McKinsey: программно-определяемое оборудование в эпоху искусственного интеллекта

Программно-определяемое аппаратное обеспечение (software-defined hardware, SDH) меняет ситуацию во многих отраслях, поскольку достижения в области искусственного интеллекта открывают новые возможности и значительно снижают стоимость разработки, пишут в корпоративном блоге партнеры McKinsey Али Ризви, Ани Келкар и Филипп Кампшофф и консультант McKinsey Сартак Вайш.

За последние два десятилетия переход от аппаратных средств с фиксированными функциями к SDH произвел революцию в самых разных отраслях — от сетевых технологий до мобильной связи. Благодаря SDH разработчики могут совершенствовать продукты и услуги, постоянно обновляя ПО, а не проводить более дорогостоящую и трудоемкую модернизацию оборудования. Устройства, которые раньше были жестко ориентированными на конкретные задачи, теперь становятся программируемыми и гибкими, что позволяет им справляться с новыми задачами и требованиями.

Несмотря на функциональные преимущества SDH, его использование традиционно ограничивалось отраслями, в которых существовали значительные объемы производства, например, смартфоны, чтобы амортизировать постоянные затраты на разработку. В этих отраслях физическая замена или модернизация устройств обходится гораздо дороже, чем обновление ПО. Отрасли с меньшими объемами выпуска аппаратного обеспечения не испытывали такой острой необходимости, поскольку затраты на разработку ПО соответствовали затратам на замену устройств или даже превышали их. Однако сегодня ИИ меняет соотношение затрат и выгод, автоматизируя многие рутинные задачи по разработке ПО, тем самым сокращая время и трудозатраты и расширяя функциональные возможности ПО.

Помимо повышения эффективности, SDH может помочь компаниям завоевать новых клиентов и повысить лояльность к бренду за счет улучшения производительности устройств и большей персонализации. Например, информационно-развлекательная система автомобиля может предоставлять индивидуальные развлечения и потоковое вещание на основе предыдущего выбора водителя. Если SDH будет включать в себя алгоритмы ИИ или машинного обучения, оно сможет поднять производительность на еще большую высоту и учиться на взаимодействии с пользователями.

Поскольку ИИ позволяет сильнее сократить затраты на разработку продуктов, еще больше отраслей, включая аэрокосмическую промышленность, производство медицинского оборудования и потребительских устройств, могут ускорить масштабирование SDH. Однако сначала они должны обновить свои организационные структуры и операции, чтобы максимально использовать преимущества ИИ. Здесь мы рассмотрим некоторые изменения, которые могут помочь в этом, с упором на примеры из автомобильной промышленности.

Преимущества ИИ в области SDH

Для многих компаний достижения в области ИИ приходятся на удачное время. Сложность ПО неуклонно растет и может вырасти еще больше. Рассмотрим автомобильный сектор: с 2021 г. в среднем сложность автомобильной программной платформы и общие усилия, необходимые для ее создания, ежегодно увеличивались примерно на 40%. Однако за тот же период производительность разработки ПО росла лишь на 6% в год.

Использование ИИ для оптимизации разработки SDH

Достижения в области ИИ расширяют инструментарий разработчиков продуктов и улучшают создание SDH за счет автоматизации, оптимизации и совершенствования различных этапов проектирования, разработки и тестирования.

Проектирование с помощью ИИ. Ряд инструментов генеративного ИИ (GenAI) могут помочь инженерам в разработке описаний и схем аппаратного обеспечения, сокращая ручную работу. Например, один из инструментов оптимизирует проектирование аппаратной архитектуры на основе заданных ограничений и целей. Другие новые системы GenAI-проектирования могут исследовать гораздо более широкий спектр возможных решений, чем инструменты предыдущего поколения. Сравнивая результаты тысяч симуляций, они могут помочь определить дизайн, обеспечивающий наиболее благоприятное сочетание характеристик.

Разработка программно-аппаратного обеспечения. Использование агентов ИИ в процессе разработки продукта может помочь устранить разрыв между программным и аппаратным дизайном, обеспечив согласованность требований в разных итерациях. Агенты ИИ также могут обеспечить простоту программирования оборудования и оптимизацию ПО под производительность оборудования (например, ИИ может скорректировать программные процедуры для повышения эффективности использования графических процессоров, специализированных ускорителей или других ресурсов).

Оптимизация аппаратного обеспечения. Алгоритмы ИИ могут оптимизировать распределение ресурсов SDH, таких как память, логические блоки и процессорные модули, чтобы достичь поставленных целей и обеспечить возможность адаптации в случае изменения требований к продукту. ИИ также может выявлять проблемы и недостатки на ранних этапах проектирования с помощью моделирования и повышать надежность и безопасность продукции. Оптимизация аппаратного обеспечения может продолжаться и после начального этапа проектирования, поскольку периферийная обработка позволяет инженерам динамически управлять ресурсами для достижения поставленных целей.

Ускоренное тестирование. Суррогаты глубокого обучения теперь позволяют инженерам заменить многие физические испытания более быстрыми виртуальными оценками, которые обходятся дешевле.

Благодаря тому, что ИИ справляется с этими задачами, все больше компаний смогут впервые создать SDH или ускорить инновации. Например, лондонская технологическая компания Wayve внедряет свою GenAI-модель LINGO-1 в ПО своих самоуправляемых автомобилей для анализа действий водителя и данных с датчиков автомобиля, включая изображения, снятые на видео. Используя возможности LINGO-1, ПО автомобиля будет генерировать ответы на такие распространенные вопросы, как «Почему вы остановились в этом месте?». Аналогичным образом для улучшения автономного вождения Waymo использует Carcraft — программу, которая моделирует, как виртуальные автомобили ориентируются в различных дорожных сценариях в реальных городах. Виртуальные автомобили проезжают почти 13 млн. км в день, причем большую часть из них — в сложных дорожных ситуациях, таких как круговые развязки.

Использование ИИ для создания лучших конечных продуктов и услуг

Преимущества SDH, дополненного ИИ, позволяют создавать более качественные продукты и услуги для конечных потребителей. В качестве примера можно сравнить потребительский опыт, который обеспечивают стартапы в области электромобилей (EV) и традиционные OEM. Новые OEM в сфере EV, такие как Tesla, которые не были ограничены унаследованным оборудованием, используют SDH и поставляют обновления по воздуху (OTA) для улучшения производительности, эффективности и функций автомобиля, начиная с 2018 г. Такое удобство невозможно в старых автомобилях, ориентированных на аппаратное обеспечение. Другие OEM также инвестируют в SDH или создают совместные предприятия для его создания.

Ниже представлены еще несколько способов, с помощью которых SDH и ИИ могут улучшить конечные продукты и услуги. Обратите внимание, что эти усовершенствования относятся к продуктам, которые компании продают потребителям или другим предприятиям (они также могут использовать SDH для улучшения собственных операций).

Оптимальные производительность и срок службы оборудования. ИИ может анализировать данные с устройств, таких как автомобили и медицинское оборудование, чтобы оптимизировать конфигурацию ПО для повышения эффективности и производительности. Например, один новый OEM в сфере EV использовал ИИ для сокращения количества электронных блоков управления в своих автомобилях с 80 в некоторых устаревших системах до менее 10.

Персонализированный пользовательский опыт. GenAI может сделать программно-определяемые системы более интеллектуальными. Например, в «умных» домах системы GenAI могут изучать привычки домочадцев и автоматически регулировать все — от освещения до безопасности. Если бы эти системы опирались на традиционное, а не программно-определяемое оборудование, выполнять такие настройки было бы сложно и дорого.

Многие медицинские приборы становятся все более программными: такие компании, как Medtronic, создают системы с ИИ, которые адаптируются на основе данных пациента, например, жизненных показателей. В потребительском секторе такие устройства, как Amazon Echo, уже опираются на ПО для внедрения новых функций, повышения интеллектуальности и улучшения пользовательского опыта.

Все больше компаний начинают внедрять ИИ в свои продукты, при этом они могут использовать аппаратные средства, разработанные на основе ПО, для предоставления более персонализированных услуг. Например, несколько новых компаний выпустили цифровые персональные помощники с поддержкой ИИ.

Улучшенные человеко-машинные интерфейсы. Человеко-машинные интерфейсы (HMI) уже давно позволяют людям взаимодействовать с различными устройствами — от промышленных машин до персональных устройств и сервисных роботов, но каналы связи могут быть разочаровывающими или несовершенными. Некоторые компании пытаются улучшить их с помощью ИИ. Например, в автомобильном секторе компания TomTom, специализирующаяся на технологиях определения местоположения, разработала автомобильный помощник, который использует последние достижения в области ИИ для ведения сложных и многогранных разговоров. Голосовая система проактивно предоставляет водителям полезную информацию, а не ждет, пока ей зададут вопросы.

Panoramic Vision от BMW — это новый головной дисплей, который проецирует информацию, например, скорость автомобиля, на лобовое стекло. Он использует ИИ для отслеживания движений глаз водителя, чтобы информация всегда отображалась в четком, удобном для просмотра месте, не мешая обзору дороги. Наиболее важная информация отображается в затемненной области у основания лобового стекла, а менее важные данные проецируются чуть выше на прозрачную область. Технология может автоматически определять, когда определенная информация должна отображаться в приоритетном месте. Например, навигационная информация отображается на видном месте, чтобы помочь при парковке, когда водитель ищет место или въезжает на него.

Применение базовых моделей. Базовые ИИ-модели обучаются на огромных массивах данных и используют передовые методы МО для создания лучшего оборудования. Они уже применяются для оптимизации производительности и функциональности корпоративных и потребительских продуктов. Следующим важным приложением может стать воплощенный ИИ (Embodied AI), позволяющий роботам и другим интеллектуальным устройствам взаимодействовать с окружающей средой и учиться на собственном опыте. Некоторые стартапы в области робототехники, основанной на фундаментальных моделях, надеются создать более универсальное оборудование с широкой функциональностью, которая будет улучшаться со временем.

Новый способ работы

Использование возможностей ИИ может потребовать изменений в работе компаний или отраслевых инициатив, связанных с сотрудничеством, выходом на рынок, раздельной разработкой аппаратного и программного обеспечения, а также безопасностью и конфиденциальностью данных.

Инновационное сотрудничество. Компаниям, которые начинают использовать ИИ для создания SDH, следует с самого начала обеспечить сотрудничество инженеров по оборудованию и разработчиков ПО. Кроме того, на ранних этапах они должны убедиться, что дизайн аппаратного обеспечения достаточно гибкий, чтобы позволить вносить обновления SDH.

В некоторых случаях для создания SDH компании могут создавать нетрадиционные партнерства, например с технологическими стартапами. Они могут облегчить такое сотрудничество, обязав использовать стандартные протоколы, включая OpenFlow и Network Configuration (NETCONF), которые позволяют динамически управлять сетевыми устройствами, используемыми в SDH. Хотя стандартные протоколы могут быть полезны в любом сотрудничестве, они особенно важны, когда два партнера никогда не работали вместе и не понимают, как работает другая компания.

Некоторые протоколы являются отраслевыми, например архитектура открытых автомобильных систем (AUTOSAR) обеспечивает надежную основу для разработки автомобильного SDH. AUTOSAR предлагает два взаимодополняющих стандарта: Classic AUTOSAR, который хорошо подходит для традиционных встраиваемых систем с жесткими требованиями к реальному времени, и Adaptive AUTOSAR, предназначенный для более сложных, динамичных и программно-емких функций. Adaptive AUTOSAR позволяет создавать масштабируемые, модульные и безопасные приложения, некоторые из которых могут включать в себя функции ИИ. Например, этот стандарт хорошо подходит для управления передовыми системами помощи водителю (ADAS), которые могут включать восприятие и принятие решений на основе ИИ. Adaptive AUTOSAR также поддерживает развертывание приложений, взаимодействующих с радарами, ультразвуковыми и другими датчиками, необходимыми для ADAS, хотя для решения других задач, таких как обработка данных, могут потребоваться специализированные механизмы ИИ.

Другим примером протоколов, которые могут ускорить разработку SDH, является Safety-Oriented Architecture for Functional Safety in Edge Computing, спонсируемый инициативой Scalable Open Architecture for Embedded Edge (SOAFEE), которая направлена на создание стандартов безопасности для периферийных устройств.

Следуя этим общим принципам, разработчики могут создавать гибкие, масштабируемые и эффективные системы, которые адаптируются к меняющимся технологическим требованиям.

По мере расширения и диверсификации круга партнеров компании могут поощрять инновации, связанные с ИИ, снижая барьеры для выхода на рынок. Например, они могут отменить лицензионные сборы для стартапов, которые хотят разрабатывать аппаратное обеспечение на основе их технологий. В целом компании должны сосредоточиться на создании условий для потенциальных партнеров, а не на контроле их деятельности.

Разделение циклов разработки аппаратного и программного обеспечения. Для создания SDH компаниям следует разделить разработку программного и аппаратного обеспечения, чтобы обеспечить бóльшую гибкость и инновационность. Это не означает, что каждый элемент развивается без участия другой группы, поскольку в SDH сотрудничество важно как никогда. Однако это означает, что аппаратное и программное обеспечение будут следовать своим собственным временным рамкам и циклам обновления. Темпы, задаваемые двумя группами, не обязательно будут совпадать.

Развязка позволяет инженерам по аппаратному обеспечению самостоятельно проектировать и оптимизировать физические компоненты, а разработчикам ПО — создавать и обновлять приложения без аппаратных ограничений. Благодаря использованию слоев абстракции и стандартных интерфейсов команды могут быстро дорабатывать программные функции и возможности, что способствует более гибкому процессу разработки. Развязка также облегчает интеграцию новых технологий и модернизацию, поскольку аппаратное обеспечение может развиваться в соответствии с меняющимися требованиями, не требуя полной перестройки программного стека. В конечном счете, такой подход улучшает взаимодействие между различными дисциплинами и ускоряет выход на рынок новых продуктов и решений.

Традиционные автомобильные OЕМ относятся к числу тех, кто разделяет разработку аппаратного и программного обеспечения, отчасти потому, что автомобили становятся все более подключенными. Что касается ПО, то некоторые OEM передают его разработку технологическим компаниям или инновационным поставщикам, а другие пытаются создавать собственные мощности. Внутренняя разработка ПО зачастую требует больших затрат и времени, поскольку компаниям обычно требуются новые инструменты, технические специалисты и инфраструктура.

Более надежная защита данных и конфиденциальность. Устройства, получающие обновления в режиме реального времени, уязвимы для кибератак. По мере углубления в мир ИИ и SDH компании, возможно, захотят отделить критически важный код от некритического, физически или виртуально, чтобы защитить пользователей и сохранить их конфиденциальность.

Долгосрочная перспектива

Если компании планируют постоянно обновлять аппаратное обеспечение, чтобы продукты могли развиваться, они должны думать о будущем. Что ожидает потребителей через десять лет? Какие тенденции набирают обороты и могут стать стандартом через пять лет? Планируя будущие обновления, компании должны учитывать не только потенциальный спрос, но и конкурентную среду, а также стоимость любых усовершенствований.

Ведущие компании стимулируют переход к SDH во все большем количестве отраслей. ИИ будет играть ключевую роль в ускорении этого перехода и расширении границ возможностей этой технологии. Помимо рационализации разработки аппаратного и программного обеспечения, ИИ может повысить удовлетворенность и лояльность клиентов за счет улучшения качества конечных продуктов и услуг. В конечном итоге сочетание ИИ и SDH может привести к будущему, в котором устройства будут постоянно и мгновенно адаптироваться к потребностям пользователей.