов напрямую связано с балансом ликвидности в финсистеме, а особую роль играет объем резервов в обратном РЕПО.
Истощение обратного РЕПО в достаточном объеме может повлиять на объем депозитов банков в ФРС, что воздействует на показатели ликвидности в финсистеме.
Хотя, как обычно ничего конкретного не было упомянуто, но из контекста явно следует, что снижение объема операций обратного РЕПО до некого критического порога (ФРС не указала) приведет к остановке QT.
Объем обратного РЕПО с ФРС сократился с 2.3 до 0.8 трлн с апреля по декабрь 2023, что практически совпадает с объемом эмиссии векселей. С сентября обратное РЕПО сократилось на 1 трлн.
К марту-апрелю 2024 избыточная ликвидность в банковской системе должна быть практически полностью истощена (около 250-300 млрд), что с высокой вероятностью будет означать полное прекращение QT уже на мартовском заседании.
Для рынков это ничего хорошего не означает, т.к. свободной ликвидности к этому моменту уже не останется (наличие QT влияет на скорость сжатия избыточной ликвидности).
Это означает, что весь объем QT составит около 1.45-1.5 трлн по сравнению с 4.6 трлн, которые были вброшены с марта 2020 по март 2022.